翟 鶴 劉柏嵩

(寧波大學(xué)信息科學(xué)與工程學(xué)院 浙江 寧波 315211)

?

基于用戶(hù)信任及推薦反饋機(jī)制的社會(huì)網(wǎng)絡(luò)推薦模型

翟 鶴 劉柏嵩

(寧波大學(xué)信息科學(xué)與工程學(xué)院 浙江 寧波 315211)

社會(huì)網(wǎng)絡(luò)包括以興趣為核心的興趣網(wǎng)絡(luò)和以信任為核心的信任網(wǎng)絡(luò)。如何利用社會(huì)網(wǎng)絡(luò)中用戶(hù)信任與興趣相似的好友的項(xiàng)目數(shù)據(jù)來(lái)擴(kuò)展用戶(hù)本身的項(xiàng)目數(shù)據(jù)集，緩解用戶(hù)數(shù)據(jù)稀疏性，利用目標(biāo)用戶(hù)的好友的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)為其產(chǎn)生推薦，是研究的重點(diǎn)。和傳統(tǒng)的推薦方法相比，提出一種改進(jìn)模型SIMTM(Similar and Trust Model)來(lái)提供用戶(hù)更加高效的推薦體驗(yàn)。該模型融合用戶(hù)興趣度和信任度作為初始親密程度，根據(jù)融合后的好友網(wǎng)絡(luò)進(jìn)行推薦，同時(shí)根據(jù)推薦反饋，來(lái)不斷地優(yōu)化用戶(hù)的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)集，使得親密的用戶(hù)好友更加親密，過(guò)濾掉用戶(hù)的普通好友，優(yōu)化用戶(hù)之間的興趣和信任關(guān)聯(lián)；并重新計(jì)算用戶(hù)之間的親密程度形成融合用戶(hù)與其好友的融合網(wǎng)絡(luò)，直至前后兩次根據(jù)親密程度得到的推薦結(jié)果相近，根據(jù)得到的最優(yōu)的親密程度構(gòu)建融合網(wǎng)絡(luò)來(lái)進(jìn)行推薦。實(shí)驗(yàn)結(jié)果表明，該模型在數(shù)據(jù)稀疏的情況下，能有效提高用戶(hù)推薦的準(zhǔn)確率和覆蓋率。

社會(huì)網(wǎng)絡(luò) 興趣網(wǎng)絡(luò) 信任網(wǎng)絡(luò) 融合網(wǎng)絡(luò) 推薦反饋 信任更新

0 引 言

隨著現(xiàn)代科技及互聯(lián)網(wǎng)技術(shù)的發(fā)展，人與人之間的原有的物理活動(dòng)，逐漸向互聯(lián)網(wǎng)等虛擬空間發(fā)展，人與人的社交活動(dòng)也全面帶入了在線社交時(shí)代。在線社交網(wǎng)絡(luò)已經(jīng)成為了人與人交往的必不可少的手段，也衍生了很多很優(yōu)秀的在線社交平臺(tái)，如Facebook、Twitter、國(guó)內(nèi)的QQ和新浪微博等。在這種背景下，基于社交網(wǎng)絡(luò)的個(gè)性化推薦，已成了傳統(tǒng)的推薦方法的有效補(bǔ)充，也引起廣大的研究人員的關(guān)注。在現(xiàn)實(shí)社會(huì)中，人們更相信來(lái)自自己身邊的人，自己好友的推薦，人們也會(huì)在社交網(wǎng)絡(luò)中，更多的與自己信任的人，或者與自己興趣相同的人進(jìn)行交流。如何將社交網(wǎng)絡(luò)引入到個(gè)性化推薦當(dāng)中，為用戶(hù)提供基于社交網(wǎng)絡(luò)的推薦，以便提高推薦結(jié)果的質(zhì)量，是社交網(wǎng)絡(luò)個(gè)性化推薦方法研究的熱點(diǎn)和難點(diǎn)。

