一种社会化网络的视频推荐方法和装置的制造方法
【专利摘要】本发明适用于视频推荐领域，提供了一种社会化网络的视频推荐方法和装置，该方法包括：采集用户的正样本数据和用户的负样本数据,根据所述正样本数据和负样本数据计算所述用户之间的兴趣相似度值；根据用户的好友数量值计算用户之间的熟悉度值；根据所述熟悉度值和所述兴趣相似度值，计算用户之间的信任度值；根据所述信任度值计算用户的信誉度值；根据所述信任度值、所述信誉度值、所述兴趣相似度值计算用户之间的依赖度值，根据所述依赖度值进行视频推荐。本发明采集的用户更为丰富的数据，有利于提高推荐精度。
【专利说明】
-种社会化网络的视频推荐方法和装置
技术领域
[0001] 本发明属于互联网领域，尤其设及一种社会化网络的视频推荐方法和装置。
【背景技术】
[0002] 社会化网络推荐，即利用社会化关系进行推荐。在现实生活中，人必然和身边的人 产生各种各样的关系，关系的产生必然基于某种交互和影响。如果充分利用与用户交互的 其它用户的影响因素，就可W很好的预测用户的偏好，运也是目前推荐系统中研究的热点。
[0003] 目前的社会化网络推荐的数据来源，一般包括用户之间的社会关系信息和用户的 行为信息。其中，用户之间的社会关系信息主要包括好友关系或者关注关系。用户的行为信 息则包括多种，比如浏览行为、点击行为、收藏行为等。用户的社会关系可W用于度量社会 网络中用户之间的熟悉程度，用户的行为信息可W用于度量用户与用户之间的兴趣的相似 度。
[0004] 通过目前的社会化网络推荐方法，可W为社会化网络过滤无关的信息，并且能为 推荐系统提供更多的有效数据来源。特别是对于行为稀疏的用户，W及一些冷启动的用户， 社会化网络的推荐方法的效果非常显著。
[0005] 但是，目前的视频推荐方法的数据来源一般都是采集用户所喜欢或者感兴趣的视 频对象，向与该用户较为熟悉的其它用户，或者兴趣与该用户较为相近的其它用户进行推 荐，由于采集数据来源仍然不够丰富，不利于进一步提高视频推荐的精度。
【发明内容】
[0006] 本发明实施例的目的在于提供一种用于社会化网络的视频推荐方法及装置，旨在 解决现有技术的视频推荐方法中，由于采集数据来源仍然不够丰富，不利于进一步提高视 频推荐的精度的问题。
[0007] 第一方面，本发明实施例提供了一种社会化网络的视频推荐方法，所述方法包括： [000引采集用户的正样本数据和用户的负样本数据，其中所述正样本数据为用户感兴趣 的数据，负样本数据为用户不感兴趣的数据；
[0009] 根据所述正样本数据和负样本数据计算所述用户之间的兴趣相似度值；
[0010] 根据用户的好友数量值计算用户之间的熟悉度值；
[0011] 根据所述熟悉度值和所述兴趣相似度值，计算用户之间的信任度值；
[0012] 根据所述信任度值计算用户的信誉度值；
[0013] 根据所述信任度值、所述信誉度值、所述兴趣相似度值计算用户之间的依赖度值， 根据所述依赖度值进行视频推荐。
[0014] 结合第一方面，在第一方面的第一种可能实施方式中，采集用户的负样本数据的 步骤包括：
[0015] 根据用户的行为确定用户的正样本数据；
[0016] 根据所述正样本数据，查找与所述正样本数据相似的数据集合；
[0017] 在所述数据集合中查找所述用户未发生行为，且相似度超过预定阔值的样本数据 作为负样本数据。
[0018] 结合第一方面，在第一方面的第二种可能实施方式中，所述根据所述正样本数据 和负样本数据计算所述用户之间的兴趣相似度值步骤包括：
[0019]根据公式5。,巾=^巧"。,,+ 1-成*5'。^十算所述用户之间的兴趣相信度值，其中，
表示用户U的负样本，N' (V)表示用户V的负样本，K表示为调节系数，取值在0~1之间。
[0020] 结合第一方面，在第一方面的第=种可能实施方式中，所述根据用户的好友数量 值计算用户之间的熟悉度值步骤包括：
[0021] 根据公：
h算计算用户之间的熟悉度值，其中=OUt(U)、in(v) 分别表示用户U关注的用户数和关注用户V的用户数。
