推荐系统作为解决信息过载问题的有效工具，能通过海量历史行为数据挖掘用户偏好，为其提供个性化推荐服务。针对如何利用隐式反馈数据实现个性化推荐进行研究，提出了一种结合信任与相似度的排序模型TSBPR。首先计算受信度与相似度的混合权重取代二值信任关系，并初始化新用户信任列表将新用户连接进信任网络；其次利用邻居的特征及信任矩阵修正目标用户的特征矩阵解决信任传递问题；最后通过在贝叶斯排序模型（Bayesian personalized ranking，BPR）中引入重新构建的信任模型及用户特征得到优化的模型参数并生成最终的项目排序列表。通过实验仿真，证明了TSBPR模型可以提高推荐性能和有效解决冷启动问
3616· 计算机应用研究 第35卷 户(即评分次数最多的用户)的评分数量。 In P(U,VIDs, T,or, ou, oV) In o( (I, I!FD 最终,用户n的权威度A的定义如卜: THUT(U. KEaA: ux)- y ∑VI 其中 indegree(v)表示用户v在信任网终中的人度;T(v)表示 2ot 信任用户n的用户集合;TN(k,n)表示用户n在用户k处的受 2(mk In i+nK In oi+mK In or )+C (20) 信度。通过上式可以发现,平均受信度与活跃度越高的用户, 其权威度越高。 其中:C是与参数无关的常数。参数U、V固定时,求解上式的 最人后验概率可以转换为求解误差平方和函数的最小值问题 2.5综合信任度 根据前两步计算出的受信度与相似度的线性加权可以得 C(Ds,T*,U,V=-∑∑∑ho(x)+ 到普通用户的综合信任度,信任者赋予被信任者υ的信任权 重T,为 (14) A 入y =观 U (21) 其中:c∈[0,1],a与1-a分别表示受信度与相似度的系数 T值越大表示用户u对用户t的信任度越高 其中:Ax=1027,A=1G2,A=1/0r2;‖·‖2是 Frobenius范数。 对于只有少量甚至没有评分和信任交互的用户,称为新用 由于目标函数是可微的,且偏序对数目巨大(mn2),所以 户。对于这些用户,无法使用传统的方法进行推荐。本文的做 使用随机梯度下降的方法来训练模型参数U和V。随机从训 法如下,选取权威度高的用户添加进新用户的初始信任列表 练集中选取偏序对,然后根据卜面的公式吏新模型参数U和 并将权威度作为新用户对权威用户的初始信任值。 V。对应的偏导公式如下 ac 2.6信任传播机制 aUu I+en +AuU,+ 社会网络中的信任关系是现实生活中社交关系的映射 A7(.-3mC,)-A72、7m(C=n2mn)(22 因此,与在现实牛活中人们总是相信朋友的推荐一样,在社交 aL 网络中,用户u的行为和喜好总是会受到其信任的邻居N的 + Avl (23) 影响。因此来自信任邻居的推荐更容易被用户接受,也就是 AL 说,相邻节点L∈Nn会影响用户u的特征矩阵。本文将用户a 的特征矩阵用其所信任的邻居v∈N的特征矩阵表示 具体的学习算法如下 TU 算法1 TSBPR(DS, T,7,Au,Av, Ar, 8) ∑TU (15 输入:偏厅对集合Ds,信任关系知阵7”,学习速率m,止则化参数 AA1,社会正则化参数Ar,容忍误差e。 其中:C是用户u的特征矩阵估计值;T表小用户u对其邻居 输出:特征矩阵U和V。 ∈N的信任权重:U表示用户n的特征矩阵;为信任关系 a)随机初始化U、V,迭代次数t=0 矩阵的列归一化形式,即 c)从Ds中随机选取(u,i,) ∑T=1 (16) 因此,用户u的用户特征矩阵可以表示为 e)根据式(22)求梯度更新+-n U1 1,U )根据式(23)所求梯度更新-V-nm (17) C g)根据式(24)所求梯度更新+V:-naV; )计算损失函数C(t) 此时,用户的特征矩阵U主要由以下两方面的信息决定 i)until c()-c(t-1)<e a)挡值为0的高斯先验;b)给定信任邻居特征矩阵的情况下 j)返回U、V 用户特征矩阵U的条件概率分布。因此,可以得到 P(UIT, ou, oT)ap(Uot)xp(UIT, of) 4实验验证与结果分析 ∏A10,a1)×∏U∑TU (18)4.1实验数据集及评价指标 为了对比不同算法对推荐性能的影响,本文使用两个含有 3结合信任和相似度的排序推荐算法 评分信息和社会关系的数据集对 TSBPR算法进行验证,分别 BPR模型假设用户的特征矩阵U和项目特征短阵都满为 Epinions数据集(ht/w.ibre. net/datasets. html)与 足均值为0的球形高斯先验。在BPR模型中引入信仁关系矩 Flixster数据集(htt://ww. recsyswiki. com/ wiki/ Flixster)。