基于社交網(wǎng)絡(luò)的推薦可以分為兩類(lèi)：基于信任的推薦和基于信任及興趣的推薦。而絕大部分的推薦，都是純粹的基于信任的傳遞?；谛湃蔚膫鬟f又可以在信任傳遞、信任提取兩個(gè)方面進(jìn)行改進(jìn)。在信任傳遞方面，2004年，Massa等[1]首先將信任引入到推薦系統(tǒng)當(dāng)中，提出利用用戶(hù)信任關(guān)系的傳遞，從而為用戶(hù)匹配更多的鄰居，一定程度上解決了協(xié)同過(guò)濾出推薦中存在的數(shù)據(jù)稀疏性問(wèn)題，并提出了信任感知的推薦系統(tǒng)框架。將信任傳播模型引用到協(xié)同過(guò)濾中。由于信任度傳遞，提高了用戶(hù)預(yù)測(cè)的精確度和覆蓋率，并在一定程度上解決了冷啟動(dòng)的問(wèn)題[2]。胡福華提出一種基于可信相似度傳遞的協(xié)同過(guò)濾算法,該算法在用戶(hù)相似度傳遞過(guò)程中，考慮用戶(hù)之間信任度，可以提高用戶(hù)相似度傳遞過(guò)程中推薦的準(zhǔn)確度。但是，由于考慮的是興趣在信任中傳遞，所以導(dǎo)致很多高信任的用戶(hù)在傳遞過(guò)程中遺失，而事實(shí)上，基于信任的推薦比基于興趣的推薦更可靠[9]。在信任提取方面，Golbeck用信任關(guān)系來(lái)定量分析社交網(wǎng)絡(luò)中的社會(huì)關(guān)系，提出了信任網(wǎng)絡(luò)，開(kāi)發(fā)了個(gè)性化的電影評(píng)論網(wǎng)FilmTrust，利用社會(huì)網(wǎng)絡(luò)中的信任關(guān)系作為電影評(píng)分的權(quán)值，從而為用戶(hù)提供更加準(zhǔn)確可信的電影推薦，但是由于未考慮用戶(hù)之間的興趣關(guān)聯(lián)，因此，用戶(hù)的推薦體驗(yàn)較差[3-5]。郭艷紅等采用用戶(hù)評(píng)價(jià)個(gè)數(shù)和對(duì)其他用戶(hù)的推薦次數(shù)建立信任模型，并將此模型應(yīng)用到協(xié)同過(guò)濾推薦算法中，提高了推薦算法的準(zhǔn)確率，而在實(shí)際應(yīng)用中，由于用戶(hù)對(duì)商品的評(píng)價(jià)數(shù)據(jù)非常稀少，因此該方法的推薦結(jié)果不夠精確[6]。Bedi等人根據(jù)蟻群算法中信息素更新算法提出了用戶(hù)間信任值的動(dòng)態(tài)更新算法，但是這種方法的信任初始值是通過(guò)用戶(hù)之間的興趣度和雙方共同評(píng)價(jià)數(shù)獲取到的，在用戶(hù)數(shù)據(jù)稀疏的情況下，這種方法存在嚴(yán)重的缺陷[8]。王英等人提出利用社會(huì)學(xué)理論的社會(huì)等級(jí)理論和同質(zhì)性理論構(gòu)建信任關(guān)系預(yù)測(cè)模型。該方法有效地解決了數(shù)據(jù)稀疏性問(wèn)題,還針對(duì)用戶(hù)所屬的不同領(lǐng)域?qū)崿F(xiàn)了信任關(guān)系的預(yù)測(cè)。和其他方法相比，此方法具有較高的信任關(guān)系預(yù)測(cè)精度，但是由于算法的時(shí)間復(fù)雜度和空間復(fù)雜度較大，無(wú)法大規(guī)模應(yīng)用到推薦領(lǐng)域[10]。上述的方法都是基于信任的推薦，沒(méi)有考慮用戶(hù)之間的興趣關(guān)聯(lián)，無(wú)法保障為用戶(hù)提供有效的、感興趣的商品。而綜合考慮信任和興趣的推薦，Gao等融合社交網(wǎng)絡(luò)和改進(jìn)CF算法，提出一個(gè)混合型推薦系統(tǒng)，用戶(hù)間直接信任值由用戶(hù)自身給出，間接信任值由基于信任傳遞距離和最長(zhǎng)傳遞距離的公式加權(quán)算得[7]。這種信任計(jì)算方式比較主觀，用戶(hù)之間的直接信任關(guān)系是通過(guò)用戶(hù)直接給出的，但是在現(xiàn)實(shí)的電商平臺(tái)，電影播放領(lǐng)域，以及音樂(lè)推薦領(lǐng)域中，用戶(hù)直接給出直接信任值的情況是非常稀少的，該方法實(shí)用性不足。張富國(guó)對(duì)基于社交網(wǎng)絡(luò)的推薦進(jìn)行了系統(tǒng)性的闡述[11]。

1 模型構(gòu)建

用戶(hù)往往選擇自己信任的，或者與自己興趣相關(guān)的社交團(tuán)體，社交團(tuán)體中的用戶(hù)往往相互影響。并且由于推薦系統(tǒng)的局限性，如何緩解用戶(hù)數(shù)據(jù)稀疏性一直都是推薦系統(tǒng)的熱點(diǎn)和難點(diǎn)。而如何利用社交網(wǎng)絡(luò)來(lái)緩解推薦系統(tǒng)的數(shù)據(jù)稀疏性，并利用好友的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)來(lái)對(duì)用戶(hù)進(jìn)行推薦，是本文考慮的重點(diǎn)。

