張洪軍 楊霞

（1、南京國電南自電網(wǎng)自動(dòng)化有限公司，江蘇南京 210000 2、易思奇汽車電子（上海）有限公司，江蘇南京 210000）

1 概述

電子商務(wù)、搜索引擎中應(yīng)用范圍最廣的推薦算法是由Goldberg 等人提出的協(xié)同過濾推薦算法(collaborative filtering recommendation algorithm)。傳統(tǒng)的協(xié)同過濾算法基于兩種假設(shè)：（1）用戶的喜好是固定不變的；（2）對(duì)商品評(píng)分相同的用戶之間具有相同的喜好。

協(xié)同過濾算法基于這兩個(gè)假設(shè)來構(gòu)建用戶的可信網(wǎng)絡(luò)并使用該可信網(wǎng)絡(luò)來計(jì)算推薦條目。隨著社會(huì)的發(fā)展、新事物的出現(xiàn)、用戶習(xí)慣的變化、歷史數(shù)據(jù)時(shí)間跨度的變大，用戶的興趣愛好發(fā)生了很大的變化。這就導(dǎo)致協(xié)同過濾算法中的兩種假設(shè)誤差變大，相同用戶集誤差的變大會(huì)導(dǎo)致可信網(wǎng)絡(luò)的準(zhǔn)確度變低。為了解決協(xié)同過濾算法中存在的這些問題，本文在協(xié)同過濾算法的基礎(chǔ)上引入了動(dòng)態(tài)度量的概念，提出了一種動(dòng)態(tài)度量可信度的推薦算法（dynamic reliability measure recommendation algorithms, DRMRA）。DRMAR 算法通過相似度與信任的耦合值來替代相似度值，通過耦合的相似度值來構(gòu)建可信網(wǎng)絡(luò)并計(jì)算初始評(píng)分值，然后利用DRMAR 算法來重構(gòu)所有低于預(yù)定值的可信網(wǎng)絡(luò)。DRMAR 算法在Epinions、Flixster 數(shù)據(jù)集上進(jìn)行了對(duì)比測試，測試結(jié)果顯示與主流的推薦算法比較DRMAR 算法在用戶覆蓋率、推薦條目準(zhǔn)確率上面有所提高。

2 推薦系統(tǒng)常用算法介紹

協(xié)同過濾算法：

Goldberg 等人提出的協(xié)同過濾算法是推薦系統(tǒng)中使用率最高的算法，協(xié)同過濾算法兩種假設(shè)：（1）用戶的喜好（轉(zhuǎn)下頁）是固定不變的；（2）對(duì)商品評(píng)分相同的用戶之間具有相同的喜好。協(xié)同過濾算法計(jì)算方法如下：（1）預(yù)定義相似值，并使用該值來計(jì)算用戶之間的距離權(quán)值；（2）利用距離權(quán)值來生成可信網(wǎng)絡(luò)；（3）根據(jù)可信網(wǎng)絡(luò)來生成推薦推薦條目。協(xié)同過濾算法檢索歷史數(shù)據(jù)中用戶對(duì)不同條目的評(píng)分并根據(jù)歷史評(píng)分來查找鄰居，通過檢索鄰居的購買條目來生成當(dāng)前用戶的推薦條目。協(xié)同過濾算法可以分為兩類：基于項(xiàng)目的方法（Project-Base）、基于模型的方法（Mode-base）。Project-Base 算法會(huì)首先遍歷該用戶的歷史評(píng)分，通過歷史評(píng)分記錄來計(jì)算用戶、條目之間的相似值，并根據(jù)該相似度值來直接訪問包含所有用戶評(píng)分、建議的用戶- 商品評(píng)分矩陣并為當(dāng)前活躍用戶生成預(yù)測評(píng)分。Mode-Base 算法使用AI 算法來生成統(tǒng)計(jì)模型，并使用生成的統(tǒng)計(jì)模型來為不可見商品進(jìn)行評(píng)分。

3 改進(jìn)型可信度動(dòng)態(tài)度量推薦算法

為了解決傳統(tǒng)的協(xié)同算法中由于用戶矩陣準(zhǔn)確率低、依賴于用戶歷史評(píng)分造成的推薦結(jié)果準(zhǔn)確率低及惡意評(píng)分導(dǎo)致的一系列安全風(fēng)險(xiǎn)。本文引入了可靠性動(dòng)態(tài)度量的概念提出了一種新的算法：可信度動(dòng)態(tài)度量的推薦算法（dynamic reliability measure recommendation algorithms, DRMRA）。DRMRA 算法將可靠性度量值、信任聲明進(jìn)行耦合成新的動(dòng)態(tài)度量值來跟提高推薦系統(tǒng)準(zhǔn)確性。算法的改進(jìn)主要體現(xiàn)在以下方面：（1）將相似性矩陣與用戶信任聲明矩陣耦合來生成全新的動(dòng)態(tài)可信網(wǎng)絡(luò)；（2）提出積極/消積因子動(dòng)態(tài)度量可信值；（3）使用基于信任的動(dòng)態(tài)可靠性度量值來重建用戶的信任網(wǎng)絡(luò)。DRMRA 工作流程由六部組成：（1）耦合信任網(wǎng)絡(luò)構(gòu)造；（2）初始評(píng)分預(yù)測；（3）基于信任的動(dòng)態(tài)可信度計(jì)算；（4）耦合可信網(wǎng)絡(luò)重構(gòu)；（5）用戶最終評(píng)分預(yù)測；（6）Top-N 商品選擇。

