張朔 潘旭偉

摘要：針對興趣點(diǎn)推薦系統(tǒng)中用戶社交關(guān)系挖掘不充分的問題，文章結(jié)合位置社交網(wǎng)絡(luò)中用戶簽到行為數(shù)據(jù)與用戶社交網(wǎng)絡(luò)數(shù)據(jù)，提出一種基于信任傳遞的興趣點(diǎn)推薦方法。該方法通過信任傳遞發(fā)現(xiàn)用戶的潛在社交好友，計(jì)算用戶間的信任度，根據(jù)用戶間的信任關(guān)系進(jìn)行興趣點(diǎn)推薦。實(shí)驗(yàn)表明，基于信任傳遞的興趣點(diǎn)推薦方法較傳統(tǒng)的興趣點(diǎn)推薦方法在性能上具有顯著提高。

關(guān)鍵詞：興趣點(diǎn)推薦;社交關(guān)系;信任傳遞;信任度

隨著Web2.0的快速發(fā)展，促生了很多位置社交網(wǎng)絡(luò)，位置社交網(wǎng)絡(luò)將地理位置引入到傳統(tǒng)的社交網(wǎng)絡(luò)中，改變了傳統(tǒng)的社交網(wǎng)絡(luò)的交流模式，允許用戶共享網(wǎng)絡(luò)中的位置信息，用戶可從中發(fā)現(xiàn)感興趣的興趣點(diǎn)。位置社交網(wǎng)絡(luò)的快速發(fā)展積累了海量的興趣點(diǎn)數(shù)據(jù)，用戶從海量的數(shù)據(jù)中快速準(zhǔn)確的發(fā)現(xiàn)感興趣的興趣點(diǎn)成為亟待解決的問題。興趣點(diǎn)推薦系統(tǒng)應(yīng)運(yùn)而生。興趣點(diǎn)推薦系統(tǒng)根據(jù)用戶以往的行為信息，建模用戶的興趣點(diǎn)偏好，進(jìn)行興趣點(diǎn)推薦。Sinha.R等指出，在現(xiàn)實(shí)環(huán)境中人們更信賴自己信任好友的推薦信息。目前用戶在社交網(wǎng)絡(luò)中進(jìn)行的交互的頻率越來越高，融入信任的興趣點(diǎn)推薦系統(tǒng)是興趣點(diǎn)推薦系統(tǒng)發(fā)展的必然趨勢。丁勇等人通過從用戶的社交關(guān)系出發(fā)，根據(jù)用戶信任用戶的對興趣點(diǎn)的訪問偏好設(shè)置推薦權(quán)重，利用傳統(tǒng)的協(xié)同過濾推薦算法進(jìn)行興趣點(diǎn)推薦，得到了比較好的推薦效果。但是，目前研究大部分只針對于用戶表面的社交網(wǎng)絡(luò)數(shù)據(jù)，沒有深入挖掘用戶社交網(wǎng)絡(luò)數(shù)據(jù)。本文聚焦于充分挖掘用戶間社交網(wǎng)絡(luò)的問題，研究信任傳遞對興趣點(diǎn)推薦系統(tǒng)的影響。

一、基于信任傳遞的興趣點(diǎn)推薦方法

（一）信任傳遞

傳遞性是信任關(guān)系中重要的特性。簡單來講，就是用戶朋友的朋友，也和用戶存在一定的信任關(guān)系。如果用圖論來表示，兩個(gè)不存在直接信任關(guān)系的用戶，只要可以通過任一用戶連接起來，那么兩用戶間存在間接信任關(guān)系，從而可以得到用戶潛在信任用戶，豐富用戶的社交網(wǎng)絡(luò)。信任傳遞具有一定的空間相關(guān)性，隨著空間上的轉(zhuǎn)移，用戶之間的信任會(huì)發(fā)生衰減。用戶的間接信任關(guān)系要比直接信任關(guān)系弱。本文引入信任權(quán)重系數(shù)，直接信任關(guān)系的信任權(quán)重系數(shù)為1，表示完全信任，間接信任好友的信任權(quán)重系數(shù)為0.5，表示不完全信任。

（二）基于信任傳遞的興趣點(diǎn)推薦過程

通常來講，如果一個(gè)用戶被很多人信任，那么這個(gè)用戶在社交媒體中具有比較高的影響力，他的意見被采納的可能性比較高?；诖耍o出用戶間全局信任度的計(jì)算公式