本文提出一種同時(shí)考慮用戶(hù)的興趣相似度和信任關(guān)系的模型SIMTM。該模型融合用戶(hù)的興趣網(wǎng)絡(luò)和信任網(wǎng)絡(luò),作為衡量用戶(hù)親密程度的標(biāo)志；同時(shí)在興趣網(wǎng)絡(luò)中，采用共同項(xiàng)目評(píng)分個(gè)數(shù)作為調(diào)和權(quán)重，校正用戶(hù)之間的興趣度；對(duì)信任度采用迭代的方式進(jìn)行推薦反饋，得到一個(gè)最終的融合用戶(hù)興趣及信任的，有效表達(dá)用戶(hù)之間親密程度的融合網(wǎng)絡(luò)，而信任度的初始值，是通過(guò)隱形方式獲得，符合絕大部分的電商平臺(tái)以及其他的相應(yīng)的推薦領(lǐng)域。通過(guò)這樣一種方式，提高對(duì)目標(biāo)用戶(hù)推薦結(jié)果的精確度和覆蓋度。

在推薦系統(tǒng)中，用戶(hù)集U={u1,u2,…,un}，項(xiàng)目集I={i1,i2,…,im}，每一個(gè)用戶(hù)u對(duì)項(xiàng)目集的項(xiàng)目進(jìn)行評(píng)分，得到用戶(hù)項(xiàng)目評(píng)分用rui表示，rui一般用1～5表示。在基于信任的推薦系統(tǒng)中，用戶(hù)與用戶(hù)之間構(gòu)建一個(gè)信任網(wǎng)絡(luò)，用tuv表示用戶(hù)u對(duì)用戶(hù)v的信任度。信任度的取值范圍一般在[0,1]。社交網(wǎng)絡(luò)融合信任網(wǎng)絡(luò)和興趣網(wǎng)絡(luò)，可以用圖表示：G=,其中，TS={(u, v),u∈U, v∈V},其中，u表示用戶(hù)節(jié)點(diǎn)，v表示用戶(hù)與用戶(hù)之間的融合信任與興趣的關(guān)聯(lián)關(guān)系。

1.1 融合網(wǎng)絡(luò)

從社會(huì)學(xué)理論出發(fā)，任何一個(gè)單純的信任網(wǎng)絡(luò)或者興趣網(wǎng)絡(luò)都不是一個(gè)完整的社交網(wǎng)絡(luò)。在現(xiàn)實(shí)世界中，人與人之間的社交圈應(yīng)包括興趣關(guān)聯(lián)和信任關(guān)聯(lián)兩部分，因此，只有融合了信任關(guān)系和興趣關(guān)系，才更符合現(xiàn)實(shí)世界中的社交網(wǎng)絡(luò)。

在本文中采用兩種方式計(jì)算融合兩種關(guān)聯(lián)之后的親密程度，親密程度用Itc表示，興趣度用sim表示，信任度用tru表示。

方法一簡(jiǎn)單的線性加權(quán)

其公式為：

Itc(u,v)=αsim(u,v)+(1-α)tru(u,v)

(1)

當(dāng)α=0，Itc(u,v)=sim(u,v)；當(dāng)α=1；Itc(u,v)=tru(u,v)。

方法二通過(guò)用戶(hù)信任放大用戶(hù)偏好

當(dāng)在用戶(hù)的信任網(wǎng)絡(luò)中，其信任的用戶(hù)同時(shí)與其具有相似的興趣偏好，則強(qiáng)化用戶(hù)對(duì)該用戶(hù)的信任。

其公式為：

Itc(u,v)=max{sim(u,v)·(1+tru(u,v)),tru(u,v)}

(2)

對(duì)于冷啟動(dòng)用戶(hù)，和其他用戶(hù)的興趣偏好為0,此時(shí)只考慮用戶(hù)之間信任度。

其中，sim(u,v)采用皮爾遜相關(guān)系數(shù)計(jì)算用戶(hù)之間的興趣度，并采用校正系數(shù)校正用戶(hù)之間的興趣度。其公式為：

(3)

其中：

(4)

采用校正系數(shù)是為了避免由于用戶(hù)共同項(xiàng)目數(shù)差距比較大而造成的相似度的不準(zhǔn)確性。

得到興趣度后，計(jì)算用戶(hù)對(duì)項(xiàng)目的預(yù)測(cè)評(píng)分，其公式為：

(5)

對(duì)于式(2)中的tru(u,v)表示用戶(hù)之間的信任度。由于用戶(hù)之間的信任度大多數(shù)情況下無(wú)法直接從用戶(hù)中獲取，本文采用隱式的方法來(lái)獲取用戶(hù)之間的信任度。直接信任度的計(jì)算公式為：

(6)

其中，SuccessSet(u,v)表示用戶(hù)u對(duì)用戶(hù)v的推薦成功數(shù)，RecommandSet(u,v)表示用戶(hù)u對(duì)用戶(hù)v的推薦總次數(shù)。ru,v表示用戶(hù)u對(duì)用戶(hù)v的推薦總次數(shù)，而ru,max表示用戶(hù)u向其好友網(wǎng)絡(luò)中的好友的最大推薦次數(shù)。

