面向社会化导购的可信推荐方法研究

张挺，赵卫东，刘钢



面向社会化导购的可信推荐方法研究

张挺，赵卫东，刘钢

摘要：当前社会化导购平台的内容质量参差不齐，用户需要高质量的内容推荐。针对协同推荐方法的数据稀疏性等问题，提出了面向社会化导购的可信推荐方法，通过分析用户间的社交行为以及消费行为，挖掘用户间的情感偏好以及用户全局可信度等影响用户信任的因素，构建适用于社会化导购平台应用场景的信任模型。实验结果，验证了其推荐的方法在保证推荐准确率（MAE最优可达0.774）的基础上，提高了推荐覆盖率（最优可达50.4%）。

关键词：社会化导购；信任；协同推荐；情感计算

赵卫东（1971-），复旦大学，副教授，博士，研究方向：电子商务，上海，201203

刘钢（1974-），复旦大学，讲师，博士，研究方向：电子商务，上海，201203

0　引言

在电子商务领域，随着商品个数和种类的快速增长，消费者很难快速地选到自己满意的商品。出于感知风险的考虑，消费者在购买商品前往往会做针对性的信息搜集和比较选择[1]。导购平台就是一种降低消费者购物决策成本的商品推荐平台。传统的导购平台从商品的价值出发对商品进行初步的筛选，比如价格、质量、卖家信誉、销量等，帮助消费者降低了一定的工作量，但没有考虑情感层面对消费者的打动。近来，社会化导购（Social Shopping）平台开始出现，如国外的Pinterest、Polyvore、CrowdStorm和国内的美丽说、蘑菇街等平台，在短时间内聚集了大量的人气。社会化导购平台侧重营造导购的情境化和情感化，用户的社交行为形成了社会化网络，用户间的情感偏好可以影响用户的消费决策。然而随着导购平台的扩大，平台、商家及第三方服务商的过度参与，平台的内容质量参差不齐，如何向用户推荐符合其需要的内容仍是一个亟待解决的问题。

现阶段，针对社会化导购平台的推荐系统研究还不多。目前，在电子商务领域比较常用的推荐方法是协同过滤（Collaborative-Filtering）。协同过滤算法通过分析用户基本信息、兴趣偏好，在用户群中发掘出与目标用户高度相似的“邻居”，再结合相似“邻居”对某一项目的评价，预测出目标用户对这一项目的喜好程度。在实际应用中，协同过滤算法也暴露了一些缺点，比较突出的一个问题就是数据稀疏性[2]。

为了解决这类问题，国内外很多研究开始将信任（Trust）的概念引入协同过滤算法中，并强调用户间信任关系对用户偏好决策的重要影响，因为在日常生活中，人们在遇到不熟悉的事物时，更倾向于向自己信任的人寻求建议和帮助。信任在社会学中被认为是一种依赖关系，在推荐系统领域可以将其简化定义为用户对在特定平台或上下文环境中对其他用户在一段时间内发生的评价或推荐行为的认同。同时，信任的传播可以使用户关系网络更加稠密，有效地解决数据稀疏的问题。

本文主要关注面向社会化导购平台的可信推荐研究，从社会化导购平台的特点出发，将情感分析和社会化网络分析的方法融入信任模型中，从用户的社交行为和消费行为中发掘出用户的情感偏好和信任邻居，在保证推荐准确性的基础上提高了推荐覆盖率。

1　相关工作

构建信任模型和量化信任是基于信任的推荐算法的核心模块。此前，计算节点间的信任值在P2P网络等领域已经有很多研究成果，近年来，国内外学者提出一系列适用于推荐系统的信任计算模型，从应用范围来看可以分为两类：