3.1 耦合信任網(wǎng)絡(luò)構(gòu)建

DRMRA 算法在傳統(tǒng)的協(xié)同過濾算法信任網(wǎng)絡(luò)構(gòu)建的基礎(chǔ)上進(jìn)行了改進(jìn)，改進(jìn)如下：

（1）將用戶信任值、皮爾遜系數(shù)測量值合并生成耦合相似度值；（2）使用耦合相似度值來計(jì)算用戶鄰居的加權(quán)有向圖。每個(gè)用戶是加權(quán)有向圖的一個(gè)節(jié)點(diǎn)，用戶之間的相似度值是用戶節(jié)點(diǎn)之間的權(quán)重值。用戶對(duì)之間的信任聲明Ta，u、信任傳播距離dmax計(jì)算如下：

用戶之間的權(quán)重調(diào)整方法如下：

3.2 初始評(píng)分預(yù)測

用戶未選購商品的默認(rèn)評(píng)分是通過初始可信網(wǎng)絡(luò)來計(jì)算的，用戶u 對(duì)于商品i 的預(yù)測評(píng)分計(jì)算方法如下：

其中ra表示用戶a 的平均評(píng)分，Ka，i表示商品i 跟用戶a 具有相同評(píng)分的用戶集，wa，u表示用戶a 跟用戶u 之間的相似度權(quán)重即可信網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)之間的邊長。

3.3 基于信任的動(dòng)態(tài)可信度計(jì)算

傳統(tǒng)的協(xié)同過濾算法中是在用戶評(píng)分矩陣中使用一個(gè)正因子一個(gè)負(fù)因子來計(jì)算可信度，因此這種方法不適用于基于信任的協(xié)同過濾算法。本文在傳統(tǒng)的協(xié)同過濾算法的基礎(chǔ)上做了如下改進(jìn)：（1）在傳統(tǒng)協(xié)同過濾算法基礎(chǔ)上引入了信任聲明；（2）將信任值引入正負(fù)因子中，提出了一種全新的基于信任的動(dòng)態(tài)可信度計(jì)算方法，將基于信任的動(dòng)態(tài)可信度度量值做為可信網(wǎng)絡(luò)重構(gòu)的反饋依據(jù)，基于信任的動(dòng)態(tài)可信度度量值計(jì)算方法如下：

其中fs（Sa，i）表示正因子fv（Sa，i）表示負(fù)因子，正負(fù)因子計(jì)算方法如下：

3.4 耦合可信網(wǎng)絡(luò)重構(gòu)

可信度計(jì)算完成后利用可信度度量值來評(píng)估預(yù)測評(píng)分的質(zhì)量，當(dāng)前用戶a 對(duì)于商品i 的可信值Ra，i小于預(yù)定義的閥值θ 那么就需要重構(gòu)可信網(wǎng)絡(luò)。我們在可信網(wǎng)絡(luò)重構(gòu)過程中引入正因子wa，u和負(fù)因子V（u）來重構(gòu)可信網(wǎng)絡(luò)，將可信網(wǎng)絡(luò)中的無用用戶刪除來提高可信網(wǎng)絡(luò)的質(zhì)量。負(fù)因子V（u）計(jì)算方法如下：

3.5 Top-N 商品選擇

當(dāng)可信網(wǎng)絡(luò)重構(gòu)完成后，我們用可信網(wǎng)絡(luò)來預(yù)測Top-N 條商品推薦給用戶。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境設(shè)定

為了評(píng)估DRMRA 算法的效果我們選取了Epinions、Flixster兩個(gè)數(shù)據(jù)集進(jìn)行驗(yàn)證，初始用戶-商品評(píng)分矩陣、用戶信任矩陣初始值如表1 所示，商評(píng)分值的范圍為[1,10]步進(jìn)值1。

我們將數(shù)據(jù)集中的用戶分為三類：新注冊用戶、活躍用戶、惡意用戶。我們將商品分為如下兩類：冷門商品、有爭議商品。為了比對(duì)DRMRA 算法在推薦準(zhǔn)確率、用戶覆蓋率方面的改進(jìn)，我們選擇了CF、TARS、TCF、RTW、BIBR 五種算法來做對(duì)比測試，使用留一法（LOO）在平均絕對(duì)值誤差（MAE）、平均用戶誤差（MAUE）、評(píng)分覆蓋率（RC）、用戶覆蓋率（UC）四個(gè)方面進(jìn)行對(duì)比。實(shí)驗(yàn)過程中試驗(yàn)參數(shù)設(shè)定如下，可信網(wǎng)絡(luò)重建閥值θ=0.7，可信網(wǎng)絡(luò)重建過程中閥值α=0.6，β=0.7，用戶鄰居選在范圍K=500。

表1 用戶信任、用戶商品評(píng)分矩陣

圖1 數(shù)據(jù)集Epinions、Flixster 測試結(jié)果

4.2 實(shí)驗(yàn)結(jié)果及分析

Epinions、Flixster 數(shù)據(jù)集所有數(shù)據(jù)測試結(jié)果（圖1）所示，DRMRA 算法具有最低的MAE 僅次于RTW 算法的用戶覆蓋率。DRMRA 算法在RC、UC 指標(biāo)跟TCF 算法很接近但是準(zhǔn)確率最高。