本發(fā)明涉及數(shù)據(jù)挖掘和信息檢索領(lǐng)域，涉及推薦系統(tǒng)的個(gè)性化推薦，是一種面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評(píng)分預(yù)測(cè)方法。

背景技術(shù)：

互聯(lián)網(wǎng)的出現(xiàn)和普及給用戶帶來(lái)了大量的信息，滿足了用戶在信息時(shí)代對(duì)信息的需求，但隨著網(wǎng)絡(luò)的迅速發(fā)展，網(wǎng)絡(luò)信息量的不斷增加，信息超載的問題隨之而來(lái)。針對(duì)信息超載問題，國(guó)內(nèi)外專家學(xué)者不斷提出新的方法，如強(qiáng)化搜索引擎、優(yōu)化推薦方案。

近年來(lái)，推薦系統(tǒng)受到物聯(lián)網(wǎng)巨頭和電商越來(lái)越多的青睞，尤其個(gè)性化推薦技術(shù)的發(fā)展，它是根據(jù)用戶的信息需求和興趣，將用戶感興趣的信息和產(chǎn)品推薦給用戶的個(gè)性化信息推薦系統(tǒng)。推薦系統(tǒng)可以分為兩類：預(yù)測(cè)和topN推薦。前者是預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分，后者是向用戶提供一個(gè)個(gè)性化推薦列表。目前，研究應(yīng)用最廣泛的推薦系統(tǒng)評(píng)分預(yù)測(cè)方法主要有兩種，一種是基于內(nèi)容的評(píng)分預(yù)測(cè)，另一種是基于協(xié)同過濾的評(píng)分預(yù)測(cè)?；趦?nèi)容的是通過對(duì)推薦項(xiàng)目?jī)?nèi)容信息的分析，形成表示推薦項(xiàng)目?jī)?nèi)容的資源特征描述，并根據(jù)用戶過往行為記錄對(duì)用戶興趣進(jìn)行建模，通過計(jì)算已知用戶偏好與項(xiàng)目屬性刻畫內(nèi)容之間的匹配度來(lái)預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分?；趨f(xié)同過濾方案的是利用用戶的過往行為記錄，尋找用戶的相似群體，并根據(jù)相似群體對(duì)推薦對(duì)象的評(píng)分，從而預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分。由于互聯(lián)網(wǎng)信息資源的多樣性，基于內(nèi)容的評(píng)分預(yù)測(cè)對(duì)多媒體資源內(nèi)容解析的知識(shí)要求較高。因此，基于協(xié)同過濾的評(píng)分預(yù)測(cè)方法得到了更廣泛的應(yīng)用。

隨著電子商務(wù)規(guī)模的擴(kuò)大，不僅使數(shù)據(jù)量急劇增加，而且導(dǎo)致了用于評(píng)分預(yù)測(cè)的數(shù)據(jù)產(chǎn)生稀疏性，從而使傳統(tǒng)協(xié)同過濾技術(shù)評(píng)分預(yù)測(cè)方法的預(yù)測(cè)精度急劇下降。此外，由于用戶評(píng)分具有一定的主觀性和用戶自身的個(gè)體差異性，造成了難以發(fā)現(xiàn)目標(biāo)用戶真實(shí)興趣相似群體的困難。因此，解決數(shù)據(jù)稀疏及評(píng)分標(biāo)準(zhǔn)不統(tǒng)一問題對(duì)提高預(yù)測(cè)精度起著重要作用。

