基于社會(huì)信任的協(xié)同過(guò)濾算法研究綜述

秦凱 吳家麗 宋益多 喬晨蕊

摘 要：隨著推薦技術(shù)的不斷發(fā)展，研究發(fā)現(xiàn)用戶更加偏好于相信熟人或者權(quán)威人士的推薦，因此，基于信任的推薦方法成為研究熱點(diǎn)。本文從社會(huì)網(wǎng)絡(luò)信任特征和基于信任的協(xié)同過(guò)濾算法研究情況進(jìn)行分析總結(jié)，為未來(lái)對(duì)個(gè)性推薦方法和基于信任的協(xié)同過(guò)濾算法進(jìn)行深入研究奠定基礎(chǔ)。文章最后針對(duì)目前基于信任的協(xié)同過(guò)濾算法研究現(xiàn)狀，對(duì)未來(lái)的發(fā)展方向進(jìn)行展望。

關(guān)鍵字：個(gè)性化推薦；協(xié)同過(guò)濾；信任

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：2095-2163（2015）04-

A Review of Collaborative Filtering Algorithm Based on Social Trust Relationships

QIN Kai， WU Jiali， SONG Yiduo， QIAO Chenrui

（School of Computer Science and Technology ，Harbin Engineering University， Harbin 150001， China ）

Abstract ：With the rapid development of recommendation technology， people have realized that users prefer to believe the recommendations from acquaintances or authorities. Recommended approaches based on social trust relationships have only recently been given research attention. This paper summarizes the feature of social trust networks and analysis collaborative filtering （CF） based social recommender systems. These lay the foundation for the research of individualization recommended technology and collaborative filtering algorithm based on social trust relationships. Facing to the research status of collaborative filtering algorithm based on social trust relationships， the paper prospects the future development directions.

Keywords： Personalized Recommendation； Collaborative Filtering； Trust

0 引 言

近年來(lái)隨著社會(huì)網(wǎng)絡(luò)的發(fā)展和網(wǎng)絡(luò)設(shè)備承載能力的提升，信息量急速增長(zhǎng)，面對(duì)海量的數(shù)據(jù)，用戶很難在其中找到自己想要的信息，推薦系統(tǒng)應(yīng)運(yùn)而生。社會(huì)網(wǎng)絡(luò)的飛速興起為推薦技術(shù)發(fā)展帶來(lái)了前所未有的機(jī)遇和挑戰(zhàn)[1]。社會(huì)網(wǎng)絡(luò)促使網(wǎng)絡(luò)信息劇增，這使得用戶從中搜取需要的信息更加困難；另一方面，社會(huì)網(wǎng)絡(luò)將用戶的屬性、習(xí)慣更好地展現(xiàn)出來(lái)，便于從數(shù)據(jù)中挖掘出潛在的信息以用于個(gè)性化推薦，提高推薦準(zhǔn)確度和效率。社會(huì)網(wǎng)絡(luò)中的用戶信任關(guān)系為個(gè)性化推薦算法研究開辟了一個(gè)新的領(lǐng)域[2-3]。

協(xié)同過(guò)濾算法是目前使用非常廣泛的個(gè)性化推薦算法之一。傳統(tǒng)的協(xié)同過(guò)濾算法主要分為兩類：基于用戶的協(xié)同過(guò)濾算法和基于項(xiàng)目的協(xié)同過(guò)濾算法。基于用戶的協(xié)同過(guò)濾算法是通過(guò)假設(shè)擁有相似興趣的用戶會(huì)對(duì)相似項(xiàng)目感興趣。例如，A和B曾經(jīng)對(duì)很多相同的電影給予了相似的打分評(píng)價(jià)，那么如果A喜歡電影1，很大程度上B也可能喜歡電影1，以此為依據(jù)將電影1推薦給B。基于項(xiàng)目的協(xié)同過(guò)濾算法是假設(shè)同一個(gè)用戶可能會(huì)對(duì)具有相似特征的項(xiàng)目具有相似偏好。例如，用戶A對(duì)電影m、n、o、p、q都給予了很高的評(píng)價(jià)，其中m、n、o、p都具有外國(guó)、喜劇、滑稽的特征，那么算法將推測(cè)其偏愛(ài)外國(guó)滑稽喜劇類電影，可以將同為外國(guó)滑稽喜劇電影s推薦給A。協(xié)同過(guò)濾算法是利用集體智慧進(jìn)行個(gè)性推薦的典型方法，相比于基于內(nèi)容的推薦方法，解決了基于內(nèi)容的推薦方法存在的特征抽取困難、過(guò)度擬合和難以跨領(lǐng)域等問(wèn)題，但是協(xié)同過(guò)濾算法存在數(shù)據(jù)稀疏、用戶冷啟動(dòng)、惡意推薦的問(wèn)題，這些問(wèn)題一定程度上制約著協(xié)同過(guò)濾算法的發(fā)展[2]。

