引用本文

李慧, 马小平, 施珺, 李存华, 仲兆满, 蔡虹. 复杂网络环境下基于信任传递的推荐模型研究. 自动化学报, 2018, 44(2): 363-376. doi: 10.16383/j.aas.2018.c160395

LI Hui, MA Xiao-Ping, SHI Jun, LI Cun-Hua, ZHONG Zhao-Man, CAI Hong. A Recommendation Model by Means of Trust Transition in Complex Network Environment. ACTA AUTOMATICA SINICA, 2018, 44(2): 363-376. doi: 10.16383/j.aas.2018.c160395

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160395

关键词

社会网络，推荐，信任度，矩阵分解，正则化 

摘要

针对推荐系统中普遍存在的数据稀疏和冷启动等问题，本文结合用户自身评分与用户的社会信任关系构建推荐模型，提出了一种基于信任关系传递的社会网络推荐算法（Trust transition recommendation model，TTRM）.该方法首先通过计算信任网络中节点的声望值与偏见值来发现信任网络中的不可信节点，并通过对其评分权重进行弱化来减轻其对信任网络产生的负面影响.其次，算法又利用朋友的信任矩阵对用户自身的特征向量进行修正，解决了用户特征向量的精准构建及信任传递问题.同时为了实现修正误差的最小化，算法利用推荐特性进行用户相似度计算并通过带有社会正则化约束的矩阵分解技术实现社会网络推荐.实验结果表明，TTRM算法较传统的社会网络推荐算法在性能上具有显著提高.

文章导读

作为个性化服务的一项重要技术, 推荐系统在最初所建立的用户兴趣偏好模型, 都是根据用户的历史行为进行相应的数据分析, 进而计算资源与用户偏好模型的相似度, 发现用户可能感兴趣的项目集, 将相似度高的项目推荐给用户.然而伴随着不断扩展的推荐应用场景, 仅仅依据用户与项目之间存在的二元关系为用户产生相关的推荐结果, 通常无法获得令人满意的推荐效果.与传统的协同推荐算法不同, 社会网络推荐将丰富的信息资源和用户行为交互信息引入到推荐系统中, 该方法可以对现实社会关系进行很好的模拟, 从而真实反映了用户在现实世界中的社会活动.

到目前为止针对社会网络推荐系统的研究, 广大专家学者已做了许多的研究工作, 并且获得了丰富的研究成果.许多研究是建立在对社会化网络的拓扑结构、用户间的信任关系以及项目在社会网络中的流行度分析的基础上, 从而提出各种社会网络推荐框架模型[1-4]. Granovetter引入链接强度来表示社会网络中用户之间的信任关系, 用户之间的信任关系用连接关系的强弱来度量[5]. Gilbert等将连接强度的概念运用到社交网络的场景中, 对于Facebook的数据集, 作者将用户之间的信任关系映射为二元模式, 即用户之间只存在信任或不信任的关系[6].但在现实生活中, 用户之间的信任程度是不同的, 不能用简单的二元模式来描述. Xiang等提出了一种无监督学习的方法来确定社会网络中信任关系的强度大小[7].张燕平等通过对历史用户声誉构建声誉推荐系统, 结合隐语言模型提出了基于用户声誉的鲁棒协同推荐算法[8].但目前已有的方法在信任计算时, 均将推荐信息不加区分的统一对待, 从而导致一些恶意和虚假的推荐信息被加入到信任计算中, 使信任推荐的精准度受到了影响.

针对推荐系统中普遍存在的数据稀疏和冷启动等问题, 本文结合用户自身评分信息与社会信任关系两项要素, 构建一种全新的以信任关系传递为基础的社会网络推荐方法(Trust transition recommendation model, TTRM).该方法充分考虑到不可信节点对推荐系统产生的不利影响, 在对信任网络中不可信节点进行合理消除的基础上, 进一步提升推荐结果的准确性.本文的主要贡献体现在以下几个方面:

1) 计算信任网络中节点的偏见值与声望值, 发现网络中的不可信节点, 将该节点对其他节点的评价权重进行弱化, 从而降低其对推荐系统整体的影响力, 有效消除了不实评价的负面影响, 进而提升推荐系统的准确率.

2) 鉴于用户的喜好会受其朋友的影响, 算法又利用朋友的信任矩阵对用户自身的特征向量进行修正, 解决了用户特征向量的精准构建及信任传递问题.

3) 为了实现修正误差的最小化, 算法对已有的基于社会正则化约束的矩阵分解技术进行了修正, 提高了社会网络推荐系统的准确度.

本文第1节介绍社会化推荐算法的相关工作.第2节提出信任网络中不可信节点的发现算法.第3节具体介绍了基于信任关系的社会网络推荐算法.第4节是本文的实验部分, 通过与传统基于信任的推荐方法的对比, 分析我们提出算法的有效性.第5节是本文的总结.

图 1  带有信任度的社会网络示例

图 2  基于用户信任关系推荐的概率图模型

图 3  参数θ的取值验证实验

社会网络分析的诸多应用中, 对网络节点的可信度进行评估是其中的一项关键技术, 尤其是基于可信网络的应用.从朋友推荐这一非常典型的社交网络推荐关系出发, 提出一种将关系信任度与用户-项目评分矩阵进行联合矩阵分解的社会化推荐方法TTRM, 通过朋友的喜好对用户特征向量的构建进行修正, 实现了信任传递从而解决了新用户无信任值的冷启动问题.推荐模型中通过加入社会化正则项对目标函数进行约束, 从而最小化了用户与朋友之间的喜好差异, 提高了基于信任度推荐的准确度.实验结果表明TTRM方法由于考虑了不可信节点对信任网络的负面影响与信任传递等问题, 较其他推荐方法有大幅度的提高, 特别是对稀疏数据和伪信任网络效果非常明显.

作者简介

李慧

博士, 淮海工学院计算机工程学院副教授.主要研究方向为个性化推荐, 社会网络分析.E-mail:shufanzs@126.com

施珺  

淮海工学院计算机工程学院教授.主要研究方向为智能信息处理.E-mail:sj_lfg@hotmail.com

李存华  

博士, 淮海工学院计算机工程学院教授.主要研究方向为数据挖掘.E-mail:cli2000@126.com

仲兆满  

博士, 淮海工学院计算机工程学院副教授.主要研究方向为中文信息处理.E-mail:zhongzhaoman@163.com

蔡虹  

淮海工学院计算机工程学院讲师.主要研究方向为智能信息处理.E-mail:caihong@263.net

马小平  

博士, 中国矿业大学信电学院教授.主要研究方向为智能计算.本文通信作者.E-mail:xpma@cumt.edu.cn