同時融入社交關系和用戶相似度的協同過濾方法技術

本發明專利技術的目的在于解決現有技術所存在的問題，找到一種同時融入好友特征和相似用戶特征的協同過濾方法，提高協同過濾方法的準確度，包括：獲取用戶?物品評分矩陣，通過皮爾遜相關系數計算用戶之間的相似度，建立用戶相似度矩陣；獲取用戶?用戶關系矩陣，對原始用戶?用戶關系矩陣進行歸一化處理，得到歸一化后的用戶?用戶關系矩陣；根據用戶相似度矩陣和歸一化后的用戶?用戶關系矩陣將相似用戶特征和好友用戶特征融入概率矩陣分解模型的用戶特征，根據概率矩陣分解模型獲取用戶對物品的預測評分，根據預測評分為用戶推薦物品。有益技術效果：使得推薦結果收好友用戶特征和相似用戶特征影響，提高協同過濾方法的準確度。

Collaborative filtering method incorporating social relations and user similarity

The aim of the invention is to solve the problems existed in the prior art, find a collaborative filtering method with friends features and similar user characteristics, improve the accuracy of collaborative filtering method, including: obtaining the user item rating matrix, through the Pearson correlation coefficient of similarity between users, establish user similarity matrix to obtain the user; the user relation matrix, the original user user relationship matrix is normalized to get the user user relationship matrix normalized; according to the user user user similarity matrix and relation matrix of the normalized similar user characteristics and user friend features into user feature probability matrix decomposition model, based on probability matrix decomposition model to predict user access the item score, according to the forecast score recommended items for users. The utility model has the advantages that the recommendation result is influenced by the characteristics of a good friend, a user and a similar user, and the accuracy of the collaborative filtering method is improved.

