[发明专利]一种社交网络中基于信任关系的项目推荐方法

说明书

本发明提供了一种社交网络中基于信任关系的项目推荐方法，采集用户数据后分别计算用户相似度、项目相似度和项目声誉值，分别针对项目冷启动和用户冷启动的情况给出了预测模型，使用MAE或RMSE作为项目预测结果精度的度量，选择最佳参数组合，推荐项目。本发明综合考虑了来自可信赖的朋友的评分、来自类似用户的评分、类似项目的评分、项目声誉值和用户历史评分。本发明可以有效缓解用户冷启动和项目冷启动对预测结果的影响，缓解数据稀疏性问题，提高推荐性能。

技术领域

本发明属于推荐技术领域，尤其是一种涉及协同过滤领域且使用信任关系的推荐方法。本发明综合使用用户相似度、项目相似度、用户之间的信任关系、项目声誉值等内容，为用户提供个性化的项目推荐方法，从而提高推荐质量。

背景技术

网络的迅速发展使网上信息量大幅增长，用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，严重降低了对信息的使用效率，引发信息超载问题。推荐系统作为一种信息过滤方法，通过研究用户的兴趣偏好并通过计算，为用户推荐个性化信息与产品。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。因此，推荐系统能有效地解决信息超载问题，并能为用户提供个性化的信息服务。

协同过滤作为推荐系统最流行的技术之一，由于其功能和简单性而得到普及。然而，协同过滤算法存在用户冷启动、项目冷启动和数据稀疏性等问题。用户冷启动是指新用户没有评分信息，系统难以为其提供个性化推荐。项目冷启动问题是指新项目没有被用户所评论，系统难以将其推荐给用户。数据稀疏性指部分用户评估过的项目数太少，部分项目被较少用户评价，导致将其加入推荐算法中，会严重降低了推荐算法的准确性和用户体验。传统的协同过滤算法直接将用户的相似度或者项目的相似度作为权重因子进行评级预测，然而，由于不了解两个用户或两个项目的共同评分数量的影响，这种相似性是不可靠的。此外，传统协同过滤算法在推荐过程中假设用户之间是相互独立的，忽略了用户之间的社交关系信息对推荐的影响，而很多研究表明，用户间的社交关系是进行推荐时所不可忽视的因素，合理利用用户间的社交关系和用户之间的相似关系等信息可以有效地缓解数据稀疏性问题和冷启动问题。

文章“A Comprehensive Trust-Based Item Evaluation Model forRecommendation in Social Network”中提出一个基于信任的项目评估方案，其信任由用户相似度、用户交互和用户声誉三部分线性加权合成，但该方案用户交互计算方法中考虑一个用户同时为项目购买者和提供者的情况，这在社交网络中很难得到体现。

安徽师范大学提出的专利申请“一种基于综合评价信任的社交网络推荐模型构建方法”(申请号201610445210.0，申请公布号CN 106126586 A)公开了一种社交网络中基于综合评价信任的推荐方法，具体步骤是：首先确认被推荐用户和邻居用户之间的信任关系。其次，建立被推荐用户和邻居用户之间评价相似度信任，建立被推荐用户和邻居用户之间社交关系相似度信任，建立被推荐用户和邻居用户之间PageRank信任。最后，求出用户间的综合评价信任值。其存在的不足是：求两个用户相似度时，只考虑了用户评分向量的相似度，未考虑这两个用户共同评论的项目数，导致所求的相似度偶然性大，而且未考虑新用户和新项目的评分信息的不足。

发明内容

为了克服现有技术的不足，本发明提供一种社交网络中基于信任关系的项目推荐方法，综合考虑信任朋友的评论、相似用户的评论、相似项目得到的评论，以及用户自身的偏好和项目本身的声誉值等影响因素，基于协同过滤，在相似度的基础上考虑了可信朋友的推荐和项目声誉值，有效缓解了数据稀疏性、用户冷启动以及项目冷启动等问题，同时提高了推荐的准确性和用户满意度。

本发明解决其技术问题所采用的技术方案包括以下步骤：

1)从社交网络中采集用户对项目的评分作为数据样本，以表示用户u对项目i的评分，通过随机样本分割法将数据划分为训练集和测试集；