龍巧珠，蔡國永

（桂林電子科技大學(xué)，桂林　541004）

1　協(xié)同過濾算法在社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)中應(yīng)用現(xiàn)狀

1996年，協(xié)同過濾算法最早被美國明尼蘇達(dá)大學(xué)計(jì)算機(jī)系學(xué)者應(yīng)用于MovieLens電影推薦系統(tǒng)中，這是該技術(shù)在社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)中的最初應(yīng)用實(shí)例。協(xié)同過濾技術(shù)能夠根據(jù)用戶興趣偏好進(jìn)行網(wǎng)絡(luò)內(nèi)容推薦。隨著計(jì)算機(jī)用戶信息需求增大，自動(dòng)化協(xié)同過濾推薦系統(tǒng)應(yīng)運(yùn)而生。

在國外，Aamazon、Yahoo都運(yùn)用到了協(xié)同過濾推薦技術(shù)。在國內(nèi)，隨著本國文化與外來文化市場的極大豐富化，計(jì)算機(jī)用戶對于網(wǎng)絡(luò)信息個(gè)性化推薦方面的需求也越來越大?；趨f(xié)同過濾的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)越來越多，且應(yīng)用范圍也越來越廣。像豆瓣網(wǎng)就是目前國內(nèi)處于領(lǐng)先地位的推薦網(wǎng)絡(luò)門戶，他們同樣運(yùn)用到了協(xié)同過濾技術(shù)，綜合分析已注冊登錄用戶所瀏覽過的電影、音樂、書籍等網(wǎng)絡(luò)足跡，并結(jié)合他們的回復(fù)評價(jià)來構(gòu)建網(wǎng)絡(luò)推薦系統(tǒng)，實(shí)施有效信息篩選，最后明確用戶興趣行為取向，獲得用戶最近鄰集合，發(fā)揮推薦系統(tǒng)應(yīng)有的個(gè)性化推薦服務(wù)功能。

2　社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)所存在的問題

2.1　數(shù)據(jù)稀疏性問題

傳統(tǒng)的推薦算法中，計(jì)算機(jī)用戶與項(xiàng)目之間存在相似度，因此要尋找近鄰?fù)扑]。但在實(shí)際系統(tǒng)應(yīng)用中，由于用戶規(guī)模的逐漸擴(kuò)大，所涉及的項(xiàng)目數(shù)量也有所增多，但評分?jǐn)?shù)據(jù)卻越來越稀疏。因此，傳統(tǒng)相似性度量方法對準(zhǔn)確度量相似度難以確定，導(dǎo)致評分?jǐn)?shù)據(jù)稀疏。

2.2　信任度與相似度關(guān)系不明確問題

目前社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)中是存在眾多信任推薦的，它們多基于“同性質(zhì)”基本原理，即圍繞用戶之間的相似性問題結(jié)合信任度推薦，也就是說對信任度與相似性之間實(shí)施相對簡單的加權(quán)處理。不過由于當(dāng)前社會(huì)上基于大眾的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)建設(shè)構(gòu)架越來越通俗大眾化，反而對某些“小眾化”需求考慮偏少，如此環(huán)境下相似用戶集無法與社會(huì)關(guān)系用戶集合形成較大重疊，所以應(yīng)該基于推薦系統(tǒng)優(yōu)化來營造更大內(nèi)在聯(lián)系與影響過程，保證推薦系統(tǒng)建設(shè)的有效性。

3　基于用戶認(rèn)知水平的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)技術(shù)應(yīng)用

3.1　基于用戶認(rèn)知水平的近鄰協(xié)同過濾算法

基于用戶認(rèn)知水平的近鄰協(xié)同過濾算法融入了社會(huì)網(wǎng)絡(luò)信任關(guān)系服務(wù)推薦技術(shù)，利用服務(wù)直接信任度、間接信任度，準(zhǔn)確度量用戶之間所存在的相似性內(nèi)容，得出相似度參數(shù)，從而產(chǎn)生推薦。

