吳彥文 常棟杰 韓得娟

摘要：O2O教學(xué)環(huán)境中，基于信任的個(gè)性化服務(wù)定制是O2O教學(xué)模式為用戶提供智能性、便捷性的一項(xiàng)關(guān)鍵支撐技術(shù)，是O2O教學(xué)服務(wù)中重要的研究?jī)?nèi)容之一?？紤]O2O教學(xué)環(huán)境中社交網(wǎng)絡(luò)的特點(diǎn)，提出一種新的用戶信任度計(jì)算算法，將信任分為3個(gè)維度考慮：熟悉性信任度、社會(huì)信任度以及相似信任度。仿真測(cè)試驗(yàn)證了該計(jì)算方法相比單一的用戶信任度計(jì)算方法，能夠取得更精準(zhǔn)的個(gè)性化推薦效果。

關(guān)鍵詞：O2O；社交網(wǎng)絡(luò)；信任度；圖模型；個(gè)性化推薦

DOIDOI：10.11907/rjdk.173241

中圖分類(lèi)號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：1672-7800（2018）008-0102-04

英文摘要Abstract：In O2O teaching environment， trust-based personalized customization service is a key technology in O2O mode to provide users with intelligence and convenience. It is one of the important research contents in O2O teaching service. Combined with the characteristics of social network in O2O teaching environment， a new hybrid trust calculation algorithm is proposed ， and the trust is divided into three dimensions ：familiarity trust degree， social trust degree and similarity trust degree. The simulation results show that the hybrid trust algorithm is more accurate than the single user trust algorithm.

英文關(guān)鍵詞Key Words：O2O； social network； trust； graph model； personalized recommendation

0 引言

教育信息化背景下，越來(lái)越多O2O教學(xué)平臺(tái)將社交功能引入，將教學(xué)與社交相結(jié)合，構(gòu)建新型的O2O教學(xué)環(huán)境。在新型的O2O教學(xué)環(huán)境中，用戶可通過(guò)社交網(wǎng)絡(luò)選擇其信任的老師在線交流、線下約教，選擇其信任的伙伴進(jìn)行協(xié)作學(xué)習(xí)、交友聊天。社交網(wǎng)絡(luò)的引入，很大程度上促進(jìn)了O2O教學(xué)環(huán)境中用戶的聯(lián)系與交流，教學(xué)效果顯著提升。如何通過(guò)O2O教學(xué)環(huán)境中的社交網(wǎng)絡(luò)為用戶提供基于信任的教學(xué)服務(wù)，逐漸成為O2O教學(xué)的研究熱點(diǎn)。

用戶信任度的計(jì)算重點(diǎn)是如何合理、全面運(yùn)用用戶的社交網(wǎng)絡(luò)信息。王玉祥等[1]根據(jù)用戶之間的信任評(píng)分度量用戶之間的信任度，并將其應(yīng)用到移動(dòng)服務(wù)選擇機(jī)制中。黃武漢等[2]通過(guò)分析移動(dòng)用戶之間的通信行為計(jì)算信任度，將其應(yīng)用在移動(dòng)推薦系統(tǒng)中，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了引入信任度可以緩解協(xié)同過(guò)濾算法中的稀疏性問(wèn)題。移動(dòng)用戶之間的信任度不僅與用戶之間的交互行為有關(guān)，而且還受上下文信息、社會(huì)影響力、偏好相似度影響。文獻(xiàn)[3]提出從初始信任、交互信任、推薦信任3個(gè)方面進(jìn)行建模研究信任度計(jì)算。文獻(xiàn)[4]提出的I-Trust模型，則是將用戶信任度分為相似信任、交互信任、全局信任3個(gè)維度。

在參考已有研究的基礎(chǔ)上，考慮O2O教學(xué)環(huán)境中的信任關(guān)系特征、信任關(guān)系的有向性、不對(duì)稱性以及時(shí)間因素對(duì)信任關(guān)系的影響，將用戶信任度分為熟悉性信任度、社會(huì)信任度、相似信任度，對(duì)圖模型算法進(jìn)行適當(dāng)改進(jìn)，提出了O2O教學(xué)環(huán)境中的用戶信任度計(jì)算方法。

