吳浩 彭亦楠 何鵬 黃權(quán)

摘 要：在服務(wù)推薦過(guò)程中，為了把社交關(guān)系對(duì)用戶興趣的影響標(biāo)簽化，提升推薦結(jié)果的準(zhǔn)確性，提出一種基于利用可靠用戶補(bǔ)充標(biāo)簽的服務(wù)推薦方法SRST，通過(guò)在相似用戶之間構(gòu)建可靠用戶網(wǎng)絡(luò)，比較可靠用戶網(wǎng)絡(luò)中每個(gè)用戶節(jié)點(diǎn)的度數(shù)得到度數(shù)最大的Top-k2個(gè)可靠用戶，并通過(guò)這些可靠用戶的興趣標(biāo)簽對(duì)目標(biāo)用戶的標(biāo)簽進(jìn)行補(bǔ)充，再利用補(bǔ)充后的標(biāo)簽集進(jìn)行服務(wù)推薦，最后在公開(kāi)數(shù)據(jù)集Delicious上進(jìn)行實(shí)證分析。

關(guān)鍵詞：社交關(guān)系;可靠性網(wǎng)絡(luò);協(xié)同過(guò)濾;服務(wù)推薦

中圖分類號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）02-00-04

0 引 言

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

人們提出了許多在推薦系統(tǒng)中利用社會(huì)網(wǎng)絡(luò)信息的方法[3-9]，從而產(chǎn)生了社會(huì)推薦領(lǐng)域。尤其是文獻(xiàn)[3]提出的BPR模型，該模型進(jìn)一步假設(shè)在所有目標(biāo)用戶未接觸過(guò)的服務(wù)中，用戶更喜歡那些被其社交關(guān)系接觸過(guò)的服務(wù)。但是這些基于社交關(guān)系的推薦主要針對(duì)冷啟動(dòng)和數(shù)據(jù)稀疏的問(wèn)題，而且推薦的準(zhǔn)確度不高[10]。本文把社交關(guān)系對(duì)用戶興趣的影響以標(biāo)簽的形式體現(xiàn)出來(lái)，并用來(lái)提高服務(wù)推薦的質(zhì)量。

本文在標(biāo)簽的角度，為提取出社交關(guān)系中的興趣標(biāo)簽用來(lái)對(duì)目標(biāo)用戶的標(biāo)簽集進(jìn)行補(bǔ)充，提出一種基于利用社交關(guān)系補(bǔ)充標(biāo)簽的服務(wù)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(biāo)用戶的Top-k1個(gè)相似用戶構(gòu)建可靠用戶網(wǎng)絡(luò)，通過(guò)比較用戶節(jié)點(diǎn)度數(shù)找出Top-k2個(gè)可靠用戶，再利用可靠用戶的標(biāo)簽補(bǔ)充目標(biāo)用戶的標(biāo)簽，最后利用補(bǔ)充后的標(biāo)簽集向目標(biāo)用戶推薦服務(wù)。

1 研究方法

以Delicious公開(kāi)數(shù)據(jù)為例，假設(shè)向用戶u推薦服務(wù)。本文方法主要包括構(gòu)建可靠用戶網(wǎng)絡(luò)、補(bǔ)充目標(biāo)用戶原標(biāo)簽集和服務(wù)推薦三個(gè)部分。首先通過(guò)構(gòu)建可靠用戶網(wǎng)絡(luò)過(guò)濾出可靠用戶;其次綜合可靠用戶的標(biāo)簽補(bǔ)充目標(biāo)用戶的標(biāo)簽集;最后利用補(bǔ)充后的標(biāo)簽集對(duì)目標(biāo)用戶推薦服務(wù)。

1.1 構(gòu)建可靠用戶網(wǎng)絡(luò)

在構(gòu)建可靠用戶網(wǎng)絡(luò)過(guò)程中，先從用戶集合U中通過(guò)比較與目標(biāo)用戶u的標(biāo)簽相似度，篩選出Top-k1個(gè)相似用戶，然后將每個(gè)相似用戶表示為一個(gè)節(jié)點(diǎn)。若兩個(gè)用戶之間的可靠度（可靠度是一個(gè)綜合考慮標(biāo)簽相似度和社交網(wǎng)絡(luò)相似度的參數(shù)）大于某個(gè)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(wǎng)絡(luò)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(gè)用戶節(jié)點(diǎn)之間存在一條可靠性連邊，矩陣元素qi，j=qj，i=1。當(dāng)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(gòu)建的可靠性網(wǎng)絡(luò)。