【技術實現步驟摘要】
同時融入社交關系和用戶相似度的協同過濾方法
本專利技術涉及協同過濾方法，尤其涉及一種同時融入社交關系和用戶相似度的協同過濾方法。
技術介紹
近年來，隨著互聯網產品中信息過載問題的愈發嚴重，許多產品中都迫切需要提供個性化推薦的功能。然而，傳統的推薦技術只考慮了兩種實體即“用戶”和“物品”，而忽略了好友之間的社交關系對推薦結果的影響。為此，融入社交關系的推薦系統逐漸受到關注，當前已經有許多的科研和工程實踐工作證明，社交關系的引入能夠有效提高推薦系統的準確性和和個性化程度。目前，融入社交關系的推薦方法采用的推薦算法主要分成兩大類：(1)基于內存的個性化社交推薦算法：把社交關系融入到傳統的基于內存的推薦算法之中，比如在基于用戶的最近鄰推薦算法或者基于物品的最近鄰推薦算法加入社交關系。(2)基于模型的個性化社交算法：把社交關系融入到傳統的基于模型的推薦算法之中，比如在概率矩陣分解模型中加入社交關系。上述兩類融入社交關系的推薦方法，只能分別融入社交關系或者用戶相似度信息，無法同時對社交關系和用戶相似度信息建模，而在真實的互聯網產品應用場景之中，用戶的興趣偏好一方面會受到好友的影響，即社交關系的影響。其興趣另一方面又趨向于相同興趣偏好的用戶，即受到高相似度用戶的影響。所以本專利技術專利提出一種同時融入社交關系和用戶相似度的協同過濾方法和系統，同時把社交關系和用戶相似度信息融入到推薦算法之中，改進協同過濾方法的準確度。
技術實現思路
本專利技術的目的在于解決現有技術所存在的問題，找到一種同時融入社交關系和用戶相似度的協同過濾方法，提高協同過濾方法的準確度。為了實現所述目的，本專利技術同時融入社交關系和用戶相似度的協同過濾方法，同時融入社交關系和用戶相似度的協同過濾方法，包括以下幾個步驟：步驟一：獲取用戶-物品評分矩陣，通過皮爾遜相關系數計算用戶之間的相似度，建立用戶相似度矩陣；步驟二：獲取用戶-用戶關系矩陣，對原始用戶-用戶關系矩陣進行歸一化處理，得到歸一化后的用戶-用戶關系矩陣；步驟三：根據用戶相似度矩陣和歸一化后的用戶-用戶關系矩陣將相似用戶特征和好友用戶特征融入概率矩陣分解模型的預測評分公式中，根據融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對物品的預測評分，根據預測評分為用戶推薦物品。進一步的，步驟一中，用戶之間相似度的計算公式為：其中，Siw為用戶i與物品w的相似度，I為用戶i和用戶w的公共評分集合，Rij為用戶i對物品j的評分，為用戶i的評分均值，Rwj為用戶w對物品j的評分，為用戶w的評分均值。進一步的，步驟二中，對原始用戶-用戶關系矩陣進行歸一化的過程為：通過歸一化，使得Fi表示用戶i的好友集合，Tiv為原始用戶-用戶關系矩陣中第i行第v列的元素表示用戶i對用戶v的關系。進一步的，步驟一中，設置相似度閾值，根據用戶相似度矩陣選擇與用戶相似度高于相似度閾值的用戶集合作為高相似度用戶集合。進一步的，步驟一中，設置高相似度用戶數目的閾值Y，根據用戶相似度矩陣選擇與用戶相似度最高的Y個用戶作為高相似度用戶集合。進一步的，Y值等于用戶的好友數量。進一步的，融入相似用戶特征和好友用戶特征的概率矩陣分解模型中：用戶隱因子矩陣U的條件概率為：物品隱因子矩陣V的條件概率為：評分預測公式為：其中Vj為物品j的特征向量，Ui為用戶i的特征向量，Uυ為用戶υ的特征向量，Uw為用戶w的特征向量，Vj為物品j的特征向量，Fi為用戶i的好友集合,Ni為用戶i的高相似度用戶集合，Siw表示用戶i和用戶w之間的相似度，Tiv為用戶i與物品w的歸一化后的關系值，為用戶i的特征向量與物品j的特征向量的內積，為用戶w的特征向量與物品j的特征向量的內積，為用戶υ的特征向量與物品j的特征向量的內積，λT和λS為可調權重參數，0＜λT＜1，0＜λS＜1，并且λT+λS≤1。由于評分預測公式是三部分的加權，λT或者λS的大小控制最后評分預測公式中哪一部分的權重影響較大，比如λT比較大，那說明評分預測公式中，好友評分影響較大；λS較大，則說明高相似度用戶對評分影響較大。進一步的，根據融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對物品的預測評分的步驟包括：根據預測評分公式、用戶隱因子矩陣的條件概率和物品隱因子矩陣的條件概率提出需要最大化的隱因子矩陣的后驗概率：最大化上述概率函數，等價于最小化如下的損失目標函數，其中，U為用戶隱因子矩陣，V為物品隱因子矩陣，R為用戶-物品評分矩陣，T為歸一化后的用戶-用戶關系矩陣，S為用戶相似度矩陣，Rij為用戶i對物品j的評分，Ui為用戶i的特征向量，Uυ為用戶υ的特征向量，Uw為用戶w的特征向量，Vj為物品j的特征向量,Fi為用戶i的好友集合,Ni為用戶i的高相似度用戶集合，Siw為用戶i與物品w的歸一化后的關系值,為用戶i的特征向量與物品j的特征向量的內積，為用戶w的特征向量與物品j的特征向量的內積，為用戶υ的特征向量與物品j的特征向量的內積，表示Frobenius范數；采用隨機梯度下降的方法優化損失目標函數，獲得用戶隱因子矩陣U和物品隱因子矩陣V，并使用預測評分。進一步的，根據預測評分為用戶推薦物品的步驟包括：根據預測評分，對前預測評分前N高的物品進行推薦。通過實施本專利技術可以取得以下有益技術效果：將相似用戶特征和好友用戶特征融入概率矩陣分解模型的預測評分公式，根據融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對物品的預測評分，根據預測評分為用戶推薦物品，概率矩陣分解模型的基礎上引入社交關系和用戶相似度信息，進而改進概率矩陣分解模型，并獲得更好的推薦效果。附圖說明圖1是融入社交關系和用戶相似度的協同過濾方法的流程圖；圖2為標準矩陣分解模型；圖3為同時融入社交關系和用戶相似度的概率矩陣分解模型；圖4為同時融入社交關系和用戶相似度的協同過濾系統的框圖。具體實施方式為了便于本領域技術人員的理解，下面結合具體實施例對本專利技術作進一步的說明：如圖1所示，本專利技術同時融入好友特征和相似用戶特征的協同過濾方法，包括以下幾個步驟：步驟一：獲取用戶-物品評分矩陣，通過皮爾遜相關系數計算用戶之間的相似度，建立用戶相似度矩陣。通過用戶相似度矩陣獲取高相似度用戶合集。用戶相似度矩陣建立過程為：獲取用戶-物品評分矩陣Rij為矩陣R中第i行，第j列的元素表示用戶i對物品j的評分，一般用戶物品評分數值標準為5分制、10分制、100分制等，通過皮爾遜相關系數計算用戶之間的相似度，建立用戶相似度矩陣S，計算公式為：其中，Siw為矩陣S中i行w列的元素用于表示用戶i與物品w的相似度，I為用戶i和用戶w的公共評分集合，Rij為用戶i對物品j的評分，為用戶i的評分均值，Rwj為用戶w對物品j的評分，為用戶w的評分均值。高相似度用戶集合一般可采用三種方式獲取：第一種方法，設置相似度閾值，相似度高于閾值的所有用戶為高相似度用戶集合，比如閾值為0.5時，相似度高于0.5的所有用戶挑選出來做高相似度用戶集合。第二種方法，設置高相似度用戶數目的閾值，比如閾值為10時，挑選相似度最高的10個用戶做高相似度用戶集合。第三種方法，對應用戶好友的關系數量，比如一個用戶有20個好友，那么我們對應的，選取20個高相似度用戶作為高相似度用戶集合，那么就可本文檔來自技高網...

