李曉峰 王妍瑋 王建華

1(黑龍江外國語學(xué)院信息工程系 黑龍江 哈爾濱 150025)2(普渡大學(xué)機械工程系 印第安納 西拉法葉 IN47906)3(哈爾濱師范大學(xué)計算機科學(xué)與信息工程學(xué)院 黑龍江 哈爾濱 150025)

0 引 言

隨著社區(qū)網(wǎng)絡(luò)的發(fā)展，需要對社區(qū)網(wǎng)絡(luò)中的多維信任數(shù)據(jù)進行合理化的推薦設(shè)計。對多維信任數(shù)據(jù)的協(xié)同推薦是建立在對多維信任數(shù)據(jù)的特征提取和屬性挖掘技術(shù)基礎(chǔ)上[1-2]，對多維信任數(shù)據(jù)的項性屬性進行挖掘和分布式組網(wǎng)設(shè)計，結(jié)合社區(qū)發(fā)現(xiàn)算法，實現(xiàn)對多維信任數(shù)據(jù)的協(xié)同推薦，提高對社區(qū)網(wǎng)絡(luò)用戶特征的發(fā)現(xiàn)和識別能力，因此研究多維信任數(shù)據(jù)的協(xié)同推薦方法，在網(wǎng)絡(luò)信任模型的構(gòu)建和用戶偏好特征挖掘中具有很好的應(yīng)用價值[3-4]。

目前，相關(guān)研究人員已經(jīng)提出一些多維信任數(shù)據(jù)的推薦方法。文獻[5]提出一種基于圖和改進K近鄰模型的高效協(xié)同過濾推薦算法，構(gòu)建基于圖的數(shù)據(jù)評分模型，運用該模型對用戶進行相似度計算，根據(jù)計算結(jié)果結(jié)合圖的最短路徑算法對等待評分的內(nèi)容進行準確定位，以此來實現(xiàn)數(shù)據(jù)推薦。實驗結(jié)果表明，該算法能夠獲得較高的用戶信任度，但是數(shù)據(jù)推薦均衡性較差。文獻[6]提出一種基于位置社交網(wǎng)絡(luò)的上下文感知的興趣點推薦算法，建立潛在狄利克雷分配模型，運用該模型對與用戶興趣點相關(guān)的文本信息進行提取，采用自適應(yīng)帶寬核評估方法對提取到的信息進行分類，最后運用概率矩陣分解模型將用戶的興趣和分類信息進行融合，分析融合結(jié)果實現(xiàn)對用戶的感興趣點的推薦。實驗結(jié)果表明，該算法具有較好的推薦效果，但是存在用戶信任度不高的問題。文獻[7]提出一種結(jié)合用戶興趣度聚類的協(xié)同過濾推薦算法，采集用戶對關(guān)鍵詞的評分頻率，根據(jù)采集結(jié)果分析用戶對關(guān)鍵詞的偏好程度，構(gòu)建用戶偏好矩陣。通過偏好矩陣結(jié)合Logistic函數(shù)計算用戶對各項目的興趣度，最終根據(jù)興趣度對數(shù)據(jù)進行有針對性的推薦。實驗結(jié)果表明，該算法具有較高的推薦效率，但是數(shù)據(jù)推薦的置信度不高。

針對傳統(tǒng)方法存在的數(shù)據(jù)推薦均衡性較差、用戶信任度不高以及推薦結(jié)果置信度不高的問題，本文提出一種改進的基于全卷積神經(jīng)網(wǎng)絡(luò)的多維信任數(shù)據(jù)協(xié)同推薦算法。構(gòu)建多維信任數(shù)據(jù)的存儲和服務(wù)結(jié)構(gòu)模型，采用協(xié)同濾波方法訓(xùn)練隱含層和輸出層的連接權(quán)值，此步驟需要保留重要隱含層中用戶的關(guān)鍵信息，以此來保障用戶信息安全，提高用戶信任度。最后進行卷積神經(jīng)網(wǎng)絡(luò)協(xié)同濾波和分類識別，進行分類識別有利于提高數(shù)據(jù)推薦的均衡性。

