融合隐式反馈和用户社会地位的个性化推荐方法及系统与流程

本发明涉及计算机技术领域，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。

背景技术：

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。

技术实现要素：

为解决上述技术问题，本发明的目的在于：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。

本发明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。

本发明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。

本发明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。

本发明的有益效果是：本发明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，本发明大大提高了推荐可信度和推荐质量；另外，本发明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为本发明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发明作进一步解释和说明。对于本发明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，本发明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。

本发明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，本发明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：

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。

具体地，由于不同领域的用户的地位是不同的，因为专业性等原因，在不同的领域中用户对别人的影响程度不一，受别人的影响程度也不一样，本发明通过结合隐式反馈信息和社交网络信息来计算每个领域里用户的权威性和可信度，最终计算出用户的社会地位值。

首先，设在特定分类c中，用户的权威性为可信度为用户的社会地位值为本实施例首先以用户在此分类中的反馈次数n^c(u)来衡量用户的权威性，即：

用户在此分类中的总的反馈次数多证明此用户相对比较活跃，影响力相对较强；k为一个常数，当用户反馈情况小于这一值时，削弱该用户的权威性，大于这一值时设其权重为1。

然后通过特定类别的用户社交网络结构信息衡量用户的可信度，即：

其中，d^c(u)为在分类c中信任用户u的用户数量，d^c(max)为在分类c中所有信任用户v(v∈u)的用户数量的最大值，以这两者的比例来衡量用户的可信度大小，信任用户的人数越多，用户的可信性越强。

最后，本实施例通过结合用户的权威性和可信度来计算用户的社会地位值即：

进一步作为优选的实施方式，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。

在社交关系网络中，地位高的人影响力相对来说也比较高。依据用户社会地位进行推荐，考虑的是全局的影响，但是用户有时也更容易受到身边朋友的影响，对于具有好友关系的用户，本发明结合局部的朋友影响进行推荐。

传统的基于直接信任矩阵的算法没有考虑到在用户的信任数据中也存在数据稀疏性问题，如果仅凭用户的少量直接信任关系进行预测评分，容易导致推荐的准确性不高。为了提高算法的准确性，本发明利用用户社交网络的直接信任关系，基于信任传递思想，预测用户在社交网络中的间接信任关系，以解决社交网络信任关系的稀疏性问题。

具体地，本实施例首先利用社交网络结构中用户的出度计算用户间的直接信任度，即：

然后利用信任传递思想，计算用户间的间接信任度，即：

其中，tij为用户i对用户j的直接信任度，tij为用户i对用户j的二度间接信任度。

进一步作为优选的实施方式，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。

具体地，本文的推荐算法是在传统的基于隐式反馈的矩阵分解的基础上，增加了全局用户社会地位影响和好友信任转移的计算来优化算法。在社交网络中，不同的用户在不同的领域往往具有不同的影响力，用户的偏好受到不同程度的影响。

本文首先采用用户置信度cui来衡量用户的偏好程度，用用户影响力来衡量用户的偏好的重要性，加上防止过度拟合的正则化项(即第一正则化项)后，得到初始目标函数为：

接着，考虑到用户的偏好还受好友的局部影响，根据信任传递矩阵，加上好友影响的正则化项(即第二正则化项目)后，得到最终目标函数为：

其中，p^c代表分类c中用户特征矩阵；q^c代表分类c中项目特征矩阵；代表在分类c中用户u的特征向量；代表在分类c中项目i特征向量；λ1，λ2，λ3代表影响参数；l代表本实施例定义的目标函数；代表在分类c中用户u对项目i是否有交互信息；代表在分类c中和用户u具有信任关系的用户的集合；代表分类c中用户j的特征向量；代表用户i对用户j的二度信任值；m^c代表在分类c中可观测到的用户和项目组合的集合；n^c代表分类c中观测的用户的数量；

最后，采用随机梯度下降方法求解目标函数的局部最小解，依据所求得的具体的用户特征向量和项目特征向量，可通过计算用户特征向量和项目特征向量的乘积得到用户对于项目的伪评分。

进一步作为优选的实施方式，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。

具体地，本实施例通过预测用户偏好，构建得到伪评分矩阵，然后为目标用户进行伪评分预测，得到按评分排序的项目集合，最后采用top-n方式为用户进行推荐。

所述伪评分值的计算公式为：

其中，表示分类c中的用户特征向量，表示分类c中的项目特征向量，而表示此分类中具体的用户u对项目i的伪评分值。

进一步作为优选的实施方式，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。

与图1的方法相对应，本发明实施例还提供了一种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。

进一步作为优选的实施方式，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。

与图1的方法相对应，本发明实施例还提供了一种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。

本发明为了解决目前大多数推荐算法所用的数据稀疏问题，提出了基于隐式反馈的推荐，且考虑到用户在不同的领域具有不同的社会地位值，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的问题，提出了基于隐式反馈和社交网络结构信息的用户的社会地位值计算，并结合信任传递计算局部好友的影响来优化推荐算法，最终通过矩阵分解的方法来评估用户的偏好，给用户进行推荐。