社會(huì)網(wǎng)絡(luò)的興起、發(fā)展為協(xié)同過(guò)濾算法的發(fā)展提供了新思路。社會(huì)網(wǎng)絡(luò)可以提供與目標(biāo)用戶有著直接或者間接社會(huì)關(guān)系的用戶信息，而用戶更傾向于相信朋友，利用這些有效的社會(huì)關(guān)系尋找目標(biāo)用戶的最近鄰，可以有效緩解基于項(xiàng)目的協(xié)同過(guò)濾算法的冷啟動(dòng)和惡意推薦問(wèn)題。針對(duì)社會(huì)網(wǎng)絡(luò)中用戶間信任關(guān)系的傳遞性、非對(duì)稱性、主觀性等特點(diǎn)，學(xué)者從不同角度分析用戶間的信任關(guān)系以及信任關(guān)系對(duì)興趣相似度的相關(guān)性，以此進(jìn)行結(jié)合社會(huì)信任的協(xié)同過(guò)濾算法研究[4-8]。

1 社會(huì)網(wǎng)絡(luò)信任和協(xié)同過(guò)濾算法

傳統(tǒng)協(xié)同過(guò)濾算法通過(guò)用戶-項(xiàng)目的歷史評(píng)分?jǐn)?shù)據(jù)尋找興趣相似的用戶，根據(jù)相似用戶的選擇結(jié)果實(shí)施推薦。社會(huì)網(wǎng)絡(luò)信任關(guān)系為尋找相似興趣用戶提供了一個(gè)新的角度，符合用戶偏愛(ài)信任的人推薦的心理，同時(shí)也彌補(bǔ)了用戶-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)稀疏和選取最近鄰用戶依據(jù)單一的不足。社會(huì)網(wǎng)絡(luò)信任和傳統(tǒng)協(xié)同過(guò)濾算法是基于社會(huì)信任的協(xié)同過(guò)濾算法研究的兩個(gè)關(guān)鍵點(diǎn)，下面將逐一進(jìn)行闡述。

1.1社會(huì)網(wǎng)絡(luò)信任

信任最初是一個(gè)社會(huì)學(xué)概念，描述一個(gè)主體假設(shè)另一個(gè)主體的行為與自己對(duì)其的預(yù)期剛好相同，表示第一個(gè)主體信任第二個(gè)主體。信任在不同的領(lǐng)域，概念稍有差別，社會(huì)網(wǎng)絡(luò)中的信任是指一個(gè)用戶通過(guò)依據(jù)其他用戶所做的選擇而形成占優(yōu)策略的程度。在推薦系統(tǒng)中，可以利用信任來(lái)衡量一個(gè)用戶在多大程度上依賴其他用戶給出的推薦做出選擇[9-10]。

社會(huì)網(wǎng)絡(luò)中的信任具有主觀性、非對(duì)稱性、動(dòng)態(tài)性、可傳遞性、自適應(yīng)性等性質(zhì)。信任的主觀性是指用戶對(duì)其他用戶的信任與否具有主觀性，一個(gè)用戶對(duì)不同用戶的信任評(píng)價(jià)不同，不同用戶對(duì)于同一個(gè)用戶的評(píng)價(jià)也可能存在差異。信任的非對(duì)稱性是指交互雙方的信任關(guān)系是不對(duì)稱的，用戶a對(duì)用戶b的信任和用戶b對(duì)用戶a的信任無(wú)必然聯(lián)系。信任的動(dòng)態(tài)性表現(xiàn)在用戶之間的信任不會(huì)一成不變，會(huì)隨著時(shí)間、環(huán)境、上下文等影響變化[11]。信任還具有一定的弱傳遞性，假設(shè)a、b用戶之間存在信任關(guān)系，b、c用戶之間存在信任關(guān)系，那么a、c用戶之間可能也存在信任關(guān)系，信任的弱傳遞關(guān)系如圖1所示[12-14]。信任具有一定的自適應(yīng)性，隨著信任的動(dòng)態(tài)變化，其能夠自適應(yīng)地更新。

