融合用户相似度与信任度的协同过滤推荐算法.doc

融合用户相似度与信任度的协同过滤推荐算法
摘要:传统的协同过滤算法难以解决“稀疏性”和“冷启动”等问题。鉴于此,提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度,通过信任关系的传递规则,建立没有直接信任关系的用户之间的信任关系,然后融合用户相似度与信任度,用于传统的协同过滤推荐系统,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实验表明,改进后的算法能有效提高系统推荐的准确性。
关键词:协同过滤;推荐系统;信任度;用户相似度
DOIDOI:
中图分类号:TP312
文献标识码:A 文章编号:1672-7800(2017)006-0028-04
0 引言
随着互联网的迅猛发展,信息过载问题越发严重。为了缓解该问题,在海量信息中找到真正所需的信息,Goldberg等[1]在1992年首次提出了协同过滤推荐算法。该算法利用用户对项目的评分记录,计算与目标用户有着相似兴趣爱好的最近邻居用户集,并根据该邻居集对目标项目的评分情况,计算目标用户对目标项目的预测评分值,最终把
N个最高预测评分值的项目推荐给目标用户。协同过滤推荐算法简单高效,已经成为目前最流行的个性化推荐算法之一。然而,随着系统规模的扩大,协同过滤算法会出现数据稀疏性(Data Sparsity)、冷启动(Cold Start)、可扩展性等问题,使得协同过滤算法容易受到这些问题的困扰[2]。
针对稀疏性问题,Sarwar等[3]提出使用矩阵奇异值分解的方法对评分矩阵进行降维以减少稀疏性。邓爱林等[4]提出首先根据基于项目的协同过滤算法预测部分项目评分,减少评分稀疏性,再根据基于用户的协同过滤算法为用户推荐。Herlocker等[5]将信任引入商品推荐系统中,该系统通过维护用户对其他用户的信任或不信任列表来建立用户间的信任关系,基于信任的推荐系统认为用户会倾向于采取受信任的身边用户的建议,目前,基于信任的推荐系统已经得到了广泛研究与应用。经过验证,融合信任的推荐算法可以取得比传统协同过滤算法更好的效果,尤其是在缓解用户“冷启动”和数据“稀疏性”等方面[6-7]
。
周林轲[8]提出无需用户主动地给出对其他用户的信任评分,而是通过挖掘用户间的社交信息从而预测出用户的信任度。Victor P等[9]则利用信任网络特征计算信任度,并构建基于信任的推荐系统。林韶娟等[10]提出使用GenTrust算法,利用二值的信任网络来预测扩展信任网络, 提高了算法准确率。
还有一些学者利用信任传播的方法计算信任度,也起到了改善数据稀疏性的作用。文献[11]提出了一种基于信任传播的加权平均方法计算信任度。文献[12]则是利用信任传播过程中信任值的衰减,设计了3种信任度计算方法。
本文提出信任度的构建方法是基于用户共同评论的项目,而不依赖用户主动给出对其他用户的信任评分。有共同评论项目的用户之间可以直接计算出信任值,没有共同评论项目的用户之间虽然不存在直接信任关系,但是可以通过信任的传递,间接地建立信任关系,而间接信任关系的建立在一定程度上解决了数据稀疏问题。最后将用户信任度与相似度结合起来,引入到传统的协同过滤推荐系统中,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实