基于利用可靠用戶網絡補充標簽的服務推薦

吳浩 彭亦楠 何鵬 黃權

摘 要：在服務推薦過程中，為了把社交關系對用戶興趣的影響標簽化，提升推薦結果的準確性，提出一種基于利用可靠用戶補充標簽的服務推薦方法SRST，通過在相似用戶之間構建可靠用戶網絡，比較可靠用戶網絡中每個用戶節點的度數得到度數最大的Top-k2個可靠用戶，并通過這些可靠用戶的興趣標簽對目標用戶的標簽進行補充，再利用補充后的標簽集進行服務推薦，最后在公開數據集Delicious上進行實證分析。

關鍵詞：社交關系;可靠性網絡;協同過濾;服務推薦

中圖分類號：TP39文獻標識碼：A文章編號：2095-1302（2019）02-00-04

0 引 言

隨著Web 2.0時代的到來，用戶可通過社會標簽組織、管理及共享資源，社會標簽也因其易用性成為資源分類和索引的重要方式[1]。社會標簽既能體現資源本身的特征，又能反映用戶的興趣偏好[2]。將社會標簽與個性化推薦相結合，能夠有效提高個性化推薦的效率。

人們提出了許多在推薦系統中利用社會網絡信息的方法[3-9]，從而產生了社會推薦領域。尤其是文獻[3]提出的BPR模型，該模型進一步假設在所有目標用戶未接觸過的服務中，用戶更喜歡那些被其社交關系接觸過的服務。但是這些基于社交關系的推薦主要針對冷啟動和數據稀疏的問題，而且推薦的準確度不高[10]。本文把社交關系對用戶興趣的影響以標簽的形式體現出來，并用來提高服務推薦的質量。

本文在標簽的角度，為提取出社交關系中的興趣標簽用來對目標用戶的標簽集進行補充，提出一種基于利用社交關系補充標簽的服務推薦（Service Recommendation Based on Using Social Relations to Supplement Tags，SRST）方法。大致流程可概括為：利用目標用戶的Top-k1個相似用戶構建可靠用戶網絡，通過比較用戶節點度數找出Top-k2個可靠用戶，再利用可靠用戶的標簽補充目標用戶的標簽，最后利用補充后的標簽集向目標用戶推薦服務。

1 研究方法

以Delicious公開數據為例，假設向用戶u推薦服務。本文方法主要包括構建可靠用戶網絡、補充目標用戶原標簽集和服務推薦三個部分。首先通過構建可靠用戶網絡過濾出可靠用戶;其次綜合可靠用戶的標簽補充目標用戶的標簽集;最后利用補充后的標簽集對目標用戶推薦服務。

1.1 構建可靠用戶網絡

在構建可靠用戶網絡過程中，先從用戶集合U中通過比較與目標用戶u的標簽相似度，篩選出Top-k1個相似用戶，然后將每個相似用戶表示為一個節點。若兩個用戶之間的可靠度（可靠度是一個綜合考慮標簽相似度和社交網絡相似度的參數）大于某個閾值θ，則他們之間被視為存在一條可靠性連邊。

1.1.3 連接相似用戶之間的可靠性邊

令Bk1×k1表示相似用戶之間的可靠性網絡矩陣，如果用戶p與用戶q之間的可靠度大于閾值θ，表示這兩個用戶節點之間存在一條可靠性連邊，矩陣元素qi，j=qj，i=1。當所有相似用戶之間的可靠性邊都存到矩陣B中后，矩陣B就是所要構建的可靠性網絡。

1.2 過濾出可靠用戶

通過比較可靠用戶網絡中節點的重要性，得到該可靠性網絡中的一些核心節點，這些核心節點就代表著核心用戶。本文利用節點度數比較節點的重要性，用戶節點的度數在矩陣B中是對應行中元素不為零的個數。取出可靠性網絡中Top-k2個節點度數最大的用戶節點，得到最后的可靠性用戶集合Urel。

