張挺，趙衛(wèi)東，劉鋼

?

面向社會化導購的可信推薦方法研究

張挺，趙衛(wèi)東，劉鋼

摘要：當前社會化導購平臺的內容質量參差不齊，用戶需要高質量的內容推薦。針對協(xié)同推薦方法的數(shù)據(jù)稀疏性等問題，提出了面向社會化導購的可信推薦方法，通過分析用戶間的社交行為以及消費行為，挖掘用戶間的情感偏好以及用戶全局可信度等影響用戶信任的因素，構建適用于社會化導購平臺應用場景的信任模型。實驗結果，驗證了其推薦的方法在保證推薦準確率（MAE最優(yōu)可達0.774）的基礎上，提高了推薦覆蓋率（最優(yōu)可達50.4%）。

關鍵詞：社會化導購；信任；協(xié)同推薦；情感計算

趙衛(wèi)東（1971-），復旦大學，副教授，博士，研究方向：電子商務，上海，201203

劉鋼（1974-），復旦大學，講師，博士，研究方向：電子商務，上海，201203

0　引言

在電子商務領域，隨著商品個數(shù)和種類的快速增長，消費者很難快速地選到自己滿意的商品。出于感知風險的考慮，消費者在購買商品前往往會做針對性的信息搜集和比較選擇[1]。導購平臺就是一種降低消費者購物決策成本的商品推薦平臺。傳統(tǒng)的導購平臺從商品的價值出發(fā)對商品進行初步的篩選，比如價格、質量、賣家信譽、銷量等，幫助消費者降低了一定的工作量，但沒有考慮情感層面對消費者的打動。近來，社會化導購（Social Shopping）平臺開始出現(xiàn)，如國外的Pinterest、Polyvore、CrowdStorm和國內的美麗說、蘑菇街等平臺，在短時間內聚集了大量的人氣。社會化導購平臺側重營造導購的情境化和情感化，用戶的社交行為形成了社會化網(wǎng)絡，用戶間的情感偏好可以影響用戶的消費決策。然而隨著導購平臺的擴大，平臺、商家及第三方服務商的過度參與，平臺的內容質量參差不齊，如何向用戶推薦符合其需要的內容仍是一個亟待解決的問題。

現(xiàn)階段，針對社會化導購平臺的推薦系統(tǒng)研究還不多。目前，在電子商務領域比較常用的推薦方法是協(xié)同過濾（Collaborative-Filtering）。協(xié)同過濾算法通過分析用戶基本信息、興趣偏好，在用戶群中發(fā)掘出與目標用戶高度相似的“鄰居”，再結合相似“鄰居”對某一項目的評價，預測出目標用戶對這一項目的喜好程度。在實際應用中，協(xié)同過濾算法也暴露了一些缺點，比較突出的一個問題就是數(shù)據(jù)稀疏性[2]。

為了解決這類問題，國內外很多研究開始將信任（Trust）的概念引入?yún)f(xié)同過濾算法中，并強調用戶間信任關系對用戶偏好決策的重要影響，因為在日常生活中，人們在遇到不熟悉的事物時，更傾向于向自己信任的人尋求建議和幫助。信任在社會學中被認為是一種依賴關系，在推薦系統(tǒng)領域可以將其簡化定義為用戶對在特定平臺或上下文環(huán)境中對其他用戶在一段時間內發(fā)生的評價或推薦行為的認同。同時，信任的傳播可以使用戶關系網(wǎng)絡更加稠密，有效地解決數(shù)據(jù)稀疏的問題。

本文主要關注面向社會化導購平臺的可信推薦研究，從社會化導購平臺的特點出發(fā)，將情感分析和社會化網(wǎng)絡分析的方法融入信任模型中，從用戶的社交行為和消費行為中發(fā)掘出用戶的情感偏好和信任鄰居，在保證推薦準確性的基礎上提高了推薦覆蓋率。

1　相關工作

構建信任模型和量化信任是基于信任的推薦算法的核心模塊。此前，計算節(jié)點間的信任值在P2P網(wǎng)絡等領域已經(jīng)有很多研究成果，近年來，國內外學者提出一系列適用于推薦系統(tǒng)的信任計算模型，從應用范圍來看可以分為兩類：

