融合用户社会地位的隐社交关系反馈技术的推荐方法

1.本发明涉及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。


背景技术：

2.社交网络中用户之间存在着复杂的社交关系，且各种社交关系相互影响，因此，直接度量这种复杂社交关系难以精确建模用户之间真实的社交关系，从而影响推荐性能。近年来，国内外一些学者将用户的社交关系、社会标签、用户个人兴趣等影响因子融合到推荐模型，以提高推荐质量。通过将用户评分信息和社交关系映射到共享的用户特征空间和项目特征空间以提高预测的准确性，虽然在一定程度上缓解了评分据稀疏带来的推荐不准确问题，但在通过近邻关系度量用户特征时，缺乏对用户社交关系的进一步训练以获取准确的相似性关系，从而使通过近邻用户获得的偏好模型可能与真实的用户偏好模型存在偏差，致使提高推荐的准确率的幅度有限。近年来，一些关于用户信任关系的预测研究方法相继被提出，但目前很少有研究将用户社交关系预测成果应用于推荐模型中，比如：利用矩阵分解技术，通过综合加权集成用户和相似朋友对未知项目的近似评分完成推荐；认为用户特征由其信任者和被信任者构成，利用矩阵分解技术对信任关系进行分析，获取用户的信任者和被信任者特征，从而对未知信任关系进行预测，从而实现评分预测并进行推荐；将用户评分和社会标签结合，提出一种改进的基于近邻相似性的矩阵分解方法，提高了推荐的准确性，但该方法未考虑到显式的信任关系影响和直接度量社交关系的不准确性问题；通过显式的用户评分和信任关系获取用户隐含相似性，以获取较为准确的用户特征，从而提高推荐准确性，该方法在一定程度上提高了预测准确性，但未考虑到极度稀疏的用户信任关系对用户社交关系的消极影响和用户-项目的隐式评价(如社会标签)及项目社交关系的近似关系估计对推荐质量的积极影响，忽略了每个用户在社交网络中的不同作用和同质性用户的影响。
3.因此，现有的大多数推荐算法只关注用户个体间的信任关系和朋友关系，将社交网络中的用户个体同等看待，认为其具有相同的权威性。实际上，不同领域中用户个体的权威程度并不尽相同，用户个体间的相互影响程度也不同。将用户在社交网络中的权威性称为社会地位。相关文献虽在推荐模型的建立过程中考虑到用户社会地位对推荐质量的影响，但是它们仅通过社交网络中链入和链出的用户数量确定用户的权威程度，并没有考虑到链接用户的自身社会地位，即用户个体的影响程度。而且，社交网络中用户之间存在着复杂的社交关系，且各种社交关系相互影响，因此，直接度量这种复杂社交关系难以精确建模用户之间真实的社交关系，从而影响推荐性能，降低推荐准确性。