这 阵T与重新构建的用户特征向量U后,为了给所有项目都找两个数据集的统计特性如表1所示。 到合适的排序,同样通过最大化用户和项日的后验概率来得到 表1数採集的统计特性 目标函数 数据集 p(U,ⅥDs,T,o,o2,a2)∝p(DsU,Vp(UT,07,)p(Ⅵo)= 用户 项目 ∏MU∑TUB,m21) 评分 IIMU, 0,0L1xIIMV, 10.cF1 为了评估推荐算法的性能,本文以ROC曲线下面积(area 其对数联合后验概率分布可以表示为 uuder curve,AUC)作为评价指标,AUC定义如下: 第12期 廖列法,等:隐式反馈场景屮结合信任与相似度的排序推荐 3617 ALC- I 习、8(x>工 (25)日评分矩阵;当λ取无穷大时,所有推荐信息都来自用户间信 任关系矩阵。由图3可知,λr的不同取值对推荐结果有非常 其中,F(D)表示评价用户t所用到的偏序对 显著的影响。在肉个数据集中,随着λr值的不断增加,AUC E(U):=1(2)(a,)∈SA(n,)( Stest strain)(26)的值逐渐升高,表明加入用户间信任关系后,推荐的精度开始 6(x)为 Heaviside函数 不断提高;当λr超过某一阈值后,AUC值开始降低,表明推荐 0 8(x)=H(x)= 的精度开始降低。对于 Epinions数据集,当λr=0.01时,用广 0 else 评分信息与信任关系的比例最佳,推荐效果最好;对于 Flixster AU℃值越高代表排序质量越高.一个随机猜测的AUC值 数据集,Ax=0.1时可以平衡历史评分信息与社会化信息,此 是0.5,AUC值的上限为1。 时推荐质量达到最佳。 4.2对比算法及参数设置 08603 为了验证 TSBPR算法在提高推荐性能和解决冷启动问题 0.861 0.858 上的效果,实验选取了工种主流推荐算法与之进行对比,并在 =0.85: 0850 0.852 0845 表2中给出这五和算法中超参数的最佳取值 0.849 a)PMF。PMF是 Salakhutdinoy等人提出的一种概率矩 0.84 0.835 510152030500.l0.20.3040.50.60.708091.0 阵分解算法,该算法仅考虑了用户的历史评分信息而忽略了用 图1参数K对AUC值的影响图2参数a对AUC值的影响 户之间的社会关系。 0.86 b) BPRME。该方法是 Rendle等人针对隐式反馈场景提 L.-Flixater epinions 出的一种面问排序的推荐算法。在推荐过程中,它只使用历史 0.855 评分信息进行推荐。 c)SoRe。该方法是Ⅵassa等人在概率矩阵分解的基础上 0.840 提出的社会化推荐算法。该方法通过对评分信息和社会关 000010.00010.0010010.1020. 系联合分解的方式学习用户特征矩阵和项目特征矩阵。 图3参数Ar对AUC值的影响 d) SocialLY。该方法是 Jamali等人提出的一种基于信 实验4不同训练集上的实验结果对比。实验将训练数 任传播的概率矩阵分解算法,该算法只利用了简单的二值信任据随机分成不同的比例来验证 TSBPR算法在推荐性能上的提 关系,没有更深层次地挖掘用户间信任强度的区别 升。表3给出了各种推荐算法在AUC上的比较结果,实验选 e)WRMF。该方法是Pam等人和Hu等人1提出的 取的训练集分别为50%、70%、80%。表4给出了各推荐算法 种权重矩阵分解推荐算法,通过在损失函数中增加权重米增加在冷启动条件下的推荐结果,实验选取的训练集分别为10% 正反馈的影响 20%、30%。在这种情况下,只有少量的用户在训练集中有可 表2对比算法的参数设置 用的评分和信任信息、。 Epinions Flixster 由表3和4中的数据可知, TSBPR的推荐性能在以AUC PME Au=Av=o I 作为评价指标的情況下明显高于 SoRes、 Social、 BPRMI BPRMF Au=Av=0Or an=a PMF和WRMF算法。与基础算法 BPRME相比,推荐性能也有 Au-Ar=O 001,Ac-1 入U=Av=0.001,Ac-1 较大提高,这说明在隐式反馈推荐中引人社会关系以及考虑新 Sociall Au=Av=0.I, A=5 Ar=AV=O I,AT=I 用户信任初始化起到了显著的作用。 