1 構(gòu)建多維信任數(shù)據(jù)存儲和服務(wù)結(jié)構(gòu)模型

在社區(qū)網(wǎng)絡(luò)中，為了實現(xiàn)對多維信任數(shù)據(jù)協(xié)同推薦，需要構(gòu)建多維信任數(shù)據(jù)的服務(wù)結(jié)構(gòu)模型。結(jié)合拓撲結(jié)構(gòu)設(shè)計進行多維信任數(shù)據(jù)協(xié)同推薦和模糊挖掘，根據(jù)多維信任數(shù)據(jù)中社區(qū)的分布式屬性特征進行關(guān)聯(lián)規(guī)則分布設(shè)計。以網(wǎng)絡(luò)社區(qū)高維數(shù)據(jù)作為先驗知識，結(jié)合先驗特征分布式挖掘方法進行社區(qū)屬性特征推薦。假設(shè)多維信任數(shù)據(jù)的社區(qū)屬性混合推薦拓撲圖的邊是有向的，結(jié)合云存儲服務(wù)模塊進行主程序調(diào)度，在移動客戶端進行數(shù)據(jù)輸出的特征分析和大數(shù)據(jù)融合聚類處理，建立多維信任數(shù)據(jù)的數(shù)據(jù)傳輸和協(xié)同過濾模型。得到多維信任數(shù)據(jù)的存儲和服務(wù)結(jié)構(gòu)模型如圖1所示。

圖1 多維信任數(shù)據(jù)的存儲和服務(wù)結(jié)構(gòu)模型

根據(jù)圖1可知，因為拓撲圖的邊具有有向性特征，所以數(shù)據(jù)在存儲過程中會經(jīng)過不同的路徑，因此存在(a)和(b)兩種數(shù)據(jù)流傳輸模式。結(jié)合圖1所示的模型，建立小樣本多元類別數(shù)據(jù)模型，構(gòu)建一個元回歸分析模型表達社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的信息流，表示為：

x(u)=x(ut0+nΔt)=h[u·z(t0+nΔt)]+ωn

(1)

式中:x(u)表示多維信任數(shù)據(jù)信息流，u表示多維信任數(shù)據(jù)，t0表示初始時刻，Δt表示時間間隔，n為時間間隔數(shù)量，x(·)表示多維信任數(shù)據(jù)信息流在不同時刻的傳輸函數(shù)，h(·)為多維信任數(shù)據(jù)分布式的時間序列，z(·)表示一個具有線性高斯隱變量的函數(shù)，ωn為多維信任數(shù)據(jù)的觀測或測量誤差。接下來需要對多維信任數(shù)據(jù)的分布式存儲結(jié)構(gòu)進行重組，社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的分布結(jié)構(gòu)模型描述式為：

(2)

式中:Xp(u)表示社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的分布結(jié)構(gòu)模型，j表示數(shù)據(jù)分布參量，p為分布式多維信任數(shù)據(jù)存儲結(jié)構(gòu)的階數(shù)，α為數(shù)據(jù)集中包含的觀察數(shù)據(jù)窗口寬度。

構(gòu)建多維信任數(shù)據(jù)分布的組合核函數(shù)模型，將推薦的多維信任數(shù)據(jù)按照深度核函數(shù)進行關(guān)聯(lián)結(jié)構(gòu)重組，構(gòu)建社區(qū)網(wǎng)絡(luò)的關(guān)聯(lián)規(guī)則知識庫[8]，給出社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)結(jié)構(gòu)的特征標識函數(shù)bn，采用描述性的信息組合分布式重構(gòu)方法進行社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的認知模型構(gòu)建，得到一個線性組合模型為：

(3)

式中：an表示多維信任數(shù)據(jù)所有類別變量的線性規(guī)劃特征分布，N為數(shù)據(jù)變量總量，K為數(shù)據(jù)變量數(shù)量的取值。采用深度高斯過程分析方法進行社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的模糊聚類處理，根據(jù)模糊聚類結(jié)果分析數(shù)據(jù)的存儲結(jié)構(gòu)模型，實現(xiàn)社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的分布估計和協(xié)同濾波[9]。

