一种基于信任机制的协同过滤推荐方法
【技术领域】
[0001] 本发明属于互联网技术领域，具体涉及一种基于信任机制的协同过滤推荐方法。
【背景技术】
[0002] 互联网的蓬勃发展产生了丰富的信息资源，形成互联网信息大数据。对于面向大 众的公共信息共享类应用，若充分整合现有互联网和无线、移动通信技术的优势，将热门共 享信息进行汇聚和广播分发，并借助泛在化存储和适当的信息过滤技术，可以有效提升信 息共享效率和智能化处理水平。其挑战在于，海量推送的信息往往超出人们的正常接受和 处理能力，从而引发"信息过载"等问题。个性化推荐技术是解决信息过载的有效方法，它可 以帮助用户在海量信息中快速发现符合个人兴趣特征的信息和服务。目前，个性化推荐技 术已经在电子商务、电影推荐及广告投放等领域得到实际应用。总的来说，个性化推荐技术 主要可分为基于内容的推荐方法与协同过滤推荐方法两大类，其中协同过滤推荐方法发展 较早，目前已成为个性化推荐中的主流技术。其核心思想是利用与当前用户兴趣相似的邻 居用户的历史信息来挖掘用户的潜在兴趣，以此帮助用户对未浏览过的项目进行评估和过 滤。
[0003] 然而，传统的协同过滤推荐方法还面临诸多挑战，例如:现实系统中往往拥有大量 用户，难免出现一些虚假用户信息和虚假评分信息，因此必须考虑用户是否值得信任，以及 用户的评分信息是否可靠和真实;再者，在大量应用场景中，由于用户精力有限，只能对海 量信息中的一少部分进行操作，因此用户评分矩阵的数据稀疏问题普遍存在;最后，由于新 用户刚加入时评分数量较少，传统协同过滤推荐方法难以为其找到真正的相似用户，因而 无法对新用户进行精准个性化推荐，由此产生用户冷启动问题。进一步分析发现，传统协同 过滤推荐方法仅通过用户（项目）间的相似性，来模拟现实的推荐场景并进行兴趣挖掘和项 目推荐，但它忽略了现实世界中用户之间的信任关系，而这种信任关系恰恰是影响推荐效 果的重要因素。
【发明内容】
[0004] 针对现有技术中存在的问题与不足，本发明综合考虑用户间信任关系对推荐结果 的影响，提供一种基于信任机制的协同过滤推荐方法。该方法既保留传统协同过滤推荐方 法的优点，又充分考虑传统方法中被忽略的用户间信任关系，可以改善传统协同过滤推荐 方法所存在的问题，能够有效应对传统协同过滤推荐方法所存在的忽略信任关系、数据稀 疏性和用户冷启动等问题的局限。推荐结果充分体现社会信任关系对相似用户兴趣的影 响，可有效提高推荐结果的精度和可靠性。
[0005] 为实现上述目的，本发明采用如下技术方案:一种基于信任机制的协同过滤推荐 方法，该方法注重协同过滤推荐方法的社会化本质，将信任概念引入到传统协同过滤推荐 方法中，以体现社会信任关系对相似用户兴趣的影响，基此得到更加准确、可靠和合理的推 荐结果，使传统协同过滤方法所存在的问题得到改善。一方面借助信任关系来丰富系统中 原本较为稀疏的数据，既减少不可靠用户的虚假推荐，又在一定程度上缓解数据稀疏性问 题。另一方面，对于系统中的新用户，选择系统中可信赖的权威用户作为其邻居来进行推 荐，以此应对用户冷启动问题。
[0006] 该方法主要根据当前用户是否为系统的新用户（即冷启动用户），而分别实施基于 信任机制的两种具体推荐计算过程，即针对非冷启动用户的基于复合推荐因子的协同过滤 推荐计算过程，和针对冷启动用户的基于权威信任度的新用户推荐计算过程，获得待推荐 项目的预测评分。最后根据预测评分实施具体的推荐过程。该方法【具体实施方式】如下。