（1）基于顯性信任關系：應用環(huán)境的用戶之間已存在直接的信任關系，如Epinions.com，研究需要解決的問題是如何利用直接信任值和信任的傳遞規(guī)律推導出間接信任關系。Paolo Massa[3、4]分析了傳統(tǒng)協(xié)同過濾算法的缺陷，并結合信任給出基于信任感知的推薦系統(tǒng)框架，提出了基于圖論的MoleTrust算法。算法以深度優(yōu)先算法查找預設范圍內的用戶，并推導其相應的信任值。Golbeck提出TitalTrust算法[5]，與MoleTrust類似，利用用戶間顯性信任關系建立信任網(wǎng)絡，再以廣度優(yōu)先算法為基礎查找直接信任用戶群，計算信任值時，算法查找被推薦者和推薦者之間的最短路徑。此外，Golbeck[6]在中后期的信任研究中，提出了基于概率模型的信任計算模型SUNNY，以貝葉斯網(wǎng)絡為基礎，預測用戶節(jié)點信譽度的上下界，提高了信任計算的準確性。Jamali M考慮到相對于輕度信任的朋友在自己目標項目上的評價，用戶更傾向于認可高度信任的朋友，甚至是在非目標但類似項目上的意見。其提出的TrustWalker算法分為兩部分，一是通過隨機游走在信任網(wǎng)絡搜索，二是可能目標選擇，算法既考慮目標項目的評分也考慮與其鄰居項目的評分情況，從而在不犧牲精確度的前提下保證推薦的廣度。

（2）挖掘隱性信任關系：在除了針對顯性信任關系，也有部分研究通過分析用戶基本資料和交互數(shù)據(jù)，挖掘并預測用戶間潛在的信任關系。John O’Donovan[7]基于分析推薦者參與推薦活動的統(tǒng)計數(shù)據(jù)，提出profile-level和item-level的信任模型，profile-level信任值反映推薦者參與推薦的整體準確率，item-level信任值反映單個項目的推薦準確率。G. Pitsilis[8]等量化了用戶間差異度來推導信任值，先計算用戶間可比信息的差值（如對同一商品的評分），再結合皮爾森相關系數(shù)推導出用戶間的潛在信任值。Y.A. Kim[9]等以項目品類為劃分，計算推薦者在不同項目品類的信譽情況、被推薦者在不同項目品類的偏好情況以及不同項目品類間的關聯(lián)情況，綜合計算得出用戶間的信任值。Neal Lathia[10]等也是比較被推薦者與推薦者歷史評分數(shù)據(jù)的差異計算出信任值。

計算出的信任關系與協(xié)同過濾結合的策略大致如下：

現(xiàn)有研究的問題：（1）基于顯性信任的研究，雖然信任度計算準確，但具有顯性信任關系的平臺目前只有Epinions以及類似的商品評論類網(wǎng)站，其適用范圍過窄。（2）基于隱性信任的研究在計算信任度時，大多數(shù)研究只側重從商品評分準確度切入，沒有考慮分析非評分類的信息，比如用戶社交行為的影響，用戶評論的情感等，因此計算出來的信任度過于片面。

分析用戶間的情感偏好是對以評分信息為信任建?；A的有效補充。情感分析在電商評論分析和社會化網(wǎng)絡分析中的應用很多[11-12]。通過分析用戶的行為信息和文本信息中蘊含的情感，可以了解用戶對于某件商品或者某個人的褒貶態(tài)度和意見。

本文的創(chuàng)新性貢獻在于：

（1）本文提出了適用于社會化導購平臺的信任推薦方法。目前社會化導購平臺的推薦系統(tǒng)研究尚不成熟，另一方面，大多數(shù)信任推薦研究只在商品評論型網(wǎng)站上做文章，而本文改進了基于商品評論型網(wǎng)站的信任推薦方法，并應用拓展到社會化導購平臺。