2 提取關(guān)聯(lián)規(guī)則特征量

根據(jù)第1節(jié)中構(gòu)建的多維信任數(shù)據(jù)的存儲和服務(wù)結(jié)構(gòu)模型，提取多維信任數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量。設(shè)有m個多維信任數(shù)據(jù)的分布節(jié)點A1,A2，…，Am，觀察數(shù)據(jù)中的第d個類別輸出表示為a1，a2，…，an，利用變分自編碼的方法對隱層多維信任數(shù)據(jù)進行全局尋優(yōu)[10]，在核函數(shù)噪聲參數(shù)的影響下，得到多維信任數(shù)據(jù)特征分類加權(quán)系數(shù)為：

(4)

式中：J表示核函數(shù)，η表示噪聲參數(shù)。

采用概率圖模型學(xué)習(xí)算法[11]，得到多維信任數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘的自適應(yīng)學(xué)習(xí)系數(shù)為：

(5)

式中:α1、α2表示不同數(shù)量觀察數(shù)據(jù)窗口寬度，Densityi表示數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘中的頻繁項集，APi和APint表示不同的社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)屬性集，滿足如下條件：

(6)

通過自由變分的參數(shù)擬合方法，得到多維信任數(shù)據(jù)的系統(tǒng)推薦量化集為(m,n)∈E，采用模糊卷積神經(jīng)網(wǎng)絡(luò)簡化層級內(nèi)的相關(guān)性[12]，構(gòu)造多維信任數(shù)據(jù)協(xié)同推薦的關(guān)聯(lián)規(guī)則挖掘問題，用下式進行表達：

(7)

(8)

式中：i和j表示根據(jù)單層高斯過程得到當前多維信任數(shù)據(jù)分布節(jié)點數(shù)，最大數(shù)量為n，min(f)表示最小化關(guān)聯(lián)函數(shù)，s(i,j)表示關(guān)聯(lián)規(guī)則節(jié)點挖掘值。在單層稀疏高斯過程回歸模型中，輸出負載為L1,L2,…,Ln，多維信任數(shù)據(jù)協(xié)同推薦的類間擾動估計值為V，在線性規(guī)劃模型中對多維信任數(shù)據(jù)進行模型核函數(shù)特征分解，求得模型核函數(shù)的近似熵特征量[13]，結(jié)合匹配相關(guān)檢測方法進行多維信任數(shù)據(jù)的負載均衡調(diào)度，實現(xiàn)關(guān)聯(lián)規(guī)則特征提取結(jié)果，表示為：

(9)

式中：NI、NR和NS分別表示多維信任數(shù)據(jù)的頻繁項分布集、狀態(tài)分布集和時間分布集。根據(jù)上述分析，提取多維信任數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量，將提取的特征數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行自適應(yīng)學(xué)習(xí)，進行協(xié)同推薦算法設(shè)計。

3 算法設(shè)計與實現(xiàn)

3.1 基于全卷積神經(jīng)網(wǎng)絡(luò)的多維信任數(shù)據(jù)協(xié)同推薦算法

在上述構(gòu)建多維信任數(shù)據(jù)的存儲和服務(wù)結(jié)構(gòu)模型以及提取多維信任數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量的基礎(chǔ)上，提出基于全卷積神經(jīng)網(wǎng)絡(luò)的多維信任數(shù)據(jù)協(xié)同推薦算法。全卷積神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元節(jié)點組成，其組成結(jié)構(gòu)具有線性特征，即神經(jīng)層之間屬于層與層相連的關(guān)系，并且每一個神經(jīng)層都能與相鄰的神經(jīng)元節(jié)點之間進行連接。其具有參數(shù)規(guī)模較低的特點，依據(jù)卷積神經(jīng)網(wǎng)絡(luò)的特點，對多維信任數(shù)據(jù)進行協(xié)同推薦處理，能夠得到更加準確的結(jié)果，并且處理結(jié)果更具有多元化的特征。具體協(xié)同推薦過程如下：

通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)來進行多維信任數(shù)據(jù)特征量的分類識別[14]，卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