然而對(duì)于數(shù)據(jù)稀疏和評(píng)分標(biāo)準(zhǔn)不統(tǒng)一問題，目前的推薦系統(tǒng)評(píng)分預(yù)測(cè)方法仍然沒有很好的解決，為了提高評(píng)分預(yù)測(cè)的精度，增強(qiáng)推薦系統(tǒng)的性能，我們需要從問題出發(fā)，制定合適的解決方案。云模型是一個(gè)定性和定量之間的不確定轉(zhuǎn)換模型，利用此特性可以把定量評(píng)分轉(zhuǎn)換為定性的概念，并從定性概念入手統(tǒng)一用戶評(píng)分的標(biāo)準(zhǔn)，云模型的另外一個(gè)特性是在形成云的過程中，其中一個(gè)特定的云滴不重要，重要的是云的整體形狀，利用此特征可克服評(píng)分稀疏的問題，而在具體實(shí)施中如何利用云模型的特點(diǎn)構(gòu)建可以克服數(shù)據(jù)稀疏和評(píng)分標(biāo)準(zhǔn)不統(tǒng)一問題的評(píng)分模型仍是本研究的難點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題。提出了一種有效的解決用戶評(píng)分?jǐn)?shù)據(jù)稀疏情況下傳統(tǒng)預(yù)測(cè)方法存在的問題，并提高預(yù)測(cè)精度的面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評(píng)分預(yù)測(cè)方法。本發(fā)明的技術(shù)方案如下：

一種面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評(píng)分預(yù)測(cè)方法，其包括以下步驟：

步驟1、獲取評(píng)論或社交網(wǎng)絡(luò)平臺(tái)上的用戶歷史評(píng)分記錄及用戶社交網(wǎng)絡(luò)關(guān)系；

步驟2、根據(jù)用戶的歷史評(píng)分記錄構(gòu)建一維評(píng)分云，采用綜合云技術(shù)融合所有一維評(píng)分云形成父云，通過父云生成新的用戶評(píng)分；

步驟3、并根據(jù)新的用戶評(píng)分對(duì)用戶進(jìn)行聚類，發(fā)現(xiàn)用戶的相似群體，社交關(guān)系是用戶的好友關(guān)系，也就是用戶在社交網(wǎng)絡(luò)中用的好友，是數(shù)據(jù)中存在的，不需要預(yù)測(cè)，聚類的目的則是找出和用戶興趣相似的其他用戶，也就是聚類結(jié)果中同一個(gè)類別的那部分用戶；并根據(jù)用戶的新評(píng)分對(duì)用戶進(jìn)行聚類，通過聚類結(jié)果來(lái)發(fā)現(xiàn)用戶的相似群體，即用戶所在類內(nèi)的其他用戶為該用戶的相似群體。

步驟4、根據(jù)被預(yù)測(cè)用戶的社交關(guān)系，對(duì)被預(yù)測(cè)用戶的相似群體構(gòu)建兩朵高維評(píng)分云，分別計(jì)算用戶歷史評(píng)分在其中的隸屬度，以此表示被預(yù)測(cè)用戶在其兩類相似群體中的位置，并基于高斯變換構(gòu)建綜合預(yù)測(cè)機(jī)制。

進(jìn)一步的，所述步驟1獲取評(píng)論或/和社交網(wǎng)絡(luò)平臺(tái)上的用戶歷史評(píng)分記錄及用戶社交網(wǎng)絡(luò)關(guān)系直接從現(xiàn)有的基于Web的研究型推薦系統(tǒng)下載或者利用成熟的社交平臺(tái)的公共API獲取。

進(jìn)一步的，所述步驟2構(gòu)建一維評(píng)分云，采用綜合云技術(shù)融合所有評(píng)分云形成父云，通過父云生成新的用戶評(píng)分包括以下步驟：首先，根據(jù)用戶到項(xiàng)目的評(píng)分矩陣，對(duì)每個(gè)用戶的評(píng)分使用逆向云發(fā)生器計(jì)算出評(píng)分向量(Ex,En,He),并對(duì)每個(gè)用戶構(gòu)建一維的云圖；其次，采用綜合云技術(shù)融合所有用戶的評(píng)分向量，得到父云的評(píng)分向量，并構(gòu)建父云的云圖得到評(píng)分標(biāo)準(zhǔn)；最后，通過正向云發(fā)生器得到用戶評(píng)分在自身云圖中的隸屬度，并得到在此隸屬度下父云產(chǎn)生的云滴，以此云滴確定新的評(píng)分。

