基于信任扩展和列表级排序学习的服务推荐方法

发明专利无效专利

申请号：
CN201710828673.X
IPC分类号：G06Q30/06;G06F17/30
申请日期：
2017-09-14
申请人：
中国人民解放军信息工程大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	基于信任扩展和列表级排序学习的服务推荐方法
申请号	CN201710828673.X	申请日期	2017-09-14
法律状态	驳回	申报国家	暂无
公开/公告日	2017-12-22	公开/公告号	CN107507073A
优先权	暂无	优先权号	暂无
主分类号	G06Q30/06 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法〔8〕 G06Q30/00 商业，例如购物或电子商务〔8，2012.01〕 G06Q30/06 购买、出售或租赁交易〔2012.01〕	IPC分类号	G;0;6;Q;3;0;/;0;6;;;G;0;6;F;1;7;/;3;0查看分类表>
申请人	中国人民解放军信息工程大学	申请人地址	河南省郑州市高新区科学大道62号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	中国人民解放军信息工程大学	当前权利人	中国人民解放军信息工程大学
发明人	张恒巍;王晋东;方晨;王衡军;王娜
代理机构	郑州大通专利商标代理有限公司	代理人	周艳巧

摘要

本发明涉及一种基于信任扩展和列表级排序学习的服务推荐方法，首先利用服务排序位置信息并借鉴Plackett‑Luce模型，将每个用户表示为已调用服务集合排列的概率分布，基于KL距离进行概率型用户相似度的计算；同时考虑用户间的直接信任关系和间接信任关系，利用Beta信任模型计算直接信任度，利用信任关系的传递特性计算间接信任度，得到综合信任度，构造出目标用户的可信邻居集合；将可信邻居集合融入到矩阵分解模型中，将预测排序列表和正确排序列表之间的交叉熵作为损失函数，设计列表级排序学习算法得到最优的排序模型，输出最符合用户兴趣的推荐列表。本发明具有较高的推荐准确性，能够在保证服务推荐质量的同时还最大程度地满足用户潜在的功能需求。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供