1.2 過(guò)濾出可靠用戶

通過(guò)比較可靠用戶網(wǎng)絡(luò)中節(jié)點(diǎn)的重要性，得到該可靠性網(wǎng)絡(luò)中的一些核心節(jié)點(diǎn)，這些核心節(jié)點(diǎn)就代表著核心用戶。本文利用節(jié)點(diǎn)度數(shù)比較節(jié)點(diǎn)的重要性，用戶節(jié)點(diǎn)的度數(shù)在矩陣B中是對(duì)應(yīng)行中元素不為零的個(gè)數(shù)。取出可靠性網(wǎng)絡(luò)中Top-k2個(gè)節(jié)點(diǎn)度數(shù)最大的用戶節(jié)點(diǎn)，得到最后的可靠性用戶集合Urel。

1.3 補(bǔ)充目標(biāo)用戶的標(biāo)簽

先從可靠用戶中提取出興趣標(biāo)簽，但因?yàn)楸疚姆椒ㄖ唤y(tǒng)計(jì)標(biāo)簽出現(xiàn)的次數(shù)，而標(biāo)簽出現(xiàn)的次數(shù)跟權(quán)重并非正相關(guān)，所以本文提出以下兩種提取興趣標(biāo)簽的方法。

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

方法二（SRST2）：提取出累加權(quán)重最大的興趣標(biāo)簽Top-k3。對(duì)Top-k2中每個(gè)用戶包含的興趣標(biāo)簽取并集，每個(gè)標(biāo)簽的權(quán)重等于該標(biāo)簽對(duì)于每個(gè)用戶的權(quán)重累加，利用KNN算法得到Top-k3個(gè)權(quán)重最大的標(biāo)簽，并利用提取出的興趣標(biāo)簽與目標(biāo)用戶的標(biāo)簽集取并集得到補(bǔ)充后的標(biāo)簽集Tu。

1.4 基于標(biāo)簽相似度服務(wù)推薦

如果某個(gè)服務(wù)的標(biāo)簽集Ts與補(bǔ)充后的用戶標(biāo)簽集Tu有交集Tu∩s，就累加交集里的標(biāo)簽相對(duì)服務(wù)的權(quán)重得到目標(biāo)用戶喜歡的概率Pu，s，當(dāng)Pu，s大于等于閾值δ（0.5≤δ≤1）時(shí)，就把服務(wù)s推薦給目標(biāo)用戶。令Wt（t∈Ts）表示服務(wù)s的標(biāo)簽t的權(quán)重，計(jì)算公式如下：

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于Grouplens平臺(tái)提供的Delicious標(biāo)簽數(shù)據(jù)，Delicious 數(shù)據(jù)集中用戶為1 867個(gè)，書(shū)簽為104 799個(gè)，標(biāo)簽為53 388個(gè)，實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)情況見(jiàn)表1 所列。

2.3 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文所提SRST方法的有效性，隨機(jī)從用戶-服務(wù)關(guān)注矩陣M中抽取比例為10%的q=1的元素作為測(cè)試集，并設(shè)置過(guò)濾相似用戶的個(gè)數(shù)k1=50，過(guò)濾可靠用戶的個(gè)數(shù)k2=5，可靠度的比例參數(shù)α=0.5，目標(biāo)用戶補(bǔ)充標(biāo)簽的個(gè)數(shù)k3=20，可靠度的閾值θ=0.5，概率Pu，s的閾值δ=0.6。推薦結(jié)果的accuracy值見(jiàn)表3所列。

首先，實(shí)驗(yàn)結(jié)果顯示在隨機(jī)列舉的10次實(shí)驗(yàn)中，本文所提SRST的accuracy值比已有的兩種方法都要高，即推薦準(zhǔn)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(nèi)，相比UPCC平均提升了0.121，相比IPCC平均提升了0.116。

其次，因?yàn)閷?shí)驗(yàn)設(shè)置用戶補(bǔ)充標(biāo)簽的個(gè)數(shù)k3=20，而用戶原標(biāo)簽集的個(gè)數(shù)在130以上，所以accuracy平均提升幅度為0.116，說(shuō)明本文方法補(bǔ)充的興趣標(biāo)簽準(zhǔn)確、有效。

2.4 參數(shù)影響分析

SRST方法中給用戶推薦的標(biāo)簽數(shù)k3設(shè)置為20，理論上補(bǔ)充標(biāo)簽越多，最后用戶標(biāo)簽集的基數(shù)越大，容錯(cuò)率就會(huì)越大，實(shí)驗(yàn)的準(zhǔn)確度accuracy也會(huì)越大，所以將k3設(shè)置為合適大小的值可保證方法的客觀合理性。

SRST方法中關(guān)鍵的一步就是構(gòu)建可靠的用戶網(wǎng)絡(luò)，其中可靠度的比例參數(shù)α、相似用戶的個(gè)數(shù)k1、可靠用戶的個(gè)數(shù)k2、可靠度的閾值θ都是動(dòng)態(tài)可調(diào)的，而且不同的取值會(huì)對(duì)最后可靠用戶集Urel的生成有影響，所以本文對(duì)以上4個(gè)參數(shù)單獨(dú)做分析測(cè)試。