進(jìn)一步的，所述步驟3采用K-means聚類方法進(jìn)行聚類，以發(fā)現(xiàn)預(yù)測(cè)用戶的真實(shí)相似群體。

進(jìn)一步的，所述步驟4具體包括以下步驟：根據(jù)被預(yù)測(cè)用戶關(guān)注集合,把其相似群體分為好友和非好友兩部分，通過逆向云發(fā)生器分別對(duì)兩部分群體的歷史評(píng)分構(gòu)建高維云，分別計(jì)算用戶在兩朵高維云中的隸屬度；同樣通過逆向云發(fā)生器分別對(duì)兩部分群體對(duì)被推薦項(xiàng)目的評(píng)分構(gòu)建兩朵一維云，分別計(jì)算高維云中的隸屬度在一維云中的云滴，并對(duì)兩部分群體的一維云滴進(jìn)行高斯變換取其期望作為最后的預(yù)測(cè)云滴，由此云滴確定預(yù)測(cè)評(píng)分。

進(jìn)一步的，根據(jù)用戶到項(xiàng)目的評(píng)分矩陣，對(duì)每個(gè)用戶的評(píng)分使用逆向云發(fā)生器計(jì)算出評(píng)分向量(Ex,En,He)包括；提取單個(gè)用戶的歷史評(píng)分，逆向云發(fā)生器生成評(píng)分云，根據(jù)公式計(jì)算評(píng)分云的期望向量Ex，其中x_i表示單個(gè)用戶第i個(gè)歷史評(píng)分值，根據(jù)公式計(jì)算評(píng)分云的熵向量，根據(jù)公式計(jì)算評(píng)分云的超熵向量，其中n表示單個(gè)用戶的所有評(píng)分?jǐn)?shù)量。

進(jìn)一步的，所述采用綜合云技術(shù)融合所有用戶的評(píng)分向量，得到父云的評(píng)分向量，并構(gòu)建父云的云圖得到評(píng)分標(biāo)準(zhǔn)包括：所有用戶中，取期望值最近的兩個(gè)用戶的評(píng)分云，令其為C₁(Ex₁,En₁,He₁)和C₂(Ex₂,En₂,He₂)，根據(jù)公式獲取父云的期望向量，根據(jù)公式En＝En'₁+En'₂獲取父云的熵向量，根據(jù)公式獲取父云的超熵向量，其中和分別為C₁和C₂期望曲線的取大值，融合形成這兩個(gè)用戶的父云向量為(Ex,En,He)，在剩余用戶中找到和此父云期望值最近的用戶的評(píng)分云，再次融合形成新的父云，以此類推，最終融合所有用戶的評(píng)分云，形成一朵父云。

進(jìn)一步的，所述對(duì)兩部分群體的一維云滴進(jìn)行高斯變換取其期望作為最后的預(yù)測(cè)云滴包括:在用戶相似群體中，提取好友部分對(duì)被預(yù)測(cè)用戶歷史評(píng)分項(xiàng)目集合的評(píng)分，根據(jù)逆向云發(fā)生器生成高維評(píng)分云向量(Ex₁,En₁,He₁；Ex₂,En₂,He₂；…；Ex_n,En_n,He_n)，其中(Ex_n,En_n,He_n)表示好友部分對(duì)第n個(gè)項(xiàng)目的評(píng)分生成的云，根據(jù)公式計(jì)算被預(yù)測(cè)用戶在高維云中的隸屬度，其中，μ表示隸屬度，x_i表示用戶第i個(gè)評(píng)分，En'_i表示以En_i為期望，He²_i為方差的一個(gè)正太隨機(jī)數(shù)；提取好友部分對(duì)被預(yù)測(cè)項(xiàng)目的評(píng)分構(gòu)成評(píng)分云(Ex,En,He)，根據(jù)公式計(jì)算的得到兩個(gè)預(yù)測(cè)云滴，同樣的方法獲取非好友部分的預(yù)測(cè)云滴。

進(jìn)一步的，在獲取好友與非好友部分的四個(gè)預(yù)測(cè)云滴時(shí)，找出距離最大的兩個(gè)(x₁,μ₁)和(x₂,μ₂)，根據(jù)公式獲取高斯變換后的期望，并作為最后的預(yù)測(cè)結(jié)果。