推薦成功的定義為：

(7)

間接信任度分為單路徑下間接信任度和多路徑下間接信任度。在本文中，單路徑下的信任傳遞信任度，采用直接信任度相乘的方式得到。假設(shè)用戶(hù)u和用戶(hù)v存在n個(gè)用戶(hù)，當(dāng)信任傳遞距離小于閾值δ，則得到的單路徑下的間接信任度為：

Tu,v=Tu,s1·Ts1,s2,…,Tsn-1,sn·Tsn,v

(8)

當(dāng)用戶(hù)之間存在多條路徑，多中間節(jié)點(diǎn)的情況下，對(duì)并聯(lián)信任傳遞的間接信任計(jì)算公式為：

(9)

其中，a表示用戶(hù)u和v的中間節(jié)點(diǎn)。

當(dāng)用戶(hù)與好友之間同時(shí)具有直接信任關(guān)系和間接信任關(guān)系時(shí)，以直接信任關(guān)系為準(zhǔn)。

得到最終的融合用戶(hù)信任和興趣關(guān)聯(lián)的親密程度之后，篩選前K個(gè)值最高的用戶(hù)，形成鄰居集合，并根據(jù)親密程度進(jìn)行推薦，推薦公式為：

(10)

SIMTM是融合興趣關(guān)聯(lián)和信任關(guān)聯(lián)來(lái)模擬現(xiàn)實(shí)世界中的好友關(guān)系，并產(chǎn)生推薦。初始親密程度Itc(u,v)采用式(1)或式(2)計(jì)算得到，并將篩選取到的K個(gè)值，得到以目標(biāo)用戶(hù)為中心的融合網(wǎng)絡(luò)，并計(jì)算目標(biāo)用戶(hù)的直接節(jié)點(diǎn)的融合網(wǎng)絡(luò)，以此類(lèi)推，得到以目標(biāo)用戶(hù)為核心的、用戶(hù)資源豐富的融合網(wǎng)絡(luò)，并在此融合網(wǎng)絡(luò)上，進(jìn)行個(gè)性化推薦。

1.2 算法描述

由于數(shù)據(jù)的稀疏性，單純從現(xiàn)有的數(shù)據(jù)中計(jì)算得到用戶(hù)的興趣度很小，不足以呈現(xiàn)出用戶(hù)的興趣關(guān)聯(lián)，而由此得到的信任關(guān)聯(lián)也不能真實(shí)有效地體現(xiàn)用戶(hù)之間的信任關(guān)系。而且，用戶(hù)之間的信任關(guān)系，并不是一成不變的，而是會(huì)隨著推薦結(jié)果的反饋而進(jìn)行動(dòng)態(tài)更新，因此，本文中，引入了推薦反饋這個(gè)概念。

定義1親密程度是指融合了用戶(hù)信任和興趣關(guān)聯(lián)的，用來(lái)衡量用戶(hù)與其好友之間的友好程度的指標(biāo)。

定義2推薦反饋是指所有向u推薦的用戶(hù)中，若用戶(hù)v向用戶(hù)u推薦成功，則把用戶(hù)v的項(xiàng)目評(píng)分通過(guò)用戶(hù)u及用戶(hù)v的親密程度作為權(quán)重，擴(kuò)展到用戶(hù)u的項(xiàng)目評(píng)分集，并重新計(jì)算用戶(hù)v對(duì)用戶(hù)u的親密程度。

本文中，根據(jù)得到的初始親密程度進(jìn)行推薦，并根據(jù)推薦成功率進(jìn)行反饋。設(shè)置閾值δ，取推薦成功率大于δ的進(jìn)行反饋。

由于ACM的國(guó)際大學(xué)生程序競(jìng)賽，提出的社交網(wǎng)絡(luò)中距離大于2的節(jié)點(diǎn)之間的關(guān)系對(duì)于鏈接預(yù)測(cè)的影響很小。而且在以前的基于信任的推薦算法中，證明了這一點(diǎn)，因此，本文中的好友距離默認(rèn)為2。

好友之間的興趣度往往是十分相似的，因此通過(guò)推薦反饋來(lái)填充用戶(hù)的項(xiàng)目評(píng)分矩陣，來(lái)緩解用戶(hù)項(xiàng)目評(píng)分?jǐn)?shù)據(jù)的稀疏性。根據(jù)填充后的用戶(hù)評(píng)分矩陣，重新計(jì)算用戶(hù)之間的興趣度、信任度及親密程度。直至兩次親密程度相差不大為止，即：

(11)