（1）基于显性信任关系：应用环境的用户之间已存在直接的信任关系，如Epinions.com，研究需要解决的问题是如何利用直接信任值和信任的传递规律推导出间接信任关系。Paolo Massa[3、4]分析了传统协同过滤算法的缺陷，并结合信任给出基于信任感知的推荐系统框架，提出了基于图论的MoleTrust算法。算法以深度优先算法查找预设范围内的用户，并推导其相应的信任值。Golbeck提出TitalTrust算法[5]，与MoleTrust类似，利用用户间显性信任关系建立信任网络，再以广度优先算法为基础查找直接信任用户群，计算信任值时，算法查找被推荐者和推荐者之间的最短路径。此外，Golbeck[6]在中后期的信任研究中，提出了基于概率模型的信任计算模型SUNNY，以贝叶斯网络为基础，预测用户节点信誉度的上下界，提高了信任计算的准确性。Jamali M考虑到相对于轻度信任的朋友在自己目标项目上的评价，用户更倾向于认可高度信任的朋友，甚至是在非目标但类似项目上的意见。其提出的TrustWalker算法分为两部分，一是通过随机游走在信任网络搜索，二是可能目标选择，算法既考虑目标项目的评分也考虑与其邻居项目的评分情况，从而在不牺牲精确度的前提下保证推荐的广度。

（2）挖掘隐性信任关系：在除了针对显性信任关系，也有部分研究通过分析用户基本资料和交互数据，挖掘并预测用户间潜在的信任关系。John O’Donovan[7]基于分析推荐者参与推荐活动的统计数据，提出profile-level和item-level的信任模型，profile-level信任值反映推荐者参与推荐的整体准确率，item-level信任值反映单个项目的推荐准确率。G. Pitsilis[8]等量化了用户间差异度来推导信任值，先计算用户间可比信息的差值（如对同一商品的评分），再结合皮尔森相关系数推导出用户间的潜在信任值。Y.A. Kim[9]等以项目品类为划分，计算推荐者在不同项目品类的信誉情况、被推荐者在不同项目品类的偏好情况以及不同项目品类间的关联情况，综合计算得出用户间的信任值。Neal Lathia[10]等也是比较被推荐者与推荐者历史评分数据的差异计算出信任值。

计算出的信任关系与协同过滤结合的策略大致如下：

现有研究的问题：（1）基于显性信任的研究，虽然信任度计算准确，但具有显性信任关系的平台目前只有Epinions以及类似的商品评论类网站，其适用范围过窄。（2）基于隐性信任的研究在计算信任度时，大多数研究只侧重从商品评分准确度切入，没有考虑分析非评分类的信息，比如用户社交行为的影响，用户评论的情感等，因此计算出来的信任度过于片面。

分析用户间的情感偏好是对以评分信息为信任建模基础的有效补充。情感分析在电商评论分析和社会化网络分析中的应用很多[11-12]。通过分析用户的行为信息和文本信息中蕴含的情感，可以了解用户对于某件商品或者某个人的褒贬态度和意见。

本文的创新性贡献在于：

（1）本文提出了适用于社会化导购平台的信任推荐方法。目前社会化导购平台的推荐系统研究尚不成熟，另一方面，大多数信任推荐研究只在商品评论型网站上做文章，而本文改进了基于商品评论型网站的信任推荐方法，并应用拓展到社会化导购平台。

（2）本文构建的信任模型结合了平台社会化的特性，引入了情感分析和社会化网络分析的思想。算法既考虑目标用户对被推荐者的个人情感信任度，从社交行为和消费行为两个角度挖掘用户潜在的情感，也考虑推荐者在社交网络中的全局可信度对目标用户的影响。

2　用户及情感反馈模型分析

社会化导购平台的存在形式较多，既有图片社交网站Pinterest、国内的花瓣网等弱导购性质的站点，也有Polyvore、Kaboodle、CrowdStorm以及国内美丽说和蘑菇街等导购性质较强的站点或移动应用。不过，所有社会化导购平台从组成形式及运营机制本质上并无明显差异：即用户既可以在平台上推荐内容（具体商品，或者搭配创意等），也可以关注其他用户的推荐，并给出带有情感喜好的反馈(关注、点赞、评论等)。其基本元素包含：

其中， 是所有推荐内容所属类别的集合，以平台Polyvore为例，推荐内容会归属到“服装”、“饰物”、“家具”等类别。

目前信任研究的应用场景大多基于评论类网站，因为用户的评价行为是在购买或体验过商品或服务后给出的，已经量化为评分数值，比如Epinions中对项目的评分为1-5的数值。而导购类网站则处于消费前的购物引导阶段，用户很难在未完成消费的情况下给出量化的评价。

