结合信任推荐系统性质.docVIP

结合信任推荐系统性质 　　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发布者，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???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，