系統(tǒng)框架如圖1所示。

圖1 系統(tǒng)架構(gòu)圖

算法根據(jù)上述算法思想，設(shè)u為目標(biāo)用戶(hù)，U為用戶(hù)集合，I為項(xiàng)目集合，U_I為用戶(hù)項(xiàng)目評(píng)分集合。整個(gè)算法計(jì)算流程如下：

1) 從用戶(hù)集合U中查找目標(biāo)用戶(hù)u的好友集合；

2) 遍歷好友集合，去數(shù)據(jù)集中查找每個(gè)好友的直接好友集合；

3) 根據(jù)步驟1)和步驟2)得到的好友集合，構(gòu)建目標(biāo)用戶(hù)u的好友網(wǎng)絡(luò)；

4) 計(jì)算好友網(wǎng)絡(luò)中，任意兩個(gè)直接相連的節(jié)點(diǎn)的興趣度；

5) 根據(jù)計(jì)算得到的興趣度，按式(5)產(chǎn)生推薦；

6) 根據(jù)推薦結(jié)果和式(6)計(jì)算節(jié)點(diǎn)之間的信任度；

7) 根據(jù)計(jì)算得到的信任和興趣度，采用式(1)和式(2)，計(jì)算融合二者關(guān)系的親密程度；

8) 選擇topK的親密程度，擴(kuò)展好友網(wǎng)絡(luò)中相應(yīng)好友的用戶(hù)項(xiàng)目評(píng)分?jǐn)?shù)據(jù)，并去除掉未選擇的親密程度的好友的邊，重新回到公式步驟4)進(jìn)行計(jì)算；

9) 前后兩次計(jì)算得到親密程度的差的絕對(duì)值。若小于閾值，則迭代結(jié)束；否則繼續(xù)回到步驟4)進(jìn)行計(jì)算；

10) 根據(jù)最終得到的最優(yōu)親密程度，采用式(10)進(jìn)行推薦，選擇topK個(gè)評(píng)分，推薦給目標(biāo)用戶(hù)。

上述算法中，首先得到用戶(hù)u的直接好友集，并分別得到好友集中的每個(gè)用戶(hù)的直接好友集，并由此得到以用戶(hù)u為核心的好友網(wǎng)絡(luò)，此時(shí)得到的網(wǎng)絡(luò)是一個(gè)有向有環(huán)圖，對(duì)應(yīng)步驟為1)-3)；在好友網(wǎng)絡(luò)中，分別計(jì)算任意兩個(gè)好友之間的興趣度，并根據(jù)得到的用戶(hù)項(xiàng)目評(píng)分做出推薦并計(jì)算任意好友之間的信任度，對(duì)應(yīng)步驟為4)-6)；得到興趣度和信任度后計(jì)算親密程度，得到親密程度后選取topK，去除未選擇的親密程度的好友之間的邊，并根據(jù)親密程度填充好友網(wǎng)絡(luò)中的用戶(hù)項(xiàng)目將評(píng)分，重新回到式(4)計(jì)算，直到兩次親密程度差值小于某個(gè)范圍，則親密程度計(jì)算完成，并根據(jù)親密程度產(chǎn)生推薦。

本方法中，通過(guò)好友之間的興趣擴(kuò)展，有效地緩解了用戶(hù)項(xiàng)目評(píng)分的數(shù)據(jù)稀疏性。與傳統(tǒng)的推薦方法相比，本文中由于加入了動(dòng)態(tài)更新的迭代方法，因此，該算法的時(shí)間復(fù)雜度更高，但是也正是由于動(dòng)態(tài)更新，該方法有效地保證推薦結(jié)果的準(zhǔn)確性。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集

本文采用Epinions數(shù)據(jù)集來(lái)驗(yàn)證本次模型的可用性。Epinisons數(shù)據(jù)集是目前公開(kāi)可用的、為數(shù)不多的既包含用戶(hù)好友關(guān)系、又含有用戶(hù)項(xiàng)目評(píng)分?jǐn)?shù)據(jù)的數(shù)據(jù)集[15]。Epinions數(shù)據(jù)集是來(lái)源于Epinions網(wǎng)站的真實(shí)數(shù)據(jù)。該數(shù)據(jù)集中包含兩個(gè)文件，第一個(gè)為用戶(hù)評(píng)分文件，包含49 289個(gè)用戶(hù)對(duì)139 738個(gè)商品的664 825個(gè)評(píng)分。另一個(gè)為好友關(guān)系文件，包含了49 289個(gè)用戶(hù)間487 181個(gè)信任關(guān)系。為了避免由于冗余數(shù)據(jù)而造成的數(shù)據(jù)孤點(diǎn)，本文選取評(píng)分分布與全體用戶(hù)評(píng)分分布大致一致的用戶(hù)、評(píng)分人數(shù)分布與全部商品評(píng)分人數(shù)分布大致一致的商品作為實(shí)驗(yàn)數(shù)據(jù)集。將實(shí)驗(yàn)數(shù)據(jù)集的80%設(shè)置為訓(xùn)練數(shù)據(jù)，余下的20%為測(cè)試數(shù)據(jù)。

