社会信任意识项目建议的隐式反馈

近年来，对社会信任意识的推荐系统已经得到了很好的研究。 但是，大多数现有方法侧重于推荐方案，在该方案中，用户可以向项目提供明确的反馈。 但是在大多数情况下，反馈不是显式的而是隐式的。 此外，大多数信任感知方法都假定用户之间的信任关系是单一且同质的，而信任作为一种社会概念在本质上是多面的和异构的。 仅仅利用信任关系的原始价值无法获得令人满意的结果。 基于以上观察，我们建议学习一种具有多方面信任关系的信任感知个性化排序方法，以进行隐式反馈。 具体来说，我们首先将社会信任假设-用户的品味接近他/她信任的邻居-贝叶斯个性化排名模型。 为了探索用户多方位信任关系的影响，我们进一步提出了类别敏感的随机游动方法CRWR，以推断每个信任链接上的真实信任值。 最后，通过将原始的二进制信任矩阵替换为派生的实值信任强度，我们得出了信任强度感知项推荐方法SocialBPRCRWR。 在两个真实数据集上的数据分析和实验结果表明，存在社会信任影响，并且我们的基于社会的排名方法SocialBPRCRWR就AUC（接收者操作特征曲线下的面积）而言是有效的。