[发明专利]一种基于深度学习的结合信任和影响力的个性化推荐方法

说明书

本发明公开了一种基于深度学习的结合信任和影响力的个性化推荐方法，具体包括：构建用户‑项目评分矩阵；对数据进行特征提取；对用户‑项目已评分矩阵进行计算后得到用户初始直接信任度，使用皮尔逊相关系数度量计算用户相似度，并结合用户交互频率得到用户对项目的偏好度；在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，并形成用户‑用户信任矩阵；利用信任网络中的拓扑结构信息来挖掘社交网络中影响力较大的用户节点；构建及训练模型；通过训练好的模型预测用户对未知项目的评分，选择较高评分的项目产生推荐集。本发明使用深度学习得到更精确的特征向量，从而提高了推荐的精确度。

技术领域

本发明涉及推荐系统和社会网络领域，具体地，涉及基于深度学习的结合信任和影响力的个性化推荐方法。

背景技术

随着信息时代的发展，互联网上日益庞大的数据流，使得人们想获取所需要的信息变得越来越困难，信息过载成为亟待解决的问题。帮助我们从海量数据中筛选出有用数据的信息过滤技术显得越来越重要，推荐系统正是一种根据用户偏好从大规模数据中找到用户感兴趣数据的理想方法。但在日益复杂的社交网络环境中，用户项目评分矩阵稀疏和信任的弱传递问题仍影响着推荐的精度。提高系统的准确度和性能已成为个性化推荐进一步发展的迫切需求。

在以前的工作中，对推荐算法的研究主要集中在基于领域的协同过滤算法中，如Amazon在2003年提出的基于item的协同过滤算法，目前仍被业界广泛使用。协同过滤算法通过对用户的历史行为数据进行分析，利用行为相似用户对某一item的喜好为目标用户进行推荐。然而协同过滤算法虽然能在一定程度上提高推荐准确率，但是在实际应用中却面临着“数据稀疏”和“冷启动”问题。“数据稀疏”问题是指用户-项目矩阵中空元素过多，有值元素过少从而导致可利用数据过少的问题；“冷启动”问题是指新用户的行为数据过少导致系统无法分析其偏好的问题。

近年来，深度学习在图像处理、自然语言理解和语音识别等领域取得了突破性进展，已经成为人工智能的一个热潮，为推荐系统的研究带来了新的机遇。深度学习可通过学习一种深层次非线性网络结构，表征用户和项目相关的海量数据，具有强大的从样本中学习数据集本质特征的能力，能够获取用户和项目的深层次特征表示。2007年Salakhutdinov等人首次将深度学习应用于解决推荐问题，提出一种基于受限玻尔兹曼机(RBM)的协同过滤推荐模型。

与此同时，随着微博、微信和Twitter等社会化媒体的兴起，如何在社会网络中对推荐问题进一步展开研究，利用社会网络中的社会关系信息来帮助用户对信息进项个性化的过滤和筛选逐步成为研究的热点话题。例如，Massa和 Avesani研究了利用信任关系改进协同过滤的方法，他们使用用户间的信任关系矩阵代替寻找相似用户的过程，并且假设这种信任关系不但可以在信任网络中进行传播，还可以对未知的信任值进行预测；Yao等人基于社会同质性理论，利用用户的社会关系从而能构建有意义的以及更好的子矩阵。

关于用户影响力在社交网络中的应用也成为比较热门的课题。用户都比较倾向于参考具有更高影响力的用户的意见，也就是说在一个社交网络中，不同用户对于其他用户的意见和评价的影响是不同的。综合以上背景，本发明提供了一种基于深度学习的结合信任和影响力的个性化推荐方法。

发明内容

本发明的目的是提供一种结合了其他社会因素，具有较高准确率的基于深度学习的结合信任和影响力的个性化推荐方法。

本发明解决现有技术问题所采用的技术方案：一种基于深度学习的结合信任和影响力的个性化推荐方法，包括以下步骤：

步骤1：构建用户-项目评分矩阵；

步骤2：对数据进行特征提取；