2.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文中提出的模型，本文采用推薦準(zhǔn)確率和覆蓋率作為評(píng)測(cè)指標(biāo)。

2.2.1 準(zhǔn)確率

平均絕對(duì)誤差(MAE)是推薦系統(tǒng)或者推薦算法最常用的評(píng)價(jià)指標(biāo)之一，用來(lái)度量為用戶(hù)預(yù)測(cè)行為的能力。MAE是通過(guò)計(jì)算項(xiàng)目的預(yù)測(cè)評(píng)分值和項(xiàng)目實(shí)際評(píng)分的差值的絕對(duì)值的平均得到。MAE越小，表示算法的推薦結(jié)果越好。MAE的計(jì)算公式為：

(12)

其中，Ri表示用戶(hù)u對(duì)項(xiàng)目i的推薦評(píng)分，Pi表示項(xiàng)目的實(shí)際評(píng)分，n表示項(xiàng)目的預(yù)測(cè)個(gè)數(shù)。

2.2.2 覆蓋度

覆蓋率是描述一個(gè)推薦系統(tǒng)對(duì)物品長(zhǎng)尾的挖掘能力。簡(jiǎn)而言之，是推薦系統(tǒng)能夠推薦出來(lái)的物品占所有物品的比例。推薦系統(tǒng)，目的是為了給用戶(hù)推薦用戶(hù)感興趣的商品，而不是所有商品。因此，在本文中，對(duì)覆蓋率公式進(jìn)行調(diào)整，其分母調(diào)整為用戶(hù)與其所有好友的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)取并集，用Nall表示。修改后的公式為：

(13)

其中，NIR表示用戶(hù)的推薦項(xiàng)目集個(gè)數(shù)，Nall表示用戶(hù)與其所有好友的所有項(xiàng)目的個(gè)數(shù)。

2.3 實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)分為兩個(gè)部分，第一個(gè)實(shí)驗(yàn)用于確定式(12)的α的值；第二個(gè)實(shí)驗(yàn)用于比較本文改進(jìn)的推薦算法和傳統(tǒng)的協(xié)同過(guò)濾算法以及基于信任的協(xié)同過(guò)濾算法的平均絕對(duì)誤差，在實(shí)驗(yàn)之前，需先對(duì)數(shù)據(jù)集的評(píng)分?jǐn)?shù)據(jù)進(jìn)行歸一化處理。

2.3.1 融合系數(shù)α確定

本實(shí)驗(yàn)?zāi)康脑谟谕ㄟ^(guò)同一個(gè)用戶(hù)的不同鄰居數(shù)在得到最優(yōu)的α值，設(shè)置鄰居個(gè)數(shù)分別為5、10、20。通過(guò)調(diào)整后的鄰居個(gè)數(shù)重新計(jì)算推薦算法的平均絕對(duì)誤差，根據(jù)MAE來(lái)選擇最優(yōu)值，得到的結(jié)果如圖2所示。

圖2 不同α值不同好友數(shù)下的MAE對(duì)比

從圖2可以看出，隨著鄰居數(shù)的增加，MAE變小，這表明用戶(hù)好友越多，其推薦結(jié)果越準(zhǔn)確。并且可以看出，當(dāng)α=0.4的時(shí)候，計(jì)算得到的平均絕對(duì)誤差最小，得到最后的推薦效果。

2.3.2 推薦結(jié)果比對(duì)

為了驗(yàn)證本文提出的改進(jìn)算法的有效性，本文采用對(duì)比本文的改進(jìn)算法和基于用戶(hù)的協(xié)同過(guò)濾算法以及基于信任的協(xié)同過(guò)濾算法的平均絕對(duì)誤差和覆蓋率來(lái)驗(yàn)證算法優(yōu)劣。其中，UCF和TrustD的實(shí)驗(yàn)數(shù)據(jù)通過(guò)相應(yīng)的算法在Epinions數(shù)據(jù)集上計(jì)算所得，部分實(shí)驗(yàn)結(jié)果記錄在表1中。

