[发明专利]融合用户社会地位的隐社交关系反馈技术的推荐方法

权利要求书

1.一种融合用户社会地位的隐社交关系反馈技术的推荐方法，其特征在于，包括如下步骤：

根据用户的信任关系构建推荐模型TrustMF；

根据PageRank算法计算用户的社会地位值，并基于用户的社会地位值获取用户社会地位权重；

根据用户评分和信任关系构建基于用户社会地位的推荐模型USSocialMF；

利用社会标签获取用户权重和项目权重；

根据用户权重和项目权重构建基于社会标签权重的社会化推荐模型TSocialMF；

训练TrustMF模型、USSocialMF模型和TSocialMF模型；

利用社交矩阵反馈技术获得用户和项目隐含相似性；

构建基于用户评分、信任关系和社会标签的社会化推荐模型EISocialMF；

所述根据用户的信任关系构建推荐模型TrustMF，包括：

设定两个用户u_u和u_v的相互信任关系通过用户的信任者特征向量B_u和被信任者特征向量E_v正态分布表示；

根据贝叶斯公式，获取信任者特征向量和被信任者特征向量的后验概率分布：

其中，T_uv表示用户u_u和u_v的信任关系；和分别是信任者和被信任者特征向量分别服从的均值为0的高斯分布的方差；是信任关系T_uv服从的均值为0的高斯分布的方差；B_u和E_v分别表示信任者和被信任者特征向量；N表示用户的数量；

对上式取对数并最大化，得到TrustMF模型；并通过最小化如下损失函数对T进行分解，得到B和E：

所述根据PageRank算法计算用户的社会地位值，并基于用户的社会地位值获取用户社会地位权重，包括：

根据PageRank算法计算用户的社会地位值，计算公式如下：

其中，PR_u表示用户u_u的PageRank值，C_u表示用户u_u信任的朋友集合，是跳出当前网络的概率值，取值范围为[0，1]；

调整的用户u_u和u_v之间的关系权重W_uv，计算公式如下：

其中，t_uv表示用户u_u对用户u_v的信任值；

所述根据用户评分和信任关系构建基于用户社会地位的推荐模型USSocialMF，包括：

USSocialMF模型如下：

其中，R为用户评分，U和V分别表示用户隐因子特征矩阵和项目隐因子特征矩阵，列向量U_u和V_i分别为相应的用户和项目隐特征向量，r_ui为用户u_u对项目i_i的评分，N_u表示用户u_u的近邻用户集合；T(u)表示被用户u_u信任的用户集合；sim(u,t)表示用户u_u和u_t的相似性，sim(i,j)表示项目i_i和i_j间的相似性，通过以下公式得到：

其中，r_ui和r_ti分别表示用户u_u和u_t对项目i_i的评分，I_u和I_t分别表示用户u_u和u_t已评分的项目集合，I_ut表示用户u_u和u_t共同评分的项目集合，和分别表示用户u_u和u_t的平均评分；r_uj表示用户u_u对项目i_j的评分，U为所有共同给项目i_i和i_j评分的用户集合；

通过最小化对R和W进行分解，得到特征矩阵U和V；

所述利用社会标签获取用户权重和项目权重，包括：

利用TF-IDF算法获得：

其中，G_uk和H_ik分别表示用户u_u和项目i_i对标签l_k的权重关系；c_up表示用户u_u选择标签l_p的次数，表示使用标签l_p的用户数，N_t表示标签的总数，用户u_u使用标签l_p的次数越多，则该标签对应的权重值G_uk越大；c_ip表示标签l_p出现在项目i_i中次数，表示被标注标签l_p的项目个数，标签l_p在某项目集中出现的次数越多，则对应的权重值H_ik越大；

所述根据用户权重和项目权重构建基于社会标签权重的社会化推荐模型TSocialMF，包括：

根据用户-标签和项目-标签的权重关系，获得用户和项目特征，则用户-标签、项目-标签权重矩阵的条件概率如下：

其中，G被映射到用户特征U和标签特征空间L，H被映射到项目特征V和标签特征空间L；和分别是用户-标签和项目-标签权重关系分别服从的均值为0的高斯分布的方差；

根据贝叶斯公式，TSocialMF模型如下，并且，最小化以分解G和H，同时得到U、V和L：

其中，是标签特征L服从的均值为0的高斯分布的方差；

所述训练TrustMF模型、USSocialMF模型和TSocialMF模型，包括：

所述TrustMF模型的训练过程，包括：

设置参数λ、T和η的值，其中η为下降速率；用服从[0，1]均匀分布的随机数初始化矩阵B和E；按照如下公式迭代更新矩阵B和E：

所述USSocialMF模型的训练过程，包括：

设置参数λ、R和η的值，其中η为下降速率；用服从[0，1]均匀分布的随机数初始化矩阵R和V；按照如下公式迭代更新矩阵U和V：

所述TSocialMF模型的训练过程，包括：

设置参数λ、G、H和η的值，其中η为下降速率；用服从[0，1]均匀分布的随机数初始化矩阵G和H；按照如下公式迭代更新矩阵U、V和L：

所述利用社交矩阵反馈技术获得用户和项目隐含相似性，包括：

用户间的隐含相似性记为由用户特征相似度、信任关系隐含相似度和标签相似度的正态分布构成，则S^(U)的条件概率分布为：

其中，为用户u_u和u_v的评分相似度，为基于信任关系的偏好相似性，为用户u_u和u_v基于标签的隐含偏好相似性：

方差表示估计值的噪声情况，函数f(x)是改进的用户u_u和u_v的相似性函数，表示为：

relation(u,v)表示用户u_u和u_v之间存在直接的信任关系；

设定项目相似性由项目特征相似度和社会标签关系相似度的正态分布构成：

根据贝叶斯推理，得如下损失函数：

其中，项目i_i和i_j的相似性综合考虑了项目特征和社会标签影响因素，计算公式如下：

表示基于社会标签的项目i_i和i_j的相似性，计算公式如下：

表示基于项目特征的i_i和i_j的相似性，计算公式如下：

所述构建基于用户评分、信任关系和社会标签的社会化推荐模型EISocialMF，包括：

EISocialMF模型具体如下：

其中，表示信任用户被信任用户之间的相似性；表示两个用户基于信任关系的相似性，通过用户u_u和u_v分别对其共同信任用户u_k的信任关系获得；表示两个被信任者基于信任关系的相似性，由u_u、u_v与共同被信任用户u_k的信任关系获得：

。