结合信任的推荐系统的性质
开篇：润墨网以专业的文秘视角，为您筛选了一篇结合信任的推荐系统的性质范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：结合信任的推荐系统可以有效地缓解传统协同过滤算法中存在的数据稀疏问题，并能给每个用户提供可信且准确的推荐。然而系统中的每个用户都是不同的，因此考虑针对不同用户应采用不同推荐模式来查找推荐群体，以做出更具个性化的推荐。研究了微观层次上的节点特性，引入了兴趣的概念，证明了被推荐者的多种节点特性对于推荐结果的影响效果。最后通过多组实验验证了推荐系统在具有不同特性的节点上的推荐效果差异。
关键词： 信任； 推荐系统； 局部网络结构； 兴趣； 个性化推荐
中图分类号： TP18 文献标志码： A
0引言
随着Web2.0时代的到来，网络中的每个参与者都在成为信息的者，主动推送的应用有博客、微博等，被动的有维基百科等。近年来随着各类移动设备的发展和网络信息承载力的提升，信息呈现爆炸式增长，用户根本不可能仅依靠自身从如此海量的数据中获取所感兴趣、所需要的信息或服务，此时就需要有一个推荐系统[1]来帮助用户自动检索和筛选海量数据并从中找出用户所需要的内容。
推荐系统主要可分为两大类：一类是基于内容（contentbased）的推荐系统[2]，这类方法主要靠抽取被推荐者的用户特征和被推荐候选项目的特征，然后通过被推荐者的用户特征向量和一系列被推荐候选项目的特征向量一一对比，进而选出最合适的项目作为结果推荐给被推荐者；另一类是基于协同过滤（CollaborativeFiltering，CF）的推荐系统[3]，此类系统主要是利用用户项目评价集来找出过往评价与被推荐者最为相似的用户集作为推荐群体，然后将此推荐群体的过往历史评价信息进行整合，最终根据整合结果和具体系统要求做出推荐 于内容的推荐方法主要存在特征抽取难问题、过度拟合问题和难以跨领域推荐等问题，但是对于易挖掘的文档类项目的推荐效果较为优异，而基于协同过滤的推荐方法则不存在上述问题，但是存在数据稀疏导致的用户冷启动问题（coldstartusers）和利益纠纷引起的欺诈攻击问题（attackresistance）[4-5]。
随着网络的发展，逐渐出现了各类结合社会网络的推荐系统[6-10]，此类系统是通过与被推荐者有着直接或者间接关系的用户的过往评价集来做出推荐，可以有效地解决基于协同过滤的推荐系统中会出现的冷启动和欺诈攻击问题，主要通过将信任网络与基于协同过滤的推荐系统结合来实现。
结合信任网络主要是为了使用信任网络中的信任关系即节点间的信任值，关于网络中的信任问题已有诸多研究[5，11-12]。在推荐系统中引入信任网络的目的主要是为了解决数据稀疏问题即冷启动问题和欺诈攻击问题。通常来说信任网络也是稀疏的，但是信任是具有传递性的，即相对于陌生人，人们更倾向于相信朋友的朋友。因此引入了信任传递[13]，信任传递就是利用信任网络中的直接信任关系在无连接的用户间建立非直接信任关系。
现有结合信任值的方法通常分3种[10]：1）对信任值使用阈值进行筛选以实现对候选用户群的筛选，通过筛选可得到可信用户群，然后使用可信用户群来作为推荐群体；2）将信任值作为推荐评价计算时的权重，此处又分两类（一类是单独使用信任值作为推荐评价合并时的权重，另一类是将信任值和相似度结合来共同作为推荐评价合并时的权重）；3）既使用信任值来筛选用户又用作计算评价时的合并权重。
已有研究发现信任值和兴趣相似度存在正相关关系[14]，即从全局来讲，信任值越大则兴趣相似度越高。因此通过信任网络来发现推荐群体可以保证推荐的准确性，且信任网络主要源于用户的主观信念，因此相对于简单的用户历史行为挖掘更能体现出用户间相关性及用户的真实偏好 于此点已有诸多结合信任的推荐系统研究[7-9，15-16]。
过去的十多年中出现了很多结合信任的推荐系统：ODonovan等[10]最早在推荐系统中使用间接信任值，即根据用户历史评价信息来生成用户间信任值，并提出三种信任值使用方法；Golbeck等[9]则在推荐系统中引入信任传递概念，并发现结合信任传递可以有效缓解冷启动用户问题；Massa等[7]则对用户、项目作了简单分类，研究了不同信任传递距离对于不同用户种类及在不同项目种类上的推荐效果；Palau等[17]模拟了网络进化并从宏观上角度研究了网络结构对推荐效果的影响；Hang等[18]通过将信任度与局部网络结构结合提出了基于图相似性的推荐算法；Ziegler等[14]通过实验分析验证了信任与兴趣相似度的关联；Hsu等[19]提出了通过学习节点局部特性建立分类树从而预测新边以实现推荐的方法；潘静等[15]使用信任传递对推荐者群体进行筛选以去除来自恶意用户的推荐，Jamali等[8]在推荐系统中使用矩阵分解方法引入信任矩阵。