本發(fā)明的優(yōu)點(diǎn)及有益效果如下：

本發(fā)明此方法首先使用綜合云模型統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)，解決了用戶評(píng)分主觀性和個(gè)體差異性問題，為發(fā)現(xiàn)用戶真實(shí)相似群體提供了基礎(chǔ)。其次，根據(jù)目標(biāo)用戶的相似群體，結(jié)合社交網(wǎng)絡(luò)用戶關(guān)系，構(gòu)建綜合評(píng)分預(yù)測(cè)機(jī)制，有效的解決用戶評(píng)分?jǐn)?shù)據(jù)稀疏情況下傳統(tǒng)預(yù)測(cè)方法存在的問題，并提高預(yù)測(cè)精度。

附圖說(shuō)明

圖1是本發(fā)明提供優(yōu)選實(shí)施例系統(tǒng)整體框架示意圖；

圖2是本發(fā)明使用綜合云模型統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)的流程示意圖；

圖3是本發(fā)明構(gòu)建綜合評(píng)分預(yù)測(cè)方法流程示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、詳細(xì)地描述。所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案是，

如圖1是本發(fā)明總體的流程圖，包括數(shù)據(jù)獲取，對(duì)評(píng)分標(biāo)準(zhǔn)進(jìn)行統(tǒng)一，發(fā)現(xiàn)用戶相似群體，進(jìn)行綜合評(píng)分預(yù)測(cè)四大模塊，其中，數(shù)據(jù)源的獲取可以直接從現(xiàn)有的基于Web的研究型推薦系統(tǒng)下載或者利用成熟的社交平臺(tái)的公共API獲取。通過數(shù)據(jù)源的抓取，獲得用戶的歷史評(píng)分記錄、個(gè)人社交網(wǎng)絡(luò)信息，以此構(gòu)建用戶到項(xiàng)目的評(píng)分矩陣及用戶的好友向量；通過綜合云技術(shù)統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)；采用K-means聚類方法針對(duì)評(píng)分對(duì)用戶進(jìn)行聚類，以發(fā)現(xiàn)用戶的相似群體；通過用戶的相似群體，結(jié)合用戶的社交網(wǎng)絡(luò)關(guān)系，構(gòu)建綜合評(píng)分預(yù)測(cè)方法，并預(yù)測(cè)用戶對(duì)推薦項(xiàng)目的評(píng)分。

統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)。首先，根據(jù)用戶到項(xiàng)目的評(píng)分矩陣，對(duì)每個(gè)用戶的評(píng)分使用逆向云發(fā)生器計(jì)算出評(píng)分向量(Ex,En,He),并對(duì)每個(gè)用戶構(gòu)建一維的云圖；其次，采用綜合云技術(shù)融合所有用戶的評(píng)分向量，得到父云的評(píng)分向量，并構(gòu)建父云的云圖得到評(píng)分標(biāo)準(zhǔn)；最后，通過正向云發(fā)生器得到用戶評(píng)分在自身云圖中的隸屬度，并得到在此隸屬度下父云產(chǎn)生的云滴，以此云滴確定新的評(píng)分。

構(gòu)建綜合評(píng)分預(yù)測(cè)方法。首先，在完成用戶聚類，并發(fā)現(xiàn)用戶相似群體的情況下，結(jié)合用戶的社交網(wǎng)絡(luò)關(guān)系，把用戶的相似群體分為好友與非好友兩部分；其次，對(duì)好友部分的評(píng)分使用逆向云發(fā)生器產(chǎn)生高維云，并計(jì)算用戶在高維云中的隸屬度，以隸屬度表示用戶在云圖中的位置；再次，抽取好友部分對(duì)預(yù)測(cè)項(xiàng)目的評(píng)分，使用逆向云發(fā)生器構(gòu)建一維云，并生成在高維云中相同隸屬度下的云滴，以此云滴作為目標(biāo)用戶對(duì)被預(yù)測(cè)項(xiàng)目的預(yù)測(cè)值。最后，使用同樣方法，獲得非好友部分的預(yù)測(cè)值，并對(duì)兩部分預(yù)測(cè)值采用高斯變換，取期望值做為最終的預(yù)測(cè)評(píng)分。