导购类平台的用户对推荐内容的反馈基本是阅读、点赞、评论、收藏、转发等，不同平台之间在表述上或许有细微差别，比如Polyvore的用户可操作的反馈有“view”、“like”、“comment”、“repost”、“buy”；而国内的美丽说设置的反馈有“喜欢”、“转发”、“购买”，但这些反馈行为的基本性质相同。通过分析，我们发现用户在社会化导购平台上对推荐内容反馈行为的表现形式是一致的，其行为所表达出的情感喜好可以定性，并可以通过一定的规则定量表示出喜好程度。在此基础上，我们对用户操作形式与情感强度进行映射，如表1所示：

表1　反馈行为列表

如表1所列，不同反馈行为表达了用户的不同级别的喜好程度。因此对于反馈行为，可以根据喜好程度量化为相应的数值。

对于评论型反馈，需要通过情感计算对用户评论进行句法分析，将文本转化为用户对推荐内容的情感得分，具体方法将在后续章节介绍。

3　信任计算

信任原本属于社会科学和心理学的范畴，存在于现实社会中，而社会化导购的社交属性很好地模拟了现实社会，因此，引入信任作为推荐的参考指标十分合理。在Epinions及类似平台中，用户与用户间的信任关系是自己评估的，每个用户维护自己的信任用户列表以及不信任用户列表。然而社会化导购网站中，用户间并无显性的“信任”关系，通常是“关注”关系，因此，用户间的信任度取决于用户在平台中的行为以及其他用户对其行为的反馈情感。在社会化导购平台中，用户间的信任主要来源两方面：（1）目标用户对推荐者的私人情感，即目标用户个人情感信任度；（2）推荐者在平台的影响力和信誉度。对应到日常生活中，人们倾向于信任自己有强烈正面情感的对象，比如朋友、亲人，同时人们也更倾向于信任有影响力或威望的人。

3.1个人情感信任度计算

计算用户A对用户B的个人情感信任度，需要考虑用户A在平台内与用户B相关的所有行为。在社会化导购平台中，用户的行为包括推荐内容的发布、关注其他用户、对推荐内容的反馈等等。这些行为都带有用户的情感色彩，反映用户对其他用户或者推荐内容的偏好程度。

3.1.1个人情感信任度建模

信任关系无论在日常生活还是在虚拟网络中都是有向的，即Trust(u,v)≠Trust(v,u)。同样的，用户间的情感偏好也是有向的，比如用户A关注了用户B，用户B对用户C的推荐内容点了赞。

以Polyvore平台为例，普通的反馈行为有：“view”、“like”、“mark”“repost”、“purchase”。不同行为的情感程度不同，有如下的关系：

为了降低复杂度，本文将情感程度接近的反馈行为归为同一级别，比如收藏行为和转发行为情感程度接近。同时，不同级别的情感强度符合等差递增的规则。那么，对于，有种反馈行为，也代表个级别的情感强度，且其情感值，为预设的常量，为了方便计算，本文 的值取1。

在社会化导购平台中，用户的评论通常仅仅基于用户对推荐内容的第一印象，用户评论的文本构成相对简单，文本粒度基本属于短语或句子等层次。以Polyvore平台为例，某件毛衣的评论大多为“Great”、“wow that cool”、“love this”等。因此，简单的词句情感识别方法即可满足需要，本文使用文献[17]的情感分析方法对用户评论进行处理。

以Polyvore为研究对象，具体步骤如下：

（1）句法分析：

采用斯坦福大学自然语言处理研究中心的StandfordParser进行句法分析，抽取评论中情感描述部分，极性词(如good、bad等)、程度词(如very)、否定词(如no、 not)。那么，每条评论可以表示为： 表示极性词， 表示程度词， 表示否词。