（2）本文構建的信任模型結合了平臺社會化的特性，引入了情感分析和社會化網(wǎng)絡分析的思想。算法既考慮目標用戶對被推薦者的個人情感信任度，從社交行為和消費行為兩個角度挖掘用戶潛在的情感，也考慮推薦者在社交網(wǎng)絡中的全局可信度對目標用戶的影響。

2　用戶及情感反饋模型分析

社會化導購平臺的存在形式較多，既有圖片社交網(wǎng)站Pinterest、國內的花瓣網(wǎng)等弱導購性質的站點，也有Polyvore、Kaboodle、CrowdStorm以及國內美麗說和蘑菇街等導購性質較強的站點或移動應用。不過，所有社會化導購平臺從組成形式及運營機制本質上并無明顯差異：即用戶既可以在平臺上推薦內容（具體商品，或者搭配創(chuàng)意等），也可以關注其他用戶的推薦，并給出帶有情感喜好的反饋(關注、點贊、評論等)。其基本元素包含：

其中， 是所有推薦內容所屬類別的集合，以平臺Polyvore為例，推薦內容會歸屬到“服裝”、“飾物”、“家具”等類別。

目前信任研究的應用場景大多基于評論類網(wǎng)站，因為用戶的評價行為是在購買或體驗過商品或服務后給出的，已經(jīng)量化為評分數(shù)值，比如Epinions中對項目的評分為1-5的數(shù)值。而導購類網(wǎng)站則處于消費前的購物引導階段，用戶很難在未完成消費的情況下給出量化的評價。

導購類平臺的用戶對推薦內容的反饋基本是閱讀、點贊、評論、收藏、轉發(fā)等，不同平臺之間在表述上或許有細微差別，比如Polyvore的用戶可操作的反饋有“view”、“l(fā)ike”、“comment”、“repost”、“buy”；而國內的美麗說設置的反饋有“喜歡”、“轉發(fā)”、“購買”，但這些反饋行為的基本性質相同。通過分析，我們發(fā)現(xiàn)用戶在社會化導購平臺上對推薦內容反饋行為的表現(xiàn)形式是一致的，其行為所表達出的情感喜好可以定性，并可以通過一定的規(guī)則定量表示出喜好程度。在此基礎上，我們對用戶操作形式與情感強度進行映射，如表1所示：

表1　反饋行為列表

如表1所列，不同反饋行為表達了用戶的不同級別的喜好程度。因此對于反饋行為，可以根據(jù)喜好程度量化為相應的數(shù)值。

對于評論型反饋，需要通過情感計算對用戶評論進行句法分析，將文本轉化為用戶對推薦內容的情感得分，具體方法將在后續(xù)章節(jié)介紹。

3　信任計算

信任原本屬于社會科學和心理學的范疇，存在于現(xiàn)實社會中，而社會化導購的社交屬性很好地模擬了現(xiàn)實社會，因此，引入信任作為推薦的參考指標十分合理。在Epinions及類似平臺中，用戶與用戶間的信任關系是自己評估的，每個用戶維護自己的信任用戶列表以及不信任用戶列表。然而社會化導購網(wǎng)站中，用戶間并無顯性的“信任”關系，通常是“關注”關系，因此，用戶間的信任度取決于用戶在平臺中的行為以及其他用戶對其行為的反饋情感。在社會化導購平臺中，用戶間的信任主要來源兩方面：（1）目標用戶對推薦者的私人情感，即目標用戶個人情感信任度；（2）推薦者在平臺的影響力和信譽度。對應到日常生活中，人們傾向于信任自己有強烈正面情感的對象，比如朋友、親人，同時人們也更傾向于信任有影響力或威望的人。

3.1個人情感信任度計算

計算用戶A對用戶B的個人情感信任度，需要考慮用戶A在平臺內與用戶B相關的所有行為。在社會化導購平臺中，用戶的行為包括推薦內容的發(fā)布、關注其他用戶、對推薦內容的反饋等等。這些行為都帶有用戶的情感色彩，反映用戶對其他用戶或者推薦內容的偏好程度。

