综合隐语义模型和信任关系网络的个性化推荐

陈永锋　朱振宇

摘 要：面对数量繁多的各种商品信息，大多数用户并不能从中迅速找到自己所需要的，而个性化推荐针对不同的用户给出不同的推荐信息，大大方便了用户的决策。文章对综合隐语义模型和信任关系模型的个性化推荐算法进行了研究。通过将信任关系网络与隐语义模型相结合，简化了运算量，提高了推荐效率和准确度。具体讨论了如何建立信任关系模型，并将其应用于推荐系统中。采用样本训练得到隐语义模型，并通过Epinions.com数据库验证该模型的有效性。

关键词：隐语义模型；信任关系模型；个性化推荐；冷启动；社交网络

1 概述

目前个性化推荐算法大体可分为基于协同过滤技术的推荐算法和基于内容的推荐算法两大类。协同过滤技术是根据邻居用户的资料对目标用户进行产品推荐。基于内容的推荐是推荐与目标用户以前选择的产品相似的产品。然而，基于用户相似度的协同过滤推荐系统需要用户对多个商品得评分，而对于新用户来说并没有商品购买行为，也就没有评分，因此很难对其进行推荐[1]。在基于显式标签的推荐系统中，需要用到人工对用户还有产品进行打标签分类，但是这种方法具有一定的局限性。为了避免人工分类的局限性，我们可以从用户的行为数据出发，运用隐语义模型，自动找到那些类然后进行个性化推荐。

2 隐语义模型

隐语义模型LFM属于隐含语义分析技术，是用来找出潜在的主题或分类。

3 用户社交关系信任网络

在Epinion.org系统中，用户不仅可以对不同商品的评分，还可以基于用户之间的信任关系对不同的用户进行打分[2]。

本文将有直接信任关系的用户之间的信任强度设定为1，并假设用户之间的信任是可传递的。传递的规则如下：给用户u，该用户对其他用户v的信任强度与他们之间的最短路径直接相关[3]。具体来讲，如果我们仅考虑d阶最短路径之内的节点（即对于用户u来说，与其最短距离超过d的用户将不予考虑），那么与源点u之间最短路径为n的用户被u信任的程度为：Tust=（d-n+1）/d。

4 融合信任感知的推荐系统结构

信任矩阵（代表所有用户的信任关系）和评分矩阵（表示由用户给定的项目的所有的评分），作为整个系统的输入，并且产生该用户对项目矩阵的预测的评分作为输出。

5 实验结果及评估

本文使用的数据基于Epinions.com的交易数据，在Epinions.com用户不仅可以在线购买多种商品，还允许对其他用户进行打分，于是系统中就有了可用的信任关系网络。

整体来看，综合用户信任关系及隐语义模型的方法比传统的协同过滤方法更优，其用户覆盖率以及评分覆盖率都优于传统的协同过滤方法。尤其是在对新用户的预测上，新的方法可以弥补传统的协同过滤的不足。

当信任距离大于1时，基于信任度的混合算法在全部用户上的评分覆盖率和用户覆盖率都优于用户协同过滤。正如预期的那样，传播距离越大，用戶覆盖率和评分覆盖率越高，其对应的预测误差也就越小。对于缺少评分数据的冷启动用户，相对于用户协同过滤，基于信任网络的混合推荐算法得到了更高的评分和用户覆盖率以及较小的误差。例如对于全部用户来说，对大距离为4时，评分覆盖率为72%，用户覆盖率为57%，MAE为0.805，MAUE为0.850都优于用户协同过滤。

6 结束语

本文的主要目的是使用基于信任网络的混合算法提升推荐系统的性能。本方法对于解决推荐系统的一些传统问题，例如“新用户冷启动”问题有非常显著的帮助，经过试验对比，新的混合算法在用户和评分覆盖率上有了提高，而且从计算的复杂度方面来讲，不需要通过对比用户对商品的评分情况找出“参照用户”，而是通过用户之间的信任关系达到这一目的，因此可以减小计算量。

参考文献

[1]P Massa，P Avesani. Trust-aware Collaborative Filtering for Recommender Systems[J].Springer Berlin Heidelberg，2004，3290：492-508.

[2]CN Ziegler，G Lausen. Spreading activation models for trust propagation[J] .IEEE International Conference on E-technology，2004.

[3]F Ricci，L Rokach，B Shapira，PB Kantor. Recommender systems handbook[J].Springer， 2011：1-35.

[4]王升升，赵海燕，陈庆奎.个性化推荐中的隐语义模型[J].小型微型计算机系统，2016，5：881-889.

[5]丛丽晖，王科，夏秀峰.利用信任支持度构建客户信任网络[J].计算机工程与应用，2012，48（6）：110-115.

[6]李琳娜，江雪琴.推荐系统中的隐语义模型研究[J].情报工程，2016，4（2）：30-39.

作者简介：陈永锋（1961-），男，教授，主要从事风险评估理论、建模与方法、企业信息化方面的教学和科研工作。

朱振宇（1993-），男，硕士，个性化推荐。