本发明主要针对于不同领域的用户，结合此领域内用户的社交网络结构信息以及用户对于此领域的项目的隐式反馈数据计算此领域用户的社会地位值，对于目标用户，结合所有领域全局用户的社会地位值以及目标用户的局部好友影响给出合适的项目推荐。

下面以学者网的课程数据为例，针对于各大高校学子，如何为其提供其感兴趣的课程推荐很有必要。大多数用户涉及的课程分类比较少，如何针对于目标用户，结合用户的社会地位以及好友关系给出合适的推荐很有必要。当用户登录学者网平台中的课程模块时，本实施例给出推荐方案如下：(1)若用户有单位信息但没有好友关系，则结合用户所属单位的全局用户社会地位值给出合适的课程推荐；(2)若用户有单位信息也有好友关系，则结合用户所属单位的全局用户社会地位值以及用户的好友局部影响给出合适的课程推荐；(3)若用户没有单位信息，却有好友信息，则结合用户的好友关系以及所有领域用户影响估计用户的伪评分，结合评分给出用户合适的课程推荐；(4)若用户什么信息都没有，则利用所有领域用户的社会地位与隐式反馈信息给出合适的课程推荐。

下面详细描述本发明融合隐式反馈和用户社会地位的个性化推荐方法的具体实施步骤：

s1、对于学者网的课程数据进行数据预处理，删除那些开课课程少于10门的单位的用户和课程信息，按照课程的老师的单位进行课程分类，可方便后面针对性的对分类中的学生进行推荐；然后，本实施例通过访问用户的好友关系记录用户的社交网络关系图。

s2、统计用户与课程的反馈信息，针对于学者网的课程信息，本实施例统计了用户访问课程，评论课程，课程资源下载，课程教师访问记录以及课程选择等的反馈信息。

s3、结合课程分类和用户的反馈信息，进而得到用户-课程的分类反馈矩阵，然后按照反馈信息与社交关系共现的原则，结合原始的用户社交网络得到分类的用户社交关系图。

s4、通过特定分类的用户社交关系图，本实施例可以计算得到用户的好友信任和用户的可信度，然后利用分类中的用户反馈信息给出用户权威性的计算，最后通过用户的权威性和可信度计算出用户社会地位值。

s5、针对具体的用户，结合领域内用户的社会地位和目标用户好友关系，通过矩阵分解的方法，给出用户对于课程的伪评分，然后按照评分的大小排序，采用top-n方式推荐。

最终，本实施例通过查准率，查全率以及f1值对算法的性能进行评估，并和传统的基于隐式反馈的矩阵分解imf，基于用户的协同过滤，基于产品的协同过滤，以及基于大规模隐式反馈的推荐模型ifrm的推荐效果进行对比，本算法的推荐可信度和质量得到了明显提高。

综上所述，本实施例采用学者网的课程数据进行个性化推荐。学者网是面向学者的在线学术信息服务平台，主要针对于各大高校的优秀学者，提供的主要功能包括学者在线交流，学术信息管理，课程管理等功能。针对于各大高校学子，如何为其提供其感兴趣的课程推荐很有必要。大多数用户涉及的课程分类比较少，如何针对于具体的分类，结合用户的社会地位以及好友关系给出合适的推荐很有必要。隐式反馈信息量丰富，更能自然的反映用户的直观反映，而结合社交网络的结构信息进行推荐可进一步提高推荐的质量，可有效的缓解数据稀疏和冷启动问题。为了显示本发明提出的推荐算法在推荐性能上的提升，基于隐式反馈场景特点，本发明与基于隐式反馈的矩阵分解imf，基于用户的协同过滤，基于产品的协同过滤，以及基于大规模隐式反馈的推荐模型ifrm的推荐效果进行了对比，结果证明本推荐算法的推荐更为准确，更加适用。

另外，针对于冷启动问题，本发明给出了详细的解决方法：

1)、对于没有任何信息的新用户会依据各个领域的用户的社会地位以及其反馈信息给出新用户合适的推荐；

2)、对于有好友关系和分类信息的用户，依据具体情况，结合全领域或某领域内全局的用户社会地位以及局部的好友偏好影响作出合适的推荐。

与传统的基于隐式反馈的推荐算法相比，本发明对于冷启动问题给出了合理的解决方案，且本算法的推荐可信度和质量得到了明显提高。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。