圖1 信任弱傳遞關(guān)系示意圖

Fig.1 Weak trust transitive relation between nodes

根據(jù)信任的多個(gè)特性從不同角度對(duì)信任進(jìn)行分類，具體描述如下：

局部信任與全局信任[14-15]：局部信任是指在系統(tǒng)中，目標(biāo)用戶對(duì)鄰居用戶的信任度，全局信任是指用戶在整個(gè)系統(tǒng)中的可信度。局部信任是一個(gè)相對(duì)量，在同一個(gè)系統(tǒng)中，用戶之間的間接信任度是不同的，主要取決于目標(biāo)用戶的位置，而每個(gè)用戶只有一個(gè)整體信任度。

初始信任與成熟信任：根據(jù)信任建立的時(shí)間，可以將信任分為初始信任和成熟信任。未進(jìn)行過(guò)交互的用戶之間的信任關(guān)系稱為初始信任，用戶之間通過(guò)積累多次交互而得到的信任稱為成熟信任。

顯性信任與隱性信任[6、16]：根據(jù)信任獲取的方式的不同，信任分為顯性信任和隱性信任。用戶明確表明對(duì)其他用戶的信任聲明，這樣的信任為顯性信任，用戶之間沒(méi)有明確表明信任關(guān)系，需要通過(guò)用戶的操作行為或者交互過(guò)程得到信任來(lái)判定信任關(guān)系的則定義為隱性信任。

直接信任與間接信任[17]：根據(jù)信任的可傳遞性，可將信任分為直接信任和間接信任。直接信任是指用戶通過(guò)交互或者關(guān)注等行為建立的直接信任關(guān)系，間接信任是指用戶間的間接關(guān)聯(lián)關(guān)系，需要通過(guò)數(shù)個(gè)具有直接信任關(guān)系的用戶傳遞建立的間接信任關(guān)系。

針對(duì)基于社會(huì)信任的協(xié)同過(guò)濾算法使用的不同場(chǎng)景，研究者選取在該場(chǎng)景下對(duì)用戶間信任關(guān)系影響較大的特性進(jìn)行分析研究，將相關(guān)信任特性對(duì)用戶選擇帶來(lái)的影響添加進(jìn)傳統(tǒng)協(xié)同過(guò)濾算法中，以得到最符合算法使用場(chǎng)景，推薦效果更好的算法。

1.2協(xié)同過(guò)濾算法

協(xié)同過(guò)濾算法的思想是模擬現(xiàn)實(shí)生活中人與人之間“口口相傳”形式的信息推薦，其中假設(shè)擁有相似興趣的用戶可能會(huì)喜歡相似的項(xiàng)目或者用戶可能對(duì)相似的項(xiàng)目表現(xiàn)相似的偏好程度。結(jié)合信任的協(xié)同過(guò)濾算法主要是以基于用戶的協(xié)同過(guò)濾算法為基礎(chǔ)，故本文著重介紹基于用戶的協(xié)同過(guò)濾算法。

基于用戶的協(xié)同過(guò)濾算法一般分為三個(gè)步驟（如圖2所示）：

（1） 建立用戶模型

用戶模型是一個(gè)用戶對(duì)項(xiàng)目的評(píng)分矩陣，可以用Rm*n表示，其中m表示用戶數(shù)，n表示項(xiàng)目數(shù)。Rm*n的值表示用戶對(duì)某個(gè)項(xiàng)目的評(píng)分，即以評(píng)分高低描述用戶對(duì)項(xiàng)目的喜好程度，用戶對(duì)某些項(xiàng)目沒(méi)有評(píng)分則用0填充。

