一种融合社会网络和项目特征的移动应用推荐方法

摘要

本发明公开了一种融合社会网络和项目特征的移动应用推荐方法，首先使用基于本体的语义相似度方法计算移动应用项目之间的相似度，然后通过K-means方法将相似项目进行聚类，进而利用用户在相似项目上的评分改进用户相似度的计算方法，改变了传统的基于用户的协同过滤推荐算法中利用用户在相同项目上的评分来计算用户相似度。为了充分利用社会网络中的用户信任关系，将项目相似特征和用户信任关系融合到评分预测公式中，有效地提高了预测的准确度。实验结果表明：将基于K-means应用项目聚类的用户相似度计算与用户信任关系融合起来，能够提高移动应用推荐的准确度。本发明提高了移动应用推荐的准确性，对其它对象的推荐也具有适应性。

主权项

一种融合社会网络和项目特征的移动应用推荐方法，其特征在于，包括以下步骤：1)从表征移动应用项目的节点集合中随机取出k个节点作为观测点；2)利用如下所示的项目相似度计算公式，计算项目与每个观测点之间的相似度ItemSim(A,B)：$\begin{array}{c}ItemSim\left(A,B\right)\\ =\left(\frac{ϵ}{dis\tan t\left(A,B\right)+ϵ}\right)*\alpha \\ +\left(\frac{depth\left(A\right)+depth\left(B\right)}{|depth\left(A\right)-depth\left(B\right)+1|}\right)*\beta \\ +\left(\frac{1}{density\left(A,B\right)}\right)*\gamma \end{array}$ItenSim(A,B)∈[0,1]，如果项目与观测点完全相同，则相似度ItemSim(A,B)为1；如果项目与观测点没有任何的共同特征，那么相似度ItemSim(A,B)为0；其中，distant(A,B)表示A与B之间的语义距离，ε为调节因子，取值为1，用于防止distant(A,B)值为0；depth(A)表示项目A所在节点的深度；depth(B)表示项目B所在节点的深度；density(A,B)表示A与B最近的共同祖先的子节点密度；α、β、γ取值范围均为[0,1]，且α+β+γ＝1；3)根据经上述步骤2)计算得到某节点与k个观测点之间的相似度，将该节点划归到相似度最高的观测点为中心的簇中；同理对所有节点进行划归，形成k个簇；4)将每个簇中到簇中其它所有点距离和最小的点作为新的观测点；5)迭代步骤2)～步骤4)，直到这k个观测点收敛，得到最终的簇；6)计算目标用户u与其它用户在项目评分经历上的相似度；计算目标用户u对其它用户的信任度；根据top‑N最近邻选择策略，选择在项目评分经历上相似度最高的N个用户和信任度最高的N个的用户作为目标用户u的相似最近邻和信任最近邻，分别记为相似用户集合S和信任用户集合T；N为正整数；7)利用下式预测目标用户对未评分项目的偏好r″_u，i：r″_u，i表示用户u对项目i的预测评分；其中，UserSim(u,u_s)和trust(u,u_t)分别表示用户的相似度和信任度；表示两个最近邻集合的评分预测在计算中所占的权重；表示用户u评分的均值；u_s为相似用户集合S中的某一用户，表示用户u_s评分的均值；u_t为信任用户集合T中的某一用户，表示用户u_t评分的均值；表示用户u_s对项目i或其相似项目的评分；表示用户u_t对项目i的评分；8)根据用户对未评分项目的预测评分，选择预测评分前top‑N的项目作为推荐项目推荐给用户。