1 基于圖模型的信任度

圖模型常用于描述社交用戶之間的相互關(guān)系。考慮到信任關(guān)系的有向不對(duì)稱性，即用戶B為用戶A信任的人，不等于B也同樣信任A，將社交網(wǎng)絡(luò)描述為G（N，E，W），其中N表示O2O網(wǎng)絡(luò)中所有節(jié)點(diǎn)的集合；E為（E_（x→y），E_（y→x）），E_（x→y）和E_（y→x）為網(wǎng)絡(luò)節(jié)點(diǎn)x與y之間的有向邊，代表用戶之間的信息交互關(guān)系；W為（W_（x→y），W_（y→x）），W_（x→y）和W_（y→x）表示有向邊的權(quán)重，代表用戶之間的信息交流數(shù)量[5]。由此得到用戶有向交互如圖1所示。

1.1 熟悉性信任度計(jì)算

根據(jù)六度空間理論，以圖1中A為根節(jié)點(diǎn)，將圖1轉(zhuǎn)化為圖2所示的用戶有向社交關(guān)系。同心圓的第一層為A的一級(jí)聯(lián)系節(jié)點(diǎn)，第二層為A的二級(jí)聯(lián)系節(jié)點(diǎn)，例如B、C節(jié)點(diǎn)為A的一級(jí)聯(lián)系節(jié)點(diǎn)，D、H為A的二級(jí)聯(lián)系節(jié)點(diǎn)，依此類(lèi)推[6]。

在現(xiàn)實(shí)社交網(wǎng)絡(luò)中，不可避免會(huì)存在孤立節(jié)點(diǎn)，將孤立節(jié)點(diǎn)保留，由于孤立節(jié)點(diǎn)與根節(jié)點(diǎn)直接信息交流數(shù)量為0，因此孤立節(jié)點(diǎn)與A節(jié)點(diǎn)的熟悉性信任度為0。在圖2中，節(jié)點(diǎn)A到節(jié)點(diǎn)D有4條路徑{（A→B→D），（A→C→D，（A→B→C→D），（A→C→B→D）}，根據(jù)最短路徑原則，A到D所經(jīng)過(guò)的節(jié)點(diǎn)越少，其信任度越高[7]，因此計(jì)算兩節(jié)點(diǎn)間的信任度時(shí)，僅考慮最短路徑，此處節(jié)點(diǎn)A與D有兩條最短路徑{（A→B→D），（A→C→D）}。

1.2 基于直接信任的社會(huì)信任度

社會(huì)信任度間接反映了一個(gè)人的社會(huì)地位，是社會(huì)對(duì)其信譽(yù)認(rèn)可的體現(xiàn)，社交網(wǎng)絡(luò)中不存在顯式的信譽(yù)評(píng)分機(jī)制，因此無(wú)法直接獲得用戶的社會(huì)信譽(yù)度[9]。文獻(xiàn)[10]中用群體信任度算法和區(qū)塊鏈思想提供的信任問(wèn)題解決思路，對(duì)其進(jìn)行適當(dāng)改進(jìn)?？紤]用戶的社會(huì)信任度，即為其余用戶對(duì)其信任度的加權(quán)信任評(píng)分，在計(jì)算用戶社會(huì)信任度時(shí)，讓所有節(jié)點(diǎn)都有公平的投票權(quán)利，任意節(jié)點(diǎn)的信任度得分均依賴于其它節(jié)點(diǎn)的評(píng)分，防止由于少數(shù)節(jié)點(diǎn)作惡而修改評(píng)分結(jié)果。以下給出本文社會(huì)信任度計(jì)算公式：

