技術特征：

1.一種面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，包括以下步驟：

步驟1、獲取評論或社交網絡平臺上的用戶歷史評分記錄及用戶社交網絡關系；

步驟2、根據用戶的歷史評分記錄構建一維評分云，采用綜合云技術融合所有一維評分云形成父云，通過父云生成新的用戶評分；

步驟3、并根據新的用戶評分對用戶進行聚類，發現用戶的相似群體，并根據用戶的新評分對用戶進行聚類，通過聚類結果來發現用戶的相似群體，即用戶所在類內的其他用戶為該用戶的相似群體；

步驟4、根據被預測用戶的社交關系，對被預測用戶的相似群體構建兩朵高維評分云，分別計算用戶歷史評分在其中的隸屬度，以此表示被預測用戶在其兩類相似群體中的位置，并基于高斯變換構建綜合預測機制。

2.根據權利要求1所述的面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，所述步驟1獲取評論或/和社交網絡平臺上的用戶歷史評分記錄及用戶社交網絡關系直接從現有的基于Web的研究型推薦系統下載或者利用成熟的社交平臺的公共API獲取。

3.根據權利要求1或2所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，所述步驟2構建一維評分云，采用綜合云技術融合所有評分云形成父云，通過父云生成新的用戶評分包括以下步驟：首先，根據用戶到項目的評分矩陣，對每個用戶的評分使用逆向云發生器計算出評分向量(Ex,En,He),并對每個用戶構建一維的云圖；其次，采用綜合云技術融合所有用戶的評分向量，得到父云的評分向量，并構建父云的云圖得到評分標準；最后，通過正向云發生器得到用戶評分在自身云圖中的隸屬度，并得到在此隸屬度下父云產生的云滴，以此云滴確定新的評分。

4.根據權利要求3所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，所述步驟3采用K-means聚類方法進行聚類，以發現預測用戶的真實相似群體。

5.根據權利要求3所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，所述步驟4具體包括以下步驟：根據被預測用戶關注集合,把其相似群體分為好友和非好友兩部分，通過逆向云發生器分別對兩部分群體的歷史評分構建高維云，分別計算用戶在兩朵高維云中的隸屬度；同樣通過逆向云發生器分別對兩部分群體對被推薦項目的評分構建兩朵一維云，分別計算高維云中的隸屬度在一維云中的云滴，并對兩部分群體的一維云滴進行高斯變換取其期望作為最后的預測云滴，由此云滴確定預測評分。

6.根據權利要求3所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，根據用戶到項目的評分矩陣，對每個用戶的評分使用逆向云發生器計算出評分向量(Ex,En,He)包括；提取單個用戶的歷史評分，逆向云發生器生成評分云，根據公式計算評分云的期望向量Ex，其中x_i表示單個用戶第i個歷史評分值，根據公式計算評分云的熵向量，根據公式計算評分云的超熵向量，其中n表示單個用戶的所有評分數量。

7.根據權利要求3所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，所述采用綜合云技術融合所有用戶的評分向量，得到父云的評分向量，并構建父云的云圖得到評分標準包括：所有用戶中，取期望值最近的兩個用戶的評分云，令其為C₁(Ex₁,En₁,He₁)和C₂(Ex₂,En₂,He₂)，根據公式獲取父云的期望向量，根據公式En＝En'₁+En'₂獲取父云的熵向量，根據公式獲取父云的超熵向量，其中和分別為C₁和C₂期望曲線的取大值，融合形成這兩個用戶的父云向量為(Ex,En,He)，在剩余用戶中找到和此父云期望值最近的用戶的評分云，再次融合形成新的父云，以此類推，最終融合所有用戶的評分云，形成一朵父云。

8.根據權利要求5所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，所述對兩部分群體的一維云滴進行高斯變換取其期望作為最后的預測云滴包括:在用戶相似群體中，提取好友部分對被預測用戶歷史評分項目集合的評分，根據逆向云發生器生成高維評分云向量(Ex₁,En₁,He₁；Ex₂,En₂,He₂；…；Ex_n,En_n,He_n)，其中(Ex_n,En_n,He_n)表示好友部分對第n個項目的評分生成的云，根據公式計算被預測用戶在高維云中的隸屬度，其中，μ表示隸屬度，x_i表示用戶第i個評分，En'_i表示以En_i為期望，He²_i為方差的一個正太隨機數；提取好友部分對被預測項目的評分構成評分云(Ex,En,He)，根據公式計算的得到兩個預測云滴，同樣的方法獲取非好友部分的預測云滴。

9.根據權利要求8所述面向社交網絡基于云模型的推薦系統評分預測方法，其特征在于，在獲取好友與非好友部分的四個預測云滴時，找出距離最大的兩個(x₁,μ₁)和(x₂,μ₂)，根據公式獲取高斯變換后的期望，并作為最后的預測結果。