WRME A=Av=O Au=Ay=0.001 表3各种推荐算法在不同训练集比例下的AUC值对比 Au=Av=0.01 E TSBPR Flixster a=0.5,入y=0.01 a=0.6,入y=0.1 算法 70% 80% 50% 80% 4.3实验结果及分析 PMF0.7620.7930.8070.7950.8180.821 0.7940.8060.8140.8000.8270.835 实验主要验证如下问题:a)特征维度K、受信度系数a和 WHMF0.8050.829.8360.8120.8340.845 社会正则化参数λr对 ISBPR模型推荐性能的影响;)各种推 SocialL0.7840.7940.7980.8030.8230.829 荐算法在不同训练集比例下的推荐性能对比;c)各种推荐算 BRMF0.8120.8360.8450.8160.845.853 ISBPR0.8190.8450.853C.8230.851.862 法在冷启动条件下的推荐性能对比。 表4各种推荐算法在冷启动条件卜的ALC值对比 实验1特征维度K的影响。由图1可以看出,随着特征 算法 pinions Flixster 维度的增加,AUC的值持续增加;k达到最优值30后,AUC值 10% 反而降低。这个结果表明,虽然增大K值可以使得推荐性能 PMF 0.5790.6470.6980.5950.6650.715 提升,但是 TSBPR算法在维度太高时会出现过学习的情况,影 0.6370.6620.7240.6580.680.736 响推荐效果。因为当K∈[10,30],AUC值增加趋势非常缓 WRMF0.5900.655.7140.6310.674 SuciaIMF 6410.0760.7150.6530.6850.728 慢,推荐效果提升不明显,为了减少优化耗时,本文中特征维度 BHRM0.6320.668 6490.69 0.734 K取值为10。 TSBPR 0.6720.684 0.697 实验2受信度系数α的影响。由图2可知,受信度系数 根据表4可知,在训练数据较少的情况下,TSBR算法的优 α对推荐效果有重要影响。在 Epinions与 Flixster两个数据集势更加明显。 TSBPR算法为历史行为数据较少的新用户添加权 中,随着α值的增大,AUC值整体呈觋上升趋势,到达最优值威度高的用户作为初始信任用户并赋予相应的信任权重,因此 后逐渐下降。对于 Epinions数据集,当a=0.5时推荐效果最其推荐质量铰其他算法有很大提升。这也表明在冷启动条件 好;对于 Flixsler数据集,α=0.6效果最好,推荐质量最高。 下.用户间的信任关系对提高推荐性能起到了关键性作用。 实验3社会正则化参数A2的影响。λy控制着用户的社 会关系对推荐质量的影响,即平衡用户历史评分信息和户信5结束语 任关系的比例。当Ar=0时,所有的推荐信息都来自用广一项 针对如何在隐式反馈场景中实现个性化(下转第3631页) 第12期 白杨,等:基于节点重要度的用户推荐 3631 本文根据S算法开发了一个用户推荐的应用程序,图2 中文信息学报,2013,27(4):96-102 表示用户1D为“20214”的推荐可视化结果,展示了目标用户[2. Chen jilin, Geyer W, Dugan C,nnl. Make new friends, bul keep 与其他用户的亲疏关系程度:深色边表示为其推荐的用户,深 the old: recommending people on social networking sites[C]//Proc 色边的粗细度表示推荐力虔的大小。 of slGCHI Confcrcnec on Human Factors in Computing Systcms. New York. ACM Press 2009. 201-210 “w1 中Q [3 Piao S, Whittle J. A feasibility study on extracting Twitter users'in terests using NLP tools for serendipitous connections -C]//Proc of the 3rd IEEE Inlernaliunal Cunlerent'e un Privacy, Security, Risk and Trust. Piscataway, N.: IEEE Press, 2012: 910-915 [4 Sakaguchi T, Akaho Y, Takagi T, et aL. Recommendations in Twitter using conceptual fuzzy sets c// Proe of Annual Meeting of the North American Fuzzy Information Processing Society. Piscataway, NJ IEEE Press. 