圖2中，net表示網(wǎng)絡(luò)輸入層，ui表示不同的卷積層，xi表示不同池化層，ωi表示全連接層。假設(shè)輸入層有2n個隱藏節(jié)點，對于n組社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量(ki1,ki2,…，ki,m-1),i=1,2,…,n，采用全卷積神經(jīng)網(wǎng)絡(luò)分類進行社區(qū)網(wǎng)絡(luò)多維信任數(shù)據(jù)關(guān)聯(lián)特征值的自適應(yīng)訓(xùn)練，訓(xùn)練式為：

(10)

式中：nets1(k)數(shù)據(jù)關(guān)聯(lián)特征值自適應(yīng)訓(xùn)練函數(shù)，rs(k)表示數(shù)據(jù)關(guān)聯(lián)特征函數(shù)。

對隱含層到輸出層連接權(quán)值進行參數(shù)學(xué)習(xí)，根據(jù)數(shù)值屬性得到比例神經(jīng)元的加權(quán)邊為：

usi(k)=netsi(k)

(11)

引入Lasso稀疏學(xué)習(xí)方法，得到全卷積神經(jīng)網(wǎng)絡(luò)隱含層到輸出層連接權(quán)值為：

(12)

對隱含層節(jié)點進行自適應(yīng)篩選和修正，得到全卷積神經(jīng)網(wǎng)絡(luò)更新規(guī)則為：

e(k)=xsi(k)|φa-φad|

(13)

式中：e(k)表示更新規(guī)則函數(shù)；φa表示隱含層原始節(jié)點；φad表示自適應(yīng)篩選和修正后的隱含層節(jié)點。

對輸入神經(jīng)元連接第j個隱藏層節(jié)點的學(xué)習(xí)稀疏度，采用偏差方差折中方法和隱含層節(jié)點抽取機制進行全卷積神經(jīng)網(wǎng)絡(luò)的自適應(yīng)加權(quán)學(xué)習(xí)[15]，保留重要的隱含層中的關(guān)鍵信息，得到協(xié)同推薦模型表示為：

(14)

(15)

以高斯函數(shù)作為徑向基函數(shù)，采用隱含層節(jié)點抽取機制進行全卷積神經(jīng)網(wǎng)絡(luò)的自適應(yīng)加權(quán)學(xué)習(xí)，保留重要的隱含層中的關(guān)鍵信息，提高數(shù)據(jù)推薦的效率。

3.2 多維信任數(shù)據(jù)協(xié)同推薦的實現(xiàn)

采用全卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法進行多維信任數(shù)據(jù)的特征分類和協(xié)同推薦時保留了重要隱含層中的關(guān)鍵信息，為求解隱含層到輸出層連接權(quán)值X(x1，x2，…，xn)，對隱含層節(jié)點進行自適應(yīng)搜索，在全卷積神經(jīng)網(wǎng)絡(luò)的信任模型中，得到全卷積神經(jīng)網(wǎng)絡(luò)協(xié)同推薦的更新規(guī)則為：

(16)

綜上分析，采用協(xié)同濾波方法訓(xùn)練隱含層和輸出層的連接權(quán)值，實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)協(xié)同濾波和分類識別，得到協(xié)同推薦算法描述為：

輸出：多維信任數(shù)據(jù)協(xié)同推薦的結(jié)果α。

初始化多維信任數(shù)據(jù)協(xié)同推薦參數(shù)[17]，從t=1開始進行多維信任數(shù)據(jù)協(xié)同推薦的全卷積神經(jīng)網(wǎng)絡(luò)的自適應(yīng)尋優(yōu)：

(1) 對輸出層連接權(quán)值進行稀疏表示，得到特征點e(t)=y-Dα(t)。

(2) 構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)分類器，得到徑向基函數(shù)的加權(quán)值：

(17)

式中：ωθ表示全卷積神經(jīng)網(wǎng)絡(luò)分類器，μ表示加權(quán)系數(shù)，δ表示網(wǎng)絡(luò)節(jié)點分布誤差系數(shù)。

