一种O2O教学环境中的用户信任度计算方法

吴彦文 常栋杰 韩得娟

摘要：O2O教学环境中，基于信任的个性化服务定制是O2O教学模式为用户提供智能性、便捷性的一项关键支撑技术，是O2O教学服务中重要的研究内容之一。考虑O2O教学环境中社交网络的特点，提出一种新的用户信任度计算算法，将信任分为3个维度考虑：熟悉性信任度、社会信任度以及相似信任度。仿真测试验证了该计算方法相比单一的用户信任度计算方法，能够取得更精准的个性化推荐效果。

关键词：O2O；社交网络；信任度；图模型；个性化推荐

DOIDOI：10.11907/rjdk.173241

中图分类号：TP312

文献标识码：A 文章编号文章编号：1672-7800（2018）008-0102-04

英文摘要Abstract：In O2O teaching environment， trust-based personalized customization service is a key technology in O2O mode to provide users with intelligence and convenience. It is one of the important research contents in O2O teaching service. Combined with the characteristics of social network in O2O teaching environment， a new hybrid trust calculation algorithm is proposed ， and the trust is divided into three dimensions ：familiarity trust degree， social trust degree and similarity trust degree. The simulation results show that the hybrid trust algorithm is more accurate than the single user trust algorithm.

英文關键词Key Words：O2O； social network； trust； graph model； personalized recommendation

0 引言

教育信息化背景下，越来越多O2O教学平台将社交功能引入，将教学与社交相结合，构建新型的O2O教学环境。在新型的O2O教学环境中，用户可通过社交网络选择其信任的老师在线交流、线下约教，选择其信任的伙伴进行协作学习、交友聊天。社交网络的引入，很大程度上促进了O2O教学环境中用户的联系与交流，教学效果显著提升。如何通过O2O教学环境中的社交网络为用户提供基于信任的教学服务，逐渐成为O2O教学的研究热点。

用户信任度的计算重点是如何合理、全面运用用户的社交网络信息。王玉祥等[1]根据用户之间的信任评分度量用户之间的信任度，并将其应用到移动服务选择机制中。黄武汉等[2]通过分析移动用户之间的通信行为计算信任度，将其应用在移动推荐系统中，并通过仿真实验验证了引入信任度可以缓解协同过滤算法中的稀疏性问题。移动用户之间的信任度不仅与用户之间的交互行为有关，而且还受上下文信息、社会影响力、偏好相似度影响。文献[3]提出从初始信任、交互信任、推荐信任3个方面进行建模研究信任度计算。文献[4]提出的I-Trust模型，则是将用户信任度分为相似信任、交互信任、全局信任3个维度。

在参考已有研究的基础上，考虑O2O教学环境中的信任关系特征、信任关系的有向性、不对称性以及时间因素对信任关系的影响，将用户信任度分为熟悉性信任度、社会信任度、相似信任度，对图模型算法进行适当改进，提出了O2O教学环境中的用户信任度计算方法。

1 基于图模型的信任度

图模型常用于描述社交用户之间的相互关系。考虑到信任关系的有向不对称性，即用户B为用户A信任的人，不等于B也同样信任A，将社交网络描述为G（N，E，W），其中N表示O2O网络中所有节点的集合；E为（E_（x→y），E_（y→x）），E_（x→y）和E_（y→x）为网络节点x与y之间的有向边，代表用户之间的信息交互关系；W为（W_（x→y），W_（y→x）），W_（x→y）和W_（y→x）表示有向边的权重，代表用户之间的信息交流数量[5]。由此得到用户有向交互如图1所示。

1.1 熟悉性信任度计算

根据六度空间理论，以图1中A为根节点，将图1转化为图2所示的用户有向社交关系。同心圆的第一层为A的一级联系节点，第二层为A的二级联系节点，例如B、C节点为A的一级联系节点，D、H为A的二级联系节点，依此类推[6]。

在现实社交网络中，不可避免会存在孤立节点，将孤立节点保留，由于孤立节点与根节点直接信息交流数量为0，因此孤立节点与A节点的熟悉性信任度为0。在图2中，节点A到节点D有4条路径{（A→B→D），（A→C→D，（A→B→C→D），（A→C→B→D）}，根据最短路径原则，A到D所经过的节点越少，其信任度越高[7]，因此计算两节点间的信任度时，仅考虑最短路径，此处节点A与D有两条最短路径{（A→B→D），（A→C→D）}。

1.2 基于直接信任的社会信任度

社会信任度间接反映了一个人的社会地位，是社会对其信誉认可的体现，社交网络中不存在显式的信誉评分机制，因此无法直接获得用户的社会信誉度[9]。文献[10]中用群体信任度算法和区块链思想提供的信任问题解决思路，对其进行适当改进。考虑用户的社会信任度，即为其余用户对其信任度的加权信任评分，在计算用户社会信任度时，让所有节点都有公平的投票权利，任意节点的信任度得分均依赖于其它节点的评分，防止由于少数节点作恶而修改评分结果。以下给出本文社会信任度计算公式：

