陳永鋒　朱振宇

摘 要：面對(duì)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(gè)性化推薦針對(duì)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(duì)綜合隱語義模型和信任關(guān)系模型的個(gè)性化推薦算法進(jìn)行了研究。通過將信任關(guān)系網(wǎng)絡(luò)與隱語義模型相結(jié)合，簡(jiǎn)化了運(yùn)算量，提高了推薦效率和準(zhǔn)確度。具體討論了如何建立信任關(guān)系模型，并將其應(yīng)用于推薦系統(tǒng)中。采用樣本訓(xùn)練得到隱語義模型，并通過Epinions.com數(shù)據(jù)庫驗(yàn)證該模型的有效性。

關(guān)鍵詞：隱語義模型；信任關(guān)系模型；個(gè)性化推薦；冷啟動(dòng)；社交網(wǎng)絡(luò)

1 概述

目前個(gè)性化推薦算法大體可分為基于協(xié)同過濾技術(shù)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(shù)是根據(jù)鄰居用戶的資料對(duì)目標(biāo)用戶進(jìn)行產(chǎn)品推薦?；趦?nèi)容的推薦是推薦與目標(biāo)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(duì)多個(gè)商品得評(píng)分，而對(duì)于新用戶來說并沒有商品購買行為，也就沒有評(píng)分，因此很難對(duì)其進(jìn)行推薦[1]。在基于顯式標(biāo)簽的推薦系統(tǒng)中，需要用到人工對(duì)用戶還有產(chǎn)品進(jìn)行打標(biāo)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(yùn)用隱語義模型，自動(dòng)找到那些類然后進(jìn)行個(gè)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(shù)，是用來找出潛在的主題或分類。

3 用戶社交關(guān)系信任網(wǎng)絡(luò)

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

本文將有直接信任關(guān)系的用戶之間的信任強(qiáng)度設(shè)定為1，并假設(shè)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(duì)其他用戶v的信任強(qiáng)度與他們之間的最短路徑直接相關(guān)[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(diǎn)（即對(duì)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(diǎn)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(jié)構(gòu)

信任矩陣（代表所有用戶的信任關(guān)系）和評(píng)分矩陣（表示由用戶給定的項(xiàng)目的所有的評(píng)分），作為整個(gè)系統(tǒng)的輸入，并且產(chǎn)生該用戶對(duì)項(xiàng)目矩陣的預(yù)測(cè)的評(píng)分作為輸出。

5 實(shí)驗(yàn)結(jié)果及評(píng)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(duì)其他用戶進(jìn)行打分，于是系統(tǒng)中就有了可用的信任關(guān)系網(wǎng)絡(luò)。

整體來看，綜合用戶信任關(guān)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(píng)分覆蓋率都優(yōu)于傳統(tǒng)的協(xié)同過濾方法。尤其是在對(duì)新用戶的預(yù)測(cè)上，新的方法可以彌補(bǔ)傳統(tǒng)的協(xié)同過濾的不足。

當(dāng)信任距離大于1時(shí)，基于信任度的混合算法在全部用戶上的評(píng)分覆蓋率和用戶覆蓋率都優(yōu)于用戶協(xié)同過濾。正如預(yù)期的那樣，傳播距離越大，用戶覆蓋率和評(píng)分覆蓋率越高，其對(duì)應(yīng)的預(yù)測(cè)誤差也就越小。對(duì)于缺少評(píng)分?jǐn)?shù)據(jù)的冷啟動(dòng)用戶，相對(duì)于用戶協(xié)同過濾，基于信任網(wǎng)絡(luò)的混合推薦算法得到了更高的評(píng)分和用戶覆蓋率以及較小的誤差。例如對(duì)于全部用戶來說，對(duì)大距離為4時(shí)，評(píng)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(jié)束語

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

參考文獻(xiàn)

[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(gè)性化推薦中的隱語義模型[J].小型微型計(jì)算機(jī)系統(tǒng)，2016，5：881-889.

[5]叢麗暉，王科，夏秀峰.利用信任支持度構(gòu)建客戶信任網(wǎng)絡(luò)[J].計(jì)算機(jī)工程與應(yīng)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(bào)工程，2016，4（2）：30-39.

作者簡(jiǎn)介：陳永鋒（1961-），男，教授，主要從事風(fēng)險(xiǎn)評(píng)估理論、建模與方法、企業(yè)信息化方面的教學(xué)和科研工作。

朱振宇（1993-），男，碩士，個(gè)性化推薦。