(6) 如果不滿足收斂條件，令t=t+1。轉(zhuǎn)步驟(1)，直到滿足全局收斂。

(7) 結(jié)束。

綜上分析，實現(xiàn)對社區(qū)網(wǎng)絡(luò)中多維信任數(shù)據(jù)的協(xié)同推薦。

4 實驗與性能分析

為了驗證本文算法在實現(xiàn)多維信任數(shù)據(jù)協(xié)同推薦中的應(yīng)用性能，進行仿真實驗，實驗采用MATLAB平臺進行算法的開發(fā)設(shè)計，采用網(wǎng)絡(luò)爬蟲抓取方法進行社區(qū)網(wǎng)絡(luò)中多維信任數(shù)據(jù)的原始數(shù)據(jù)采樣，隱含層到輸出層的連接權(quán)值設(shè)定為0.23，神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為12，隱含層節(jié)點數(shù)為5，輸出層為3，卷積神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)為300，相關(guān)參數(shù)設(shè)定為ρ1=ρ2=0.41，δ=0.8，Q=40，c1=120，c2=350，cr=26，μ1=μ2=0.131。實驗數(shù)據(jù)來自開源的美國Minnesot大學(xué)GroupLens項目組提供的Movielens數(shù)據(jù)集(https://grouplens.org/datasets/movielens/)，該數(shù)據(jù)集為公開的標準數(shù)據(jù)集，非常適用于數(shù)據(jù)推薦測試。在進行實驗之前，對數(shù)據(jù)集進行等分，分成4個相等的部分，每部分600個用戶，包含600個任務(wù)數(shù)據(jù)，總計2 400個數(shù)據(jù)，然后從中隨機選2份作為測試數(shù)據(jù)集，剩余的2份作為訓(xùn)練數(shù)據(jù)集，對全卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，產(chǎn)生數(shù)據(jù)推薦。

由第2節(jié)可知，傳統(tǒng)算法缺少數(shù)據(jù)特征分析環(huán)節(jié)，而本文算法在構(gòu)建多維信任數(shù)據(jù)的存儲和服務(wù)結(jié)構(gòu)模型的基礎(chǔ)上，對多維信任數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量進行了提取，得出了多維信任數(shù)據(jù)的頻繁項NI、NR和NS，從而增強了數(shù)據(jù)推薦的自適應(yīng)性。為驗證本文算法的有效性，選取以下實驗指標進行分析：均衡性，置信度，用戶信任度。

以均衡性為實驗指標，并以上述數(shù)據(jù)集為測試對象，針對每次客戶端的數(shù)據(jù)推薦請求任務(wù)進行關(guān)聯(lián)規(guī)則挖掘和全卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，多維信任數(shù)據(jù)協(xié)同推薦中，使用特征量化因子表示特征分布情況，特征量化因子輸出數(shù)值越均勻、越接近，說明算法的均衡性越好，將本文算法與文獻[5]、文獻[6]算法進行對比，結(jié)果如圖3所示。

圖3 不同算法均衡性對比

分析圖3可知，采用文獻[5]和文獻[6]算法對多維信任數(shù)據(jù)進行協(xié)同推薦時，在不同時間下關(guān)聯(lián)規(guī)則特征分布結(jié)果不均，文獻[5]算法的特征量化因子變化范圍最大，為0.05～0.47，文獻[6]算法的變化范圍為0.12～0.41，說明對比算法的均衡性較差；而采用本文算法進行多維信任數(shù)據(jù)協(xié)同推薦時，關(guān)聯(lián)規(guī)則特征分布結(jié)果雖然存在差異性，但是整體上來講，較為均衡，本文算法的關(guān)聯(lián)規(guī)則特征分布結(jié)果優(yōu)于文獻[5-6]算法，說明本文算法的輸出均衡性較好，降低推薦網(wǎng)絡(luò)模型的復(fù)雜性，能夠?qū)崿F(xiàn)多維信任數(shù)據(jù)的協(xié)同推薦。

