1.基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述方法包括:步骤A:根据用户的历史评级信息构建评级矩阵,根据社交关系构建社交抽象网络;
步骤B:根据评级矩阵获取用户之间隐性信任值;
步骤C:对社交抽象网络进行嵌入得到每个用户节点的全局特征向量;
步骤D:对每个用户节点进行社团划分并更新社团中心,得到社交抽象网络的社团结构;
步骤E:分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量,根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值;
步骤F:融合隐性信任值与显性信任值得到融合信任值,融合信任值超过阈值的信任值作为用户之间的细粒度信任值;
步骤G:结合用户之间的细粒度信任值得到用户的潜在特征向量,根据用户的潜在特征向量获取用户对未交互商品的预测评分,根据预测评分对用户进行商品推荐。
2.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述步骤A包括:根据m个用户对n个商品的历史评级信息构建评级矩阵R=[ra,b]m×n,其中,ra,b表示用户a对商品b的评分;构建用于表示用户之间的信任关系的社交抽象网络G=(U,E,W),其中,U代表用户集合,E代表用户之间连边集合,W代表用户之间的信任关系。
3.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述步骤B包括:根据评级矩阵,利用公式获取用户之间隐性信任值;
其中,u和v分别为用户u和用户v,I为用户u和用户v都交互过的商品集合,ru,i为用户u对商品i的评分,为用户u的平均评分,rv,i为用户v对商品i的评分,为用户v的平均评分。
4.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述步骤D包括:初始化k个社团的中心集合为{C1,C2,C3,...,Ck},通过公式获取每一个用户节点到社团中心的欧式距离,遍历所有社团中
心,将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团;其中,社团中心个数K为商品种类个数,Xi为用户节点i的全局特征向量,Cj为第j个社团中心,S为全局特征向量的维度,t为全局特征向量的维度索引;
通过公式 更新每个社团中心,|Cj|为第j个社团中心的维度数值,Cj'为更新后的第j个社团中心,所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'};
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构。
5.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述步骤E包括:使用LINE模型分别对社团结构中每个社团进行嵌入得到每个用户节点的64维局部社团特征向量,然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量,通过公式 获取两两用户
128维特征向量之间的内积作为用户之间的显性信任值,其中,vecu为用户u的128维特征向量,vecv为用户v的128维特征向量。
6.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述步骤F包括:利用公式Trust=a*trust1+(1-a)*trust2融合隐性信任值与显性信任值得到融合信任值,将大于阈值的融合信任值作为用户之间的细粒度信任值,a为融合因子。
7.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述步骤G包括:通过公式 获取用户的潜在特征向量;
其中,Nu为用户u的直接邻居,Trustu,v为用户u与用户v之间的细粒度信任值,Pv为用户v的初始化潜在特征向量;
通过公式ru,i=min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分;
其中,ru,i为用户u对未交互商品i的预测评分,min_rate为评分范围最小值,max_rate为评分范围最大值,dotu,i为用户u的潜在特征向量 与商品i的初始化潜在特征向量Qi的内积,且
8.基于网络表示学习和社团结构的矩阵分解推荐系统,其特征在于,所述系统包括:构建模块,用于根据用户的历史评级信息构建评级矩阵,根据社交关系构建社交抽象网络;
隐性信任值获取模块,用于根据评级矩阵获取用户之间隐性信任值;
全局特征向量获取模块,用于对社交抽象网络进行嵌入得到每个用户节点的全局特征向量;
社团结构获取模块,用于对每个用户节点进行社团划分并更新社团中心,得到社交抽象网络的社团结构;
显性信任值获取模块,用于分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量,根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值;
细粒度信任值获取模块,用于融合隐性信任值与显性信任值得到融合信任值,融合信任值超过阈值的信任值作为用户之间的细粒度信任值;
评分模块,用于结合用户之间的细粒度信任值得到用户的潜在特征向量,根据用户的潜在特征向量获取用户对未交互商品的预测评分,根据预测评分对用户进行商品推荐。
9.根据权利要求8所述的基于网络表示学习和社团结构的矩阵分解推荐系统,其特征在于,所述构建模块还用于:根据m个用户对n个商品的历史评级信息构建评级矩阵R=[ra,b]m×n,其中,ra,b表示用户a对商品b的评分;构建用于表示用户之间的信任关系的社交抽象网络G=(U,E,W),其中,U代表用户集合,E代表用户之间连边集合,W代表用户之间的信任关系。
10.根据权利要求8所述的基于网络表示学习和社团结构的矩阵分解推荐方法,其特征在于,所述隐性信任值获取模块还用于:根据评级矩阵,利用公式获取用户之间隐性信任值;
其中,u和v分别为用户u和用户v,I为用户u和用户v都交互过的商品集合,ru,i为用户u对商品i的评分, 为用户u的平均评分,rv,i为用户v对商品i的评分, 为用户v的平均评分。