[0022] 结合第一方面，在第一方面的第四种可能实施方式中，所述根据所述熟悉度值和 所述兴趣相似度值，计算用户之间的信任度值步骤包括：
[0023] 根据公：
十算用户之间的信任度值，其中：
[0024] T'（u，v)=F(u,v)+S(u,v)
为衰减因子，满足 〇<(p<l，Cm 表示与 用户U的好友深度为m并且信任V的用户集合，T'（u，v)直接信任度值，F(u,v)表示用户U与用户 V的熟悉度值，S(u,V康示用户U与V之间的兴趣相似度值。
[0025] 结合第一方面，在第一方面的第五种可能实施方式中，所述根据所述信任度值计 算用户的信誉度值步骤包括：
[00%]根据公
计算用户的信誉度值，其中：TSu代表信任用户U的用 户集合，TS^ y代表用户U信任的用户集合，T表示信任度值。
[0027]结合第一方面，在第一方面的第六种可能实施方式中，所述根据所述信任度值、所 述信誉度值、所述兴趣相似度值计算用户之间的依赖度值，根据所述依赖度值进行视频推 荐步骤包括：
[002引根据公式化u,v=K*Tu,v+l-K*Rv+Su,v计算用户间的依赖度，其中：RLu,v表示U对V 的依赖度，Tu,V表示U对V的信任度，Rv表示V的信誉度，Su,V表示u、v之间的兴趣相似度，K表 示为调节系数，取值在0~1，间。
[0029] 根据公支
f算用户U对视频i的感兴趣程度，其 中:mostR(u)表示对U依赖度最高的前N个用户，RLu,v表示对u来说v的依赖度，;r(v，i)表示用 户V对视频i的兴趣程度。
[0030] 第二方面，本发明实施例提供了一种社会化网络的视频推荐装置，所述装置包括：
[0031] 数据采集单元，用于采集用户的正样本数据和用户的负样本数据，其中所述正样 本数据为用户感兴趣的数据，负样本数据为用户不感兴趣的数据；
[0032] 相似度计算单元，用于根据所述正样本数据和负样本数据计算所述用户之间的兴 趣相似度值；
[0033] 熟悉度计算单元，用于根据用户的好友数量值计算用户之间的熟悉度值；
[0034] 信任度计算单元，用于根据所述熟悉度值和所述兴趣相似度值，计算用户之间的 信任度值；
[0035] 信誉度计算单元，用于根据所述信任度值计算用户的信誉度值；
[0036] 依赖度计算和推荐单元，用于根据所述信任度值、所述信誉度值、所述兴趣相似度 值计算用户之间的依赖度值，根据所述依赖度值进行视频推荐。
[0037] 结合第二方面，在第二方面的第一种可能实现方式中，所述数据采集单元包括：
[0038] 正样本采集子单元，用于根据用户的行为确定用户的正样本数据；
[0039] 查找子单元，用于根据所述正样本数据，查找与所述正样本数据相似的数据集合；
[0040] 负样本确定子单元，用于在所述数据集合中查找所述用户未发生行为，且相似度 超过预定阔值的样本数据作为负样本数据。
[0041] 结合第二方面，在第二方面的第二种可能实现方式中，所述兴趣相似度计算单元 具体用于：
[0042] 根据公式Su,V=K巧"u,v+l-K*s Vv计算所述用户之间的兴趣相信度值，其中，
V'（U)表示用户U的负样本，N' (V)表示用户V的负样本，K表示为调节系数，取值在0~1之间。
[0043] 在本发明实施例中，通过采集用户的正样本数据和用户的负样本数据，在获取了 用户喜欢的样本数据的同时，还获取了用户不喜欢的样本数据，通过所述正样本数据和负 样本数据得到用户之前的兴趣相似度值，并结合用户之间的熟悉度值和兴趣相似度值计算 用户之间的信任度值，通过所述信任度值和信誉度值和兴趣相似度值得到用户之间的依赖 度值，并根据所述依赖度值进行视频推荐，从而使得本发明采集的用户更为丰富的数据，有 利于提高推荐精度。
【附图说明】
[0044] 图1是本发明实施例提供的社会化网络的视频推荐方法的实现流程图；
[0045] 图2是本发明实施例提供的采集负样本数据的实现流程图；
[0046] 图3是本发明实施例提供的用户间信任度传递示意图；