技术实现要素：

4.本发明提供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，用于解决基于现有的推荐方法的推荐准确性较低的技术问题。
5.一种融合用户社会地位的隐社交关系反馈技术的推荐方法，包括如下步骤：
6.根据用户的信任关系构建推荐模型trustmf；
7.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；
8.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；
9.利用社会标签获取用户权重和项目权重；
10.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；
11.训练trustmf模型、ussocialmf模型和tsocialmf模型；
12.利用社交矩阵反馈技术获得用户和项目隐含相似性；
13.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。
14.进一步地，所述根据用户的信任关系构建推荐模型trustmf，包括：
15.设定两个用户uu和uv的相互信任关系通过用户的信任者特征向量bu和被信任者特征向量ev正态分布表示；
16.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：
[0017][0018]
其中，t
uv
表示用户uu和uv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；bu和ev分别表示信任者和被信任者特征向量；n表示用户的数量；
[0019]
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l(t,b,e)，对t进行分解，得到b和e：
[0020][0021]
进一步地，每个顶点的初始访问概率相同，将每个顶点的初始概率设置为1/n；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：
[0022]
根据pagerank算法计算用户的社会地位值，计算公式如下：
[0023][0024]
其中，pru表示用户uu的pagerank值，cu表示用户uu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]；
[0025]
调整的用户uu和uv之间的关系权重w
uv
，计算公式如下：
[0026]
[0027]
其中，t
uv
表示用户uu对用户uv的信任值。
[0028]
进一步地，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：
[0029]
ussocialmf模型如下：
[0030][0031]
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uu和vi分别为相应的用户和项目隐特征向量，r
ui
为用户uu对项目ii的评分，nu表示用户uu的近邻用户集合；t(u)表示被用户uu信任的用户集合；sim(u,t)表示用户uu和u
t
的相似性，sim(i,j)表示项目ii和ij间的相似性，通过以下公式得到：
[0032][0033][0034]
其中，r
ui
和r
ti
分别表示用户uu和u
t
对项目ii的评分，iu和i
t
分别表示用户uu和u
t
已评分的项目集合，i
ut
表示用户uu和u
t
共同评分的项目集合，和分别表示用户uu和u
t
的平均评分；r
uj
表示用户uu对项目ij的评分，u为所有共同给项目ii和ij评分的用户集合；
[0035]
通过最小化对r和w进行分解，得到特征矩阵u和v。
[0036]
进一步地，所述利用社会标签获取用户权重和项目权重，包括：
[0037]
利用tf-idf算法获得：
[0038][0039][0040]
其中，g
uk
和h
ik
分别表示用户uu和项目ii对标签lk的权重关系；c
up
表示用户uu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uu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ii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。
[0041]
进一步地，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：
[0042]
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：
[0043][0044][0045]
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；
[0046]
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：
[0047][0048]
其中，其中，是标签特征l服从的均值为0的高斯分布的方差。
[0049]
进一步地，所述训练trustmf模型、ussocialmf模型和tsocialmf模型，包括：
[0050]
所述trustmf模型的训练过程，包括：
[0051]
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：
[0052][0053][0054]
所述ussocialmf模型的训练过程，包括：
[0055]
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：
[0056][0057][0058]
所述tsocialmf模型的训练过程，包括：
[0059]
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：
[0060][0061][0062][0063]
进一步地，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：
[0064]
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：
[0065][0066]
其中，为用户uu和uv的评分相似度，为基于信任关系的偏好相似性，为用户uu和uv基于标签的隐含偏好相似性：
[0067][0068][0069][0070]
方差表示估计值的噪声情况，函数f(x)是改进的用户uu和uv的相似性函数，表示为：
[0071][0072]
relation(u,v)表示用户uu和uv之间存在直接的信任关系；
[0073]
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：
[0074][0075]
根据贝叶斯推理，得如下损失函数：
[0076]
[0077]
其中，项目ii和ij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：
[0078][0079]
表示基于社会标签的项目ii和ij的相似性，计算公式如下：
[0080][0081]
表示基于项目特征的ii和ij的相似性，计算公式如下：
[0082][0083]
进一步地，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：
[0084]
eisocialmf模型具体如下：
[0085]
[0086]
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uu和uv分别对其共同信任用户uk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uu、uv与共同被信任用户uk的信任关系获得：
[0087][0088][0089]
本发明提供的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融合多种社交关系影响因素，可有效缓解数据稀疏和冷启动问题，具有更好的推荐质量，并且，通过隐社交关系隐反馈技术，可简化复杂关系度量引起的推荐不准确性，进而提升推荐准确性；另外，将社交关系预测技术引入推荐模型的建立过程，以建立社交关系反馈模型，将用户社交地位引入推荐模型，根据pagerank算法调整社交地位关系，将pagerank算法获取到的用户社会地位关系预测引入基于社交关系反馈的推荐模型，以区分不同社交地位用户的影响力。
附图说明
[0090]
图1是本发明提供的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的流程图；
[0091]
图2是isocialmf推荐框架示意图。
具体实施方式
[0092]
本实施例提供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，本实施例中，可以做以下设定：用户偏好会受用户及近邻、信任用户的影响及社会标签从侧面反映了用户对项目的偏好程度，从显式和隐式的社交关系两个角度出发，通过分析社会标签对用户偏好的影响，分别对评分信息、信任关系和社会标签权重进行建模。同时，在isoicalmf框架结构基础上，利用矩阵分解隐因子技术分别从用户-项目评分、用户信任关系和社会标签等角度将用户特征和项目特征分别映射到一个共享特征空间，并根据获得的用户特征和项目特征估计用户间和项目间的近似关系，并不断对其训练，以更准确地优化用户相似性和项目相似性。
[0093]
如图1所示，本实施例提供的融合用户社会地位的隐社交关系反馈技术的推荐方法包括如下步骤：
[0094]
步骤s1：根据用户的信任关系构建推荐模型trustmf：
[0095]
设定两个用户uu和uv的相互信任关系通过用户的信任者特征向量bu和被信任者特征向量ev正态分布表示。并且，本实施例中，设定信任者和被信任者特征向量分别服从均值
为0、方差为和的高斯分布。根据贝叶斯公式，可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：
[0096][0097]
其中，t
uv
