社交网络环境下基于信任的推荐算法-陈婷 , 朱青 , 周梦溪 , 王珊.pdf

上善若水

11页

0次

2022-05-20

免费下载

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn

Journal of Software,2017,28(3):721−731 [doi: 10.13328/j.cnki.jos.005159] http://www.jos.org.cn

社交网络环境下基于信任的推荐算法

∗

陈

婷

朱

青

1,2

周梦溪

王

珊

1,2

(数据工程与知识工程教育部重点实验室(中国人民大学),北京 100872)

(中国人民大学信息学院,北京 100872)

通讯作者: 朱青, E-mail: zq@ruc.edu.cn

摘要: 现有的基于信任的推荐算法通常假设用户是单一和同质的,没有充分挖掘信任关系信息,且相似关系和

信任关系的融合缺乏高效的模型,极大地影响了推荐的准确性和可靠性.提出一种基于信任的推荐算法.首先,结合

全局信任和局部信任,并利用信任的传播性质对信任关系进行建模;然后,设置推荐权重,综合考虑相似度和信任度

来构建用户间的偏好关系,筛选出邻居;最后,将基于记忆的协同过滤思想和社交网络的信任关系融入概率矩阵分解

模型,同时使用自适应权重动态决定各部分的影响程度,形成高效、统一的可信推荐模型 Trust-PMF.该算法在

FilmTrust, Epinions 这两个数据集上与相关算法做了对比验证,结果证实了该算法的高效性.

关键词: 社会网络;信任;概率矩阵因子分解;推荐系统

中图法分类号: TP311

中文引用格式: 陈婷,朱青,周梦溪,王珊.社交网络环境下基于信任的推荐算法.软件学报,2017,28(3):721−731. http://www.jos.

org.cn/1000-9825/5159.htm

英文引用格式: Chen T, Zhu Q, Zhou MX, Wang S. Trust-Based recommendation algorithm in social network. Ruan Jian Xue

Bao/Journal of Software, 2017,28(3):721−731 (in Chinese). http://www.jos.org.cn/1000-9825/5159.htm

Trust-Based Recommendation Algorithm in Social Network

CHEN Ting

, ZHU Qing

1,2

, ZHOU Meng-Xi

, WANG Shan

1,2

(Key Laboratory for Data and Knowledge Engineering, Ministry of Education (Renmin University of China), Beijing 100872, China)

(Information School, Renmin University of China, Beijing 100872, China)

Abstract: The existing trust-based recommendation algorithms usually assume that users are homogeneous, and therefore can’t fully

mine the trust relationship information. Moreover, the lack of efficient model for integrating similar relationship and trust relationship

greatly affects the accuracy and reliability of those models. To solve the issue, this paper first proposes a trust-based recommendation

algorithm called Trust-PMF. It combines similarity with trust to build user’ preference and selects the target user’s neighbors. Then, the

probability matrix factorization model is extended by integrating memory-based idea and trust information, and a dynamic adaptive

weight is used to determine the degree of influence of each part to form a unified and efficient Trust-PMF model. Finally, experiment

results on Filmtrust and Epinions data sets are presented to demonstrate that the proposed method outperforms the state-of-the-art

methods.

Key words: social network; trust; PMF; recommender system

社会网络信息是推荐系统的重要信息来源.随着 Facebook、Linkedin、Twitter、instgram、微博、微信等基

于 Web 2.0 技术的社交网络爆增长,目前,一些电子商务网站已经基于社交网络构建,如阿里巴巴入股新浪,借助

∗ 基金项目: 国家自然科学基金(61070053)

Foundation item: National Natural Science Foundation of China (61070053)

收稿时间: 2016-07-25; 修改时间: 2016-09-14; 采用时间: 2016-11-11; jos 在线出版时间: 2016-11-29

CNKI 网络优先出版: 2016-11-29 13:35:01, http://www.cnki.net/kcms/detail/11.2560.TP.20161129.1335.006.html

722

Journal of Software 软件学报 Vol.28, No.3, March 2017

微博强化社交化的属性,加速实现社会化电商.人人网、Epinions、微博等发挥产品本身的优势将信任关系作为

推荐系统的一种重要维度.事实表明:消费者更愿意相信朋友或者有影响力的人的推荐,而不是缺乏说服力的广

告.信任作为人际关系的核心概念,将直接影响用户的决策过程,成为社会化推荐的研究重点.