[0047] 图4是本发明实施例提供的社会化网络的视频推荐的结构示意图。
【具体实施方式】
[004引为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并 不用于限定本发明。
[0049] 在本发明实施例的目的在于提供一种对用户的数据采集更为全面，推荐精度更高 的视频推荐方法。从而能够解决现有技术采集的算法在度量用户之间兴趣相似度时，只从 用户已观看的视频中提取，而对于用户未观看过的视频，不能从其中提取到用户的兴趣度 信息W及计算其对依赖度的影响。因为如果两个用户都不喜欢某个视频，那么他们之间也 有隐藏的相似性，并且同时不喜欢的视频越多，运种相似性可能越明显，本发明有效的对该 部分数据进行了收集与处理。下面结合附图进行具体说明。
[0050] 图1示出了本发明实施例提供的社会化网络的视频推荐方法实现流程，详述如下：
[0051] 在步骤Sioi中，采集用户的正样本数据和用户的负样本数据，其中所述正样本数 据为用户感兴趣的数据，负样本数据为用户不感兴趣的数据。
[0052] 具体的，本发明实施例中所述正样本数据，即用户通过点击、收藏或者浏览的对象 数据，所述对象数据包括图片、视频、声音等文件。
[0053] 在本发明实施例中，对于所述负样本数据，还包括热度值的限定，只有对于热度值 大于预定的热度值，并且用户对所述样本数据没有实施行为时，才选取所述样本数据为负 样本数据。所述样本数据的热度值可W根据样本数据在页面中呈现的位置W及用户浏览的 次数进行评估和计算，在用户面前呈现的次数越多，则表示该样本数据对于该用户的热度 越局。
[0054] 用户未发生行为的负样本数据，可W与正样本数据的数目相等，采集负样本数据 的流程可W如图2所示，包括：
[0055] S201，遍历用户列表，如果用户列表为空则结束该流程，不为空则进入下一步骤；
[0056] S202,读取用户U，遍历该用户观看过的物品列表（此处可W为历史视频观看记 录），如果该用户的物品列表为空则返回到开头寻找下一个用户；如果不为空则进入下一步 骤；
[0057] S203,读取用户的历史观看正样本i，并遍历集合S，如果S为空，则返回上一步骤， 不为空则读取与之相关的负样本j，其中S为系统中与视频相似的视频按照相似度值从大到 小排序后的集合。
[0058] 由于一个视频可能出现在多个用户的正样本中，如果对用户正样本进行遍历时动 态获取负样本，将导致大量重复的运算，降低算法性能。为此可W维护一种系统视频相似度 二维表，保存任意两视频之间的相似度，因此在针对每个正样本获取负样本时，只需要读取 二维表，选择与正样本相似度最高且用户没观看过的视频即可。
[0059] S204,判断负样本j是否符合两者之间的相似度阔值，如果大于则判定j为i的负样 本，如果不符合重新回到集合S;
[0060] S205,不断遍历迭代直到找到用户U所有的负样本集合，流程结束。
[0061] 在步骤S102中，根据所述正样本数据和负样本数据计算所述用户之间的兴趣相似 度值。
[0062] 具体的，所述用户之间兴趣相似度值，主要体现为用户之间具有某种相同的属性， 如年龄、性别、地区；或则具有共同的行为，如购买了相同的物品、收藏了同一个网站。本发 明的兴趣相似度可由用户行为决定，它由正样本数据贡献的相似性和负样本数据贡献的相 似性组成。
[0063] 将用户转化为n维空间上的向量，n代表系统中视频的数目。如果某个视频在负样 本中，则相应位置的值为I，否则为0。那么负样本决定的用户之间相似性的计算公式可W 为
。
[0064] 其中，N'（U)表示用户U的负样本，N'（V)表示用户V的负样本，In'（U) UN'（V) I表示 用户U与用户V共同不喜欢的视频数目。
[0065] 用户正样本决定的用户之间相似性的计算公式可W为：
[0066]
[00671 （U)表示用户U的已经观看过的视频集合，N'（i)表示喜欢视频i的用户集 合 -表示视频的热口惩罚，因为热口视频对用户相似度的贡献小于冷口视频。