表示用户uu和uv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；bu和ev分别表示信任者和被信任者特征向量；n表示用户的数量。
[0098]
对上式取对数并最大化，得到trustmf模型，并最小化如下损失函数通过最小化损失函数可对t进行分解，同时得到b和e。
[0099][0100]
步骤s2：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：
[0101]
本实施例中，要为用户u1推荐感兴趣的项目。从用户u1开始，以概率从u1的出边随机地选择能到达下一个顶点的路径，比如i1，然后以概率从项目i1返回，继续从项目i1的出边以概率随机游走。经过多次游走后，每个用户的重要性收敛，并且每个用户的概率就是用户社会地位值。使用pagerank算法去计算社交网络中每一个用户的社会地位。因为每个顶点的初始访问概率相同，因此将每个顶点的初始概率设置为1/n。通过以上分析，根据pagerank算法计算用户的社会地位值，计算公式如下：
[0102][0103]
其中，pru表示用户uu的pagerank值，cu表示用户uu信任的朋友集合，n表示用户的数量，是跳出当前网络的概率值，取值范围为[0，1]。
[0104]
具有社会地位的用户uu和uv的信任关系。在某领域内一个用户的社会地位越高，其影响力就会越大，其建议更可能会被其他人接受。受此因素考虑，调整的用户uu和uv之间的关系权重w
uv
，计算公式如下：
[0105][0106]
其中，t
uv
表示用户uu对用户uv的信任值。
[0107]
在社交网络中，用户uv的社会地位越高，用户uv的可信度就越高。
[0108]
步骤s3：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：
[0109]
本实施例中，通过引入信任网络到用户特征向量，根据近邻关系可获得用户uu的条件分布：
[0110][0111]
根据贝叶斯推理，ussocialmf模型如下所示。目标函数的后验概率的对数可看成是目标函数，保持参数固定，最大化两个潜在的特征向量u和v可看成是一个无约束的优化问题，则最初的问题转换为一个最小化以下公式的问题。对于用户-项目评分矩阵r，可利用矩阵分解技术将其分别映射到用户和项目隐特征空间。其中，评分信息r由用户uu及近邻用户的特征与项目特征的乘积构成。通过最小化对r和w进行分解，可得特征矩阵u和v。
[0112][0113]
其中，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uu和vi分别为相应的用户和项目隐特征向量，r
ui
为用户uu对项目ii的评分；nu表示用户uu的近邻用户集合，而不是具有信任关系的用户集合；t(u)表示被用户uu信任的用户集合；sim(u,t)表示用户uu和u
t
的相似性，sim(i,j)表示项目ii和ij间的相似性。
[0114]
sim(u,t)通过以下公式得到：
[0115][0116]
其中，r
ui
和r
ti
分别表示用户uu和u
t
对项目ii的评分，iu和i
t
分别表示用户uu和u
t
已评分的项目集合，i
ut
表示用户uu和u
t
共同评分的项目集合，和分别表示用户uu和u
t
的平均评分。
[0117]
sim(i,j)通过以下公式得到：
[0118][0119]
其中，r
uj
表示用户uu对项目ij的评分，u为所有共同给项目ii和ij评分的用户集合。
[0120]
步骤s4：利用社会标签获取用户权重和项目权重：
[0121]
由于用户对项目的标注和评论信息在一定程度上反映了用户对项目的喜好程度，因此，利用用户和项目的标签权重信息可提取出用户和项目的隐含社交关系。g
uk
和h
ik
分别表示用户uu和项目ii对标签lk的权重关系，利用tf-idf算法获得：
[0122][0123][0124]
其中，c
up
表示用户uu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uu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ii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，则该标签越重要，则对应的权重值h
ik
越大。
[0125]
步骤s5：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：
[0126]
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(本实施例中，利用潜语义模型间接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：
[0127][0128][0129]
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。
[0130]
根据贝叶斯公式，tsocialmf模型如下，最小化损失函数以分解g和h，同时得到u、v和l：
[0131][0132]
其中，其中，是标签特征l服从的均值为0的高斯分布的方差。
[0133]
步骤s6：训练trustmf模型、ussocialmf模型和tsocialmf模型：
[0134]
trustmf模型的训练过程，包括如下步骤：
[0135]
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；根据(2)式中的目标函数，按照如下公式迭代更新矩阵b和e：
[0136]
[0137][0138]
ussocialmf模型的训练过程，包括：
[0139]
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；根据(6)式中的目标函数，按照如下公式迭代更新矩阵u和v：
[0140][0141][0142]
tsocialmf模型的训练过程，包括：
[0143]
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；根据(11)式中的目标函数，按照如下公式迭代更新矩阵u、v和l：
[0144][0145][0146][0147]
步骤s7：利用社交矩阵反馈技术获得用户和项目隐含相似性：
[0148]
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：
[0149][0150]
其中，为用户uu和uv的评分相似度，为基于信任关系的偏好相似性，为用户uu和uv基于标签的隐含偏好相似性：
[0151][0152][0153][0154]
方差表示估计值的噪声情况，函数f(x)是改进的用户uu和uv的相似性函数，表示为：
[0155][0156]
relation(u,v)表示用户uu和uv之间存在直接的信任关系。这样既可以避免数据稀疏和不均衡带来的用户特征描述不准确问题，也解决了用户相似性的线性叠加带来的偏离真实的用户特征问题，可在没有显式的用户评分和信任关系数据时获取用户偏好。
[0157]
若用户喜欢一个物品，则用户往往也会喜欢与该物品特征相似的物品，因此，通过挖掘用户喜欢项目的相似物品推荐给用户也可提高推荐质量。类似地，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：
[0158][0159]
根据贝叶斯推理，得如下损失函数：
[0160][0161]
其中，项目ii和ij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：
[0162][0163]
表示基于社会标签的项目ii和ij的相似性，计算公式如下：
[0164][0165]
表示基于项目特征的ii和ij的相似性，计算公式如下：
[0166][0167]
步骤s8：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：
[0168]
根据以上分析，综合考虑用户信任关系、评分信息和社会标签对用户偏好相似性和项目相似性的影响，引入用户和项目特征正则项，得到社会化推荐模型eisocialmf，eisocialmf模型具体如下：
[0169][0170]
其中，sim(u,t)表示用户uu和u
t
的相似性，sim(i,j)表示项目ii和ij间的相似性，和分别表示被uu信任的用户数量和信任uu的用户数量；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uu和uv分别对其共同信任用户uk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uu、uv与共同被信任用户uk的信任关系获得：
[0171][0172][0173]
因此，就可以根据得到的eisocialmf模型进行推荐。
[0174]
利用用户特征u、信任关系特征b和e、标签权重关系g组成的相似性关系s约束用户特征空间，利用项目特征v和社会标签权重关系h组成的相似性关系s约束项目特征空间，从
而提高预测用户兴趣偏好的质量。
[0175]
图2是eisocialmf模型的推荐框架示意图，对应的推荐过程为：根据用户的用户评分、直接信任关系等显式交互信息和社会标签等隐式交互信息建立社会化推荐模型：信任关系模型、csit模型和基于社会标签的权重关系模型。具体过程为：利用矩阵分解技术映射用户特征、信任者用户和项目特征到一个共享空间，建立推荐模型trustmf；利用pagerank获取社交网络中的用户社会地位；结合csit模型，根据用户评分和信任关系信息构建基于用户社会地位的推荐模型ussocialmf；利用社会标签等隐式交互信息建立用户权重和项目权重；结合隐特征空间和社会标签权重信息分别获得用户和项目隐含相似性；利用socialit框架结构，将以上社会化推荐模型和隐含相似性结合，建立一种基于显式和隐式社交关系融合社会地位的隐含相似性社交反馈技术的推荐模型eisocialmf；对以上模型学习训练获得用户和项目隐特征空间；预测评分并进行推荐。
[0176]
上述实施例仅以一种具体的实施方式说明本发明的技术方案，任何对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换，其均应涵盖在本发明权利要求保护的范围之内。