1.3 補充目標用戶的標簽

先從可靠用戶中提取出興趣標簽，但因為本文方法只統計標簽出現的次數，而標簽出現的次數跟權重并非正相關，所以本文提出以下兩種提取興趣標簽的方法。

方法一（SRST1）：提取出Top-k2個用戶都包含的興趣標簽，即對Top-k2個用戶中每個用戶包含的興趣標簽取交集。

方法二（SRST2）：提取出累加權重最大的興趣標簽Top-k3。對Top-k2中每個用戶包含的興趣標簽取并集，每個標簽的權重等于該標簽對于每個用戶的權重累加，利用KNN算法得到Top-k3個權重最大的標簽，并利用提取出的興趣標簽與目標用戶的標簽集取并集得到補充后的標簽集Tu。

1.4 基于標簽相似度服務推薦

如果某個服務的標簽集Ts與補充后的用戶標簽集Tu有交集Tu∩s，就累加交集里的標簽相對服務的權重得到目標用戶喜歡的概率Pu，s，當Pu，s大于等于閾值δ（0.5≤δ≤1）時，就把服務s推薦給目標用戶。令Wt（t∈Ts）表示服務s的標簽t的權重，計算公式如下：

2 實驗分析

2.1 數據集

實驗數據來源于Grouplens平臺提供的Delicious標簽數據，Delicious 數據集中用戶為1 867個，書簽為104 799個，標簽為53 388個，實驗數據的統計情況見表1 所列。

2.3 實驗結果

為驗證本文所提SRST方法的有效性，隨機從用戶-服務關注矩陣M中抽取比例為10%的q=1的元素作為測試集，并設置過濾相似用戶的個數k1=50，過濾可靠用戶的個數k2=5，可靠度的比例參數α=0.5，目標用戶補充標簽的個數k3=20，可靠度的閾值θ=0.5，概率Pu，s的閾值δ=0.6。推薦結果的accuracy值見表3所列。

首先，實驗結果顯示在隨機列舉的10次實驗中，本文所提SRST的accuracy值比已有的兩種方法都要高，即推薦準確度更高。由表格后2行可知，SRST的accuracy提升幅度在0.02～0.19以內，相比UPCC平均提升了0.121，相比IPCC平均提升了0.116。

其次，因為實驗設置用戶補充標簽的個數k3=20，而用戶原標簽集的個數在130以上，所以accuracy平均提升幅度為0.116，說明本文方法補充的興趣標簽準確、有效。

2.4 參數影響分析

SRST方法中給用戶推薦的標簽數k3設置為20，理論上補充標簽越多，最后用戶標簽集的基數越大，容錯率就會越大，實驗的準確度accuracy也會越大，所以將k3設置為合適大小的值可保證方法的客觀合理性。

SRST方法中關鍵的一步就是構建可靠的用戶網絡，其中可靠度的比例參數α、相似用戶的個數k1、可靠用戶的個數k2、可靠度的閾值θ都是動態可調的，而且不同的取值會對最后可靠用戶集Urel的生成有影響，所以本文對以上4個參數單獨做分析測試。

比例參數α取值越大，標簽相似度在可靠度計算中所占的比例越大，最后得到的可靠用戶與目標用戶的標簽相似度越高;而取值越小，社交網絡相似度在可靠度計算中所占的比例越大，最后得到的可靠用戶與目標用戶在社交關系上就會越親密。因此，在保持其他參數固定，即k1=50，k2=5，θ=0.5時，分析該參數對推薦結果的影響。如圖1所示，參數α在[0.2，0.4]區間時，accuracy相對較高，最高為0.72，說明參數α在[0.3，0.4]區間取值，即可靠度更多地考慮社交網絡相似度更合適。