比例參數(shù)α取值越大，標(biāo)簽相似度在可靠度計(jì)算中所占的比例越大，最后得到的可靠用戶與目標(biāo)用戶的標(biāo)簽相似度越高;而取值越小，社交網(wǎng)絡(luò)相似度在可靠度計(jì)算中所占的比例越大，最后得到的可靠用戶與目標(biāo)用戶在社交關(guān)系上就會(huì)越親密。因此，在保持其他參數(shù)固定，即k1=50，k2=5，θ=0.5時(shí)，分析該參數(shù)對(duì)推薦結(jié)果的影響。如圖1所示，參數(shù)α在[0.2，0.4]區(qū)間時(shí)，accuracy相對(duì)較高，最高為0.72，說(shuō)明參數(shù)α在[0.3，0.4]區(qū)間取值，即可靠度更多地考慮社交網(wǎng)絡(luò)相似度更合適。

對(duì)于相似用戶的個(gè)數(shù)k1，在保持其他參數(shù)固定時(shí)，分析結(jié)果如圖2所示。參數(shù)k1在[20，50]區(qū)間時(shí)，accuracy相對(duì)較高，最高為0.77，說(shuō)明相似用戶過(guò)多，會(huì)降低可靠用戶網(wǎng)絡(luò)的可靠性，所以參數(shù)k1在[20，50]區(qū)間取值較為合適。

對(duì)于可靠用戶的個(gè)數(shù)k2，在保持其他參數(shù)固定時(shí)，分析結(jié)果如圖3所示。參數(shù)k2在[8，10]區(qū)間時(shí)，accuracy相對(duì)較高，最高為0.73，說(shuō)明k2不應(yīng)太大，否則會(huì)降低補(bǔ)充標(biāo)簽的準(zhǔn)確性，所以參數(shù)k2取值為9或10較為合適。

對(duì)于可靠度的閾值θ，在保持其他參數(shù)固定時(shí)，分析結(jié)果如圖4所示。參數(shù)θ取值為0.1或0.4時(shí)，accuracy相對(duì)較高，最高為0.77，說(shuō)明參數(shù)θ取值0.1或0.4較為合適。

3 結(jié) 語(yǔ)

為了使社交關(guān)系對(duì)用戶興趣的影響標(biāo)簽化，提升推薦結(jié)果的準(zhǔn)確性，本文提出一種基于利用可靠用戶補(bǔ)充標(biāo)簽的服務(wù)推薦方法SRST。通過(guò)構(gòu)建可靠用戶網(wǎng)絡(luò)，找出Top-k2個(gè)可靠用戶，然后利用可靠用戶的興趣標(biāo)簽補(bǔ)充目標(biāo)用戶的標(biāo)簽集，再用該標(biāo)簽集給用戶推薦服務(wù)，并在公開(kāi)數(shù)據(jù)集Delicious 上進(jìn)行實(shí)證分析。實(shí)驗(yàn)結(jié)果表明，相比已有方法，本文所提方法在該數(shù)據(jù)集上的推薦準(zhǔn)確度accuracy可分別提高0.121和0.116，且發(fā)現(xiàn)構(gòu)建可靠用戶網(wǎng)絡(luò)時(shí)，α在[0.3，0.4]區(qū)間中取值，k1=30，θ=0.1時(shí)，推薦效果最好;同時(shí)，補(bǔ)充標(biāo)簽時(shí)為目標(biāo)用戶返回Top-9個(gè)可靠用戶最為適宜。

另外，本文方法定義的用戶標(biāo)簽向量的值是標(biāo)簽使用的次數(shù)，后期工作可利用TF-IDF方法從全局和局部?jī)蓚€(gè)角度綜合求出標(biāo)簽對(duì)于用戶的權(quán)重，進(jìn)一步提高推薦的準(zhǔn)確度。

參 考 文 獻(xiàn)

[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(guān)系與內(nèi)容分析的社會(huì)標(biāo)簽推薦

[J].軟件學(xué)報(bào)，2012，23（3）：476-488.

[3] RENDLE S，F(xiàn)REUDENTHALER 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(yáng)，程秀峰，等.異質(zhì)網(wǎng)絡(luò)資源多維度推薦模式研究—以豆瓣網(wǎng)為例[J].圖書(shū)情報(bào)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(huì)化標(biāo)簽和用戶背景信息的協(xié)同過(guò)濾推薦方法[J].計(jì)算機(jī)應(yīng)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(jī)有限集的目標(biāo)跟蹤方法研究及最新進(jìn)展[J].工程數(shù)學(xué)學(xué)報(bào)，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.