（2）计算评论的褒贬倾向：

（3）情感得分：

结合实际，用户评论行为的情感程度接近于点赞行为的情感程度，只是有正负情感的区别，若用户评论无情感，则等同于阅读行为。根据第2步褒贬倾向的结果可得公式（2）：

本文简化了文本情感分析的复杂度，仅考虑评论的褒贬倾向，若需要提高情感分析的精准度可以采用更为复杂的模型或算法，但情感分析不是本文重点，这里不做详细展开。

那么，用户 对用户 所有推荐内容的反馈行为的综合情感得分计算方法为公式（3）：

权重值 计算

为调节社交反馈情感和行为反馈情感的权重，其计算方式为公式（4）：

3.1.2个人情感信任度传递

信任具备传递性，将信任引入协同推荐可以有效解决数据稀疏的问题。如图1所示：

图1　信任构建图示

社会化导购平台基于用户的关注关系可以构建无权有向图，经过个人情感信任度的计算，无权有向图转变为有权有向的网络图，且密度变大（用户虽然不关注但有情感反馈的情况）。

个人信任度的传递，即指计算无直接信任关系却有可到达路径的用户之间的间接情感信任度，如图1中，B到D可通过路径“B-A-D”，可通过和的值计算出。

信任度传递的规则有：（1）可达路径中任意相邻两节点间的情感信任度均大于0，否则视为不可达。（2）随着路径增长，信任度会衰减，即，因可达节点间情感信任度的取值范围为，本文采用乘法[22]处理信任衰减。(3)信任传递路径的长度L有限制，根据六度分隔原理，。

具体计算步骤如下：

a）寻找路径

b）计算间接信任度

结合直接信任度和间接信任度，可得用户 对 的个人情感信任度为公式（6）：

当时，即说明 对 既无任何社交反馈，也对的推荐内容无任何情感反馈，此时计算间接信任度。

3.2全局信任度计算

用户对 的信任度既反映在个人情感偏好行为中，也与用户 的全局影响力或威望相关。推荐者的平台影响力越大，被推荐者对其信任度更高。用户的平台影响力由3个因素决定：（1）用户的社交影响力，比如用户的粉丝数等；（2）用户综合的推荐认可度，即用户在平台所有推荐内容的认可度，比如用户的推荐内容收获的“赞”的数量；（3）用户的反馈可信度。用户的社交影响力越大，可信度越高，这类似于微博中的大V用户或者社区领袖的微博一般更受信任。而用户综合的推荐认可度，反映了用户整体的推荐内容质量，比如用户收获越多的赞，其可信度越高。反馈可信度是指用户对内容的反馈评价与全平台用户的综合评价的相似度，若用户的反馈接近综合评价，则说明用户的可信度更高。

用户社交影响力

计算方法借鉴社会网络研究(SNA)中的中心度计算思想。社会化导购平台的运营基于用户间的社会化行为，可以将其视作一个典型的社会化网络，并以用户与用户间的关注关系为基础构建有向图。

在社会网络研究中，节点的中心性用来评估节点在网络中的影响能力，即中心性越高，节点影响力越大。计算中心性的方法大致有几种：度中心性计算、中介中心性计算、紧密中心性计算和特征向量中心性计算等。本文计算用户影响力时使用中介中心性算法[13]：

用户推荐认可度是对用户推荐内容质量的综合评价，质量好的推荐内容会收到更多的正向反馈，用户推荐的内容质量越高，该用户的推荐可信度就越高。内容i的推荐质量计算为公式（8）：

计算出单个推荐内容的推荐质量后，对用户所有推荐内容进行加权计算，可得用户的推荐认可度为公式（9）：

取值为平台所有对i反馈过用户情感出入的标准差，若差异度大于 ，可信度得分为0，反之则为1，如公式（11）：

考虑到导购平台用户对内容的反馈是基于直观的第一印象。在日常生活中，不同的人对同一事物的喜好程度会有出入，甚至可能完全不同。因此，用户的反馈偶然性很大，偶尔出现为0的情况并不能断定用户的反馈可信度不高。所以，我们同样为用户疑似恶意行为的比例设定阈值 。本文阈值 设为0.7。

其反馈可信度为公式（13）：

2.1信任计算

综合前两节的计算，一方面，被推荐者对推荐者的信任度体现在二者之间的交互行为中，比如被推荐者是否关注了推荐者、被推荐者是否积极反馈推荐者的推荐行为；另一方面，被推荐者的全局影响力和综合可信度也影响被推荐者的信任。

