【摘要】：获得了目标用户u与TruNListSorted中用户的评分相似度后，便可以选取TruNListSorted中的top-K个用户，来为目标用户进行服务评分预测，采用公式4-6进行计算。
以目标用户的可信用户列表TruNListSorted为基础，便可以计算TruNListSorted中的N个用户与目标用户的评分相似度。采用Pearson相似度进行计算，如公式4-5所示。
其中，Sim（u，j）为目标用户u与TruNListSorted中用户j的评分相似度，Su，j为目标用户u与用户j的共同评价过的服务集合，Ru，t为目标用户u对服务St的评分，
为目标用户对所有使用过的服务的平均评分，Rj，t为目标用户j对服务St的评分，
为用户j对所有使用过的服务的平均评分。
获得了目标用户u与TruNListSorted中用户的评分相似度后，便可以选取TruNListSorted中的top-K个用户，来为目标用户进行服务评分预测，采用公式4-6进行计算。(www.xing528.com)
其中，PRu，s为目标用户u对服务S的评分预测，Capu，j为采用公式4-4和Ford Fulkerson算法计算得到的用户j在目标用户u的本地信任网络中的信任容量，UC为目标用户u的近邻用户集，即TruNListSorted中的top-K个用户。从公式4-6可以看出，用户j与目标用户u越相似、信任容量越大，用户j在目标用户u的评分预测中的作用越大。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