2010:1-6 [5于海群,刘万军,邱云飞基于用户话题偏好的社会网络二级人 脉推荐[J.计算机应月,2012,32(5):1366-137 「6胡文江,胡大伟,高永兵,等.基于关联规则与标签的好友推荐 图2用户ID为“20214”的推荐可视化结果 算法[J,计算机工程与科学,2013,35(2):109-113. [7ˉ黄沭航,李春英,汤膚.基于社区划分的多线程潜在好攴推荐算 4结束语 決[J.计算机应用研究,2017,33(4) 8』蔡孟松,李学明,尹衍腾.基于社交用户标签的混合tp-N推荐 本文提出的方法使得推荐在基于标签聚类划分的用户社 方法[J.计算机应用研究,2013,30(5):1309-131l 群内进行而不需要在整个网络中进行,极大程度上缓解了稀疏9] Everitt I, Rabehesketh S. Cluster analysis [J]. Quality& Quanti- 性问题,利用用户重要度指标提高每个用户对相似度算法的贡 y,1980,14(1):75-100 [10]韩敏,唐常杰,段磊,等.基于TF-IF相似度的标签聚类方法 献度。本文方法依然面临冷启动问题,即在用广标签丰富的系 [J].计算机科学与探索,2010,4(3):240-246 统中具有较好的推荐效果,但在标注信息匱乏的社交网络中,[11罗家德,社会网分析计义[M].北京:社会科学文献出版社, 则需要先挖掘用户访问模式提取用户标签再运用本文方法。 2010 另外,木文的用户推荐基于不同兴趣的用户社群因此产生的121 Haveliwala t h. Topic-sensitive Page Rank[ C/ roc of international 推荐结果具有不同的兴趣类别,后续研究会对兴趣类别进行语 Conference on World Wide Web. New York: ACM Press 2002 51 义分析,使得到的推荐结果具有兴趣语义主题标志。 erK Marinho b. schmidl 1.T commander systems by fusion of collaborative filtering algorithms 参考文献 [C]//Proc of ACM Symposium on Applied Computing. New York [1」彭泽环,孙乐,乾先培,等.基于排序学刁的微博用户推荐[J]」 ACM Press,2008:1995-1999 (上接第3617页)推荐,本文提出·种基于隐式反馈的排序推荐「7 shi yue, Larson m, Hanjalic A. List-wise learning to rank with ma 模型 TSBPR。通过对网络节点的可信度评估构建出包含每 trix factorization for collaborative filtering [C]//Proc of the 4th ACM 个用户信任关系的信任网终,从而解决了新用户的信任冷启动 Conference on Recommender Systems. New York: ACM Press, 2010 269-272 问题。根据被信任用户的偏好对信任用户的特征向量进行修[8陈珂,邹权,彭志平,等,并质社交网络中协同排序的好友推存 正,实现了信任传递。结合BPR排序模型训练出最优的模型 算法[J,小型微型计算机系统,2014,35(6):1270-1274 参数并形成最终的项目排序列表。实验表明,在隐式反馈场景[9 RendIc s, Frcudenthaler c, Gantner Z,ena!.BP"R: Bayesian perso 中结合信任与相似度进行个性化推荐,具有更广的适用范围和 lalized ranking from implicit feedback [ Cl//Proc of the 25 th Confer 更高的推荐精度。 ence on Uncertainty in Artificial Intelligence. Virginia: AUAI Press 在未来的研究中,笔者会把研充重点放在如何将上下文信 2009:452-461 息时间、位置、人口统计属性等信息)融入到本文的模型中来10M1Ho, Yang Haixuarl,uMR,“ I n. sore: sx: ial rr'ommmeIl 更好地预测目标用户的喜好,这也是本文下步要改进的方向。 