通常个人情感信任度更能直观地体现目标用户对推荐者的信任情感，而推荐者的全局信任度起到辅助补充的作用，故本文给予个人情感信任度更高的权重。的计算方式为公式（15）：

4　推荐步骤

协同过滤推荐算法的核心思想主要是以被推荐者的信息为基准通过相似度计算筛选出最近邻居用户集合，再根据最近邻居对项目的评分，通过设定的权重组合计算预测出被推荐者可能对该项目的评分，最后选择合适的项目推荐给被推荐者。因此推荐的核心步骤为：（1）找最近邻居，即备选推荐者集合；（2）预测被推荐者反馈，给出推荐。

4.1邻居筛选

由于数据稀疏的问题，很多用户之间并没有共同反馈的项目内容，传统推荐仅仅以相似度作为邻居筛选原则使得推荐的覆盖率很低。因此，本文将结合第3部分计算的信任度和用户相似度，用二者的复合值作为选取邻居的指标。

（1）计算相似度

用户相似度本文从社交相似度和行为相似度两个维度计算。社会化导购平台的用户之间存在构建社会化网络的基础，用户间存在相似的社交行为，如关注相同的用户等，可以体现用户兴趣的相似性。

社交相似度

其中，OUTu、OUTv分别表示用户u、v的关注用户集合。

行为相似度

用户和用户的行为相似度，指对用户相同或者类似推荐内容的反馈行为是否有相同的观念。采用常用的皮尔森相关系数作为计算公式（17）：

结合社交相似度和行为相似度，则有公式（18）：

在实际生活中，用户的行为相似度比社交相似度更能体现用户兴趣，比如用户A和B同时关注C，A可能是因为对C在服装领域的推荐感兴趣，而B则是对C在电子产品领域的推荐感兴趣。而如果A和B对同一内容点赞，则说明二者都对这一内容感兴趣。因此，在计算相似度时需要增加行为相似度的权重如公式（19）：

（2）结合信任度和相似度

设w(u,v)为信任度和相似度的复合值，则有公式（20）：

其中参数q为调节相似度和信任度的权重，q∈[0,1]，后续可通过实验分析讨论 的取值对推荐结果的影响。

（3）选择最近邻居

选择最近邻居有两种方法：（1）设定阈值，过滤 值小于阈值的推荐者；（2）设定邻居数N，选择 值最大的N个推荐者。本文使用第1种方法，并设定阈值 ，则用户 的最近邻居集合为公式（21）：

4.2预测及推荐

对于目标用户u未反馈过的内容i，综合最近邻居对内容i的反馈情感进行预测，常用的预测方法是Resnick方程[20]公式（22）：

5　实验分析

5.1数据来源及实验环境

为了验证该信任模型的有效性和可行性，本实验以国外设计导购平台Polyvore为研究对象。Polyvore是以时尚设计为主题的社会化导购平台。该平台上，用户可以自己提交推荐内容，也可以对他人的推荐内容进行反馈。

数据采集

本实验通过爬虫程序从Polyvore平台随机采集了4500位用户截止到2015年3月20日的基本信息和行为数据，并整理成实验所需格式。具体数据如表2所示：

表格2　实验数据采集

其中，用户反馈稀疏度的计算公式如公式（23）：

用户反馈的稀疏度验证了Polyvore平台数据比较稀疏，这也是目前电商类或导购类网站面临的问题，传统的协同过滤算法以用户相似度为指标筛选邻居，而相似度计算的准确率往往受制于数据稀疏性。

数据处理

Polyvore平台用户的反馈行为有“view”、“like”、“repost”、“mark”、“comment”、“purchase”：（1）本实验将“repost”和“mark”行为归于一类反馈，因为二者的情感强度接近。（2）由于平台未将用户购买行为数据公开，本实验对该部分数据进行了模拟仿真。（3）在对用户评论进行文本情感分析时，词法分析使用StanfordParserv2.0.4，语料库采用WordNet2.1。

平台用户间的社交关系有“follow”、“block”、“flag as inappropriate”、“subscribe via RSS”，本次实验进行了简化处理，将“subscribe via RSS”归为“follow”关系，的取值为1；将“flag as inappropriate”归为“block”关系，的取值为-1；无关系则视为不关注，取0。