【技術保護點】
同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，包括以下幾個步驟：步驟一：獲取用戶?物品評分矩陣，通過皮爾遜相關系數計算用戶之間的相似度，建立用戶相似度矩陣；步驟二：獲取用戶?用戶關系矩陣，對原始用戶?用戶關系矩陣進行歸一化處理，得到歸一化后的用戶?用戶關系矩陣；步驟三：根據用戶相似度矩陣和歸一化后的用戶?用戶關系矩陣將相似用戶特征和好友用戶特征融入概率矩陣分解模型的預測評分公式中，根據融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對物品的預測評分，根據預測評分為用戶推薦物品。

【技術特征摘要】
1.同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，包括以下幾個步驟：步驟一：獲取用戶-物品評分矩陣，通過皮爾遜相關系數計算用戶之間的相似度，建立用戶相似度矩陣；步驟二：獲取用戶-用戶關系矩陣，對原始用戶-用戶關系矩陣進行歸一化處理，得到歸一化后的用戶-用戶關系矩陣；步驟三：根據用戶相似度矩陣和歸一化后的用戶-用戶關系矩陣將相似用戶特征和好友用戶特征融入概率矩陣分解模型的預測評分公式中，根據融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對物品的預測評分，根據預測評分為用戶推薦物品。2.如權利要求1所述的同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，步驟一中，用戶之間相似度的計算公式為：其中，Siw為用戶i與物品w的相似度，I為用戶i和用戶w的公共評分集合，Rij為用戶i對物品j的評分，為用戶i的評分均值，Rwj為用戶w對物品j的評分，為用戶w的評分均值。3.如權利要求1所述的同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，步驟二中，對原始用戶-用戶關系矩陣進行歸一化的過程為：通過歸一化，使得Fi表示用戶i的好友集合，Tiv為原始用戶-用戶關系矩陣中第i行第v列的元素表示用戶i對用戶v的關系。4.如權利要求1所述的同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，步驟一中，設置相似度閾值，根據用戶相似度矩陣選擇與用戶相似度高于相似度閾值的用戶集合作為高相似度用戶集合。5.如權利要求1所述的同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，步驟一中，設置高相似度用戶數目的閾值Y，根據用戶相似度矩陣選擇與用戶相似度最高的Y個用戶作為高相似度用戶集合。6.如權利要求5所述的同時融入社交關系和用戶相似度的協同過濾方法，其特征在于，Y值等于用戶的好友數量。7.如權利要求1～6中任意一項所述的同時融入好友用戶特征和相似用戶特征的協同過濾方法，其特征在于，融入相似用戶特征和好友用戶特征的概率矩陣分...

【專利技術屬性】
技術研發人員：胡天磊，王鋮微，孫辰進，戴文華，
申請(專利權)人：浙江浙大網新集團有限公司，
類型：發明
國別省市：浙江,33