3.1.1個人情感信任度建模

信任關系無論在日常生活還是在虛擬網(wǎng)絡中都是有向的，即Trust(u,v)≠Trust(v,u)。同樣的，用戶間的情感偏好也是有向的，比如用戶A關注了用戶B，用戶B對用戶C的推薦內容點了贊。

以Polyvore平臺為例，普通的反饋行為有：“view”、“l(fā)ike”、“mark”“repost”、“purchase”。不同行為的情感程度不同，有如下的關系：

為了降低復雜度，本文將情感程度接近的反饋行為歸為同一級別，比如收藏行為和轉發(fā)行為情感程度接近。同時，不同級別的情感強度符合等差遞增的規(guī)則。那么，對于，有種反饋行為，也代表個級別的情感強度，且其情感值，為預設的常量，為了方便計算，本文 的值取1。

在社會化導購平臺中，用戶的評論通常僅僅基于用戶對推薦內容的第一印象，用戶評論的文本構成相對簡單，文本粒度基本屬于短語或句子等層次。以Polyvore平臺為例，某件毛衣的評論大多為“Great”、“wow that cool”、“l(fā)ove this”等。因此，簡單的詞句情感識別方法即可滿足需要，本文使用文獻[17]的情感分析方法對用戶評論進行處理。

以Polyvore為研究對象，具體步驟如下：

（1）句法分析：

采用斯坦福大學自然語言處理研究中心的StandfordParser進行句法分析，抽取評論中情感描述部分，極性詞(如good、bad等)、程度詞(如very)、否定詞(如no、 not)。那么，每條評論可以表示為： 表示極性詞， 表示程度詞， 表示否詞。

（2）計算評論的褒貶傾向：

（3）情感得分：

結合實際，用戶評論行為的情感程度接近于點贊行為的情感程度，只是有正負情感的區(qū)別，若用戶評論無情感，則等同于閱讀行為。根據(jù)第2步褒貶傾向的結果可得公式（2）：

本文簡化了文本情感分析的復雜度，僅考慮評論的褒貶傾向，若需要提高情感分析的精準度可以采用更為復雜的模型或算法，但情感分析不是本文重點，這里不做詳細展開。

那么，用戶 對用戶 所有推薦內容的反饋行為的綜合情感得分計算方法為公式（3）：

權重值 計算

為調節(jié)社交反饋情感和行為反饋情感的權重，其計算方式為公式（4）：

3.1.2個人情感信任度傳遞

信任具備傳遞性，將信任引入?yún)f(xié)同推薦可以有效解決數(shù)據(jù)稀疏的問題。如圖1所示：

圖1　信任構建圖示

社會化導購平臺基于用戶的關注關系可以構建無權有向圖，經(jīng)過個人情感信任度的計算，無權有向圖轉變?yōu)橛袡嘤邢虻木W(wǎng)絡圖，且密度變大（用戶雖然不關注但有情感反饋的情況）。

個人信任度的傳遞，即指計算無直接信任關系卻有可到達路徑的用戶之間的間接情感信任度，如圖1中，B到D可通過路徑“B-A-D”，可通過和的值計算出。

信任度傳遞的規(guī)則有：（1）可達路徑中任意相鄰兩節(jié)點間的情感信任度均大于0，否則視為不可達。（2）隨著路徑增長，信任度會衰減，即，因可達節(jié)點間情感信任度的取值范圍為，本文采用乘法[22]處理信任衰減。(3)信任傳遞路徑的長度L有限制，根據(jù)六度分隔原理，。

