[发明专利]一种耦合社会信任信息的矩阵分解协同过滤方法和系统

说明书

本发明公开了一种耦合社会信任信息的矩阵分解协同过滤方法和系统，包括以下步骤：构建社会信任知识图谱；对所述社会信任知识图谱按信任关系和信任度量进行信任团划分；构建耦合社会信任信息的矩阵分解协同过滤模型；利用信任知识图谱的信任团信息及其他用户‑物品交互信息对耦合社会信任信息的矩阵分解协同过滤模型进行训练，得到耦合社会信任信息的矩阵分解协同过滤模型。本发明提供的朋友信任圈的检测算法，基于朋友之间的信任度量，而不是基于网络节点之间的可达性来识别，也有助于缓解冷启动，提高推荐准确性。充分利用社会关系信任数据，对已有的矩阵分解过滤模型中的用户隐因子进行修正。

技术领域

本发明涉及网络社交关系知识图谱和数据挖掘技术领域，更具体的说是涉及一种耦合社会信任信息的矩阵分解协同过滤方法和系统。

背景技术

虽然协同过滤推荐系统已经在学术界广泛应用，并在Amazon和ebay等公司得到应用，但大多数技术都有一些固有的弱点。众所周知的一个问题是冷启动和数据稀疏性。商用推荐系统可用评分的密度一般小于1％，传统的推荐算法，不能提供很好的推荐性能，尤其是纯粹挖掘用户物品评分矩阵的协同过滤推荐，甚至根本无法处理只对少量物品进行评分的用户。

近十年来，社会网络得到了前所未有的发展，为提高推荐性能、解决用户端稀疏性及冷启动问题提供了契机。在社会网络中，用户可以在其中创建并分享内容、标注内容、评分评论、加入社区、与朋友联接，用户成了这些社会网络的核心。有了社会网络，可以在不侵犯隐私的情况下轻易取得其中的朋友信任关系，并可以把社会网络中的兴趣网络(Twitter)或熟人关系网(例如Facebook，LinkedIn等)作为用户偏好的来源。例如，由于社交兴趣，用户可能阅读某一特定主题的新闻；由于社会信任，用户可能喜欢其好友在Facebook上推荐的电影。现实生活中，由于稳定而持久的社会关系约束，人们更愿意与朋友分享个人意见，而且更信任朋友的建议，因此人们在购买产品或消费服务之前(如电影、音乐、书籍、事物等)，常常向社交网络中的朋友寻求建议，并且其爱好很容易受朋友的影响。

基于社会网络的推荐方法，假定一个用户在社会网络中具有直接或间接的社会关系，这种方法通常采用用户的评分来推荐。社会评分网络是社会网络的一种。用户可以创建与其它用户的社交关系，也可以对一些物品进行评分。当用户之间共享大量相同的物品及评分信息，这个时候协同过滤最为有效，但对于解决冷启动问题，其效果就很差。冷启动用户是指新进入的用户，且只有几寥寥几个评分信息的情况。基于相似性的方法，它就不大可能找到类似的用户，因为冷启动用户只有几个评分。然后基于社会网络的推荐系统，就能处理这个问题。只要他在社会网络中跟其他人具有大量联系。

现有的社会推荐系统基本都是基于协同过滤的。在传统的协同过滤推荐系统分类的基础上，基于协同过滤的社会推荐系统可以分为两类：基于矩阵分解(MF)的社会推荐方法和基于邻域的社会推荐方法。基于矩阵分解的社会推荐方法，集成用户社会信任信息与用户-物品反馈历史信息(例如评分、点击、购买、收视率等)以提高传统矩阵分解推荐系统的准确性。基于邻域的社会推荐方法包括社会网络的遍历(Social Network Traversal,SNT)方法和最近邻(Nearest Neighbor,NN)方法。其中，SNT方法，对社交网络中的直接或间接链接的邻近用户进行遍历之后，为用户生成推荐。最近邻方法将传统的协同过滤邻域与社会邻居相结合，预测物品的评分或生成推荐物品列表。

目前，基于协同过滤的社会推荐系统存在以下几点问题：

1)没有充分利用社交网络中用户的信任信息来提升推荐性能；

2)推荐精度不高；

3)冷启动问题严重。

发明内容

本发明的目的在于提供一种耦合社会信任信息的矩阵分解协同过滤方法和系统，用于解决上述技术背景中描述的现有技术的不足之处，包括没有充分利用社交网络中用户的信任信息来提升推荐性能、推荐精度不高以及冷启动问题等问题。