[0068] 用户间最终的相似值计算公式可W如下：
[0069] Su,v= 〇c*S"u,v+l-〇c巧，u,v
[0070] 其中，k<1-k，表示正样本贡献的相似值大于负样本贡献的相似值。
[0071] 在步骤S103中，根据用户的好友数量值计算用户之间的熟悉度值。
[0072] 熟悉度对于推荐系统是一个很重要的参考指标，因为用户往往更容易接受自己更 熟悉的人做出的推荐，运好比现实中自己熟悉的朋友、家人，人们在犹豫不决，往往更青睐 熟悉人的建议。
[0073] 影响熟悉度的因素包括：当前用户的好友数量、目标用户的好友数量。如果当前用 户的好友数越多，那么他和目标用户的熟悉度越低；同理，如果目标用户的好友数越多，当 前用户对其它的熟悉度也越低。用户之间熟悉的度量公式可W如下：
[0074]
[0075] 如果是关注关系，out(u)、in(v)分别表示用户U关注的用户数和关注用户V的用户 数;如果是好友关系，〇ut(u)、in(v)分别表示用户u、v的好友数目。
[0076] 在步骤S104中，根据所述熟悉度值和所述兴趣相似度值，计算用户之间的信任度 值。
[0077] 定义用户之间的兴趣相似度和用户之间的熟悉度，他们共同组成用户之间的信任 度，计算公式可W为:T'（U，V)=F(u,v)+S(u,v)。运里计算的信任度只存在于有直接社会关系 的用户之间，运样的信任度称为直接信任度。
[0078] 社交关系具有一大特性就是传递性，无论是好消息还是坏消息，都能顺着社会关 系进行传递扩展。信任度同样如此，如图3所示，A信任B，B信任C，那么A受B的影响也会信任 C，如果A有多个好友信任C，那么A对C的信任值倾向于多个好友信任值的平均值。
[0079] 图中A对C的信任值为传递信任值，或则间接信任值，间接信任值主要取决于A的好 友集合对C的信任值的平均值。同时，每一条间接信任度受A和C之间的好友深度影响。好友 深度指用户经历了几层好友与目标用户相连，如果A和C之间直接相连，那么好友深度为0， 而上图中因为只经过了好友B与C相连，则好友深度为1。显而易见，每一条间接信任度随着 好友深度的加长而衰减。间接信任度的计算公式可W为：
其中，Cm不为 空，W为衰减因子，满足0<(P<1.Cm表示与用户U的好友深度为m并且信任V的用户集合，T'（u， V)直接信任度值，F(u,v)表示用户U与用户V的熟悉度值，S(u,v)表示用户U与V之间的兴趣相似 度值。
[0080] 直接信任的用户之间，也可能具有间接的信任度。同时，间接的信任度也可能包括 多条，需要对其取平均值。用户之间最终的信任度计算公式为
其中，k表 示好友深度，i>Cv表示间接信任度之和。 m 二I
[0081] 在步骤S105中，根据所述信任度值计算用户的信誉度值；
[0082] 社会化网络存在所谓的名人效应。名人效应，是指名人的出现所达成的引人注意、 强化事物、扩大影响的效应，名人效应已经在生活中的方方面面产生深远影响。社会化网络 中的名人效应，体现为更高的关注度、更大的影响力、更强的号召性。
[0083] 社会化网络中的名人，是指影响力最大或者对整个网络贡献最大的一批人。衡量 一个人是否是名人的方法有很多种，信誉度就是其中一个指标。信誉度高的人，说明他被许 多人所信任，那么他可能成为名人。信任度存在于用户之间，用户衡量两用户之间的信任关 系，而信誉度是用户的属性，用于衡量他在整个系统中的可信度。
[0084] 社会化网络中一个人的信誉度由信任他的人数和每个人的信誉度决定。信任他的 人数越多，那么他的信誉度越高；当中每个人的信誉度越高，那么他的信誉度越高。公式可 W如下：
[0085]
[0086] 其中，TSu代表信任用户U的用户集合，TS%代表用户U信任的用户集合，T表示信任 度值。
[0087] 在步骤S106中，根据所述信任度值、所述信誉度值、所述兴趣相似度值计算用户之 间的依赖度值，根据所述依赖度值进行视频推荐。
