社交网络中基于评分和特征相似的餐饮推荐算法

摘要

本发明公开一种社交网络中基于评分和特征相似的餐饮推荐算法，主要包括以下步骤，1)建立当前社交网络中的用户评分库；2)计算U_a与用户评分库中其他用户的评分相似度；3)选择与U_a评分相似度最高的k个用户，得到评分相似推荐用户集合；4)构建U_a的特征相似模型M＝(χ_a,i,δ_a,i,σ_a,i,γ_a,i)；5)计算特征相似推荐度并将排名靠前的项目推荐给目标用户。本发明将用户之间的特征相似度作为除了常规的评分相似度以外用于推荐算法的第二重依据，而多种用户特征的计算不仅使得攻击成本大量增加，极大提高抗攻击能力，并且使推荐的准确性得到提升。

主权项

社交网络中基于评分和特征相似的餐饮推荐算法，其特征在于，包括以下步骤，S1：建立当前社交网络中的用户评分库；S2：目标用户U_a搜索餐厅项目I_t；S3：计算U_a与用户评分库中其他用户的评分相似度，得到U_a与用户评分库中所有用户的评分相似度集合；S4：采用Top‑k查询方法，选择与U_a评分相似度最高的k个用户，得到评分相似推荐用户集合；S5：提取目标用户U_a在社交网络数据库中的好友信息，构建U_a的特征相似模型M＝(χ_a,i,δ_a,i,σ_a,i,γ_a,i)，(1)计算地域相似性χ_a,i，$d_{a,i}(x,y)=\sqrt{{(x_{U_a}-x_{U_i})}^2+{(y_{U_a}-y_{U_i})}^2}$${\chi }_{a,i}=\frac{1}{1+d_{a,i}(x,y)}$其中i选自评分相似推荐用户集合，d_a,i(x,y)表示在坐标轴中U_a常住区域位置与U_i常住区域位置的直线距离；(2)计算饮食偏好相似性δ_a,i，$D_{a,i}(U_a,U_i)=\underset{z=1}{\overset{N}{\Sigma }}{a}_z\oplus i_z$${\delta }_{a,i}=\frac{1}{1+D_{a,i}(U_a,U_i)}$其中a_Z和i_Z分别表示U_a和U_i对不同口味的喜欢程度，1表示喜欢，0表示不喜欢，0.5表示无置可否；(3)计算用户关联度σ_a,i，${\sigma }_{a,i}=\left\{\begin{array}{cc}\max \left\{\frac{{\sigma }_{\beta ,i}}{t}\right\}& 1\le \beta \le 5,i,t\in (0,+\infty )\\ 1& \beta =0\end{array}\right.$其中σ_β,i表示第β层的第i个朋友，t表示评分相似推荐用户的朋友总数；(4)计算系统推荐强度γ_a,i，${ϵ}_{a,i}=\frac{\sqrt{\underset{I_t\in I_{a,i}}{\Sigma }{(R_{a,t}-R_{i,t})}^2}}{q}$${\gamma }_{a,i}=\frac{1}{1+{ϵ}_{a,i}}$其中R_a,t和R_i,t分别表示U_a和U_i对项目I_t的评分，q表示共同评分的项目总数；S6：计算特征相似推荐度V_recommend，定义P_a,i＝(γ_a,i+1)×sim_a,i，$Q_{a,i}=({\pi }_{a,i},{\theta }_{a,i},{\partial }_{a,i})=(P_{a,i}\times {\chi }_{a,i},P_{a,i}\times {\delta }_{a,i},P_{a,i}\times {\sigma }_{a,i}),$$V_{\mathrm{recommend}}(a,i)=\mathrm{COS}\left(\alpha \right)=\frac{{\pi }_{a,i}+{\theta }_{a,i}+{\partial }_{a,i}}{\sqrt{3{{\pi }_{a,i}}^2+{{\theta }_{a,i}}^2+{{\partial }_{a,i}}^2}}$S7：将特征相似推荐用户依特征相似推荐度递减排列，选择前x个特征相似推荐用户的评分最高项目推荐给目标用户U_a。