具體計算步驟如下：

a）尋找路徑

b）計算間接信任度

結合直接信任度和間接信任度，可得用戶 對 的個人情感信任度為公式（6）：

當時，即說明 對 既無任何社交反饋，也對的推薦內容無任何情感反饋，此時計算間接信任度。

3.2全局信任度計算

用戶對 的信任度既反映在個人情感偏好行為中，也與用戶 的全局影響力或威望相關。推薦者的平臺影響力越大，被推薦者對其信任度更高。用戶的平臺影響力由3個因素決定：（1）用戶的社交影響力，比如用戶的粉絲數(shù)等；（2）用戶綜合的推薦認可度，即用戶在平臺所有推薦內容的認可度，比如用戶的推薦內容收獲的“贊”的數(shù)量；（3）用戶的反饋可信度。用戶的社交影響力越大，可信度越高，這類似于微博中的大V用戶或者社區(qū)領袖的微博一般更受信任。而用戶綜合的推薦認可度，反映了用戶整體的推薦內容質量，比如用戶收獲越多的贊，其可信度越高。反饋可信度是指用戶對內容的反饋評價與全平臺用戶的綜合評價的相似度，若用戶的反饋接近綜合評價，則說明用戶的可信度更高。

用戶社交影響力

計算方法借鑒社會網(wǎng)絡研究(SNA)中的中心度計算思想。社會化導購平臺的運營基于用戶間的社會化行為，可以將其視作一個典型的社會化網(wǎng)絡，并以用戶與用戶間的關注關系為基礎構建有向圖。

在社會網(wǎng)絡研究中，節(jié)點的中心性用來評估節(jié)點在網(wǎng)絡中的影響能力，即中心性越高，節(jié)點影響力越大。計算中心性的方法大致有幾種：度中心性計算、中介中心性計算、緊密中心性計算和特征向量中心性計算等。本文計算用戶影響力時使用中介中心性算法[13]：

用戶推薦認可度是對用戶推薦內容質量的綜合評價，質量好的推薦內容會收到更多的正向反饋，用戶推薦的內容質量越高，該用戶的推薦可信度就越高。內容i的推薦質量計算為公式（8）：

計算出單個推薦內容的推薦質量后，對用戶所有推薦內容進行加權計算，可得用戶的推薦認可度為公式（9）：

取值為平臺所有對i反饋過用戶情感出入的標準差，若差異度大于 ，可信度得分為0，反之則為1，如公式（11）：

考慮到導購平臺用戶對內容的反饋是基于直觀的第一印象。在日常生活中，不同的人對同一事物的喜好程度會有出入，甚至可能完全不同。因此，用戶的反饋偶然性很大，偶爾出現(xiàn)為0的情況并不能斷定用戶的反饋可信度不高。所以，我們同樣為用戶疑似惡意行為的比例設定閾值 。本文閾值 設為0.7。

其反饋可信度為公式（13）：

2.1信任計算

綜合前兩節(jié)的計算，一方面，被推薦者對推薦者的信任度體現(xiàn)在二者之間的交互行為中，比如被推薦者是否關注了推薦者、被推薦者是否積極反饋推薦者的推薦行為；另一方面，被推薦者的全局影響力和綜合可信度也影響被推薦者的信任。

通常個人情感信任度更能直觀地體現(xiàn)目標用戶對推薦者的信任情感，而推薦者的全局信任度起到輔助補充的作用，故本文給予個人情感信任度更高的權重。的計算方式為公式（15）：

4　推薦步驟

協(xié)同過濾推薦算法的核心思想主要是以被推薦者的信息為基準通過相似度計算篩選出最近鄰居用戶集合，再根據(jù)最近鄰居對項目的評分，通過設定的權重組合計算預測出被推薦者可能對該項目的評分，最后選擇合適的項目推薦給被推薦者。因此推薦的核心步驟為：（1）找最近鄰居，即備選推薦者集合；（2）預測被推薦者反饋，給出推薦。

4.1鄰居篩選

由于數(shù)據(jù)稀疏的問題，很多用戶之間并沒有共同反饋的項目內容，傳統(tǒng)推薦僅僅以相似度作為鄰居篩選原則使得推薦的覆蓋率很低。因此，本文將結合第3部分計算的信任度和用戶相似度，用二者的復合值作為選取鄰居的指標。

（1）計算相似度

用戶相似度本文從社交相似度和行為相似度兩個維度計算。社會化導購平臺的用戶之間存在構建社會化網(wǎng)絡的基礎，用戶間存在相似的社交行為，如關注相同的用戶等，可以體現(xiàn)用戶興趣的相似性。