[0088] 具体的，用户间的依赖度由用户行为和用户社会关系两大部分决定，用户行为体 现为用户之间的兴趣相似度，用户社会关系体现为用户之间的信任度和目标用户在社会网 络中的信誉度。用户间的依赖度计算公式如下：
[0089] RLu,v=〇c*Tu,v+1-〇c*Rv+Su,v
[0090] 化U, V表示U对V的依赖度，Tu, V表示U对V的信任度，Rv表示V的信誉度，Su, V表示U、V之 间的兴趣相似度，K表示为调节系数，取值在0~1之间，调节两部分的比重。
[0091] 其中，基于依赖度并计算得出用户感兴趣的视频集合推荐给用户可W具体包括：
[0092] 基于依赖度的社会化推荐算法，计算得出P(u，i)表示用户U对视频i的感兴趣程度 (也可W理解为等分），计算公式如下：
[0093]
[0094] 其中，mostR(u)表示对U依赖度最高的前N个用户，RLu,v表示对U来说V的依赖度，r (v，i)表示用户V对视频i的兴趣程度，一般情况是单一反馈数据，r(v，i) = l，即用户V观看 过视频i，也可W表示为用户V对视频i的打分值。
[0095] 根据计算得出的P(u，i)值，从高到低排序，挑选前N个感兴趣程度最高的视频集合 推荐给用户，推荐流程结束。
[0096] 本发明实施例通过获取用户的正样本数据和负样本数据进行推荐计算，将用户隐 藏的负样本数据增加至推荐因素，从而使得本发明采集的数据更为全面，推荐精度更高。并 且本发明结合用户行为的相似度W及兴趣的相似度进行推荐，有利于进一步提高推荐的准 确性。
[0097] 图4为本发明实施例提供的社会化网络的视频推荐装置的结构示意图，如图所示， 本发明实施例所述社会化网络的视频推荐装置，包括：
[0098] 数据采集单元401，用于采集用户的正样本数据和用户的负样本数据，其中所述正 样本数据为用户感兴趣的数据，负样本数据为用户不感兴趣的数据；
[0099] 相似度计算单元402,用于根据所述正样本数据和负样本数据计算所述用户之间 的兴趣相似度值；
[0100] 熟悉度计算单元403,用于根据用户的好友数量值计算用户之间的熟悉度值；
[0101] 信任度计算单元404,用于根据所述熟悉度值和所述兴趣相似度值，计算用户之间 的信任度值；
[0102] 信誉度计算单元405,用于根据所述信任度值计算用户的信誉度值；
[0103] 依赖度计算和推荐单元406,用于根据所述信任度值、所述信誉度值、所述兴趣相 似度值计算用户之间的依赖度值，根据所述依赖度值进行视频推荐。
[0104] 优选的，所述数据采集单元包括：
[0105] 正样本采集子单元，用于根据用户的行为确定用户的正样本数据；
[0106] 查找子单元，用于根据所述正样本数据，查找与所述正样本数据相似的数据集合；
[0107] 负样本确定子单元，用于在所述数据集合中查找所述用户未发生行为，且相似度 超过预定阔值的样本数据作为负样本数据。
[0108] 优选的，所述兴趣相似度计算单元具体用于：
[0109] 根据公式Su,V=K巧"u,v+l-K*S Vv计算所述用户之间的兴趣相信度值，其中，
N'（U)表示用户U的负样本，N' (V)表示用户V的负样本，K表示为调节系数，取值在0~1之间。
[0110] 图4所述社会化网络的视频推荐装置，与图1所述社会化网络的视频推荐方法对 应，在此不作重复寶述。
[0111] W上所述仅为本发明的较佳实施例而已，并不用W限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种社会化网络的视频推荐方法，其特征在于，所述方法包括： 采集用户的正样本数据和用户的负样本数据，其中所述正样本数据为用户感兴趣的数 据，负样本数据为用户不感兴趣的数据； 根据所述正样本数据和负样本数据计算所述用户之间的兴趣相似度值； 根据用户的好友数量值计算用户之间的熟悉度值； 根据所述熟悉度值和所述兴趣相似度值，计算用户之间的信任度值； 根据所述信任度值计算用户的信誉度值； 根据所述信任度值、所述信誉度值、所述兴趣相似度值计算用户之间的依赖度值，根据 所述依赖度值进行视频推荐。