社会化网信任研究.pptx

社会化网络中信任推荐研究; 在数字化媒体时代的今天, 人们将现实社会的关系移植于互联网上, 个人社会关系网络主要分为强关系网络(例如QQ、微信)和弱关系网络(例如新浪微博、论坛), 人们依据这两类社交关系实现网络互动。通常强联结关系的网络成员相互之间的关心程度高, 更愿意毫无保留地分享其观点和经验, 而弱联结关系则相反。实证研究结果发现, 用户之间关系强度越高, 彼此之间更加信任.; 信任是一个主体根据与另外一个主体的历史交互经验, 而对其未来行为决策的主观期望。一个拥有内置推荐机制的Web 应用程序首先通过社交网络组件促使其中的用户形成一个信任网络, 组合用户配置文件(评分信息)与来自用户信任网络的信任信息, 最后产生个性化的推荐结果, 这就是所谓的基于信任的推荐系统。 在社交网络时代, 用户很容易建立自己的信任网络。通过信任网络发现用户信任的朋友集合要比找到与目标用户相似的用户集合容易, 而且数量更多,将信任信息加入到推荐过程中则可以有效地解决传统的推荐系统面临的问题。;基于信任的推荐系统工作原理;协同过滤推荐与基于信任的推荐比较;对信任的度量有很多种方法, 早期主要采用二分数值法表示, 用数字1 表示信任, 数字0 表示不信任。这种表示方法过于粗糙, 特别是不适用于信任的传播计算。另外一种表示方法则使用0 到1 之间的一组表示程度级别的数字来度量用户之间的信任程度, 数值由高到低依次表示为: 非常信任–信任–不信任–非常不信任。 在将信任运用于个性化推荐中并进行推荐建模时, 信任的度量一般采用第二种表示方法——使用0到1 之间的数字表示。将信任值作为推荐用户的推荐权重, 并运用信任的传播和聚合规则计算非相邻用户之间的信任值。目标用户对推荐用户的信任值越高,则推荐用户给出的推荐结果所获得的权重越大。这种信任推荐建模方法在研究中被广泛采纳, 有助于提高推荐的准确率。;基于显性信任的推荐利用用户与邻居的显性信任关系, 根据信任邻居对项目的偏好来预测目标用户偏好。一些典型的基于显性信任推荐方法的应用实例有:滑雪登山社区网站Moleskiing、电子商务商品推荐网站Epinions、电影推荐网站FilmTrust等。 在显性信任网络中, 最关键的是计算信任网络中非相邻用户节点之间的信任值, 运用信任的传播与聚合规则。比较著名的信任计算模型有Golbeck 提出的TidalTrust 模型,以及Massa 等提出的MoleTrust 模型;在隐性信任网络中, 信任的形成依据系统用户的历史交易行为。Yuan 等提出以用户相似度来表示隐性的信任关系。Martin-vicente 等基于领域运用语义知识自动形成用户间的隐性信任关系。基于隐性信任的推荐就是利用隐性信任关系, 将信任邻居喜爱的项目推荐给目标用户, 例如eBay 的基于声誉的推荐系统。 目前最著名的隐性信任度的计算方法是O’Donovan 等提出的全局信任度量模型, 即依据历史记录中正确推荐的次数来评估信任值。O’Donovan等介绍了两种信任度量模式: 用户级别信任和用户–项目级别信任, 分别表示特定用户的全局信任度和用户对特定项目的全局信任度。;早期的研究利用传统的相似性值来计算用户之间的信任值, Ziegler 等使用电影和书籍的推荐数据验证了信任和相似度存在正相关关系, 也有研究表明相似用户集合与社交关系用户集合并没有很大的重叠,因而需要更深一步划分这两类关系用户。另外,O’Donovan 等提出全局信任度量模型在度量信任时并没有考虑个体之间的差异, Golbeck 也指出全局信任值并不适用于推荐。;如何将信任值运用于预测评分是推荐系统的关键, 以下介绍几种预测模型。为便于阅读, 下表列举了算法中的字母符号及其含义。;①Golbeck 等提出的Trust-based Weighted Mean 方法,目标用户高度信任的邻居用户获得更高的评分权重 ② Massa 等提出的Trust-based Collaborative Filtering 方法, 采纳传统的协同过滤推荐模式, 以用户之间的信任值作为权重系数。;③ O’Donovan 等提出的Trust-based Filtering 方法, 信任值作为一种过滤手段, 只有目标用户信任的邻居用户才能参与推荐。 ④ Victor 等提出的EnsembleTrustCF 方法, 由于完全基于信任的评分预测方法, 在某些情况下准确率和覆盖率并非最优, 该模型充分利用基于信任的推荐算法和协同过滤推荐算法各自的优点。;将信任值运用于推荐系统中的研究已经成为热点, 但是单一的信任机制不能全面地考虑现实的社会关系, 有些学者认为引入不信任因子, 可以提高推荐系统的精确度。目前将不信任因素运用于推荐中的方 式主要有利用不信任值过滤不信