技术特征：
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。2.根据权利要求1所述的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，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l(t,b,e)，对t进行分解，得到b和e：3.根据权利要求2所述的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，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。4.根据权利要求3所述的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，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：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l(r,u,v,w)，对r和w进行分解，得到特征矩阵u和v。5.根据权利要求4所述的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，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：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。6.根据权利要求5所述的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，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：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l(u,v,l,g,h)以分解g和h，同时得到u、v和l：到u、v和l：其中，其中，是标签特征l服从的均值为0的高斯分布的方差。7.根据权利要求6所述的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，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：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：阵g和h；按照如下公式迭代更新矩阵u、v和l：阵g和h；按照如下公式迭代更新矩阵u、v和l：8.根据权利要求6所述的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，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：基于标签的隐含偏好相似性：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：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：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：9.根据权利要求8所述的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，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：的信任关系获得：

技术总结
本发明涉及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，根据用户的信任关系构建TrustMF模型，根据PageRank算法获取用户社会地位权重，根据用户评分和信任关系构建USSocialMF模型，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TSocialMF模型，训练上述三个模型，利用社交矩阵反馈技术获得用户和项目隐含相似性，构建EISocialMF模型。该推荐方法融合多种社交关系影响因素，可有效缓解数据稀疏和冷启动问题，具有更好的推荐质量，提升推荐准确性，将PageRank算法获取到的用户社会地位关系预测引入基于社交关系反馈的推荐模型，以区分不同社交地位用户的影响力。社交地位用户的影响力。社交地位用户的影响力。


技术研发人员：陈锐 张建伟 崔建涛 马军霞 蔡增玉 谷培培 马源 宁浩田 梁维德 彭嘉怡
受保护的技术使用者：郑州轻工业大学
技术研发日：2021.12.09
技术公布日：2022/3/8