1.4 綜合信任度算法

O2O社交網(wǎng)絡(luò)上的關(guān)系網(wǎng)絡(luò)極其復(fù)雜：其一，人與人之間的信任關(guān)系可以從其交流關(guān)系的強(qiáng)度簡(jiǎn)單得出，但是不夠全面；其二，信任關(guān)系具有有向性、不對(duì)稱、漸變等特點(diǎn)；其三，O2O社交網(wǎng)絡(luò)用戶之間的信任關(guān)系，不僅源于親戚朋友、興趣相投，而且可以來(lái)源于其良好的社會(huì)信譽(yù)評(píng)分[14]。綜上，提出一種O2O教學(xué)環(huán)境中的用戶信任度計(jì)算方法，考慮用戶之間的信任關(guān)系由熟悉信任度、社會(huì)信任度、相似信任度3個(gè)維度組成，更加平衡合理地評(píng)價(jià)用戶之間的信任關(guān)系，計(jì)算公式如式（8）所示。

2 實(shí)驗(yàn)結(jié)果與分析

上述綜合信任度計(jì)算方法用于O2O教學(xué)環(huán)境中根據(jù)用戶社交屬性等信息進(jìn)行好友個(gè)性化推薦。實(shí)驗(yàn)數(shù)據(jù)集來(lái)源于KDD CUP 2012 track 1活動(dòng)所提供的騰訊微博數(shù)據(jù)。實(shí)驗(yàn)采用數(shù)據(jù)集中的3個(gè)文檔作實(shí)驗(yàn)分析：user_pfofile文檔包含用戶ID、年齡、性別、所發(fā)微博數(shù)、興趣標(biāo)簽共計(jì)5個(gè)屬性；user_sns文檔包含關(guān)注者和被關(guān)注者2個(gè)屬性；user_action文檔包括用戶ID、動(dòng)作目標(biāo)ID、@行為、轉(zhuǎn)發(fā)行為、評(píng)論行為5個(gè)屬性。

首先將實(shí)驗(yàn)所需數(shù)據(jù)導(dǎo)入mysql數(shù)據(jù)庫(kù)，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理：剔除用戶興趣標(biāo)簽為0和所發(fā)微博數(shù)少于10的用戶；剔除user_action表中動(dòng)作目標(biāo)為自己的數(shù)據(jù)。從數(shù)據(jù)集中無(wú)法直接獲得任意兩用戶建立好友關(guān)系的時(shí)間，以兩用戶中微博數(shù)較少的一個(gè)用戶所發(fā)微博數(shù)作為其有向好友關(guān)系建立時(shí)長(zhǎng)。如用戶A與n，A所發(fā)微博數(shù)為2017，n所發(fā)微博數(shù)為85，則其好友建立時(shí)長(zhǎng)為85。目前鮮有@、評(píng)論、互動(dòng)權(quán)重關(guān)系的研究，賦予3種屬性同樣的權(quán)重[15]。

選取個(gè)性化推薦領(lǐng)域的推薦準(zhǔn)確率（Precision）、召回率（Recall）以及綜合二者的F1-measure作為評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)中定義如下：

Precison=推薦結(jié)果中已關(guān)注對(duì)象數(shù)量推薦結(jié)果數(shù)量

Recall=推薦結(jié)果中已關(guān)注對(duì)象數(shù)量用戶關(guān)注對(duì)象數(shù)量

F1-measure=2×Precison×RecallPrecison+Recall

實(shí)驗(yàn)中選取推薦數(shù)量取值分別為5、10、15、20、30、40、50，結(jié)果見(jiàn)圖5-圖7。

由圖5-圖7的實(shí)驗(yàn)結(jié)果可知，隨著推薦數(shù)量增加，準(zhǔn)確率降速緩慢下降，最終趨于穩(wěn)定；召回率增速緩慢上升，最終趨于穩(wěn)定；綜合準(zhǔn)確率和召回率的F1-measure緩慢增加，增速放緩趨于穩(wěn)定。綜合3個(gè)維度的用戶信任度計(jì)算方法相較于其它3種單個(gè)信任度算法，取得了較好的性能，推薦效果優(yōu)于其它3種單一算法，說(shuō)明綜合社交圖譜熟悉性、用戶社會(huì)信任度及用戶相似度的用戶信任度算法利用了更多用戶信息，能取得更好的推薦效果。