對于相似用戶的個數k1，在保持其他參數固定時，分析結果如圖2所示。參數k1在[20，50]區間時，accuracy相對較高，最高為0.77，說明相似用戶過多，會降低可靠用戶網絡的可靠性，所以參數k1在[20，50]區間取值較為合適。

對于可靠用戶的個數k2，在保持其他參數固定時，分析結果如圖3所示。參數k2在[8，10]區間時，accuracy相對較高，最高為0.73，說明k2不應太大，否則會降低補充標簽的準確性，所以參數k2取值為9或10較為合適。

對于可靠度的閾值θ，在保持其他參數固定時，分析結果如圖4所示。參數θ取值為0.1或0.4時，accuracy相對較高，最高為0.77，說明參數θ取值0.1或0.4較為合適。

3 結 語

為了使社交關系對用戶興趣的影響標簽化，提升推薦結果的準確性，本文提出一種基于利用可靠用戶補充標簽的服務推薦方法SRST。通過構建可靠用戶網絡，找出Top-k2個可靠用戶，然后利用可靠用戶的興趣標簽補充目標用戶的標簽集，再用該標簽集給用戶推薦服務，并在公開數據集Delicious 上進行實證分析。實驗結果表明，相比已有方法，本文所提方法在該數據集上的推薦準確度accuracy可分別提高0.121和0.116，且發現構建可靠用戶網絡時，α在[0.3，0.4]區間中取值，k1=30，θ=0.1時，推薦效果最好;同時，補充標簽時為目標用戶返回Top-9個可靠用戶最為適宜。

另外，本文方法定義的用戶標簽向量的值是標簽使用的次數，后期工作可利用TF-IDF方法從全局和局部兩個角度綜合求出標簽對于用戶的權重，進一步提高推薦的準確度。

參 考 文 獻

[1] KOHI A，EBRAHIMI S J，JALALI M. Improving the accuracy and efficiency of tag recommendation system by applying hybrid methods[C]// International Econference on Computer and Knowledge Engineering. IEEE，2011：242-248.

[2]張斌，張引，高克寧，等.融合關系與內容分析的社會標簽推薦

[J].軟件學報，2012，23（3）：476-488.

[3] RENDLE S，FREUDENTHALER C，GANTNER Z，et al. BPR：bayesian personalized ranking from implicit feedback[C]// Conference on Uncertainty in Artificial Intelligence. AUAI Press，2009：452-461.

[4] JAMALI M，ESTER M . A matrix factorization technique with trust propagation for recommendation in social networks[C]// Proceedings of the 2010 ACM Conference on Recommender Systems. ACM，2010：135-142.

[5] JAMALI M，ESTER M . TrustWalker ： a random walk model for combining trust-based and item-based recommendation[C]// Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM，2009：397-406.

[6] LU W，IOANNIDIS S，BHAGAT S，et al. Optimal recommendations under attraction，aversion，and social influence[C]// Acm Sigkdd International Conference on Knowledge Discovery & Data Mining. ACM，2014：811-820.

[7] MA H，KING I，LYU M R . Learning to recommend with explicit and implicit social relations[J]. ACM transactions on intelligent systems and technology，2011，2（3）：1-19.

[8] MA H，YANG H，LYU M R，et al. Sorec：social recommendation using probabilistic matrix factorization[C]// ACM，2008：931-940.

[9] MA H，ZHOU D，LIU C，et al. Recommender systems with social regularization[C]// WSDM，2011：287-296.

[10] WANG X，LU W，ESTER M，et al. Social recommendation with strong and weak ties[C]// ACM International on Conference on Information and Knowledge Management，ACM，2016：5-14.

[11] MA H，ZHOU D Y，LIU C，et al. Recommender systems with social regularization[C]// Proceedings of the Fourth ACM International Conference on Web Search and Data Mining，ACM，2011：287-296.

[12] LINDEN G，SMITH B，YORK J. Amazon.com recommendations： item-to-item collaborative filtering [J]. IEEE internet computing，2003，7（1）： 76-80.