大数据环境下的信任推荐

[1]

系统是传统推荐的延伸,用户面临复杂信息环境、多维数据特征和准确推荐需

求.如何准确提取和预测在大数据环境下的用户偏好,生成高准确度的推荐,是大数据给推荐系统带来的机遇与

挑战,具体表现在:数据产生的速度更快、内容采样渠道更多、数据高维稀疏、数据内容丰富但结构复杂、多

源数据融合的噪声和冗余.另一方面,商品个数和种类的快速增长,导致顾客需要花费大量的时间才能找到自己

想买的商品.浏览大量无关信息的过程,无疑会使消费者流失加剧.个性化推荐系统精准且快速地协助用户决策

显得越发重要.个性化推荐的方式一般细分为基于内容、基于知识、协同过滤、混合过滤推荐以及日益流行的

基于社会网络推荐,但是存在冷启动、数据稀疏性、评分数据的伪造、推荐精度等问题.

社会网络环境下基于信任的推荐方法研究取得了一定的成果,主要有链接预测和矩阵分解方法.如:

EigenTrust 模型是 Kamvar 等人

[2]

提出的一种点对点网络的信誉管理算法;TidalTrust 由 Golbeck 等人

[3]

提出,算

法在预测评分时参考了源节点信任的所有邻居对项目的评分;MoleTrust 由 Massa 等人

[4,5]

提出,算法基于

TidalTrust 改进,主要靠经验,因此准确度受取值的影响较大,模型不够稳定;随机游走(TrustWalker)是 Jamali 等

人

[6]

提出的推荐策略,随着漫游步数的增多,算法能够在预测过程中计算可信度.社交网络环境下基于信任的推

荐研究还有从系统层面、语义层面

[7,8]

等,但是模型与我们的 Trust-PMF 混合推荐算法研究层面略有不同,值得

借鉴.

矩阵因子分解框架上扩展的信任推荐.如:由 Ma 等人提出的 SoRec

[9]

方法将信任网络结构和用户对项目的

评分信息,融入概率矩阵因子模型;Ma 等人

[10]

又提出另外一种基于信任的推荐算法 RSTE;Jamali 和 Ester

[11]

提

出的 SocialMF 方法弥补了 RSTE 的不足;郭磊、马军等人

[12]

提出了 StrengthMF 和 InfluenceMF 算法,算法对用

户的信任关系和兴趣偏好通过共享的特征空间建模,基于 SoRec 方法提出社会化推荐算法 PMFUI

[13]

;Wang 等

人

[14]

提出一种社会化推荐算法,该算法综合考虑用户的信任关系、项目间的相似关系、评分信息,但是,其方法

简单使用用户间的相似度替代信任度,整个计算过程只利用评分信息,信任关系未有被真正挖掘利用.

总之,面向大数据环境下的信任推荐,对信任信息的利用欠佳,预测准确性有待提升;且相似关系与信任关

系的融合,需要高效统一的模型.因此,提出一种新的基于社交网络的推荐算法 Trust-PMF.算法在概率矩阵分解

框架上进行扩展,并融入社交网络中的信任关系信息.主要贡献如下:

• 将现实中社交网络的信任关系引入推荐系统中,结合图综合考虑全局信任和局部信任,利用信任的传

播特性对信任关系进行建模,以充分挖掘信任关系的结构性信息;

• 设置推荐权重,将主观信任和客观评分进行融合,综合考虑相似度和信任度来衡量用户的相似程度,由

此提高识别邻居的能力,避免因数据稀疏导致邻居不相似问题,提高推荐的可信度和准确度,使得推荐

结果更加契合用户的需求;

• 协同过滤思想,将社交网络的信任关系和评分信息融入概率矩阵分解模型,使用户对项目评分不仅受

到自己的影响,同时也受到邻居用户的影响.并使用自适应权重动态决定各部分的影响程度,形成高效

统一的模型;

• 实验在 FilmTrust 和 Epinions 这两个数据集上进行,我们的 Trust-PMF 算法与相关算法做了对比验证,

同时评估和分析了算法中的参数对结果影响,实验显示算法的高效性.

本文第 1 节将简述信任的相关概念,介

绍社会网络环境下基于信任的推荐算法的相关研究.第 2 节描述

Trust-PMF 算法原理、详细的推导过程,并给出 Trust-PMF 算法描述与分析.第 3 节进行实验及结果分析.最后,

对研究工作进行总结和展望.

1 社交网络中的信任

用户之间因信任而形成社交圈,又通过社交来不断更新和强化信任.信任一旦建立,用户间的社交关系也逐

of 11

免费下载

软件学报计算机技术

关注

评论