上述方法中有的是直接使用信任值，有的则是基于信任网络。信任网络与评价网络由用户过往交互产生，每个用户的日常行为均会在其局部网络中有所体现，即网络结构能够反映出用户的喜好偏好，这也是所有结合社会网络的方法的基础，更具体说是信任网络的社会学基础。而本文中则直接从被推荐者的局部网络结构角度出发，研究部分局部特性对于推荐结果的影响。过往关于信任和信任传递问题的研究中信任传递方法对于每个用户来说都是相同的，并不能考虑到每个用户的实际情况，而实际情况中对于不同节点，连接其与其最佳推荐节点群的路径的模式是不同的。本文的目的就是希望通过对聚团结构中节点的局部结构性质进行分析以发现针对特定节点的最优信任传递路径的找寻方法，以给出用户满意的推荐结果，实现真正的个性化推荐。
1基本定义
1.1系统背景
近来年随着网络群体的扩大和用户对高服务质量的需求，信任被广泛引入各类网络推荐系统。以评价类网站（Epinions、豆瓣等）为例，若用户A将用户B标记为信任，按照定义就是来自B的相关推荐能满足A的需求、能引起A的兴趣，也意味A赞同B的品味，即俩人的偏好是存在诸多相似之处的。若B信任C，则B与C的偏好亦然。这也暗示着A与C的偏好可能存在相似之处。对于节点间的信任与相似度已有研究验证[14]，推荐系统中的传递信任也多有研究[5]。
对于信任网络，在电商、P2P服务选取、新闻推送、广告推送等领域并不存在用户间的显性信任关系，在影评、书评、微博、博客、贴吧、交友网等领域是存在显性社会网络的。对于前者研究者们会根据过往用户间的推荐准确率来构建一个信任网络[13]，对于后者研究者们也可通过过往推荐准确率来给出信任关系修正。
不论是何种推荐系统都是根据用户过往信息来推断用户喜好以给出最有效的推荐。本文希望能通过对用户的偏好、喜好进行虚拟量化来尝试找出结合信任的协同过滤算法中的信任传递性质。
此类系统所面向的对象是各类网民，针对背景是各种领域。且用户的真实偏好短期内是固定的，并部分反映在过往行为信息中，因此对于用户兴趣、偏好只能尽可能地从用户过往行为中抽取并给出预测。为了避免推荐系统由于数据不完备引起的固有缺陷过度拟合问题，本文中认定一旦用户的过往行为中某种兴趣点频率超出预设阈值（此阈值可通过机器学习找出）则认定其对此点感兴趣，并不对兴趣点设定权值。
2局部性质研究
过往研究已表明将信任与推荐系统结合可以有效地解决传统推荐算法中数据稀疏、用户冷启动及运算时间问题，但仍缺乏对信任网络的局部特性研究。
本章将讨论结合信任网络的推荐系统中信任传递的一些基本性质。
在研究性质之前，先做几个假设。
假设1用户相似度与推荐准确度存在正相关关系。此看法最早源于社会学中的研究，此后被引入推荐系统中，并已有此背景下证明[14]。
3实验验证与分析
3.1实验数据集
Epinions是一个用户可在其上书写评论的跨度耐用消费品、电子物品、大学、职位等各个领域的网站，其中的评论者会根据他们的评论被阅读的次数获取稿酬，这使得很多人非法使用此系统。此网站在提出支付酬劳6个月后引入了信任机制用来解决这个不诚信问题。信任网络使这一机制非常重要也非常成功地确保了网站的流行和所选择评论的高质量。本文的实验数据是Massa等收集的Epinions数据集。
3.2实验过程与分析
首先验证性质1，即共同兴趣与信任存在正相关关系。兴趣是从过往喜好项目中抽取，若用户间过往评分相似，则抽取出的兴趣集也会相似，因此在这里使用用户过往评分相似度来代替用户间的共同兴趣集的相似度。根据用户过往评价与用户间的信任关系分别测定了部分节点与其信任用户间的相似度平均值和其与全部节点间的相似度平均值，在实验中通过从整体数据集中随机抽取了500个节点，其中一次结果如图2所示。
4结语
近几年结合信任的推荐系统已成为研究热点，本文主要针对信任网络中的局部特性提出、证明并验证了从被推荐者角度出发的几条性质，并验证了统一推荐者群体发现模型的弊端。接下来会进一步研究针对不同的被推荐者选择何种信任传递能达到更好的推荐效果，及如何有机地将各类局部特性与现有推荐系统整合以实现更具个性化的推荐系统。
参考文献：
[1]RESNICKP，VARIANHR.Recommendersystems[J].CommunicationsoftheACM，1997，40（3）：56-58.