社交相似度

其中，OUTu、OUTv分別表示用戶u、v的關注用戶集合。

行為相似度

用戶和用戶的行為相似度，指對用戶相同或者類似推薦內容的反饋行為是否有相同的觀念。采用常用的皮爾森相關系數(shù)作為計算公式（17）：

結合社交相似度和行為相似度，則有公式（18）：

在實際生活中，用戶的行為相似度比社交相似度更能體現(xiàn)用戶興趣，比如用戶A和B同時關注C，A可能是因為對C在服裝領域的推薦感興趣，而B則是對C在電子產(chǎn)品領域的推薦感興趣。而如果A和B對同一內容點贊，則說明二者都對這一內容感興趣。因此，在計算相似度時需要增加行為相似度的權重如公式（19）：

（2）結合信任度和相似度

設w(u,v)為信任度和相似度的復合值，則有公式（20）：

其中參數(shù)q為調節(jié)相似度和信任度的權重，q∈[0,1]，后續(xù)可通過實驗分析討論 的取值對推薦結果的影響。

（3）選擇最近鄰居

選擇最近鄰居有兩種方法：（1）設定閾值，過濾 值小于閾值的推薦者；（2）設定鄰居數(shù)N，選擇 值最大的N個推薦者。本文使用第1種方法，并設定閾值 ，則用戶 的最近鄰居集合為公式（21）：

4.2預測及推薦

對于目標用戶u未反饋過的內容i，綜合最近鄰居對內容i的反饋情感進行預測，常用的預測方法是Resnick方程[20]公式（22）：

5　實驗分析

5.1數(shù)據(jù)來源及實驗環(huán)境

為了驗證該信任模型的有效性和可行性，本實驗以國外設計導購平臺Polyvore為研究對象。Polyvore是以時尚設計為主題的社會化導購平臺。該平臺上，用戶可以自己提交推薦內容，也可以對他人的推薦內容進行反饋。

數(shù)據(jù)采集

本實驗通過爬蟲程序從Polyvore平臺隨機采集了4500位用戶截止到2015年3月20日的基本信息和行為數(shù)據(jù)，并整理成實驗所需格式。具體數(shù)據(jù)如表2所示：

表格2　實驗數(shù)據(jù)采集

其中，用戶反饋稀疏度的計算公式如公式（23）：

用戶反饋的稀疏度驗證了Polyvore平臺數(shù)據(jù)比較稀疏，這也是目前電商類或導購類網(wǎng)站面臨的問題，傳統(tǒng)的協(xié)同過濾算法以用戶相似度為指標篩選鄰居，而相似度計算的準確率往往受制于數(shù)據(jù)稀疏性。

數(shù)據(jù)處理

Polyvore平臺用戶的反饋行為有“view”、“l(fā)ike”、“repost”、“mark”、“comment”、“purchase”：（1）本實驗將“repost”和“mark”行為歸于一類反饋，因為二者的情感強度接近。（2）由于平臺未將用戶購買行為數(shù)據(jù)公開，本實驗對該部分數(shù)據(jù)進行了模擬仿真。（3）在對用戶評論進行文本情感分析時，詞法分析使用StanfordParserv2.0.4，語料庫采用WordNet2.1。

平臺用戶間的社交關系有“follow”、“block”、“flag as inappropriate”、“subscribe via RSS”，本次實驗進行了簡化處理，將“subscribe via RSS”歸為“follow”關系，的取值為1；將“flag as inappropriate”歸為“block”關系，的取值為-1；無關系則視為不關注，取0。

本實驗過程由Java實現(xiàn)。實驗隨機將整個數(shù)據(jù)集平均分為5個數(shù)據(jù)集，每次選取一個作為測試集，其余作為訓練集，共5次。取5次實驗的平均值作為實驗結果。

評價標準

本文實驗的評價標準選擇平均絕對偏差(MAE)和推薦覆蓋率(Coverage Rate)：

平均絕對偏差(MAE)[18]

MAE是計算預測被推薦者反饋與其實際反饋的差值，用來衡量預測的準確性，差值越小，推薦的準確率越高。其公式如公式（24）：

推薦覆蓋率(Coverage Rate)