為了進一步驗證所提基于全卷積神經(jīng)網(wǎng)絡(luò)的多維信任數(shù)據(jù)協(xié)同推薦算法的應(yīng)用性能，對不同算法的數(shù)據(jù)推薦置信度進行測試，此處置信度是指特定數(shù)據(jù)對特定推薦結(jié)果真實性相信的程度，置信度用數(shù)值表示，數(shù)值越低，表示置信度越高，反之，置信度越低。置信度的計算公式如下：

(18)

式中：M表示置信區(qū)間總量，M′表示含真實推薦數(shù)據(jù)的置信區(qū)間數(shù)量。不同算法的具體對比結(jié)果如圖4所示。

圖4 不同算法的置信度對比

分析圖4可知，從整體上來看，不論是傳統(tǒng)算法還是本文算法的置信度受任務(wù)數(shù)的影響較小，并沒有隨任務(wù)數(shù)的增加而產(chǎn)生較大的波動。說明幾種算法的置信度都具有穩(wěn)定性。但是從置信度數(shù)值上來看，文獻[5]算法、文獻[6]算法以及文獻[7]算法的數(shù)值較高，說明在進行多維信任數(shù)據(jù)協(xié)同推薦時，以上算法的置信度較低，而本文算法的置信度保持在0.3左右，是幾種算法中最低的，置信度較高，用戶的信任度就高，說明本文算法具有實際應(yīng)用性。

對多維信任數(shù)據(jù)進行協(xié)同推薦的最終目的是解決用戶問題、滿足用戶需求，因此以用戶信任度為實驗指標對傳統(tǒng)算法與本文算法進行對比分析，用戶信任度反映的是網(wǎng)絡(luò)用戶對協(xié)同推薦結(jié)果的一種信任程度，計算公式如下：

(19)

式中：R1和R2分別表示網(wǎng)絡(luò)用戶和推薦結(jié)果的興趣區(qū)域數(shù)量，R12表示兩者共同的興趣區(qū)域數(shù)量。

用戶信任度用信任值進行表示，信任值越高，用戶信任度越高。將本文算法與文獻[6]和文獻[7]算法進行對比，分析結(jié)果如圖5所示。

圖5 不同算法的用戶信任度對比結(jié)果

分析圖5可知，本文算法的用戶信任值始終保持在7.5以上，相比較而言，文獻[6]算法和文獻[7]算法的用戶信任值低于本文算法，在4.5以下，并且數(shù)值不穩(wěn)定，說明本文算法能夠滿足用戶對數(shù)據(jù)推薦的需求，用戶的信任度較高。

綜上所述，采用本文算法進行多維信任數(shù)據(jù)協(xié)同推薦時，均衡性較好，說明采用該算法進行多維信任數(shù)據(jù)協(xié)同推薦的稀疏學(xué)習(xí)性能較好，同時，該算法的置信度較高，能夠獲得用戶的信任度，從而實現(xiàn)對多維信任數(shù)據(jù)的有效推薦。

5 結(jié) 語

為提高對社區(qū)網(wǎng)絡(luò)的用戶特征的發(fā)現(xiàn)和識別能力，本文提出一種改進的基于全卷積神經(jīng)網(wǎng)絡(luò)的多維信任數(shù)據(jù)協(xié)同推薦算法。為提高用戶的信任度，采用協(xié)同濾波方法訓(xùn)練隱含層和輸出層的連接權(quán)值，并保留重要隱含層中用戶的關(guān)鍵信息。為提高數(shù)據(jù)推薦的均衡性，采用卷積神經(jīng)網(wǎng)絡(luò)協(xié)同濾波進行數(shù)據(jù)分類識別。分析實驗結(jié)果可知，與傳統(tǒng)算法相比，本文算法進行數(shù)據(jù)協(xié)同推薦的均衡度更好，提高推薦準確性和信任度水平，解決傳統(tǒng)算法存在的數(shù)據(jù)推薦均衡性較差、用戶信任度較低的問題。由于社區(qū)網(wǎng)絡(luò)在不斷發(fā)展，因此未來將繼續(xù)對該算法進行改進，進一步提高多維信任數(shù)據(jù)協(xié)同推薦的均衡性，以此來更好地適應(yīng)社區(qū)網(wǎng)絡(luò)應(yīng)用的需要。