本实验过程由Java实现。实验随机将整个数据集平均分为5个数据集，每次选取一个作为测试集，其余作为训练集，共5次。取5次实验的平均值作为实验结果。

评价标准

本文实验的评价标准选择平均绝对偏差(MAE)和推荐覆盖率(Coverage Rate)：

平均绝对偏差(MAE)[18]

MAE是计算预测被推荐者反馈与其实际反馈的差值，用来衡量预测的准确性，差值越小，推荐的准确率越高。其公式如公式（24）：

推荐覆盖率(Coverage Rate)

CR是可预测的项目内容数量在实际测试集中项目内容的比例，比例越高说明推荐的覆盖率越高。其公式如公式（25）：

5.3实验分析

本文实验主要探究两个内容：（1）确定权重 的最佳值；（2）与现有相关算法的比较。

确定权重q的最佳值

权重q是信任度和相似度在复合时的权重，实验探究q取不同值时信任度和相似度的复合值对推荐结果的影响。实验进行3次，每次最近邻居筛选阈值分别取0.3，0.5和0.8。为了降低复杂度， 值取0.1到1.0之间的离散值，μ和τ的取值均为1/3，如图2所示：

图2　权重q值变化对MAE的影响

性能比较

本文提出的信任度结合协同推荐策略记作T-CF，实验过程选取以4种对照方法比较性能：(1)PCF，基于皮尔森相似度的协同过滤方法；（2）SS-CF，基于本文社交相似度和行为相似度的复合值的协同推荐方法；（3）JT，文献[15]提出的基于隐性信任的推荐方法；（4）KNR，文献[16]提出的基于隐性信任的协同推荐方法，如图3、图4所示：

图 3　MAE随参数的变化

图4　CR随参数的变化

实验中，T-CF算法的q值取0.6。邻居筛选阈值 取0.1到1.0之间的离散值，μ和τ的取值均为1/3。由图3和图4可看出。

本文提出的推荐方法T-CF性能最好，传统协同过滤方法PCF性能最差。T-CF的MAE最低值为0.774，而传统协同推荐PCF算法的MAE最低值则为0.808，T-CF的CR最高值为0.504，而PCF仅为0.348，T-CF算法性能提升显著。

在□从1变化到0.1的过程中，MAE逐步降低，说明有效邻居的增多对推荐准确率的正面影响大过增加噪声的负面影响；在□从0.1变化到1的过程中，推荐覆盖率不断减小，因为随□值增加，成为目标用户邻居的门槛变高，有效邻居越来越少。

对比引入信任和相似度的推荐方法T-CF、JT和KNR和仅考虑用户相似度的推荐方法PCF和SS-CF，T-CF、JT 和KNR的性能更优，说明信任的引入可以很好地提高协同推荐的性能。

和同类的JT和KNR方法相比，T-CF不论在准确率还是推荐覆盖率上都更优，说明在信任计算时考虑社交行为的情感和社会化网络的特点，可以提高信任的准度。JT和KNR算法在计算信任值时均仅从用户历史评价可信度切入，没有考虑到用户的社交情感也是用户信任的重要载体。

6　总结

社会化导购对于消费者的消费决策有着极强的指导性作用，因此向消费者提供可信的高质量的信息推荐尤为重要。由于传统的协同推荐方法有数据稀疏性等问题，现有平台的用户体验较差。为了解决这一问题，本文提出了面向社会化导购的可信推荐方法，通过分析用户间的社交行为以及用户的消费行为，挖掘用户间的情感偏好以及用户全局可信度等影响用户信任的因素，构建符合社会化导购平台应用场景的信任模型。同时，本文以国外导购平台Polyvore为实验对象，比较了传统的协同推荐算法和基于信任的推荐方法的优劣性，实验结果验证了基于信任的推荐方法在保证推荐准确率的基础上提高了推荐的覆盖率。

本文仍有许多不足，在用户反馈行为的情感量化方面的设定过于简单和理想化，真实的商业环境中用户行为更为复杂，需要更精细的量化规则。同时对用户评论情感的挖掘也应用更精细的句法分析和情感分析算法。

参考文献

[1] Pitsilis G, Marshall L. Trust as a Key to Improving Recommendation Systems[J]. Trust Management, 2005, 3477(1):210-223.

