个性化推荐系统中一种基于层次的任度计算模型.docVIP

个性化推荐系统中一种基于层次的任度计算模型 　　引言：计算机系统中的信任问题长期以来都倍受国家、学术界和企业界的关注。本文参考社会学和心理学将人与人之间信任的产生来源分为三个方面：外部来源、交互来源和内部来源，并提出一种层次化的信任度计算模型，该模型可以根据不同类型的用户调整不同来源的信任在整个模型中所占的比例。最后，利用Epinions网站的相关数据对模型进行了验证。 　　本文参考社会学和心理学将人们之间信任的产生来源分为三个方面：外部来源、交互来源和内部信任，如图 1.1所示。外部信任是由于当前用户在公共环境中的声誉而使得其他用户对其产生的信任，它是一种全局信任，独立于单个用户。交互信任是系统中用户之间的交互所产生的信任关系，这是一种本地信任度。内部信任，是由于两个人之间内在的相似性（如爱好等）产生的信任关系。 　　图 1.1 分层信任模型示意图 　　1 基于层次的信任度计算模型 　　本文提出基于层次的信任度计算模型如（1.1）所，其中Reputation表示外部信任，InteractiveTrust表示交互信任，Similarity表示内部信任。a，b，c是加权平均系数，满足a+b+c=1。这三个系数分别应对不同类型的用户：冷启动用户、常规用户，争议用户。 　　（1.1） 　　在本文接下来的篇幅中将详细介绍三种信任的计算方法以及a，b，c三个参数对于不同用户的取值情况。 　　1.1 外部信任 　　本文使用的PageRank算法来计算外部信任。PageRank将指向一个网页的链接看成是对于这个网页的投票，本文将这种链接称之为回指链接，而将一个网页指向其他网页的链接称之为外向链接。例如在图 2.1中，将用户看作是网络中的结点，将用户之间的信任关系看做他们之间的信任，对于用户A来说，从其他用户到用户A的链接如（B-A）等都是用户A的回指链接；而从用户A到其他用户的链接如（A-B）等都是用户A的外向链接。 　　图 2.1 信任网络初始状态示意图 　　PageRank在计算网页排名的时候不单单考虑了网页的回指链接的数量，更重要的是它还考虑了回指链接源网页的价值。也就是说，一个高等级的页面可以让它所指向的低等级的页面的等级提升。PageRank中，一个页面的重要性是由链向它的所有页面的重要性经过递归算法得到的，如等式（2.2）所示是RageRank的数学表达式： 　　（2.2） 　　Reputation（u）表示用户u的信誉度，Bu表示指向用户u的所有用户的集合，Nv表示以用户v为源用户的所有链接的数目，也就是用户v的外向链接数。 　　1.2 交互信任 　　本文使用MoleTrust来作为度量交互信任值的算法，之所以选择MoleTrust有两个原因：1. 它具有省时高效的特点；2. 该算法对信任的计算是按照层次顺序进行的，这与我们的社交习惯非常类似。接下来将详细介绍MoleTrust的计算过程及其缺点以及对MoleTrust的改进措施。 　　1.2.1 MoleTrust 　　MoleTrust的整个计算过程可以分为两步完成：1.从源节点出发遍历整个信任网络，去除网络中多余的信息和循环信任，构造一个单向无循环的信任网络；2.在第一步的基础上，从源节点出发开始传播信任值，计算当前用户对于网络中其他用户的信任。如Step 1和Step 2所示，是MoleTrust的具体运算过程： 　　MoleTrust的Step 1过程有一个非常重要的参数：trust_propagation_distance，该参数用来控制信任传播的距离。图 2.1经过MoleTrust的Step 1阶段后得到图 2.2所示信任网络。将该信任网络视为一个有向图，在图的第0层是当前用户A，第1层，为用户A的直接朋友，以此类推。 　　图 2.2 经MoleTrust的Step 1后的信任网络 　　在MoleTrust的Step 2阶段，同样有一个非常重要的参数：trust_threshold。只有信任值大于trust_threshod的用户才会被加入到信任网络中，该策略可以有效防止恶意用户对于推荐系统的影响。 　　1.2.2 Modified MoleTrust 　　MoleTrust在计算信任值的过程中存在一个很大的漏洞，如Tr（A，G）=7，但这和我们的直觉是相悖的，因为G的上层用户C的信任值只有3。为了弥补上述漏洞，本文提出一种修正的MoleTrust：Modified-MoleTrust。本文在在MoleTrust的Step 2阶段引入一个递减因子ω，其计算方式如等式（2.5）所示。 　　1.3 内部信任 　　本文认为用户对项目的评分是用户内部属性的综合体现，所以本文选择用户对项目的评分矩阵来作为内部信任的计算依据。有