綜合隱語義模型和信任關系網(wǎng)絡的個性化推薦

陳永鋒　朱振宇

摘 要：面對數(shù)量繁多的各種商品信息，大多數(shù)用戶并不能從中迅速找到自己所需要的，而個性化推薦針對不同的用戶給出不同的推薦信息，大大方便了用戶的決策。文章對綜合隱語義模型和信任關系模型的個性化推薦算法進行了研究。通過將信任關系網(wǎng)絡與隱語義模型相結合，簡化了運算量，提高了推薦效率和準確度。具體討論了如何建立信任關系模型，并將其應用于推薦系統(tǒng)中。采用樣本訓練得到隱語義模型，并通過Epinions.com數(shù)據(jù)庫驗證該模型的有效性。

關鍵詞：隱語義模型；信任關系模型；個性化推薦；冷啟動；社交網(wǎng)絡

1 概述

目前個性化推薦算法大體可分為基于協(xié)同過濾技術的推薦算法和基于內(nèi)容的推薦算法兩大類。協(xié)同過濾技術是根據(jù)鄰居用戶的資料對目標用戶進行產(chǎn)品推薦。基于內(nèi)容的推薦是推薦與目標用戶以前選擇的產(chǎn)品相似的產(chǎn)品。然而，基于用戶相似度的協(xié)同過濾推薦系統(tǒng)需要用戶對多個商品得評分，而對于新用戶來說并沒有商品購買行為，也就沒有評分，因此很難對其進行推薦[1]。在基于顯式標簽的推薦系統(tǒng)中，需要用到人工對用戶還有產(chǎn)品進行打標簽分類，但是這種方法具有一定的局限性。為了避免人工分類的局限性，我們可以從用戶的行為數(shù)據(jù)出發(fā)，運用隱語義模型，自動找到那些類然后進行個性化推薦。

2 隱語義模型

隱語義模型LFM屬于隱含語義分析技術，是用來找出潛在的主題或分類。

3 用戶社交關系信任網(wǎng)絡

在Epinion.org系統(tǒng)中，用戶不僅可以對不同商品的評分，還可以基于用戶之間的信任關系對不同的用戶進行打分[2]。

本文將有直接信任關系的用戶之間的信任強度設定為1，并假設用戶之間的信任是可傳遞的。傳遞的規(guī)則如下：給用戶u，該用戶對其他用戶v的信任強度與他們之間的最短路徑直接相關[3]。具體來講，如果我們僅考慮d階最短路徑之內(nèi)的節(jié)點（即對于用戶u來說，與其最短距離超過d的用戶將不予考慮），那么與源點u之間最短路徑為n的用戶被u信任的程度為：Tust=（d-n+1）/d。

4 融合信任感知的推薦系統(tǒng)結構

信任矩陣（代表所有用戶的信任關系）和評分矩陣（表示由用戶給定的項目的所有的評分），作為整個系統(tǒng)的輸入，并且產(chǎn)生該用戶對項目矩陣的預測的評分作為輸出。

5 實驗結果及評估

本文使用的數(shù)據(jù)基于Epinions.com的交易數(shù)據(jù)，在Epinions.com用戶不僅可以在線購買多種商品，還允許對其他用戶進行打分，于是系統(tǒng)中就有了可用的信任關系網(wǎng)絡。

整體來看，綜合用戶信任關系及隱語義模型的方法比傳統(tǒng)的協(xié)同過濾方法更優(yōu)，其用戶覆蓋率以及評分覆蓋率都優(yōu)于傳統(tǒng)的協(xié)同過濾方法。尤其是在對新用戶的預測上，新的方法可以彌補傳統(tǒng)的協(xié)同過濾的不足。

當信任距離大于1時，基于信任度的混合算法在全部用戶上的評分覆蓋率和用戶覆蓋率都優(yōu)于用戶協(xié)同過濾。正如預期的那樣，傳播距離越大，用戶覆蓋率和評分覆蓋率越高，其對應的預測誤差也就越小。對于缺少評分數(shù)據(jù)的冷啟動用戶，相對于用戶協(xié)同過濾，基于信任網(wǎng)絡的混合推薦算法得到了更高的評分和用戶覆蓋率以及較小的誤差。例如對于全部用戶來說，對大距離為4時，評分覆蓋率為72%，用戶覆蓋率為57%，MAE為0.805，MAUE為0.850都優(yōu)于用戶協(xié)同過濾。

6 結束語

本文的主要目的是使用基于信任網(wǎng)絡的混合算法提升推薦系統(tǒng)的性能。本方法對于解決推薦系統(tǒng)的一些傳統(tǒng)問題，例如“新用戶冷啟動”問題有非常顯著的幫助，經(jīng)過試驗對比，新的混合算法在用戶和評分覆蓋率上有了提高，而且從計算的復雜度方面來講，不需要通過對比用戶對商品的評分情況找出“參照用戶”，而是通過用戶之間的信任關系達到這一目的，因此可以減小計算量。

參考文獻

[1]P Massa，P Avesani. Trust-aware Collaborative Filtering for Recommender Systems[J].Springer Berlin Heidelberg，2004，3290：492-508.

[2]CN Ziegler，G Lausen. Spreading activation models for trust propagation[J] .IEEE International Conference on E-technology，2004.

[3]F Ricci，L Rokach，B Shapira，PB Kantor. Recommender systems handbook[J].Springer， 2011：1-35.

[4]王升升，趙海燕，陳慶奎.個性化推薦中的隱語義模型[J].小型微型計算機系統(tǒng)，2016，5：881-889.

[5]叢麗暉，王科，夏秀峰.利用信任支持度構建客戶信任網(wǎng)絡[J].計算機工程與應用，2012，48（6）：110-115.

[6]李琳娜，江雪琴.推薦系統(tǒng)中的隱語義模型研究[J].情報工程，2016，4（2）：30-39.

作者簡介：陳永鋒（1961-），男，教授，主要從事風險評估理論、建模與方法、企業(yè)信息化方面的教學和科研工作。

朱振宇（1993-），男，碩士，個性化推薦。