[0007] 具体方案主要根据当前用户是否为新用户（即冷启动用户），而分两种情况进行推 荐计算，获得待推荐项目的预测评分。若当前用户不是新用户，则计算预测评分的过程主要 包括5个步骤:步骤1，一阶信任度的计算;步骤2,二阶信任度的计算;步骤3,综合信任度的 计算;步骤4,复合推荐因子的计算;步骤5,基于复合推荐因子的预测评分计算。若当前用户 是刚加入系统的新用户，则计算预测评分的过程主要包括3个步骤:步骤1，权威信任度的计 算;步骤2，K-最可信权威邻居集的选取;步骤3,基于权威信任度的预测评分计算。最后，根 据预测评分进行具体推荐。
[0008] 本发明与现有技术相比，具有以下优点：
[0009] 1.可用于智慧城市、社交网络、电子商务等应用场景，可使推荐结果体现社会信任 关系对相似用户兴趣的影响，并缓解传统协同过滤推荐方法中的数据可靠性、冷启动以及 数据稀疏性等问题。
[0010] 2.传统协同过滤推荐方法仅通过用户（项目）间的相似性，而忽略了现实世界中用 户之间的信任关系。本发明在传统协同过滤方法中引入信任机制，更能够体现社会信任关 系对相似用户兴趣的实际影响。
[0011] 3.借助信任机制，可有效减少和抑制不可靠用户的虚假推荐。同时，通过结合用户 间社会信任度，可以弥补单纯依靠稀疏矩阵计算得到的用户相似度的不足，使系统中的数 据得到丰富，有利于解决数据稀疏性问题。
[0012] 4.当有新的用户加入到系统中时，可通过为该用户选择系统中可信赖的权威用户 (即权威信任度值较高的用户)作为其邻居用户，以此缓解冷启动问题。
【附图说明】
[0013]图1为本发明实施例1的具体推荐流程。
【具体实施方式】
[0014] 下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明 而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
[0015] -种基于信任机制的协同过滤推荐方法，如图1所示，该方法主要根据当前用户是 否为系统的新用户（即冷启动用户），而分别实施基于信任机制的两种具体推荐计算过程， 即针对非冷启动用户的基于复合推荐因子的协同过滤推荐计算过程，和针对冷启动用户的 基于权威信任度的新用户推荐计算过程，获得待推荐项目的预测评分。最后根据预测评分 实施具体的推荐过程。该方法【具体实施方式】如下。
[0016] (1)假定系统中共有η个非新用户和m个项目，构成非新用户集合U={Ul，u 2，-_，Un} 和项目集合1 = Uti，it2，···，itm}，令I(Ui)表示用户Ui进行过评分的项目集合，1 < i < η。假 定待推荐项目集合为Ira。，满足U d
[0017]具体实施例中假定共有9个非新用户和8个项目，并且第10个用户mo为系统的新用 户。用户-项目评分矩阵如表1所示：
[0018] 表1实施例的用户-项目评分矩阵
[0019]
[0020] 当前用户为叫，对于待推荐项目集合Irec，首先判断用户是否为系统的新用户（BP 冷启动用户），如果不是（即Kj^n)，则执行基于复合推荐因子的协同过滤推荐计算过程 (2)，计算Ire3。中所有项目的预测评分;如果是（即j>n)，则执行基于权威信任度的新用户推 荐计算过程(3)，计算I re3。中所有项目的预测评分。接着根据预测评分实施具体的推荐过程 ⑷。
[0021] (2)基于复合推荐因子的协同过滤推荐计算过程。该过程具体分为如下5个步骤： [0022]步骤1:对于当前用户uj，先计算 Uj对系统用户集合U中所有其他用户m(l < i <n，l < j < η，i矣j)的一阶信任度FT(Uj，m)。一阶信任度是由用户间的直接交互产生，它是一种 非对称的主观信任程度。
[0023]令RN(m，Uj)为用户m向用户推荐的总次数;a(Uj，Ul)表示在向做过推荐的用 户中，m的推荐数量比，即m的推荐数量与推荐次数最多用户的推荐数量的比，具体计算方 法见公式1 ;P(Ui，Uj，ity)表示m向Uj在某条项目itx上的推