基于dsmtrust信任模型的推荐系统

《基于dsmtrust信任模型的推荐系统》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于DSmTrust信任模型的推荐系统.freelTrust信任模型的推荐系统,通过建立信任网络建立用户间的信任关系,再使用DSmT算法计算用户对产品的预测评价从而实现个性化的推荐。关键词:DSmTrust信任推荐系统信息过量中图分类号:TP39文献标识码:A:1007-3973(2012)004-078-02随着因特网的飞速发展,人们摆脱了长久以来的信息匮乏问题,却又遇到了信息过量的新问题。对于这个问题,搜索引擎是—个解决方案,用户通过输入感兴趣的关键词来搜索想要的信息,这实际上是一个“拉”取信息的思路。

2、相反地,推荐系统则采用了“推”的解决方案,即软件自动为用户推荐用户可能感兴趣的信息。为此本文提出了基于DSMTrust信任模式下的推荐系统,为用户提供一种满意度更高的推荐系统。2推荐系统简介推荐系统是一种基于网络环境的专家系统,.freelTrust信任模式下的推荐系统3.1基于信任模式下的推荐系统原理传统的协同过滤推荐系统首先是要计算出用户之间的相似性,然而,由于“稀疏性”问题,很多用户对产品的评分很少,这样就无法计算用户之间的相似性,也就无法给出推荐。基于信任的推荐系统利用用户之间的信任关系来代替用户相

3、似性计算。将用户信任度作为用户对产品评分的权重(融合算法(TheclassicDSmruleofbination)。(3)3.2.2DSmT算法应用(1)DSmT算法化为DSmTrust模型1)基本转换在DSmTrust信任模型中广义鉴别框架,其中T表示信任,表示不信任,由3.2.1(1)规则,可以得到DSmTrust信任模型超幂集为,其中表示矛盾,表示不确定性。由规则3.2.1(2)存在广义基本信度分配函数m,满足:表示对“信任”的支持程度,表示对“不信任”的支持程度,表示对“矛盾”的支持程度,表示对因为

4、缺少信息而导致的“不确定”的支持程度。2)实际例子假设有两个用户,用户甲与用户乙,我们考虑单方向甲对乙的信任。甲的超幂集,每次交流(可以是交易,聊天等)我们都可以得到一个广义基本信度分配函数,设甲与乙进行两次交流,广义信度分配函数分别是m1和m2。我们可以利用3.2.1(3)的融合规则将第二次交流结果融合到第一次中,从而形成用户甲对用户乙的信任,表示甲对乙信任评判矛盾出现可能的概率是0。利用经典的DSM融合算法,有:从而得到甲对乙信任的概率是0.38,不信任的概率是0.22,不确定的概率是0.40。依据上面

5、的方法,我们可以得到直接交流的用户之间的信任矩阵。我们可以设定一定的阀值,将信任概率大于该阀值的用户定义为原用户的邻居,构建信任网络。(2)信任网络在分布式系统中,假设每个用户都拥有一些邻居(信任概率大于阀值的用户群),借助邻居或者邻居的邻居,对待测项进行预测,例如,在图2中,用户A拥有B、C、D3个邻居,对他们的信任依次是,B,C,D对K项目的评分依次是,据现实经验,越信任的邻居提供的评分越可靠,因此,根据式(4)使用信任权值对邻居的评分进行加权平均,得到用户A对项K的预测评分,其中S={B,C,D}。(

6、4)依据式(4)会得到用户A对产品K的预测得分,这样推荐系统可以将预测得分较高产品推荐给用户。综上,本系统是利用DSmT算法构造出DSmTrust模型,将用户之间的评分转化为用户之间的信任矩阵,利用用户之间的信任矩阵和用户对产品的评分来做出个性化的推荐。用户每次获得推荐或者与其他用户交流后,都可以对用户评分,系统会将新的信息融合进信任矩阵,并且用户之间的信任网络也会改变。4本系统的展望及应用4.1信任层与商品层的整合本文提出基于DSmTrust模式的推荐系统主要针对是在用户层(CustomerLayer)之

7、间如何形成信任,从而寻找用户之间的相似之处。较早的推荐系统则是过多的而针对产品层(ProductLayer),研究产品之间的共同之处。在两层模型中,商品层和用户层之间使用购买记录来衔接。4.2推荐系统与社交网络的融合基于DSmTrust信任模式下的推荐系统未来的发展空间十分大,随着网络信息爆炸式的增长,传统的推荐系统却只是给用户简单的推荐,而且随着电子商务的兴起,网上交易越来越频繁,网站推荐的信息越来越不可信,这就需要使用基于信任的推荐系统。随着社交网络QQ,人人,微博等工具广泛使用,我们可以将社交网络的好

8、友作为推荐系统的初始信任网络,在此基础上进行推荐。