2. 根据权利要求1所述方法，其特征在于，采集用户的负样本数据的步骤包括： 根据用户的行为确定用户的正样本数据； 根据所述正样本数据，查找与所述正样本数据相似的数据集合； 在所述数据集合中查找所述用户未发生行为，且相似度超过预定阈值的样本数据作为 负样本数据。3. 根据权利要求1所述方法，其特征在于，所述根据所述正样本数据和负样本数据计算 所述用户之间的兴趣相似度值步骤包括： 根据公式Su,v=cx*S"u,v+l-cx*S' u,v计算所述用户之间的兴趣相信度值，其中，N'（u)表示用户u的负样本，Ν' (ν)表示用户ν的负样本，α表示为调节系数，取值在0~1之间。4. 根据权利要求1所述方法，其特征在于，所述根据用户的好友数量值计算用户之间的 熟悉度值步骤包括： 根据公?十算计算用户之间的熟悉度值，其中：〇ut(u)、in(v)分别 表示用户u关注的用户数和关注用户v的用户数。5. 根据权利要求1所述方法，其特征在于，所述根据所述熟悉度值和所述兴趣相似度 值，计算用户之间的信任度值步骤包括： 根据公式计算用户之间的信任度值，其中： T,(u,v)=F(u;v)+S(u;v)(Cm 不为空），Φ为衰减因子，满足 〇<φ<1，Cm 表示与用户u的好友深度为m并且信任v的用户集合，T'（u，v)直接信任度值，F(u,v)表示用户u 与用户v的熟悉度值，S(u,v)表示用户u与v之间的兴趣相似度值。6. 根据权利要求1所述方法，其特征在于，所述根据所述信任度值计算用户的信誉度值 步骤包括： 根据公￥计算用户的信誉度值，其中：TSU代表信任用户u的用户集 合，TS' 表用户u信任的用户集合，T表示信任度值。7. 根据权利要求1所述方法，其特征在于，所述根据所述信任度值、所述信誉度值、所述 兴趣相似度值计算用户之间的依赖度值，根据所述依赖度值进行视频推荐步骤包括： 根据公式RLU, ν = 〇c *TU, ν+1 -〇c *RV+SU, ν计算用户间的依赖度，其中:RLU, ν表示u对ν的依赖 度，Tu,v表示U对V的信任度，Rv表示4勺信誉度，Su, v表示1!、￥之间的兴趣相似度，α表示为调 节系数，取值在0~1之间。 根据公?f算用户u对视频i的感兴趣程度，其中： mostR(u)表示对u依赖度最高的前N个用户，RLU,V表示对u来说ν的依赖度，r(v，i)表示用户ν 对视频i的兴趣程度。8. -种社会化网络的视频推荐装置，其特征在于，所述装置包括： 数据采集单元，用于采集用户的正样本数据和用户的负样本数据，其中所述正样本数 据为用户感兴趣的数据，负样本数据为用户不感兴趣的数据； 相似度计算单元，用于根据所述正样本数据和负样本数据计算所述用户之间的兴趣相 似度值； 熟悉度计算单元，用于根据用户的好友数量值计算用户之间的熟悉度值； 信任度计算单元，用于根据所述熟悉度值和所述兴趣相似度值，计算用户之间的信任 度值； 信誉度计算单元，用于根据所述信任度值计算用户的信誉度值； 依赖度计算和推荐单元，用于根据所述信任度值、所述信誉度值、所述兴趣相似度值计 算用户之间的依赖度值，根据所述依赖度值进行视频推荐。9. 根据权利要求8所述装置，其特征在于，所述数据采集单元包括： 正样本采集子单元，用于根据用户的行为确定用户的正样本数据； 查找子单元，用于根据所述正样本数据，查找与所述正样本数据相似的数据集合； 负样本确定子单元，用于在所述数据集合中查找所述用户未发生行为，且相似度超过 预定阈值的样本数据作为负样本数据。10. 根据权利要求8所述装置，其特征在于，所述兴趣相似度计算单元具体用于： 根据公式Su,v=cx*S"u,v+l-cx*S' u,v计算所述用户之间的兴趣相信度值，其中，（u)表示用户u的负样本，Ν' (ν)表示用户ν的负样本，α表示为调节系数，取值在0~1之间。
【文档编号】G06F17/30GK105956201SQ201610472336
【公开日】2016年9月21日
【申请日】2016年6月22日
【发明人】冯研
【申请人】Tcl集团股份有限公司