1.4 综合信任度算法

O2O社交网络上的关系网络极其复杂：其一，人与人之间的信任关系可以从其交流关系的强度简单得出，但是不够全面；其二，信任关系具有有向性、不对称、渐变等特点；其三，O2O社交网络用户之间的信任关系，不仅源于亲戚朋友、兴趣相投，而且可以来源于其良好的社会信誉评分[14]。综上，提出一种O2O教学环境中的用户信任度计算方法，考虑用户之间的信任关系由熟悉信任度、社会信任度、相似信任度3个维度组成，更加平衡合理地评价用户之间的信任关系，计算公式如式（8）所示。

2 实验结果与分析

上述综合信任度计算方法用于O2O教学环境中根据用户社交属性等信息进行好友个性化推荐。实验数据集来源于KDD CUP 2012 track 1活动所提供的腾讯微博数据。实验采用数据集中的3个文档作实验分析：user_pfofile文档包含用户ID、年龄、性别、所发微博数、兴趣标签共计5个属性；user_sns文档包含关注者和被关注者2个属性；user_action文档包括用户ID、动作目标ID、@行为、转发行为、评论行为5个属性。

首先将实验所需数据导入mysql数据库，对数据集进行预处理：剔除用户兴趣标签为0和所发微博数少于10的用户；剔除user_action表中动作目标为自己的数据。从数据集中无法直接获得任意两用户建立好友关系的时间，以两用户中微博数较少的一个用户所发微博数作为其有向好友关系建立时长。如用户A与n，A所发微博数为2017，n所发微博数为85，则其好友建立时长为85。目前鲜有@、评论、互动权重关系的研究，赋予3种属性同样的权重[15]。

选取个性化推荐领域的推荐准确率（Precision）、召回率（Recall）以及综合二者的F1-measure作为评价指标。实验中定义如下：

Precison=推荐结果中已关注对象数量推荐结果数量

Recall=推荐结果中已关注对象数量用户关注对象数量

F1-measure=2×Precison×RecallPrecison+Recall

实验中选取推荐数量取值分别为5、10、15、20、30、40、50，结果见图5-图7。

由图5-图7的实验结果可知，随着推荐数量增加，准确率降速缓慢下降，最终趋于稳定；召回率增速缓慢上升，最终趋于稳定；综合准确率和召回率的F1-measure缓慢增加，增速放缓趋于稳定。综合3个维度的用户信任度计算方法相较于其它3种单个信任度算法，取得了较好的性能，推荐效果优于其它3种单一算法，说明综合社交图谱熟悉性、用户社会信任度及用户相似度的用户信任度算法利用了更多用户信息，能取得更好的推荐效果。

3 结语

O2O教学环境下的好友个性化推荐中，综合考虑基于图模型的用户熟悉信任度、社会信任度和相似信任度3个因素，找到最适当的权重参数，可以获得更加精确的推荐结果，获得令用户满意的效果。本文在计算用户熟悉度时，考虑了信任的有向性與不对称性，在计算用户社会信任度和用户相似度时不仅考虑了节点的直接相邻节点，而且深度挖掘了用户间接相邻节点的有用信息，提高了推荐质量。

参考文献：

[1] 王玉祥，乔秀全，李晓峰，等.上下文感知的移动社交网络服务选择机制研究[J].计算机学报，2010，33（11）：2126-2135.

[2] 黄武汉，孟祥武，王立才.移动通信网中基于用户社会化关系挖掘的协同过滤算法[J].电子与信息学报，2011，33（12）：3002-3007.

[3] 付蕾.社交网络中用户的信任度计算方法[J].现代计算机，2013，（12）：9-13+24.

[4] 杜娇龙.微博社交网络的用户信任度模型研究[D].北京：首都经济贸易大学，2016.

[5] 乔秀全，杨春，李晓峰，等.社交网络服务中一种基于用户上下文的信任度计算方法[J].计算机学报，2011，34（12）：2403-2413.

[6] 刘乾.基于社交网络和地理位置信息的好友推荐方法研究[D].杭州：浙江大学，2013.

[7] 陈婷，朱青，周梦溪，等.社交网络环境下基于信任的推荐算法[J].软件学报，2017，28（3）：721-731.

[8] 史岭峰.基于社交网络好友关系的图查询算法研究与应用[D].南京：南京理工大学，2012.

[9] 何静，郭进利，徐雪娟.微博用户行为统计特性及其动力学分析[J].现代图书情报技术，2013（Z1）：94-100.

[10] 文俊浩，何波，胡远鹏.基于社交网络用户信任度的混合推荐算法研究[J].计算机科学，2016，43（1）：255-258.

[11] ZIEGLER C N，GOLBECK J.Investigating interactions of trust and interest similarity[J].Decision Support Systems，2007，43（2）：460-475.

[12] 孟祥武，刘树栋，张玉洁，等.社会化推荐系统研究[J].软件学报，2015，26（6）：1356-1372.

[13] 邓莹莹.社交网站中基于用户社会活动和好友网络的推荐技术研究[D].上海：复旦大学，2014.

[14] XU J，ZHONG Y S，ZHU W Q，et al.Trust-based context-aware mobile social network service recommendation[J].Wuhan University Journal of Natural Sciences，2017（2）：149-156.

[15] WANG D，HUANG H，XIE C.A novel web service recommendation approach based on credible user comment[C].Pattaya：International Conference on Machinery，2015.

（责任编辑：何 丽）