（2） 計(jì)算用戶相似度并尋找最近鄰

通過(guò)用戶模型計(jì)算用戶相似度一般有兩種方法：Pearson相關(guān)系數(shù)法和夾角余弦相似度法。Pearson相關(guān)系數(shù)法在計(jì)算相似性的過(guò)程中主要是以用戶平均分為標(biāo)準(zhǔn)，比較目標(biāo)用戶和鄰居對(duì)項(xiàng)目評(píng)分偏離平均評(píng)分的程度。通過(guò)偏離程度判斷用戶相似度。夾角余弦在基于用戶的方法中，把用戶的評(píng)分看作向量，通過(guò)比較兩個(gè)向量的夾角余弦判斷用戶和鄰居的評(píng)分相似度。根據(jù)計(jì)算的相似度尋找目標(biāo)用戶的最近鄰，常用的有固定值法和閾值法，選擇與目標(biāo)用戶相似度較高的一部分鄰居用戶。

（3） 評(píng)分預(yù)測(cè)給出推薦列表

通過(guò)最近鄰對(duì)于項(xiàng)目的評(píng)分情況，預(yù)測(cè)目標(biāo)用戶的評(píng)分，將評(píng)分由高到低排序，選擇評(píng)分高的項(xiàng)目產(chǎn)生推薦列表，進(jìn)行推薦。

圖2 傳統(tǒng)協(xié)同過(guò)濾算法流程圖

Fig.2 Flow chart of traditional collaborative filtering algorithms

2 基于社會(huì)信任的協(xié)同過(guò)濾算法發(fā)展

結(jié)合信任的協(xié)同過(guò)濾算法較傳統(tǒng)的協(xié)同過(guò)濾算法更符合人們實(shí)際生活中的對(duì)于推薦結(jié)果的選擇規(guī)律，具有更好的推薦精確度。目前，結(jié)合信任的協(xié)同過(guò)濾算法研究從使用信任關(guān)系的角度看主要分為三類：其一是在建立用戶模型時(shí)使用信任關(guān)系，利用目標(biāo)用戶與其他用戶的信任關(guān)系篩選出目標(biāo)用戶的用戶-項(xiàng)目評(píng)分矩陣，緩解了矩陣稀疏性問(wèn)題的同時(shí)降低了評(píng)分矩陣的維度，增加計(jì)算效率；其二是在計(jì)算用戶相似度和尋找最近鄰時(shí)使用信任關(guān)系，可以利用信任關(guān)系和用戶模型共同計(jì)算用戶相似度，也可以根據(jù)用戶信任關(guān)系篩選目標(biāo)用戶的最近鄰；其三是綜合以上兩種方法，建立多維度的協(xié)同過(guò)濾算法。

2.1用戶模型中的信任研究

用戶模型是協(xié)同過(guò)濾算法的基礎(chǔ)，旨在建立一個(gè)用戶-項(xiàng)目評(píng)分矩陣，以便后續(xù)根據(jù)評(píng)分矩陣提供的用戶評(píng)分關(guān)系得到相似用戶。通常情況下，推薦系統(tǒng)中用戶和項(xiàng)目的數(shù)量都很龐大，然而用戶對(duì)項(xiàng)目的評(píng)分參與度不高，矩陣稀疏，這將導(dǎo)致建立用戶模型計(jì)算量較大并且有效數(shù)據(jù)量小，計(jì)算結(jié)果可用度不高。用戶模型中結(jié)合信任關(guān)系的研究是使用社會(huì)網(wǎng)絡(luò)中收集到的用戶信任關(guān)系圖構(gòu)造用戶信任關(guān)系矩陣，通過(guò)用戶信任關(guān)系矩陣和用戶-項(xiàng)目評(píng)分矩陣組合得到信任用戶-項(xiàng)目評(píng)分矩陣。以信任用戶-項(xiàng)目評(píng)分矩陣替代傳統(tǒng)算法中用戶-項(xiàng)目評(píng)分矩陣計(jì)算用戶之間的相似性，進(jìn)而預(yù)測(cè)用戶項(xiàng)目評(píng)分，給出推薦列表。引入信任關(guān)系進(jìn)行用戶模型的數(shù)據(jù)篩選，能夠有效地改善傳統(tǒng)算法中構(gòu)造用戶模型存在的問(wèn)題[18]。算法流程如圖3所示。

