張朔 潘旭偉

摘要：針對興趣點推薦系統(tǒng)中用戶社交關(guān)系挖掘不充分的問題，文章結(jié)合位置社交網(wǎng)絡(luò)中用戶簽到行為數(shù)據(jù)與用戶社交網(wǎng)絡(luò)數(shù)據(jù)，提出一種基于信任傳遞的興趣點推薦方法。該方法通過信任傳遞發(fā)現(xiàn)用戶的潛在社交好友，計算用戶間的信任度，根據(jù)用戶間的信任關(guān)系進行興趣點推薦。實驗表明，基于信任傳遞的興趣點推薦方法較傳統(tǒng)的興趣點推薦方法在性能上具有顯著提高。

關(guān)鍵詞：興趣點推薦;社交關(guān)系;信任傳遞;信任度

隨著Web2.0的快速發(fā)展，促生了很多位置社交網(wǎng)絡(luò)，位置社交網(wǎng)絡(luò)將地理位置引入到傳統(tǒng)的社交網(wǎng)絡(luò)中，改變了傳統(tǒng)的社交網(wǎng)絡(luò)的交流模式，允許用戶共享網(wǎng)絡(luò)中的位置信息，用戶可從中發(fā)現(xiàn)感興趣的興趣點。位置社交網(wǎng)絡(luò)的快速發(fā)展積累了海量的興趣點數(shù)據(jù)，用戶從海量的數(shù)據(jù)中快速準確的發(fā)現(xiàn)感興趣的興趣點成為亟待解決的問題。興趣點推薦系統(tǒng)應(yīng)運而生。興趣點推薦系統(tǒng)根據(jù)用戶以往的行為信息，建模用戶的興趣點偏好，進行興趣點推薦。Sinha.R等指出，在現(xiàn)實環(huán)境中人們更信賴自己信任好友的推薦信息。目前用戶在社交網(wǎng)絡(luò)中進行的交互的頻率越來越高，融入信任的興趣點推薦系統(tǒng)是興趣點推薦系統(tǒng)發(fā)展的必然趨勢。丁勇等人通過從用戶的社交關(guān)系出發(fā)，根據(jù)用戶信任用戶的對興趣點的訪問偏好設(shè)置推薦權(quán)重，利用傳統(tǒng)的協(xié)同過濾推薦算法進行興趣點推薦，得到了比較好的推薦效果。但是，目前研究大部分只針對于用戶表面的社交網(wǎng)絡(luò)數(shù)據(jù)，沒有深入挖掘用戶社交網(wǎng)絡(luò)數(shù)據(jù)。本文聚焦于充分挖掘用戶間社交網(wǎng)絡(luò)的問題，研究信任傳遞對興趣點推薦系統(tǒng)的影響。

一、基于信任傳遞的興趣點推薦方法

（一）信任傳遞

傳遞性是信任關(guān)系中重要的特性。簡單來講，就是用戶朋友的朋友，也和用戶存在一定的信任關(guān)系。如果用圖論來表示，兩個不存在直接信任關(guān)系的用戶，只要可以通過任一用戶連接起來，那么兩用戶間存在間接信任關(guān)系，從而可以得到用戶潛在信任用戶，豐富用戶的社交網(wǎng)絡(luò)。信任傳遞具有一定的空間相關(guān)性，隨著空間上的轉(zhuǎn)移，用戶之間的信任會發(fā)生衰減。用戶的間接信任關(guān)系要比直接信任關(guān)系弱。本文引入信任權(quán)重系數(shù)，直接信任關(guān)系的信任權(quán)重系數(shù)為1，表示完全信任，間接信任好友的信任權(quán)重系數(shù)為0.5，表示不完全信任。

（二）基于信任傳遞的興趣點推薦過程

通常來講，如果一個用戶被很多人信任，那么這個用戶在社交媒體中具有比較高的影響力，他的意見被采納的可能性比較高。基于此，給出用戶間全局信任度的計算公式

局部信任表示用戶間一對一的信任，與其他用戶對目標用戶的看法以及態(tài)度無關(guān)。如果兩用戶間信任好友的相似情況比較接近，即，兩用戶的信任好友情況比較類似，那么兩個人的信任程度比較高。本文用兩用戶間信任關(guān)系的相似性，計算用戶間的局部信任度。公式如下：