[2]LANGK.NewsWeeder：learningtofilternetnews[C]//ICML1995：Proceedingsofthe12thInternationalConferenceonMachineLearning.SanFrancisco：MorganKaufmann，1995：331-339.
[3]GOLDBERGD，NICHOLSD，OKIBM，etal.Usingcollaborativefilteringtoweaveaninformationtapestry[J].CommunicationsoftheACM，1992，35（12）：61-70.
[4]ADOMAVICIUSG，TUZHILINA.Towardthenextgenerationofrecommendersystems：asurveyofthestateoftheartandpossibleextensions[J].IEEETransactionsonKnowledgeandDataEngineering，2005，17（6）：734-749.
[5]GUHAR，KUMARR，RAGHAVANP.Propagationoftrustanddistrust[C]//WWW2004：Proceedingsofthe13thInternationalConferenceonWorldWideWeb.NewYork：ACMPress，2004：403-412.
[6]KAUTZH，SELMANB，SHAHM.ReferralWeb：combiningsocialnetworksandcollaborativefiltering[J].CommunicationofACM，1997，40（3）：63-65.
[7]MASSAP，AVESANIP.Trustawarerecommendersystems[C]//ResSys2007：Proceedingsofthe1stACMConferenceonRecommenderSystems.NewYork：ACMPress，2007：17-24.
[8]JAMALIM，ESTERM.Amatrixfactorizationtechniquewithtrustpropagationforrecommendationinsocialnetworks[C]//ResSys2010：ProceedingsoftheFourthACMConferenceonRecommenderSystems.NewYork：ACMPress，2010：135-142.
[9]GOLBECKJ，HENDLERJ.Filmtrust：movierecommendationsusingtrustinWebbasedsocialnetworks[C]//CCNC2006：Proceedingsofthe3rdIEEEConsumerCommunicationsandNetworkingConference.Piscataway，NJ：IEEEPress，2006：282-286.
[10]ODONOVANJ，SMYTHB.Trustinrecommendersystems[C]//IUI2005：Proceedingsofthe10thInternationalConferenceonIntelligentUserInterfaces.NewYork：ACMPress，2005：167-174.
[11]TONGXR，LONGY.Formationoftransitivetrustnetworks[J].JournalofComputationalInformationSystems，2013，9（11）：4263-4270.
[12]TONGXR，ZHANGW，LONGY.TransitivityofAgentsubjectivetrust[J].JournalofSoftware，2012，23（11）：2862-2870.
[13]MASSAP，AVESANIP.Trustawarecollaborativefilteringforrecommendersystems[C]//OTM2004：ontheMovetoMeaningfulInternetSystems2004：CoopIS，DOA，andODBASE，LNCS3290.Berlin：SpringerVerlag，2004：492-508.【：会议名即为onthe…
[14]ZIEGLERCN，GOLBECKJ.Investigatinginteractionsoftrustandinterestsimilarity[J].DecisionSupportSystem，2007，43（3）：460-475.
[15]PANJ，XUF，LYUJ.Reputationbasedrecommenderdiscoveryapproachforserviceselection[J].JournalofSoftware，2010，21（2）：388-400.
[16]XUHL，WUX，LIXD，parisonstudyofInternetrecommendationsystem[J].JournalofSoftware，2009，20（2）：350-362.
[17]PALAUJ，MONTANERM，LOPEZB.Collaborationanalysisinrecommendersystemsusingsocialnetworks[C]//CIA04：ProceedingsofCooperativeInformationAgents.Berlin：SpringerVerlag，2004：137-151.
[18]HANGCW，SINGHMP.GeneralizedframeworkforpersonalizedrecommendationsinAgentnetworks[J].JournalofAutonomousAgentsandMultiAgentSystems，2012，25（3）：475-498.
[19]HSUWH，KINGA，PARADESIM，etal.Collaborativeandstructuralrecommendationoffriendsusingweblogbasedsocialnetworkanalysis[C]//Proceedingsofthe2006AAAISpringSymposiumonComputationalApproachestoAnalyzingWeblogs.MenloPark：AAAIPress，2006：55-60.