圖3 在用戶模型中的結(jié)合信任算法流程

Fig. Flow chart of the CF algorithms based on trust in user model

在建立用戶模型過(guò)程中集合信任機(jī)制，根據(jù)信任的特性也會(huì)有不同的解決方案。文獻(xiàn)[19]利用靜態(tài)信任值構(gòu)建信任用戶-項(xiàng)目評(píng)分矩陣，只有被目標(biāo)用戶所信任的用戶給出的項(xiàng)目評(píng)分會(huì)被納入推薦過(guò)程中，同時(shí)利用信任的動(dòng)態(tài)性，動(dòng)態(tài)地更新信任值。文獻(xiàn)[20]提出基于初始信任的協(xié)同過(guò)濾方法，綜合考慮了信任的動(dòng)態(tài)性和可傳遞性因素構(gòu)造出用戶信任評(píng)分矩陣。文獻(xiàn)[21]通過(guò)特征學(xué)習(xí)的方法確認(rèn)相似用戶，綜合社會(huì)信任關(guān)系得到推薦模型。

2.2 用戶相似度計(jì)算和尋找最近鄰中的信任研究

隨著協(xié)同過(guò)濾算法的深入發(fā)展，用戶概貌注入攻擊給僅靠用戶-項(xiàng)目評(píng)分矩陣得到用戶相似性進(jìn)而預(yù)測(cè)評(píng)分的傳統(tǒng)算法帶來(lái)了極大挑戰(zhàn)。將用戶相似度和用戶間信任度結(jié)合共同作為鄰居選取的雙重依據(jù)，有效地解決了推薦系統(tǒng)的安全問(wèn)題，也提高了推薦質(zhì)量[22-24]。算法流程圖如圖4所示。

圖4 用戶相似度結(jié)合信任值算法流程圖

Fig.4 Flow chart of the CF algorithms based on trust in computing user similarity

文獻(xiàn)[25]采用的融合用戶可疑度的多維信任模型，計(jì)算得到目標(biāo)用戶對(duì)每個(gè)興趣相似用戶的信任度，并以此作為選取可信鄰居用戶集的依據(jù)。文獻(xiàn)[17]在基于信任的協(xié)同過(guò)濾算法中從全局信任、局部信任和直接信任、間接信任的角度計(jì)算信任值，將信任度和相似度結(jié)合，得到最近鄰。文獻(xiàn)[26]在從直接信任和間接信任的角度基礎(chǔ)上，考慮直接信任的時(shí)間衰減因素，更符合實(shí)際情況，并且提出動(dòng)態(tài)確認(rèn)相似鄰居閾值的方法，提升了推薦算法的準(zhǔn)確性和魯棒性。

2.3 多維度的信任研究

上面兩節(jié)描述的都是只在構(gòu)建用戶模型或者用戶相似度計(jì)算過(guò)程中使用用戶間的信任關(guān)系，還有一些研究者發(fā)現(xiàn)，根據(jù)推薦使用的情景，在不同步驟考慮信任的不同特性，既使用信任值來(lái)篩選用戶又用作計(jì)算評(píng)價(jià)時(shí)的合并權(quán)重，給協(xié)同過(guò)濾算法提出了新的解決思路。

文獻(xiàn)[27]中引入帕雷托最優(yōu)理論，以信任度為基礎(chǔ)結(jié)合用戶相似矩陣降低稀疏性，并且根據(jù)用戶信任度、相似度和可行度多維重構(gòu)信任網(wǎng)絡(luò)。以重構(gòu)信任網(wǎng)絡(luò)信任度和用戶相似度計(jì)算項(xiàng)目預(yù)測(cè)評(píng)分。文獻(xiàn)[28]提出了結(jié)合信任和相似度的多視圖過(guò)濾方法，利用概率統(tǒng)計(jì)方法有效地解決了算法的冷啟動(dòng)問(wèn)題，同時(shí)提高了推薦的準(zhǔn)確率和覆蓋率。文獻(xiàn)[25]提出的基于可靠用戶的top-N推薦方法，在使用用戶信任度篩選可靠用戶集，基于有效用戶的評(píng)分信息采用多維度項(xiàng)目選取方法選取項(xiàng)目，最后采用均值的方法得到項(xiàng)目的預(yù)測(cè)評(píng)分。文獻(xiàn)[29]通過(guò)重啟動(dòng)隨機(jī)游走度量用戶間信任，將用戶間信任情況作為用戶間相似性計(jì)算的一部分；然后利用相關(guān)性作為項(xiàng)目評(píng)分的權(quán)重，預(yù)測(cè)目標(biāo)用戶對(duì)位置項(xiàng)目的喜愛(ài)程度，進(jìn)行推薦。