[2] Gediminas Adomavicius, Alexander Tuzhilin. Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions[J], IEEE Transactions on Knowledge and Data Engineering, 2005,17(6):634-749.

[3] Massa P, Bhattacharjee B. Using Trust in Recommen -der Systems: An Experimental Analysis. In Procee -dings of the Second International Conference on Trust Management, 2004[C]: 221-235.

[4] Paolo Massa, Paolo Avesani, Trust-aware Recomm -ender Systems. In Proceedings of the 2007 ACM Conference on Recommender Systems, 2007[C]: 17-24.

[5] P. Massa, P. Avesani, R. Tiella. A Trust-enhanced RecommenderSystem Application: Moleskiing. In Proceedings of ACM SAC TRECK Track, 2005[C]: 1589-1593.

[6] Jennifer Golbeck. Computing and Applying Trust in Web-based So

[7] cial Net-works[D]. University of Maryland, 2005.

[8] Y. Kuter, J. Golbeck. Sunny: a New Algorithm for Trust Inference in Social Networks Using Probabilistic Confidence Models. In Proceedings of the 22nd National Conference on Artificial Intelligence, 2007 [C].

[9] J. O’Donovan, B. Smyth. Trust in Recommender Systems. In IUI ’05: Proceedings of the 10th interna -tional conference on Intelligent user interfaces, 2005[C]:167-174.

[10] Y.A. Kim, R. Phalak. A Trust Prediction Framework in Rating-based Experience Sharing Social Networks without a Web of Trust[J], Information Sciences,2012, 191(1):128–145.

[11] G. Pitsilis, L. Marshall. A Model of Trust Derivation from Evidence for Use in Recommendation Systems. In Proceeding of PREP, 2005[C].

[12] Lathia N, N L, Lathia N, Trust-Based Collaborative Filtering[J]. IFIP International Federation for Informa -tion Processing, 2008, 263(1):119-134.

[13] Jamali M, Ester M. TrustWalker: A Random Walk Model for Combining Trust-based and Item-based Recommendation. In KDD '09 Proceedings of the 15th ACM SIGKDD international conference on Knowle dge discovery and data mining, 2009[C]:397-406.

[14] 桑辉,许辉.消费者网上购物动机研究[J]. 消费经济, 2005, 21(3):82-85.

[15] 赵妍妍,秦兵,刘挺.文本情感分析[J]. 软件学报, 2010, 21(8):1834-1848.

[16] Taboada M, Tofiloski M, Brooke J, et al. Lexicon -based Methods for Sentiment Analysis[J]. Computa -tional Linguistics, 2011, 37(2):267-307.

[17] Wilson T, Wiebe J, Hoffmann P. Recognizing Contex -tual Polarity: An Exploration of Features for Phrase -Level Sentiment Analysis[J]. Computational Lingui -stics, 2009, 35(3):399--433.

[18] Melville P, Gryc W, Bldg W, et al. Sentiment Analysis of Blogs by Combining Lexical Knowledge with Text Classification[J]. In KDD, 2009, 12(1):1275-1284.

[19] Burke R. Hybrid Recommender Systems: Survey and Experiments[J]. User Modeling and User-Adapted Interaction, 2002, 12(4):331-370.

[20] 朱静宜. 基于中介中心度的微博影响力个体发现[J].计算机应用研究, 2014, 31(1):131-133.

[21] Resnick P, Varian H R. Recommender Systems [J]. Communications of the ACM, 1997, 40(3):56-58.

[22] 杜永萍,黄亮,何明.融合信任计算的协同过滤推荐方法[J]. 模式识别与人工智能,2014, 27(5):417-425.（收稿日期：2014.4.22）

作者简介：张挺（1990-），男，安徽人，复旦大学硕士研究生，研究方向：电子商务，上海，201203

文章编号：1007-757X(2015)12-0057-07

中图分类号：TP3

文献标志码：A