dal inn usiny probabilistic: malrix [ al ion [C]//Pmc of the: 171h ACM Conference on Information and Knowledge management New 参考文献: York ACM Press 2008: 931-940 I]印鉴,王智圣,李琪等,基于大规模隐式反馈的个性化推荐[1laHa,king,lyMR. Learning to recommend with social trust 冂.软伫学报,2014,25(9):1240-1252 ensemble[c]//Proc of the 32nd International ACM SIGIR Conference [2 Peska L, Vojtas P. Estimating importance of implicit factors in e-com on Research and Development in Information Retrieval. New York merce recommender systems [C]//Proc of International Conference ACM Press,2009:203-210 on Web Intelligence, Mining and Se:allie s. 2012: (2 [12]王建芳,刘冉东,谷振鹏、等.一种改进专家信仟的协司过滤推 [3 Hernairulez-IubaloJ M, Houlsby N, GhalraImani 7. Prubabilislic ma 荐算法[冂.计算机应用研究,2018,35(2):354-357. Irix faclorivalion wilh Itn-random missing tala [C]//Proe of Inlernd [13]赵海燕,熊波,陈庆奎,等,基于信任传播的穊率矩阵分解算法 冂].小型微型计算机系统,2016,37(5):895-901 Learuing.2014:1512-1520 14 Jamali M, Ester M. A matrix factorization technique with trust propa- [4 Salakhuldinov R, Mrih A. Pmhabilislic: malrix Caclurizalion [C// gation for recommendation in social networks [C]// Proc of the 4th Proe of the 21sI Inlernaliondl Conferenee on Neural Inlurrmalion Pro- ACM Conference on Recommender Systems. New York ACM Press cessing Systems. USA: Curran Associates Inc., 2007: 1257-1264 2010:135-142 [5] Gedikli F, Jannach D. Recommending based on rating frequencies L 15 Pan Rong, Zhou Yunhong, Cao Bin, et al. One-Class collaborative [C]//Proc of the 4th ACM Conference on Recommender Systems filtering [ C]//proc of the 8th IEEE International Confe-rence on Da- New york. ACM Press. 2010. 233-236 ta Mining. Piscataway, NJ: IEEE Press, 2008: 502-511 [6 Balakrishnan S, Chopra S. Collaborative ranking C]//Proc of the [16] Hu Yifan, Koren Y, Volinsky C. Collaborative filtering for implicit 12 th ACM International Conference on Web search and Data mining feedback datasets [C //Proc of the 1 lth IEEE International Confer New York: ACM Press, 2012: 143-152 ence on Data Mining. Piscataway, NJ: IEEE Press, 2009: 263-272