3未來(lái)研究方向

協(xié)同過(guò)濾算法的研究在學(xué)者的不斷努力下逐步走向成熟。結(jié)合社會(huì)信任的協(xié)同過(guò)濾算法在一定程度上緩解了算法的冷啟動(dòng)、稀疏性等問(wèn)題，但是社會(huì)信任關(guān)系紛繁復(fù)雜，影響因素較多，現(xiàn)有算法仍存在著安全性差、推薦效果不佳等問(wèn)題。因此，大數(shù)據(jù)背景下，基于信任的協(xié)同過(guò)濾算法在某些方面仍有待完善，未來(lái)的研究方向如下。

3.1 算法安全性[30]

隨著互聯(lián)網(wǎng)應(yīng)用日益廣泛，用戶的真實(shí)信息越來(lái)越多地暴露在網(wǎng)絡(luò)上，這些信息有利于系統(tǒng)給用戶提供個(gè)性化的服務(wù)和推薦，但是網(wǎng)上的信息越貼近用戶隱私遭受竊取的危險(xiǎn)越大。在很多領(lǐng)域，推薦結(jié)果會(huì)引起不同的商業(yè)價(jià)值，這也使得一部分人深入研究推薦算法原理，通過(guò)惡意編造數(shù)據(jù)等方法力圖修改推薦結(jié)果，由此即違背了推薦系統(tǒng)設(shè)計(jì)的本意和推薦的公平性。社會(huì)網(wǎng)絡(luò)中的信任關(guān)系在一定程度上緩解了推薦的安全性問(wèn)題，但是算法的安全性問(wèn)題仍然需要給予更多的關(guān)注。

3.2 考慮現(xiàn)實(shí)社會(huì)關(guān)系[31-32]

社交網(wǎng)絡(luò)中用戶之間的信任關(guān)系通常以“好友”、“關(guān)注”等方式刻畫，人們通常認(rèn)為信任度和興趣相似度具有正相關(guān)性。但是信任具有方向性，社會(huì)關(guān)系不同會(huì)對(duì)信任關(guān)系帶來(lái)影響。在微博中，商家用戶會(huì)關(guān)注普通用戶，這兩者之間構(gòu)成了信任關(guān)系，但是普通用戶跟商家用戶的興趣相似度其實(shí)并不高。同時(shí)，社會(huì)關(guān)系紛繁復(fù)雜，在不同情境下，信任度和興趣相似度也不是時(shí)刻均為正相關(guān)。例如，同事之間的信任關(guān)系和家人之間的信任關(guān)系對(duì)用戶的興趣影響就各有不同[33]。社交網(wǎng)絡(luò)中的關(guān)鍵用戶的影響力對(duì)推薦也會(huì)起到至關(guān)重要的作用，如何區(qū)分用戶社會(huì)關(guān)系，合理確定不同信任影響的權(quán)重研究有待進(jìn)一步深化。

3.3 算法時(shí)效性[11]

信任具有動(dòng)態(tài)性，信任度和興趣相似度會(huì)隨著時(shí)間變化或者因?yàn)槟骋淮瓮扑]結(jié)果而變化[34]。而且用戶的偏好會(huì)隨著外部環(huán)境不同而發(fā)生變化，如何在不同情境下動(dòng)態(tài)地計(jì)算得到信任值，進(jìn)而得到信任變化對(duì)用戶興趣的影響，實(shí)時(shí)更新推薦結(jié)果也有待于研究者的深入探索與挖掘。