CR是可預測的項目內容數(shù)量在實際測試集中項目內容的比例，比例越高說明推薦的覆蓋率越高。其公式如公式（25）：

5.3實驗分析

本文實驗主要探究兩個內容：（1）確定權重 的最佳值；（2）與現(xiàn)有相關算法的比較。

確定權重q的最佳值

權重q是信任度和相似度在復合時的權重，實驗探究q取不同值時信任度和相似度的復合值對推薦結果的影響。實驗進行3次，每次最近鄰居篩選閾值分別取0.3，0.5和0.8。為了降低復雜度， 值取0.1到1.0之間的離散值，μ和τ的取值均為1/3，如圖2所示：

圖2　權重q值變化對MAE的影響

性能比較

本文提出的信任度結合協(xié)同推薦策略記作T-CF，實驗過程選取以4種對照方法比較性能：(1)PCF，基于皮爾森相似度的協(xié)同過濾方法；（2）SS-CF，基于本文社交相似度和行為相似度的復合值的協(xié)同推薦方法；（3）JT，文獻[15]提出的基于隱性信任的推薦方法；（4）KNR，文獻[16]提出的基于隱性信任的協(xié)同推薦方法，如圖3、圖4所示：

圖 3　MAE隨參數(shù)的變化

圖4　CR隨參數(shù)的變化

實驗中，T-CF算法的q值取0.6。鄰居篩選閾值 取0.1到1.0之間的離散值，μ和τ的取值均為1/3。由圖3和圖4可看出。

本文提出的推薦方法T-CF性能最好，傳統(tǒng)協(xié)同過濾方法PCF性能最差。T-CF的MAE最低值為0.774，而傳統(tǒng)協(xié)同推薦PCF算法的MAE最低值則為0.808，T-CF的CR最高值為0.504，而PCF僅為0.348，T-CF算法性能提升顯著。

在□從1變化到0.1的過程中，MAE逐步降低，說明有效鄰居的增多對推薦準確率的正面影響大過增加噪聲的負面影響；在□從0.1變化到1的過程中，推薦覆蓋率不斷減小，因為隨□值增加，成為目標用戶鄰居的門檻變高，有效鄰居越來越少。

對比引入信任和相似度的推薦方法T-CF、JT和KNR和僅考慮用戶相似度的推薦方法PCF和SS-CF，T-CF、JT 和KNR的性能更優(yōu)，說明信任的引入可以很好地提高協(xié)同推薦的性能。

和同類的JT和KNR方法相比，T-CF不論在準確率還是推薦覆蓋率上都更優(yōu)，說明在信任計算時考慮社交行為的情感和社會化網(wǎng)絡的特點，可以提高信任的準度。JT和KNR算法在計算信任值時均僅從用戶歷史評價可信度切入，沒有考慮到用戶的社交情感也是用戶信任的重要載體。

6　總結

社會化導購對于消費者的消費決策有著極強的指導性作用，因此向消費者提供可信的高質量的信息推薦尤為重要。由于傳統(tǒng)的協(xié)同推薦方法有數(shù)據(jù)稀疏性等問題，現(xiàn)有平臺的用戶體驗較差。為了解決這一問題，本文提出了面向社會化導購的可信推薦方法，通過分析用戶間的社交行為以及用戶的消費行為，挖掘用戶間的情感偏好以及用戶全局可信度等影響用戶信任的因素，構建符合社會化導購平臺應用場景的信任模型。同時，本文以國外導購平臺Polyvore為實驗對象，比較了傳統(tǒng)的協(xié)同推薦算法和基于信任的推薦方法的優(yōu)劣性，實驗結果驗證了基于信任的推薦方法在保證推薦準確率的基礎上提高了推薦的覆蓋率。

本文仍有許多不足，在用戶反饋行為的情感量化方面的設定過于簡單和理想化，真實的商業(yè)環(huán)境中用戶行為更為復雜，需要更精細的量化規(guī)則。同時對用戶評論情感的挖掘也應用更精細的句法分析和情感分析算法。

參考文獻

[1] Pitsilis G, Marshall L. Trust as a Key to Improving Recommendation Systems[J]. Trust Management, 2005, 3477(1):210-223.