表1 不同好友數(shù)下的三種算法效率對(duì)比

在不同的好友數(shù)下驗(yàn)證三個(gè)算法的時(shí)效性，其MAE數(shù)據(jù)對(duì)比用柱狀圖表示，如圖3所示。

圖3 不同好友數(shù)下的三種算法MAE對(duì)比

從圖3可以看出，隨著用戶(hù)好友數(shù)的增加，三個(gè)算法的MAE逐漸下降，并且本文提出的改進(jìn)算法的MAE一直小于另兩個(gè)算法。當(dāng)用戶(hù)的好友數(shù)超過(guò)20以后，算法的MAE逐漸趨于平緩。這是因?yàn)閿?shù)據(jù)的稀疏性，目標(biāo)用戶(hù)的好友用戶(hù)較少，導(dǎo)致得到的用戶(hù)的相似用戶(hù)較少，構(gòu)建的鄰域集合較小，因此無(wú)法得到足夠的評(píng)分?jǐn)?shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)。在本文中，通過(guò)迭代，得到最終的融合后的親密程度，并且把好友用戶(hù)的一些評(píng)分?jǐn)?shù)據(jù)通過(guò)親密程度作為權(quán)重添加到目標(biāo)用戶(hù)的評(píng)分集中，擴(kuò)展了用戶(hù)的數(shù)據(jù)，極大地緩解了推薦系統(tǒng)數(shù)據(jù)稀疏性的問(wèn)題。隨著好友數(shù)的增加，通過(guò)迭代擴(kuò)展的數(shù)據(jù)集也越來(lái)越豐富，得到的推薦效果也越來(lái)越好。當(dāng)好友數(shù)大于某一范圍后，用戶(hù)的評(píng)分集飽滿(mǎn)，因此得到的MAE也趨于平緩。

覆蓋率結(jié)果用柱狀圖表示，其結(jié)果如圖4所示。從圖4可以看出，隨著用戶(hù)好友數(shù)的增加，推薦結(jié)果的覆蓋率隨之上升，這是因?yàn)楫?dāng)用戶(hù)的好友數(shù)增多，得到的用戶(hù)的相似用戶(hù)就隨之增多，從而使得構(gòu)建的鄰域集合增大，對(duì)用戶(hù)推薦的項(xiàng)目也隨之增多。當(dāng)用戶(hù)增加到一定數(shù)量以后，覆蓋率的增加隨之平緩。因?yàn)橛脩?hù)及用戶(hù)好友的項(xiàng)目，隨著人數(shù)的增多，用戶(hù)的項(xiàng)目集趨于飽和，因此覆蓋率隨之平緩。因此，本文提出的改進(jìn)算法明顯優(yōu)于另兩種算法，這是因?yàn)椴捎帽疚奶岢龅乃惴〝U(kuò)展了用戶(hù)的項(xiàng)目集，擴(kuò)展后的項(xiàng)目集包含了其他好友的項(xiàng)目。隨著好友的增加，SIMTM的覆蓋率增加的斜率也比另兩種算法更大。

圖4 不同好友數(shù)下的三種算法的覆蓋率對(duì)比

從覆蓋率和MAE的結(jié)果圖可知，本文提出的改進(jìn)算法SIMTM明顯優(yōu)于另兩種算法。和傳統(tǒng)的UCF相比，本文考慮用戶(hù)的社交網(wǎng)絡(luò)，有效縮小了用戶(hù)的好友數(shù)，避免用戶(hù)過(guò)多而造成的時(shí)間復(fù)雜度和空間復(fù)雜度過(guò)大。和純粹的基于信任的推薦算法相比，本文考慮用戶(hù)之間的興趣度，選取那些與目標(biāo)用戶(hù)既信任又興趣一致的用戶(hù)進(jìn)行推薦，明顯優(yōu)于只考慮信任的推薦算反。并且，本文采用了推薦反饋來(lái)進(jìn)行動(dòng)態(tài)更新用戶(hù)的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)集，很好地緩解了數(shù)據(jù)稀疏性的問(wèn)題，而且在覆蓋率方面，本文提出的算法明顯優(yōu)于另兩種算法，在解決長(zhǎng)尾問(wèn)題上，有明顯優(yōu)勢(shì)。

3 結(jié) 語(yǔ)

社交網(wǎng)絡(luò)包括由興趣建立的興趣網(wǎng)絡(luò)和由信任構(gòu)建的信任網(wǎng)絡(luò)兩方面，本文提出一種改進(jìn)的推薦算法SIMTM。該算法融合了用戶(hù)興趣度和信任度，并根據(jù)融合的親密程度對(duì)用戶(hù)評(píng)分?jǐn)?shù)據(jù)進(jìn)行更新，通過(guò)不斷的迭代過(guò)程，得到最優(yōu)的親密程度，并根據(jù)親密程度進(jìn)行推薦。根據(jù)實(shí)驗(yàn)結(jié)果顯示，該算法在推薦結(jié)果上，明顯優(yōu)于傳統(tǒng)的基于用戶(hù)的協(xié)同過(guò)濾算法和純粹的基于信任的推薦算法，并且很好地解決了用戶(hù)評(píng)分?jǐn)?shù)據(jù)稀疏的問(wèn)題及長(zhǎng)尾，也證明了當(dāng)用戶(hù)好友數(shù)足夠的情況下，能得到最優(yōu)的推薦結(jié)果。該算法沒(méi)有考慮到用戶(hù)之間的不信任因素以及信任的時(shí)間衰減等因素，并且由于該算法采用了一種迭代的計(jì)算過(guò)程，所以算法時(shí)間復(fù)雜度偏大。而且由于本算法是采用的融合社會(huì)網(wǎng)絡(luò)中好友的一些評(píng)分?jǐn)?shù)據(jù)，因此在用戶(hù)數(shù)據(jù)隱私性問(wèn)題上，也需多加考慮。在后續(xù)的工作中，會(huì)重點(diǎn)處理這些問(wèn)題，爭(zhēng)取進(jìn)一步完善算法。

[1] Massa P,Bhattacharjee B.Using Trust in Recommender Systems:An Experimental Analysis[J].Lecture Notes in Computer Science,2004:221-235.