3.4 基于情感的推薦

基于情感的服務(wù)是下一代互聯(lián)網(wǎng)服務(wù)的發(fā)展方向之一，情感分析能夠分析用戶對(duì)事物的喜好、厭惡程度，從更深層次了解用戶，為用戶提供最優(yōu)質(zhì)的服務(wù)。目前，基于情感的推薦研究多集中在用戶標(biāo)簽分析和基于內(nèi)容的分析上，其中存在著計(jì)算數(shù)據(jù)量大，分析結(jié)果不準(zhǔn)確等問(wèn)題，社會(huì)信任關(guān)系和情感分析結(jié)合的研究方法至今仍處于萌芽階段。如何結(jié)合社會(huì)信任和情感分析技術(shù)，構(gòu)建新型推薦框架將是推薦算法研究的一個(gè)重要領(lǐng)域。

4 結(jié)束語(yǔ)

本文總結(jié)了目前基于信任的協(xié)同過(guò)濾算法的研究現(xiàn)狀，通過(guò)描述信任的特性和傳統(tǒng)的協(xié)同過(guò)濾算法對(duì)課題的研究背景進(jìn)行展現(xiàn)。同時(shí)，從結(jié)合信任關(guān)系的角度，重點(diǎn)介紹了基于信任的協(xié)同過(guò)濾算法發(fā)展方向，最后針對(duì)當(dāng)前課題的發(fā)展過(guò)程中出現(xiàn)的不足和挑戰(zhàn)，提出了社會(huì)網(wǎng)絡(luò)中協(xié)同過(guò)濾推薦算法未來(lái)的研究方向，為協(xié)同過(guò)濾算法研究者工作方向提供指引作用。

參考文獻(xiàn)：

[1] YANG X， GUO Y， LIU Y， et al. A survey of collaborative filtering based social recommender systems[J]. Computer Communications， 2014， 41（5）：1–10.

[2] ADOMAVICIUS A， GEDIMINAS T. Toward the next generation of recommender systems： A survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge & Data Engineering， 2005， 17（6）：734-749.

[3] 黃仁， 孟婷婷. 個(gè)性化推薦算法綜述[J]. 中小企業(yè)管理與科技， 2015 （8）： 271-273.

[4] KONSTAS I， STATHOPOULOS V， JOSE J M. On social networks and collaborative recommendation[C]// Proceedings of the 32nd International ACM SIGIR Conference on Research and development in Information Retrieval， Boston， Massachusetts：ACM，2009：195-202.

[5] BOBADILLA J， ORTEGA F， HERNANDO A， et al. Recommender systems survey[J]. Knowledge-Based Systems， 2013， 46（1）：109–132.

[6] CHEN C， ZENG J， ZHENG X， et al. Recommender system based on social trust relationships[C]//e-Business Engineering （ICEBE）， 2013 IEEE 10th International Conference on ，Coventry： IEEE， 2013： 32-37.

[7] 李慧， 馬小平， 胡云，等. 融合社會(huì)網(wǎng)絡(luò)與信任度的個(gè)性化推薦方法研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2014， 31（3）： 808-810.

[8] KONSTAS I， STATHOPOULOS V， JOSE J M. On social networks and collaborative recommendation[C]//Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval，Boston， Massachusetts：ACM， 2009： 195-202.

[9] LIU F， LEE H J. Use of social network information to enhance collaborative filtering performance[J]. Expert Systems with Applications， 2010， 37（7）：4772–4778.

[10]PHAM M C， CAO Y， KLAMMA R， et al. A clustering approach for collaborative filtering recommendation using social network analysis[J]. Journal of Universal Computerence， 2011， 17（4）：583-604.

[11]LIU D， LAI C， CHIU H. Sequence-based trust in collaborative filtering for document recommendation.[J]. International Journal of Human-Computer Studies，2011， 69（9）：587–601.

[12] 馮萍萍. 融合雙重信任網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法研究[D]. 秦皇島：燕山大學(xué)，2014.

[13] Agarwal V， Bharadwaj K K. Trust-enhanced recommendation of friends in web based social networks using genetic algorithms to learn user preferences[M]//Trends in Computer Science， Engineering and Information Technology. Berlin Heidelberg： Springer ， 2011： 476-485.

