(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210971090.3 (22)申请日 2022.08.11 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 宣琦　林晨天　蔡文力　李子涵　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 专利代理师 舒良 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/906(2019.01) G06K 9/62(2022.01) G06Q 50/00(2012.01) (54)发明名称 多用户模型的推荐系统鲁棒性影响指标分 析方法及系统 (57)摘要 基于多用户模型的推荐系统鲁棒性影响指 标分析方法， 包括： 获取一种带有用户评分的推 荐系统数据集并载入该数据集； 得到用户间相似 度矩阵， 并执行干预操作， 然后为研究模型装载 研究的目标推荐算法； 将用户相似度矩阵输入至 推荐算法进行计算， 获得每个用户的推荐列表； 根据所有用户的推荐列表计算干预成功率； 形成 一种迭代模运行模式， 最终得到推荐系统鲁棒性 的多指标影 响。 本发明还包括基于多用户模型的 推荐系统鲁棒性影 响指标分析系统。 本发明可以 利用多种数据集进行多平台推荐系统鲁棒性影 响指标研究， 同时系统模型引入了传统方法未考 虑的用户行为影 响指标， 为平台推荐系统提供优 化方案。 权利要求书3页 说明书9页 附图3页 CN 115391647 A 2022.11.25 CN 115391647 A 1.基于多用户用户模型的推荐系统鲁棒性影响指标分析方法， 其主要特征在于： 包括 以下步骤： S1： 获取一种带有用户评分的推荐系统数据集并载入该 数据集； S2： 已用户为单位个体， 根据载入的数据集得到用户间相似度矩阵， 同时分为普通用 户、 目标用户、 干预用户三种不同的模型执行群体， 并执行干预操作， 同然后为研究模型装 载研究的目标推荐算法； S3： 将用户相似度矩阵输入至推荐算法进行计算， 获得每 个用户的推荐列表； S4： 根据所有用户的推荐列表计算干预成功率； S5： 用户根据自身具备的能力， 在每次获得推荐列表后， 根据多种指标有选择得与模型 的推荐算法进 行交互， 并更新自身的喜好特征。 再进 行用户相似度 矩阵的更新， 并再次投入 模型推荐算法进行计算， 形成一种迭代模运行模式， 最终得到推荐系统鲁棒性的多指标影 响。 2.如权利要求1所述的基于复杂网络结构的新闻生命周期预测方法， 其特征在于： 所述 步骤S1包括： 根据载入的数据集进行构建， 将数据构建为用户 ‑项目二维矩阵， 矩阵内容为 用户对某项目的具体评分数值， 将评分为空的项目填充为0评分， 即评分最低值， 将所有用 户的缺失评分进行补全。 3.如权利要求1所述的基于多用户模型的推荐系统鲁棒性影响指标分析方法， 其特征 在于： 所述 步骤S2包括： S2.1： 将用户的评分项目转化为评分数值列表作为用户的喜好特征， 并根据用户特征 计算用户间相似度， 获得用户相似度 矩阵， 计算相似度的方法包含但不限于余弦相似度， 余 弦相似度计算公式如下： 其中Sxy为用户x与用户y共同评分的项目， rx， s为用户x对项目s的评分， 完 成相似度计算 后获得相似度矩阵Mat rixsim(u， v)； S2.2： 根据用户的喜好特征， 并根据多种聚类方法， 包含但不限于Kmeans聚类、 DBSCAN 等聚类方法， 选取多种聚类方法均认为是同一类的用户作为目标用户群 体； S2.3： 根据用户相似矩阵选取与目标用户群体相似度 为parasim的用户作为干预用户群 体， 计算公式如下： 其中Ntarget为目标用户个数， 为每个干预用户新增选取的目标干预项目， 加入到干预用 户的喜好特 征中。 选取完目标用户以及干预用户之后， 剩下的群 体即为普通用户群 体； S2.4： 完成用户分类之后， 为模型装备推荐算法， 推荐算法包含但不限于经典协同过滤 算法等。 4.如权利要求1所述的基于多用户模型的推荐系统鲁棒性影响指标分析方法， 其特征 在于： 所述步骤S3包括： 根据S2.1步骤计算用户相似矩阵， 并作为模型推荐算法 的输入， 推 荐算法经过计算， 给出指定用户的前n个相似用户， 并根据用户项目矩阵选取出推荐项目，权　利　要　求　书 1/3 页 2 CN 115391647 A 2并将推荐 项目作为列表输出。 5.如权利要求1所述的基于多用户模型的推荐系统鲁棒性影响指标分析方法， 其特征 在于： 所述 步骤S4包括： 根据所有用户的推荐列表计算干预成功率， 计算公式如下： 其中counthit， countall分别为目标消费者中被推送到目标项目的消费者个数以及目标 消费者个数。 6.如权利要求1所述的多用户模型的推荐系统鲁棒性影响指标分析方法， 其特征在于： 所述步骤S5包括： S5.1： 每个用户在接收到推荐结果之后根据当前模型迭代次数t以及用户接受度计算 与模型进行交 互的概率， 计算公式如下： 其中xi为用户收到的推荐列表中的项目， paratake为接受度参数； S5.2： 当用户选择与模 型进行交互时， 遵循以下交互步骤， 首先， 为用户生成一个随机数， 满足随机数属于0至1的 范围内， 并将随机数与信任度Paratrust进行比较， 根据比较结果选择随机交互， 或是信任交 互； S5.3： 根据步骤S5.2选择的交互模型进 行交互， 随机交互则在用户的推荐列表中随机选 择项目加入到用户的项目列表中去， 如果选择 的是信任交互， 则根据推荐算法给出 的每个 项目的置信度进行排序， 选取置信度较高的项目加入到用户的项目列表中去， 用户与推荐 算法的交 互如公式所示： S5.4： 所有用户与推荐算法选择性交互完成之后， 用户项目矩阵发生一定程度的改变， 利用改变后的用户项目矩阵进 行用户相似度计算， 并作为输入再次投入到推荐算法进 行计 算， 得到推荐结果。 S5.5： 最后设置一组对照参数进行对照实验， 分别设置选取干预用户的相似度、 用户交 互接受度、 用户交互信任度三个变量的对比实验， 实验控制其中一个变量变化， 其余变量保 持不变， 在步骤S2完成之后， 反复执行S 3至S5.4步骤， 根据每次推荐算法的推荐结果计算干 预成果率并进行分析， 得出参数变化对干预结果的影响， 得出不同指标对推荐系统鲁棒性 的影响。 7.实现权利要求1所述的多用户模型的推荐系统鲁棒性影响指标分析方法的系统， 其 特征在于： 包括： 预处理模块、 用户关系构建模块、 用户分类模块、 干预执行模块、 推荐算法 模块、 用户交 互模块、 模型迭代模块、 对比模型模块。 所述预处理模块对载入的数据进行清洗操作， 根据载入的数据集进行构建， 将数据构 建为用户 ‑项目二维矩阵， 矩阵内容为用户对某项目的具体评 分数值， 将评 分为空的项目填 充为0评分， 即评分最低值， 将所有用户的缺失评分进行补全。 所述用户关系构建模块根据用户项目矩阵， 来构建用户之间的相似关系， 然后将用户 相似度矩阵作为模型推荐算法的输入， 同时相似度矩阵也 为用户分类模块的输入； 所述用户分类模块利用用户相似度矩阵， 将用户分为目标用户、 干预用户、 普通用户三权　利　要　求　书 2/3 页 3 CN 115391647 A 3