一种基于用户信任机制个性化协同过滤算法研究.docVIP

一种基于用户信任机制的个性化协同过滤推荐算法研究 　　摘 要：传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机，不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制，改进传统用户信任度，通过信任度权重因子∞。优化用户综合信任度，以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析，实验结果表明，当∞：。取值在0.5时，推荐准确率和覆盖率较RTCR算法、Trustlmpact MF算法、AI-Based算法明显占优。 　　关键词：用户信任度；个性化；协同过滤；用户相似度；推荐算法 　　随着线上社交网络的流行，社交网络平台不仅实现了用户随时随地获取、推送网络信息资源，也给用户在网络信息服务、共享和评论方面提供了支撑。移动资源、信息的过度开发，增加了终端用户在移动信息过载、失真等方面的问题[2]。如何将用户感兴趣且真实有效的信息从海量信息中挖掘出来，以实现用户个性化推荐，是下一代在线社交的个性化服务急需解决的技术难题。 　　传统的基于用户协同式过滤推荐作为社交网络的个性化服务关键之一，如表l所示，主要以用户相似性、用户项目评分方式展开对目标用户的预测评分，但是这一推荐方法仍然在数据稀疏性、用户潜在攻击上存在不足。以用户相似性为向导，以缓解用户数量剧增导致的协同过滤算法的数据稀疏性和安全攻击为目标，是协同过滤推荐研究的重点。 　　基于用户的协同过滤的服务推荐算法，在社交网络中被广泛应用于过滤推荐。以用户相似性为起点，旨在有效降低协同推荐产生的数据稀疏性[5-6]。通过个性化的推荐技术，研究用户行为，分析用户的兴趣，建立用户的递归测评分矩阵[3]；构造用户行为相区划分的凝集性；通过提升时间确定性、对目标用户的贡献度，并将用户对项目属性的偏好度作为评分推荐值，改进用户行为相似性。为了更高效地处理社交网络中的海量数据，以保证社交网络的可扩展性，以词频一逆文件频率（Term Frequency Inverse DocumentFrequency， TF-IDF）算法为基础，借助Hadoop云平台，提高用户特征的准确率，提升社交网络的可?U展性。 　　个性化协同过滤的服务推荐中存在的潜在安全攻击：恶意用户借助一般用户相似性（用户属性、特征、相关度等外在相似性）进行服务推荐，导致目标用户获取到错误或者有害网络信息资源。Polom等率先将信任关系应用于服务推荐，其个性化协同过滤推荐的方法是分析目标用户对项目的信任关系，以清除恶意用户。为了计算用户间的直接、间接信任距离，设计了一种基于用户单步距离的信任关系[7]。荣辉桂等为了实现用户信任度的有效提升，将用户推荐满意度作为推荐数据评价指标，提出了基于AI-Based的协同过滤推荐算法。为了更好地获取目标用户的信任，将用户信任与评分结合，通过用户评分的信任上下阈值计算用户的信任关系。针对评分的非确定性，将评分作为一种矩阵并展开矩阵因子分解，将信任用户进行分组以分析评分对用户信任的间接关系，提出基于Trustlmpact MF算法。 　　在已有的研究基础上，引入用户信任机制。针对用户信任关系中存在的目标用户与推荐用户对产品的共同兴趣以及推荐用户对产品的购买满意评价等，设计一种基于用户对商品兴趣和推荐满意度的用户信任一评分（Interest SatisfiedTrust MF， Int-Trust MF）个性化协同推荐方法，并给出算法的相应数学模型，分别采用信任推荐数据集Epinions展开仿真实验。 　　1 国内外研究现状 　　协同过滤推荐的核心是用户相似度度，文献[1]将用户属性相似度引入传统的电子商务服务推荐。文献[9]改进了传统的协同过滤推荐方式，构造用户属性相似度和用户推荐满意度函数，侧面体现了用户之间的信任关系，但侧重点在于根据用户的属性相似性展开预测评价。文献[4]为了改进微博用户的数据稀疏性，将用户的评分差值信息熵作为行为相似度加以推荐，以增强推荐力度和社区划分。文献[12]结合了用户特征、时间兴趣度、项目属性，作为新项目的用户相似性推荐基础。文献[13]联合用户的多个属性和对项目的兴趣，以用户属性权重为用户相似性，提出了AICF算法（Attributes andInterests Collabora tive Filtering）. 　　基于个性化的推荐是当前协同过滤技术中流行的推荐系统之一。文献[3]通过研究个性化推荐中的用户行为并分析用户的兴趣度，改进用户相似性的度量方法以提升在推荐准确率方面的占优。文献[15]基于k一近邻均值加权推荐的非准确性，采用启发式聚类分析，引入改进的最大最小距离聚类算法，潜在性分析用户己评分、未评分项目，这一算法一定程度提升了推荐准确率。文献[16]针对当前离散型评分的不合理性展开了用