[14]XU X W， WANG F D .Trust -based collaborative filtering algorithm [C]//International Symposium on Computational Intelligence and Design 2012，Hangzhou：IEEE，2012：321-324

[15]CHENG J， ZHOU J， ZHANG Y. Preference-based top-K influential nodes mining in social networks[C]//Trust Security & Privacy in Computing & Communications IEEE International，Changsha： IEEE， 2011：1512-1518.

[16] 李湛. 基于社會(huì)信任網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦方法研究[D]. 大連：大連理工大學(xué)， 2013.

[17]吳慧， 卞藝杰， 趙喆等. 基于信任的協(xié)同過(guò)濾算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2014， （7）：131-135.

[18]GHAZARIAN S， NEMATBAKHSH M. Enhancing memory-based collaborative filtering for group recommender systems[J]. Expert Systems with Applications， 2015，42（7）：3801-3812

[19]劉英南. 在線社會(huì)網(wǎng)絡(luò)中基于動(dòng)態(tài)信任的推薦機(jī)制研究[D]. 上海：華東師范大學(xué)，2014.

[20]劉世光. 基于初始信任的協(xié)同過(guò)濾方法研究[D].秦皇島： 燕山大學(xué)，2014.

[21] MA H， KING I， LYU M R. Learning to recommend with social trust ensemble[C]// Proceedings of International Acm Sigir Conference on Research & Development in Information Retrieval， Boston， Massachusetts：ACM，2009：203-210.

[22]Cai X， Bain M， Krzywicki A， et al. Collaborative filtering for people to people recommendation in social networks[M]// Advances in Artificial Intelligence. Berlin Heidelberg：Springer， 2011： 476-485.

[23]BOBADILLA J， SERRADILLA F， HERNANDO A. Collaborative filtering adapted to recommender systems of e-learning[J]. Knowledge-Based Systems， 2009， 22（4）：261–265.

[24]Liu Q， Gao Y， Peng Z. Advances in Swarm Intelligence[M]. Germany： Springer Berlin Heidelberg， 2012：164-174.

[25]賈冬艷. 基于多維信任模型的可信推薦方法研究[D]. 秦皇島：燕山大學(xué)， 2013.

[26] XIE Shengjun. A collaborative filtering recommendation algorithm improved by trustworthiness[J]. International Journal of Future Generation Communication and Networking， 2014，7（2）：35-46.

[27] AZADJALAL M M， MORADI P， ABDOLLAHPOURI A. Application of game theory techniques for improving trust based recommender systems in social networks[C]//Computer and Knowledge Engineering （ICCKE）， 2014 4th International eConference on， Mashhad： IEEE， 2014： 261-266.

[28] GUO G， ZHANG J， YORKE-SMITH N. Leveraging multiviews of trust and similarity to enhance clustering-based recommender systems[J]. Knowledge Based Systems， 2015， （9）：14–27.

[29] 俞琰， 邱廣華. 融合社會(huì)網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法研究[J]. 現(xiàn)代圖書情報(bào)技術(shù)， 2012， （6）：54-59

[30]DOKOOHAKI N， KALELI C， POLAT H， et al. Achieving optimal privacy in trust-aware social recommender systems[J]. Lecture Notes in Computer Science， 2010， 6430：62-79.

[31]WEI C， KHOURY R， FONG S. Web 2.0 Recommendation service by multi-collaborative filtering trust network algorithm[J]. Information Systems Frontiers， 2013， 15（4）：533-551.

[32]朱強(qiáng)，孫玉強(qiáng). 一種基于信任度的協(xié)同過(guò)濾推薦方法[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，03：360-365.

[33]武春嶺， 胡云冰， 魯先志. 基于個(gè)人和社會(huì)隱含因子的社會(huì)化推薦[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2014， （9）：98-101. DOI：10.3969/j.issn.1000-386x.2014. 09.025.

[34]MOGHADDAM M G， MUSTAPHA N， MUSTAPHA A， et al. AgeTrust： A New Temporal Trust-Based Collaborative Filtering Approach[C]//International Conference on Information Science & Applications， Seoul， South Korea：IEEE， 2014：1 - 4.