局部信任表示用戶間一對一的信任，與其他用戶對目標(biāo)用戶的看法以及態(tài)度無關(guān)。如果兩用戶間信任好友的相似情況比較接近，即，兩用戶的信任好友情況比較類似，那么兩個(gè)人的信任程度比較高。本文用兩用戶間信任關(guān)系的相似性，計(jì)算用戶間的局部信任度。公式如下：

綜合考慮全局信任與局部信任，提出用戶間信任計(jì)算公式如下：

其中，Ti，j為用戶i與j間的信任度，α為信任參數(shù)。α的取值與用戶所處的社交網(wǎng)絡(luò)類型有關(guān)。偏社交型的社交網(wǎng)絡(luò)α接近0，偏權(quán)威型的社交網(wǎng)絡(luò)接近1。

將用戶的好友訪問過的興趣點(diǎn)但用戶沒有訪問過的興趣點(diǎn)推薦給用戶，計(jì)算評分值。用戶i對于興趣點(diǎn)p的評分計(jì)算公式如下。

Ti為用戶i的信任朋友集合，Cj，p表示用戶j對興趣點(diǎn)p的興趣點(diǎn)偏好，當(dāng)用戶訪問該興趣點(diǎn)時(shí)，Cj，p=1，當(dāng)用戶未訪問該興趣點(diǎn)時(shí)，Cj，p=0。

二、實(shí)驗(yàn)研究

（一）數(shù)據(jù)來源與基本統(tǒng)計(jì)

為了驗(yàn)證本文提出的融入信任的興趣點(diǎn)推薦方法的有效性。本文選用Gowalla數(shù)據(jù)集。為了得到社交關(guān)系更緊密的數(shù)據(jù)，利用NodeXL對數(shù)據(jù)集進(jìn)行聚類分析，得到社交關(guān)系最緊密、用戶群體量最大的數(shù)據(jù)集作為本文的研究數(shù)據(jù)。處理后的數(shù)據(jù)集包括1020個(gè)用戶、32510個(gè)興趣點(diǎn)、85215條簽到記錄和9362條社交關(guān)系。

（二）評價(jià)指標(biāo)

（三）實(shí)驗(yàn)分析

推薦效果如表1所示。從實(shí)驗(yàn)結(jié)果可以看出，信任傳遞后的指標(biāo)值均高于信任傳遞前的指標(biāo)值，指標(biāo)的平均值也明顯高于信任傳遞前的平均值，由此得出，基于信任傳遞的方法的推薦效果要比傳統(tǒng)的興趣點(diǎn)推薦方法要好。隨著α的增大，指標(biāo)值逐漸下降，當(dāng)α=0時(shí)，指標(biāo)值均取得最大值，說明α=0，興趣點(diǎn)推薦效果最好，由此得出Gowalla是一個(gè)社交型的社交網(wǎng)絡(luò)，用戶更喜歡接受于信任好友的推薦而非權(quán)威人士的推薦。

三、小結(jié)

本文基于信任傳遞發(fā)現(xiàn)用戶的潛在好友，通過全局與局部兩個(gè)角度計(jì)算用戶信任度，然后根據(jù)用戶的簽到行為數(shù)據(jù)，將用戶信任好友感興趣的興趣點(diǎn)推薦給用戶。經(jīng)實(shí)驗(yàn)驗(yàn)證驗(yàn)證，本文提出基于信任傳遞的興趣帶你推薦方法的有效性。但是由于數(shù)據(jù)集的限制，本文只研究靜態(tài)環(huán)境下的用戶間的信任關(guān)系，然而用戶間的信任隨著時(shí)空的變化也在動(dòng)態(tài)變化，可計(jì)算動(dòng)態(tài)的用戶信任，以進(jìn)一步提高推薦的精準(zhǔn)度。

參考文獻(xiàn)：

[1]Zhu J，Wang C，Guo X，et al. Friend and POI recommendation based on social trust cluster in location-based social networks[J].EURASIP Journal on Wireless Communications and Networking，2019（01）.

[2]丁勇，劉菁.LBSN中融合相似性和好友信任的地點(diǎn)推薦算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016（08）.

[3]Guo G，Zhang J，Thalmann D，et al. From ratings to trust： an empirical study of implicit trust in recommender systems[C].ACM，2014.

[4]Kutsuras T. Alleviating the Sparsity Problem of Collaborative Filtering Using Trust Inferences[M].Berlin，Heidelberg： Sprin-ger Berlin Heidelberg，2005.

*本文系浙江省哲學(xué)社會(huì)科學(xué)規(guī)劃項(xiàng)目“泛在信息環(huán)境中社會(huì)化驅(qū)動(dòng)的情境感知個(gè)性化方法研究”（16ZJQN041YB）的成果。

（作者單位：浙江理工大學(xué)）