[2] Chen X C,Liu R J,Chang H Y.Research of Collaborative Filtering Recommendation Algorithm Based on Trust Propagation Model[C]//Computer Application and System Modeling (Iccasm),2010 International Conference on.2010:V4-177-V4-183.

[3] Golbeck J.Computer Science-Waving a Web of Trust[J].Science,2008,321(5896):1640-1641.

[4] Golebec J.Computing and Applying Trust in Web-Based Social Networks[D].University of Maryland,USA,2005.

[5] Kuter U,Golebeck J.Sunny:A New Alogorithm for Turst Inference in Social Networks Using Probabilistic Confidence Models[C]//Proceedings of The 22nd National Coference on Artificial Intelligence.Coulumbla,Canada,2007:1377-1392.

[6] 郭艷紅,鄧貴仕,雒春雨.基于信任因子的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)工程,2008,34(20):1-3.

[7] Gao Y,Xu B,Cai H.Information Recommendation Method Research Based on Trust Network and Collaborative Filtering[C]//E-business Engineering (Icebe),2011 Ieee 8th International Conference on IEEE,2011:386-391.

[8] Bedi P,Sharma R.Trust Based Recommender System Using Ant Colony for Trust Computation[J].Expert Systems with Applications,2012,39(1):1183-1190.

[9] 胡福華.基于可信相似度傳遞的協(xié)同過(guò)濾算法研究與應(yīng)用[D].浙江大學(xué),2011.

[10] 王英,王鑫,左萬(wàn)利.基于社會(huì)學(xué)理論的信任關(guān)系預(yù)測(cè)模型[J].軟件學(xué)報(bào),2014(12):2893-2904.

[11] 張富國(guó).基于社交網(wǎng)絡(luò)的個(gè)性化推薦技術(shù)[J].小型微型計(jì)算機(jī)系統(tǒng),2014,35(7):1470-1476.

[12] Guo L,Ma J,Chen Z.Learning to Recommend with Multi-faceted Trust in Social Networks[C]//International Conference on World Wide Web Companion. International World Wide Web Conferences Steering Committee,2013:205-206.

[13] De Meo P,Nocera A,Terracina G,et al.Recommendation of Similar Users,Resources and Social Networks in a Social Internetworking Scenario[J].Information Sciences,2011,181(7):1285-1305.

[14] Zhang J,Cohen R.A Framework for Trust Modeling in Multiagent Electronic Marketplaces with Buying Advisors to Consider Varying Seller Behavior and the Limiting of Seller Bids[J].Acm Transactions on Intelligent Systems & Technology,2013,4(2):55-73.

SOCIAL NETWORK RECOMMENDATION MODEL BASED ON USER TRUST AND RECOMMENDATION FEEDBACK MECHANISM

Zhai He Liu Baisong

(College of Information Science and Engineering,Ningbo University,Ningbo 315211,Zhejiang,China)

Social networks include the interest network taking the interest as core and the trust network taking the trust as core. The research focus of this paper is that how to use the projects data of the friends in social networks with similar trust and interest to expand the project dataset of user’s own, to alleviate the sparsity of user data, and to use the data of project rating score of target user’s friends to generate recommendation for it. Compared with traditional recommendation methods, the paper presents an improved SIMTM(Similar and Trust Model), which can provide more efficient recommendation experience. The model fuses interest and confidence as the initial intimacy, and makes recommendation according to the fused networks of friends, at the same time it constantly optimises the project rating score dataset according to the recommended feedbacks, this makes user’s close friends be more intimate while filtering out user’s ordinary friends, and optimises the association of interest and trust between user, moreover it re-calculates the intimacy degree between users to form a fusion network which fuses the user and user’s friends until the twice recommendation results before and the after derived from intimacy degree are close, and then constructs the fusion network based on the derived optimal intimacy degree for recommendation. Experimental results show that, the model can effectively improve the accuracy and coverage of recommendation of users, especially in the case of data sparsity.

Social network Interested network Trust network Fusion network Recommendation feedback Trust update

2015-06-27。翟鶴，碩士生，主研領(lǐng)域：數(shù)據(jù)挖掘。劉柏嵩，研究員。

TP391

A

10.3969/j.issn.1000-386x.2016.11.060