3 結(jié)語(yǔ)

O2O教學(xué)環(huán)境下的好友個(gè)性化推薦中，綜合考慮基于圖模型的用戶熟悉信任度、社會(huì)信任度和相似信任度3個(gè)因素，找到最適當(dāng)?shù)臋?quán)重參數(shù)，可以獲得更加精確的推薦結(jié)果，獲得令用戶滿意的效果。本文在計(jì)算用戶熟悉度時(shí)，考慮了信任的有向性與不對(duì)稱性，在計(jì)算用戶社會(huì)信任度和用戶相似度時(shí)不僅考慮了節(jié)點(diǎn)的直接相鄰節(jié)點(diǎn)，而且深度挖掘了用戶間接相鄰節(jié)點(diǎn)的有用信息，提高了推薦質(zhì)量。

參考文獻(xiàn)：

[1] 王玉祥，喬秀全，李曉峰，等.上下文感知的移動(dòng)社交網(wǎng)絡(luò)服務(wù)選擇機(jī)制研究[J].計(jì)算機(jī)學(xué)報(bào)，2010，33（11）：2126-2135.

[2] 黃武漢，孟祥武，王立才.移動(dòng)通信網(wǎng)中基于用戶社會(huì)化關(guān)系挖掘的協(xié)同過(guò)濾算法[J].電子與信息學(xué)報(bào)，2011，33（12）：3002-3007.

[3] 付蕾.社交網(wǎng)絡(luò)中用戶的信任度計(jì)算方法[J].現(xiàn)代計(jì)算機(jī)，2013，（12）：9-13+24.

[4] 杜嬌龍.微博社交網(wǎng)絡(luò)的用戶信任度模型研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2016.

[5] 喬秀全，楊春，李曉峰，等.社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法[J].計(jì)算機(jī)學(xué)報(bào)，2011，34（12）：2403-2413.

[6] 劉乾.基于社交網(wǎng)絡(luò)和地理位置信息的好友推薦方法研究[D].杭州：浙江大學(xué)，2013.

[7] 陳婷，朱青，周夢(mèng)溪，等.社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J].軟件學(xué)報(bào)，2017，28（3）：721-731.

[8] 史嶺峰.基于社交網(wǎng)絡(luò)好友關(guān)系的圖查詢算法研究與應(yīng)用[D].南京：南京理工大學(xué)，2012.

[9] 何靜，郭進(jìn)利，徐雪娟.微博用戶行為統(tǒng)計(jì)特性及其動(dòng)力學(xué)分析[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2013（Z1）：94-100.

[10] 文俊浩，何波，胡遠(yuǎn)鵬.基于社交網(wǎng)絡(luò)用戶信任度的混合推薦算法研究[J].計(jì)算機(jī)科學(xué)，2016，43（1）：255-258.

[11] ZIEGLER C N，GOLBECK J.Investigating interactions of trust and interest similarity[J].Decision Support Systems，2007，43（2）：460-475.

[12] 孟祥武，劉樹(shù)棟，張玉潔，等.社會(huì)化推薦系統(tǒng)研究[J].軟件學(xué)報(bào)，2015，26（6）：1356-1372.

[13] 鄧瑩瑩.社交網(wǎng)站中基于用戶社會(huì)活動(dòng)和好友網(wǎng)絡(luò)的推薦技術(shù)研究[D].上海：復(fù)旦大學(xué)，2014.

[14] XU J，ZHONG Y S，ZHU W Q，et al.Trust-based context-aware mobile social network service recommendation[J].Wuhan University Journal of Natural Sciences，2017（2）：149-156.

[15] WANG D，HUANG H，XIE C.A novel web service recommendation approach based on credible user comment[C].Pattaya：International Conference on Machinery，2015.

（責(zé)任編輯：何 麗）