綜合考慮全局信任與局部信任，提出用戶間信任計算公式如下：

其中，Ti，j為用戶i與j間的信任度，α為信任參數(shù)。α的取值與用戶所處的社交網(wǎng)絡(luò)類型有關(guān)。偏社交型的社交網(wǎng)絡(luò)α接近0，偏權(quán)威型的社交網(wǎng)絡(luò)接近1。

將用戶的好友訪問過的興趣點但用戶沒有訪問過的興趣點推薦給用戶，計算評分值。用戶i對于興趣點p的評分計算公式如下。

Ti為用戶i的信任朋友集合，Cj，p表示用戶j對興趣點p的興趣點偏好，當用戶訪問該興趣點時，Cj，p=1，當用戶未訪問該興趣點時，Cj，p=0。

二、實驗研究

（一）數(shù)據(jù)來源與基本統(tǒng)計

為了驗證本文提出的融入信任的興趣點推薦方法的有效性。本文選用Gowalla數(shù)據(jù)集。為了得到社交關(guān)系更緊密的數(shù)據(jù)，利用NodeXL對數(shù)據(jù)集進行聚類分析，得到社交關(guān)系最緊密、用戶群體量最大的數(shù)據(jù)集作為本文的研究數(shù)據(jù)。處理后的數(shù)據(jù)集包括1020個用戶、32510個興趣點、85215條簽到記錄和9362條社交關(guān)系。

（二）評價指標

（三）實驗分析

推薦效果如表1所示。從實驗結(jié)果可以看出，信任傳遞后的指標值均高于信任傳遞前的指標值，指標的平均值也明顯高于信任傳遞前的平均值，由此得出，基于信任傳遞的方法的推薦效果要比傳統(tǒng)的興趣點推薦方法要好。隨著α的增大，指標值逐漸下降，當α=0時，指標值均取得最大值，說明α=0，興趣點推薦效果最好，由此得出Gowalla是一個社交型的社交網(wǎng)絡(luò)，用戶更喜歡接受于信任好友的推薦而非權(quán)威人士的推薦。

三、小結(jié)

本文基于信任傳遞發(fā)現(xiàn)用戶的潛在好友，通過全局與局部兩個角度計算用戶信任度，然后根據(jù)用戶的簽到行為數(shù)據(jù)，將用戶信任好友感興趣的興趣點推薦給用戶。經(jīng)實驗驗證驗證，本文提出基于信任傳遞的興趣帶你推薦方法的有效性。但是由于數(shù)據(jù)集的限制，本文只研究靜態(tài)環(huán)境下的用戶間的信任關(guān)系，然而用戶間的信任隨著時空的變化也在動態(tài)變化，可計算動態(tài)的用戶信任，以進一步提高推薦的精準度。

參考文獻：

[1]Zhu J，Wang C，Guo X，et al. Friend and POI recommendation based on social trust cluster in location-based social networks[J].EURASIP Journal on Wireless Communications and Networking，2019（01）.

[2]丁勇，劉菁.LBSN中融合相似性和好友信任的地點推薦算法[J].計算機工程與設(shè)計，2016（08）.

[3]Guo G，Zhang J，Thalmann D，et al. From ratings to trust： an empirical study of implicit trust in recommender systems[C].ACM，2014.

[4]Kutsuras T. Alleviating the Sparsity Problem of Collaborative Filtering Using Trust Inferences[M].Berlin，Heidelberg： Sprin-ger Berlin Heidelberg，2005.

*本文系浙江省哲學(xué)社會科學(xué)規(guī)劃項目“泛在信息環(huán)境中社會化驅(qū)動的情境感知個性化方法研究”（16ZJQN041YB）的成果。

（作者單位：浙江理工大學(xué)）