[13] WEI S，ZHENG X，CHEN D，et al. A hybrid approach for movie recommendation via tags and ratings [J]. Electronic commerce research & applications，2016，18（C）： 83-94.

[14] LAWRENCE E. Everything is a recommendation netflix，altgenres and the construction of taste [J]. Knowledge organization，2015，42（5）：358-64.

[15]夏立新，李重陽，程秀峰，等.異質網絡資源多維度推薦模式研究—以豆瓣網為例[J].圖書情報工作，2017，61（3）：6-13.

[16] MA H，YANG H X，MICHENAEL R L，et al.Sorec：social recommendation using probabilistic matrix factorization[C]//

Proceedings of the 17th ACM Conference on Information and Knowledge Management，ACM，2008：931-940.

[17] GUO L，MA J，CHEN Z M，et al.Learning to recommend with social relation ensemble[C]// Proceedings of the 21st ACM International Conference on Information and Knowledge Management，ACM，2012：2599-2602.

[18] TOUHID B.A survey on the relationship between trust and interest similarity in online social networks[J].Journal of emerging technologies in web intelligence，2010，2（4）：291-299.

[19] YU Y，QIU G H.Research on collaborative filtering recommendation algorithm by fusing social network[J].New technology of library and information service，2012（6）：54-59.

[20] SARWAR B M，KARYPIS G，KONSTAN J A，et al.Application of dimensionality reduction in recommender system a case study[C]// ACM WebKDD Workshop，2000.

[21]蔣勝，王忠群，修宇，等.集成社會化標簽和用戶背景信息的協同過濾推薦方法[J].計算機應用，2014，34（8）：2328-2331.

[22] WANG H，TAO Y，YU Q，et al. Incorporating both qualitative and quantitative preferences for service recommendation [J]. Journal of parallel & distributed computing，2018（114）：46-69.

[23] HU Q Y，ZHAO Z L，WANG C D，et al. An item orientated recommendation algorithm from the multi-view perspective [J]. Neurocomputing，2017（269）：261-272.

[24] CHEN M，MA Y，HU B，et al. A ranking-oriented hybrid approach to QoS-Aware web service recommendation[C]// Proceedings of the IEEE International Conference on Services Computing，2015：578-585.

[25] REN L，WANG W. An SVM-based collaborative filtering approach for Top-N web services recommendation [J].Future generation computer systems，2017（78）：531-543.

[26] DENG S，HUANG L，XU G. Social network-based service recommendation with trust enhancement [J]. Expert systems with applications，2014，41（18）： 80-84.

[27] CAO B，LIU J，TANG M，et al. Mashup service recommendation based on user interest and social network[C]// Proceedings of the IEEE International Conference on Web Services，2013：99-106.

[28] XU J，ZHENG Z，LYU M R.Web service personalized quality of service prediction via reputation-based matrix factorization [J]. IEEE transactions on reliability，2016，65（1）： 28-37.

[29] MAHLER R P S.Multitarget bayes filtering via first-order multitarget moments[J].IEEE transactions on aerospace & electronic systems，2004，39（4）：1152-1178.

[30]王曉，韓崇昭，連峰.基于隨機有限集的目標跟蹤方法研究及最新進展[J].工程數學學報，2012，29（4）：567-578.

[31] ZHOU X，LI Y，HE B，et al. GM-PHD-Based multi-target vi-sual tracking using entropy distribution and game theory[J]. IEEE transactions on industrial informatics，2014，10（2）：1064-1076.

[32] VO B N，MA W K. The gaussian mixture probability hypothesis density filter[J].IEEE transactions on signal processing，2006，54（11）：4091-4104.

[33] BERNARDIN K，STIEFELHAGEn R. Evaluating multiple object tracking performance： the CLEAR MOT metrics[J]. Eurasip journal on image & video processing，2008（1）：246-309.