融合隐式反馈和用户社会地位的个性化推荐方法及系统技术方案

本发明专利技术公开了融合隐式反馈和用户社会地位的个性化推荐方法及系统，方法包括：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。本发明专利技术结合了隐式反馈数据和用户的社会地位值来进行矩阵构建，提高了矩阵评分的准确性，进而提高了推荐可信度和推荐质量；另外，本发明专利技术还结合用户之间的信任度来优化推荐过程，进一步提高了推荐结果的可靠性，可广泛应用于计算机技术领域。

【技术实现步骤摘要】
融合隐式反馈和用户社会地位的个性化推荐方法及系统
本专利技术涉及计算机
，尤其是融合隐式反馈和用户社会地位的个性化推荐方法及系统。
技术介绍
随着社会科技的迅速发展，大数据的时代已经到来，信息过载存在于生活的每一方面。为了帮助用户快速有效的获取真正需要的信息，推荐系统日益发展起来。但是目前大多的推荐系统都是基于显示反馈的，用户的反馈数据是构建推荐系统的关键，基于用户评分等显示反馈信息的推荐往往会由于评分矩阵的稀疏而影响推荐的质量。而信息量丰富的隐式反馈更容易获取，且更能自然的反映用户的态度，可有效的缓解数据稀疏和冷启动问题。目前不少学者在基于隐式反馈场景的推荐算法做了相关的研究，典型的基于隐式反馈场景的推荐算法主要是基于单类协同过滤的推荐OCCF，但是仅仅依据隐式反馈信息只能反映用户相对于其他项目来说，对于当前项目的选择倾向，并不能明确表示用户的偏好。因此不少学者提出引入辅助信息进行推荐。随着社交网络服务的迅速发展，越来越丰富的社交网络信息更是蕴含了很多有价值的用户信息，越来越多的推荐算法利用丰富的社交网络信息来优化推荐算法，提高推荐质量。但是，基于社交网络的推荐一般基于假设用户的偏好受到其信任用户的偏好影响，却没有考虑到用户在不同的领域内具有不同的社会地位，即用户在不同的领域以不同程度上影响他人以及受他人影响，现有的推荐方法不够准确可靠。
技术实现思路
为解决上述技术问题，本专利技术的目的在于：提供一种可靠性高的，融合隐式反馈和用户社会地位的个性化推荐方法及系统。本专利技术一方面所采取的技术方案为：融合隐式反馈和用户社会地位的个性化推荐方法，包括以下步骤：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。进一步，所述根据隐式反馈信息，确定用户项目交互矩阵这一步骤，包括以下步骤：通过二值矩阵确定用户与项目的交互信息；根据隐式反馈信息，通过ALS-WR配置置信度权重；根据置信度权重确定置信度；通过置信度确定用户对项目的偏好可能性。进一步，所述根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值这一步骤，包括以下步骤：根据用户在对应项目的反馈次数来确定用户的权威性；通过用户在对应项目的社交网络信息来确定用户的可信度；根据用户的权威性和可信度，计算用户的社会地位值。进一步，所述根据社交网络信息计算用户之间的信任度这一步骤，包括以下步骤：根据社交网络信息中用户的出度信息计算用户间的直接信任度；根据直接信任度，通过信任传递算法计算用户间的间接信任度。进一步，所述根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵这一步骤，包括以下步骤：通过计算领域内的全局的用户社会地位值，通过第一正则化项生成初始目标函数；根据初始目标函数和局部的好友偏好信息，通过第二正则化项生成最终目标函数；通过随机梯度下降方法计算最终目标函数的最小解；根据最终目标函数的最小解，得到领域内用户特征矩阵和项目特征矩阵。进一步，所述根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵这一步骤，其具体为：通过用户特征矩阵和项目特征矩阵计算用户的伪评分矩阵，然后根据伪评分矩阵对用户的偏好程度进行预估；所述通过伪评分矩阵进行用户推荐这一步骤，其具体为：根据偏好程度的预估结果，通过top-n算法为用户进行推荐。进一步，还包括以下步骤：通过用户社交网络信息生成用户社交网络结构图。本专利技术另一方面所采取的技术方案是：融合隐式反馈和用户社会地位的个性化推荐系统，包括：矩阵生成模块，用于根据隐式反馈信息，确定用户项目交互矩阵；第一计算模块，用于根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；第二计算模块，用于根据社交网络信息计算用户之间的信任度；矩阵分解模块，用于根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；矩阵构建模块，用于根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；用户推荐模块，用于通过伪评分矩阵进行用户推荐。进一步，所述第一计算模块包括：权威性确定模块，用于根据用户在对应项目的反馈次数来确定用户的权威性；可信度确定模块，用于通过用户在对应项目的社交网络信息来确定用户的可信度；社会地位值确定模块，用于根据用户的权威性和可信度，计算用户的社会地位值。本专利技术另一方面所采取的技术方案是：融合隐式反馈和用户社会地位的个性化推荐系统，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的融合隐式反馈和用户社会地位的个性化推荐方法。本专利技术的有益效果是：本专利技术结合了隐式反馈数据和用户的社会地位值来进行矩阵构建，提高了矩阵评分的准确性，相较于现有基于假设用户偏好的推荐方法，本专利技术大大提高了推荐可信度和推荐质量；另外，本专利技术还结合用户之间的信任度来优化推荐过程，进一步提高了推荐结果的可靠性。附图说明图1为本专利技术实施例的步骤流程图。具体实施方式下面结合说明书附图和具体实施例对本专利技术作进一步解释和说明。对于本专利技术实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。参照图1，本专利技术实施例提供了一种融合隐式反馈和用户社会地位的个性化推荐方法，包括以下步骤：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。进一步作为优选的实施方式，所述根据隐式反馈信息，确定用户项目交互矩阵这一步骤，包括以下步骤：通过二值矩阵确定用户与项目的交互信息；根据隐式反馈信息，通过ALS-WR配置置信度权重；根据置信度权重确定置信度；通过置信度确定用户对项目的偏好可能性。具体地，本实施例首先通过一个二值的矩阵来表示用户-项目交互情况，为了确定用户对此项目具有偏好的可能性大小，本实施例通过ALS-WR来设置置信度权重，以衡量偏好可能性的大小，规则如下：对于交互频率大的项赋以较大的权重，对于没有交互反馈的项，赋以较小的权重，其中，用户项目交互矩阵的表达式如下：另外，置信度计算公式如下：cui＝1+αf(ui)，其中，rui为用户-项目交互矩阵的值，cui为用户u对项目i存在偏好的置信度，f(ui)为用户u对项目i的隐式反馈数。本专利技术依据用户与项目之间的交互信息，以及社交网络中的用户关系共现的原则，本专利技术得到每个分类中对项目有交互的用户社交关系图(即社交网络结构图)，最终得到每个分类中这些用户的社会地位值。进一步作为优选的实施方式，所述根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值这一步骤，包括以下步骤本文档来自技高网...