以下具體說(shuō)明本發(fā)明的實(shí)施過程：

S1：數(shù)據(jù)獲取部分。可以利用網(wǎng)絡(luò)爬蟲或通過各評(píng)分和社交網(wǎng)站開放API平臺(tái)獲取數(shù)據(jù)。數(shù)據(jù)內(nèi)容包括被預(yù)測(cè)用戶評(píng)分集合，預(yù)測(cè)用戶評(píng)分集合，被預(yù)測(cè)用戶關(guān)注集合。

S2：統(tǒng)一評(píng)分標(biāo)準(zhǔn)部分。根據(jù)被預(yù)測(cè)用戶和預(yù)測(cè)用戶的評(píng)分集合構(gòu)建用戶評(píng)分矩陣，使用綜合云技術(shù)融合預(yù)測(cè)用戶和被預(yù)測(cè)用戶的評(píng)分云，形成評(píng)分標(biāo)準(zhǔn)，并通過正向云發(fā)生器產(chǎn)生在評(píng)分標(biāo)準(zhǔn)下的新評(píng)分。在所有用戶評(píng)分都統(tǒng)一的情況下對(duì)用戶采用K-means聚類方法進(jìn)行聚類，以發(fā)現(xiàn)預(yù)測(cè)用戶的真實(shí)相似群體。

S3：構(gòu)建綜合評(píng)分預(yù)測(cè)部分。根據(jù)被預(yù)測(cè)用戶關(guān)注集合,把其相似群體分為好友和非好友兩部分，通過逆向云發(fā)生器分別對(duì)兩部分群體的歷史評(píng)分構(gòu)建高維云，分別計(jì)算用戶在兩朵高維云中的隸屬度；同樣通過逆向云發(fā)生器分別對(duì)兩部分群體對(duì)被推薦項(xiàng)目的評(píng)分構(gòu)建兩朵一維云，分別計(jì)算高維云中的隸屬度在一維云中的云滴，并對(duì)兩部分群體的一維云滴進(jìn)行高斯變換取其期望作為最后的預(yù)測(cè)云滴，由此云滴確定預(yù)測(cè)評(píng)分。

上述步驟S2中的統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)如圖2所示，具體可以分為以下3個(gè)步驟。

S21：取所有被預(yù)測(cè)用戶和所有推薦用的歷史評(píng)分，構(gòu)成用戶評(píng)分矩陣，對(duì)每個(gè)用戶通過逆向云發(fā)生器生成可以代表用戶評(píng)分的云，評(píng)分云的屬性向量為(Ex,En,He)；Ex為期望，代表著用戶對(duì)項(xiàng)目的平均滿意程度，為評(píng)分喜好和規(guī)律，En為熵，代表著用戶的評(píng)分集中程度，為評(píng)分偏好的離散度，He為超熵，是熵的熵，為用戶評(píng)分的穩(wěn)定度。計(jì)算公式如下：

其中，n表示用戶評(píng)分的數(shù)目，x_i代表被預(yù)測(cè)用戶第i個(gè)評(píng)分,S²為樣本方差，這里起著生成超熵He的作用。

S22：在S21步獲取所有預(yù)測(cè)用戶和被預(yù)測(cè)用戶的評(píng)分云的基礎(chǔ)上，通過綜合云技術(shù)融合所有評(píng)分云形成父云，以父云作為標(biāo)準(zhǔn)。具體包括：在所有用戶中，取期望值最近的兩個(gè)用戶的評(píng)分云，融合形成這兩個(gè)用戶的父云，在剩余用戶中找到和此父云期望值最近的用戶的評(píng)分云，再次融合形成新的父云，以此類推，最終融合所有用戶的評(píng)分云，形成一朵父云。其中融合兩個(gè)用戶評(píng)分云形成父云的具體介紹如下：

給定兩個(gè)用戶的評(píng)分云C₁(Ex₁,En₁,He₁)，C₂(Ex₂,En₂,He₂)，另融合后的父云為C(Ex,En,He)則有：

En＝En'₁+En'₂ (6)