采用信任度區(qū)分算法IndegreeTrust結(jié)合傳統(tǒng)協(xié)同過濾算法進(jìn)行推薦。圍繞信任用戶的信任度，結(jié)合實(shí)際情況來假設(shè)有A、B、C 3個(gè)用戶，如果A、B用戶的入度相等，而且用戶B也與用戶C相聯(lián)系，所以此時(shí)的信任度是存在傳遞性的，三者用戶之間能夠組成一個(gè)圈子，這也提高了用戶的認(rèn)知水平，當(dāng)用戶之間信任度較高時(shí)，就可以基于協(xié)同過濾改進(jìn)算法來實(shí)現(xiàn)社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)聚類，形成緊密的連接社團(tuán)，提出以下算式為：

比如說，如果用戶A信任B、C兩個(gè)用戶，那么B、C用戶的入度就應(yīng)該為4，而同時(shí)用戶B也會(huì)信任用戶C。該模型不但充分考慮了用戶關(guān)注者的入度問題，也合理添加了用戶關(guān)注者之間的信任信息內(nèi)容。

基于信任模型可有效提高社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)質(zhì)量，因?yàn)樾湃文Ｐ椭械南嚓P(guān)信息可以被利用為社會(huì)網(wǎng)絡(luò)信息，提高推薦準(zhǔn)確度。而如果用戶近鄰不足，則可通過緩解數(shù)據(jù)系數(shù)來解決推薦系統(tǒng)的“冷啟動(dòng)”問題。

3.2　結(jié)果分析

結(jié)合對用戶傳遞距離的有效分析，基于用戶認(rèn)知水平分類別推薦與傳統(tǒng)的協(xié)同過濾算法進(jìn)行對比，主要是對基于信任的網(wǎng)絡(luò)推薦算法，如：Massa等人推出的MoleTrust算法和由Golbeck等人提出的TidalTrust算法進(jìn)行對比說明。在算法中，首先取參數(shù)β=0.4，取最大傳遞距離dtru=2，dsim=4，如此得到在MoleTrust算法與TidalTrust算法中的最大傳遞距離應(yīng)該為4，在最大傳遞距離均為4的情況下，得出3種算法的覆蓋率應(yīng)該是相同的。

本實(shí)驗(yàn)是在KDD CUP 2012發(fā)布的騰訊數(shù)據(jù)集完成。我們把實(shí)驗(yàn)數(shù)據(jù)2000000條按30%、60%、90%作為訓(xùn)練數(shù)據(jù)，剩余的10%、40%、70%則作為測試數(shù)據(jù)，展示上述3種基于用戶認(rèn)知水平的算法性能可以得出以下結(jié)論：

首先，相比于傳統(tǒng)協(xié)同過濾算法，3種基于用戶認(rèn)知水平的社會(huì)網(wǎng)絡(luò)推薦算法都表現(xiàn)出了較好的優(yōu)勢，首先以90%訓(xùn)練集的RMSE（Root-Mean-Square Error，均方根誤差）為例，它通過MoleTrust、TidalTrust和基于信任的網(wǎng)絡(luò)推薦算法計(jì)算后，其算法準(zhǔn)確度相比于協(xié)同過濾算法分別提高了2.8%、4.0%和7.3%。

其次，實(shí)際上該算法并非是純粹的基于協(xié)同過濾的社會(huì)推薦，它還引入了用戶認(rèn)知信息，所以應(yīng)該算作混合推薦范疇，不過這并不影響算法本身所要達(dá)到的目標(biāo)。

4　結(jié)束語

本文基于現(xiàn)實(shí)用戶的信任度與認(rèn)知水平思維，結(jié)合協(xié)同過濾算法，提高了社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)質(zhì)量。在計(jì)算中發(fā)現(xiàn)用戶認(rèn)知水平較低時(shí)，可通過信任關(guān)系來建立符合用戶期望值的網(wǎng)絡(luò)推薦體系，特別是提升活躍用戶對推薦系統(tǒng)的滿意度。在未來，還應(yīng)該基于準(zhǔn)確度量、用戶影響力與自適應(yīng)度等指標(biāo)來進(jìn)一步研究社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)，實(shí)現(xiàn)技術(shù)突破。

[1]劉輝.基于用戶的協(xié)同過濾推薦算法的改進(jìn)研究[D].華僑大學(xué)，2016.