[2] Gediminas Adomavicius, Alexander Tuzhilin. Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions[J], IEEE Transactions on Knowledge and Data Engineering, 2005,17(6):634-749.

[3] Massa P, Bhattacharjee B. Using Trust in Recommen -der Systems: An Experimental Analysis. In Procee -dings of the Second International Conference on Trust Management, 2004[C]: 221-235.

[4] Paolo Massa, Paolo Avesani, Trust-aware Recomm -ender Systems. In Proceedings of the 2007 ACM Conference on Recommender Systems, 2007[C]: 17-24.

[5] P. Massa, P. Avesani, R. Tiella. A Trust-enhanced RecommenderSystem Application: Moleskiing. In Proceedings of ACM SAC TRECK Track, 2005[C]: 1589-1593.

[6] Jennifer Golbeck. Computing and Applying Trust in Web-based So

[7] cial Net-works[D]. University of Maryland, 2005.

[8] Y. Kuter, J. Golbeck. Sunny: a New Algorithm for Trust Inference in Social Networks Using Probabilistic Confidence Models. In Proceedings of the 22nd National Conference on Artificial Intelligence, 2007 [C].

[9] J. O’Donovan, B. Smyth. Trust in Recommender Systems. In IUI ’05: Proceedings of the 10th interna -tional conference on Intelligent user interfaces, 2005[C]:167-174.

[10] Y.A. Kim, R. Phalak. A Trust Prediction Framework in Rating-based Experience Sharing Social Networks without a Web of Trust[J], Information Sciences,2012, 191(1):128–145.

[11] G. Pitsilis, L. Marshall. A Model of Trust Derivation from Evidence for Use in Recommendation Systems. In Proceeding of PREP, 2005[C].

[12] Lathia N, N L, Lathia N, Trust-Based Collaborative Filtering[J]. IFIP International Federation for Informa -tion Processing, 2008, 263(1):119-134.

[13] Jamali M, Ester M. TrustWalker: A Random Walk Model for Combining Trust-based and Item-based Recommendation. In KDD '09 Proceedings of the 15th ACM SIGKDD international conference on Knowle dge discovery and data mining, 2009[C]:397-406.

[14] 桑輝,許輝.消費者網(wǎng)上購物動機研究[J]. 消費經(jīng)濟, 2005, 21(3):82-85.

[15] 趙妍妍,秦兵,劉挺.文本情感分析[J]. 軟件學報, 2010, 21(8):1834-1848.

[16] Taboada M, Tofiloski M, Brooke J, et al. Lexicon -based Methods for Sentiment Analysis[J]. Computa -tional Linguistics, 2011, 37(2):267-307.

[17] Wilson T, Wiebe J, Hoffmann P. Recognizing Contex -tual Polarity: An Exploration of Features for Phrase -Level Sentiment Analysis[J]. Computational Lingui -stics, 2009, 35(3):399--433.

[18] Melville P, Gryc W, Bldg W, et al. Sentiment Analysis of Blogs by Combining Lexical Knowledge with Text Classification[J]. In KDD, 2009, 12(1):1275-1284.

[19] Burke R. Hybrid Recommender Systems: Survey and Experiments[J]. User Modeling and User-Adapted Interaction, 2002, 12(4):331-370.

[20] 朱靜宜. 基于中介中心度的微博影響力個體發(fā)現(xiàn)[J].計算機應用研究, 2014, 31(1):131-133.

[21] Resnick P, Varian H R. Recommender Systems [J]. Communications of the ACM, 1997, 40(3):56-58.

[22] 杜永萍,黃亮,何明.融合信任計算的協(xié)同過濾推薦方法[J]. 模式識別與人工智能,2014, 27(5):417-425.（收稿日期：2014.4.22）

作者簡介：張挺（1990-），男，安徽人，復旦大學碩士研究生，研究方向：電子商務，上海，201203

文章編號：1007-757X(2015)12-0057-07

中圖分類號：TP3

文獻標志碼：A