其中，En₁'和En₂'分別表示C₁和C₂的截?cái)囔兀?jì)算方法如下。

設(shè)和分別為C₁和C₂的期望曲線，令

則有

以上為兩朵評(píng)分云的具體融合過程，以此類推繼續(xù)兩兩融合，最后生成一朵所有用戶評(píng)分云的父云。

S23：利用正向云發(fā)生器對(duì)所有用戶的評(píng)分計(jì)算在原用戶評(píng)分云圖中的隸屬度，以此隸屬度為條件生成S22步驟中所有用戶父云下的云滴，并確定用戶的新評(píng)分。單個(gè)用戶評(píng)分轉(zhuǎn)換具體如下：

給定一個(gè)用戶的評(píng)分向量用戶的評(píng)分云向量(Ex,En,He)。根據(jù)公式：

計(jì)算隸屬度。其中，μ_i表示用戶第i個(gè)評(píng)分在自身評(píng)分云圖中的隸屬度，x_i表示用戶第i個(gè)評(píng)分，En'是以En為期望值，He²為方差的一個(gè)正太隨機(jī)數(shù)，并計(jì)算父云在此隸屬度下的新評(píng)分，得到用戶的新評(píng)分向量以此類推就可得出全部用戶在父云下的新評(píng)分，并根據(jù)新評(píng)分對(duì)用戶采用K-means方法進(jìn)行用戶聚類，以發(fā)現(xiàn)被預(yù)測(cè)用戶的相似群體。

S3：構(gòu)建綜合預(yù)測(cè)方法的流程如圖3所示，具體如下：

S31：在S23中已經(jīng)統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)，并發(fā)現(xiàn)用戶真實(shí)相似群體的情況下，結(jié)合被預(yù)測(cè)用戶的個(gè)人社交網(wǎng)絡(luò)信息，把被預(yù)測(cè)用戶的相似群體分為好友和非好友部分，并對(duì)非好友部分的歷史評(píng)分通過逆向云發(fā)生器構(gòu)建高維云圖，以同樣的方法對(duì)好友部分的評(píng)分構(gòu)建含有社交屬性的高維云圖，這里我們定義為高維社交云，以加強(qiáng)社交屬性對(duì)預(yù)測(cè)結(jié)果的影響，下面是對(duì)構(gòu)建高維社交云的具體說(shuō)明：

定義N(i)＝(n₁,n₂,…,n_m)，表示為被預(yù)測(cè)用戶好友中對(duì)被預(yù)測(cè)項(xiàng)目有過評(píng)分的用戶群體，數(shù)量為m個(gè)，(N(i)是S31中被預(yù)測(cè)用戶相似群體的子集)，定義T(j)＝(t₁,t₂,…,t_k)，表示被預(yù)測(cè)用戶有過評(píng)分行為的項(xiàng)目集合，數(shù)量為k個(gè)，在N(i)取出對(duì)項(xiàng)目t₁有評(píng)分所有用戶，此部分用戶對(duì)項(xiàng)目t₁的評(píng)分向量為這里我們假設(shè),N(i)中對(duì)項(xiàng)目t₁有評(píng)分的用戶為l個(gè)，通過公式(1),(2),(3),(4)對(duì)評(píng)分向量中的元素生成相應(yīng)的評(píng)分云向量(Ex₁,En₁,He₁)，以此作為高維社交云向量的第一個(gè)維度向量，然后在N(i)取出對(duì)項(xiàng)目t₂有過評(píng)分所有用戶，并使用同樣方法生成高維云的第二個(gè)維度向量，以此類推最后生成N(i)對(duì)T(j)的評(píng)分云，即所要構(gòu)建的高維社交云，其表示為(Ex₁,En₁,He₁；Ex₂,En₂,He₂；…；Ex_k,En_k,He_k)，K為T(j)中的元素個(gè)數(shù)。

上面是對(duì)構(gòu)建高維社交云的方法具體說(shuō)明，我們以同樣的方法對(duì)被預(yù)測(cè)用戶的非好友部分構(gòu)建另外一朵高維云。