【技术保护点】
1.融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：包括以下步骤：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。

【技术特征摘要】
1.融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：包括以下步骤：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。2.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据隐式反馈信息，确定用户项目交互矩阵这一步骤，包括以下步骤：通过二值矩阵确定用户与项目的交互信息；根据隐式反馈信息，通过ALS-WR配置置信度权重；根据置信度权重确定置信度；通过置信度确定用户对项目的偏好可能性。3.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值这一步骤，包括以下步骤：根据用户在对应项目的反馈次数来确定用户的权威性；通过用户在对应项目的社交网络信息来确定用户的可信度；根据用户的权威性和可信度，计算用户的社会地位值。4.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据社交网络信息计算用户之间的信任度这一步骤，包括以下步骤：根据社交网络信息中用户的出度信息计算用户间的直接信任度；根据直接信任度，通过信任传递算法计算用户间的间接信任度。5.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵这一步骤，包括以下步骤：通过计算领域内的全局的用户社会地位值，通过第一正则化项生成初始目标函数；根据初始目标函数和局部的好友偏好信息，通过第二正则化项生成最终目标函数；通过随机梯度下降方法计算最终目标函数...

【专利技术属性】
技术研发人员：汤庸，王柳，汤非易，杨佐希，贺毅，李英，毛承洁，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44