S32：在S31中已經(jīng)構(gòu)建兩朵高維云的基礎(chǔ)上，我們分別計(jì)算用戶歷史評(píng)分在高維云中的隸屬度，在這里隸屬度表示被預(yù)測(cè)用戶的歷史評(píng)分在其相似群體歷史評(píng)分中的位置，通過計(jì)算隸屬度達(dá)到用戶在其相似用戶中定位的目的。下面將對(duì)用戶歷史評(píng)分在高維社交云中的社交隸屬度做出具體說(shuō)明：

另高維社交云向量為(Ex₁,En₁,He₁；Ex₂,En₂,He₂；…；Ex_k,En_k,He_k)，維度為k，被預(yù)測(cè)用戶歷史評(píng)分為(x₁,x₂,…,x_k)，這里需要指出被預(yù)測(cè)用戶每個(gè)歷史評(píng)分和高維社交云每一個(gè)維度的評(píng)分云是一一對(duì)應(yīng)的關(guān)系，通過公式，

計(jì)算用戶歷史評(píng)分在高維社交云中的社交隸屬度，其中，μ表示隸屬度，x_i表示用戶第i個(gè)評(píng)分，En'_i表示以En_i為期望，He²_i為方差的一個(gè)正太隨機(jī)數(shù)。計(jì)算用戶在另外一朵高維云中的隸屬度。

S33：提取構(gòu)成高維社交云的所有用戶對(duì)被測(cè)項(xiàng)目的評(píng)分，對(duì)其采用逆向云發(fā)生器生成被預(yù)測(cè)項(xiàng)目評(píng)分云，通過S32得到被預(yù)測(cè)用戶在高維社交云中的社交隸屬度，并根據(jù)相同隸屬度的用戶映射到被預(yù)測(cè)項(xiàng)目評(píng)分云中的云滴，來(lái)確定被預(yù)測(cè)用戶對(duì)被預(yù)測(cè)項(xiàng)目的評(píng)分，這樣就可以構(gòu)建一個(gè)單規(guī)則推理預(yù)測(cè)機(jī)制，以同樣方式對(duì)另外一朵高維云以同樣的方式構(gòu)建另外一條單規(guī)則推理預(yù)測(cè)機(jī)制，最后，以高斯變換融合兩部分預(yù)測(cè)結(jié)果，從而構(gòu)建完整的綜合預(yù)測(cè)機(jī)制。下面具體將對(duì)構(gòu)建過程具體說(shuō)明，另μ₁和μ₂分別為被預(yù)測(cè)用戶在兩朵高維云中的隸屬度，(Ex₁,En₁,He₁)和(Ex₂,En₂,He₂)分別為兩朵相應(yīng)的被預(yù)測(cè)項(xiàng)目評(píng)分云，則通過公式，

和

得到4個(gè)預(yù)測(cè)云滴，其中En₁'和En'₂分別表示以En₁為期望，He₁²為方差的正太隨機(jī)數(shù)和以En₂為期望，He₂²為方差的正太隨機(jī)數(shù)，選出距離兩個(gè)最外側(cè)的云滴，進(jìn)行高斯變換，并取期望為最終預(yù)測(cè)評(píng)分，公式如下：

Ex的值為被預(yù)測(cè)用戶對(duì)被預(yù)測(cè)項(xiàng)目的預(yù)測(cè)評(píng)分。

本發(fā)明所述的一種面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評(píng)分預(yù)測(cè)方法，主要特點(diǎn)在于，傳統(tǒng)評(píng)分預(yù)測(cè)中利用歷史評(píng)分進(jìn)行預(yù)測(cè)時(shí)，存在著由于評(píng)分?jǐn)?shù)據(jù)稀疏和個(gè)人評(píng)分主觀性，而導(dǎo)致預(yù)測(cè)效果不好，精度不高的問題，為了解決評(píng)分主觀性問題，本文采用綜合云技術(shù)，統(tǒng)一用戶評(píng)分標(biāo)準(zhǔn)，為了克服評(píng)分?jǐn)?shù)據(jù)稀疏問題，引進(jìn)隸屬度，并構(gòu)建綜合預(yù)測(cè)機(jī)制，提高了評(píng)分預(yù)測(cè)的精度。

以上這些實(shí)施例應(yīng)理解為僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。