基于用户推荐质量的服务推荐方法概述

《基于用户推荐质量的服务推荐方法概述》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、基于用户推荐质量的服务推荐方法概述第一章绪论1.1研究背景随着计算机技术与网络技术的不断发展与普及，用户只要连上互联网便淹没在信息的海洋中。用户享受到互联网带来的获取信息的便捷性和全面性，与此同时铺天盖地的网络资源也造成了网络上的信息过载问题。用户在搜索资源时面临的问题，由之前资源匮乏时如何搜索到满意的资源变为如今如何在众多的资源中挑选出符合自身需求的资源。推荐系统能够提供个性化的信息服务，是解决信息过载的有效工具，目前已经被广泛运用到电子商务、社交网络等多个领域，如Amazon和淘宝等购物商城的商品推荐、MovieLens的电影推荐以及Facebook的好友推荐

2、等。众多推荐系统中，协同过滤(CollaborativeFiltering，CF)是当前最成功的推荐技术之一[1]，最先由Goldberg[2]在1992年提出，其提出的推荐系统Tapestry主要是为了解决Xerox公司在PaloAlto的研究中心资讯过载的问题。其基本思想可以提炼为在大量用户集中，根据兴趣相同、拥有共同经验的用户的喜好来预测请求者可能感兴趣的服务[3]。不过CF也存在着数据稀疏、冷启动、恶意攻击和系统扩展性等问题。实际应用中CF的效率和精确度并不高，其主要原因在于用户服务评分矩阵的稀疏性和高维性以及用户在利益驱动下的恶意攻击和反馈。数据表明，绝

3、大多数用户评过分的服务占服务总数的比例不到1%[4]。将信任引入推荐系统成为解决上述问题的有效方法之一。1.2研究现状2004年，Massa[5]首次将信任引入到了推荐系统中，并提出了信任感知的推荐系统框架。信任感知的推荐系统中的输入除了评分矩阵还包括信任评分矩阵，信任评分矩阵通过特定信任模型的转化及传递计算转化为信任矩阵。将两种类型的输入提供给评分预测模型，从而最终计算出预测评分矩阵。与协同过滤不同的是，它采用计算用户之间的信任，用来代替协同过滤中用户相似度的作用。由于信任的传递，信任感知的推荐系统大大提高了用户覆盖率和项目覆盖率。但是，Massa的工作还是初步

4、的，用户之间的信任值是布尔型(0或1)，信任表达能力弱；另外，他对推荐系统的精度没有过多地讨论。XiaoChengChen[6]提出的TPCF模型将信任传播加入到协同推荐系统中，将TPM信任传递模型得出的信任度和传统协同过滤算法得出的相似度通过TS混合指数综合后得到最终的用户相似度，通过这种方法可有效的解决数据稀疏，冷启动，抗攻击性和伸缩性的问题。但该模型是应用在布尔型信任网络上，信任表达能力弱，用户间的信任值得不到更新，也没有考虑其他影响推荐结果的因素。M.Jamali和M.Ester[7]提出了一个名叫Trust.Jamali和M.Ester[9]在Trust

5、cKnight[28]定义信任为某个个体在一定环境下信赖某个实体(人或事物)来获得相对安全感觉的主观程度。Mui[29]认为信任是一个实体基于以往的交互历史，对其他主体未来行为的主观期望。Josang[30]定义信任为：在一个给定的环境下，可能会产生不好的结果情况下一方愿意依赖于另一方的程度。Mui认为信任具有主观性、可度量性、非对称性、一定的传递性、时间衰减性[29]。张宇等认为信任具有主观性、领域相关性、非对称性和一定的传递性[31]。文献[32]提出信任具有主观性、领域相关性、非对称性、相似度敏感性、条件可传递性、可度量性和可复加性第三章基于聚类的候选推荐用

6、户搜索方法.......153.1服务偏好相似用户的聚集.....153.1.1构造无向加权图.........153.1.2优化的初始聚类中心........163.1.3用户聚集流程........183.2运行环境相似用户的聚集.....193.3候选推荐用户搜索方法.........223.4本章小结.........23第四章基于用户推荐质量的服务推荐方法.......254.1推荐质量的概念........254.2推荐质量相关属性....2644.3计算用户推荐质量.....304.4推荐服务.........324.5本章小结.........34

7、第五章仿真实验与原型系统.......355.1仿真实验.........355.2原型系统.........35.3本章小结.........43第五章仿真实验与原型系统5.1仿真实验最适合于引入信任的推荐系统做实验的数据集是FilmTrust，但FilmTrust数据集没有公开，因此本文采用Epinions数据集。Epinions数据集是采集于Epinions网站的真实数据，网站中的用户不仅可以给各种商品(如书籍，衣服等)进行评论和打分(最高为5，最低为1)，还可以参照其他用户的评论来给出信任评估。数据主要分为三类，包含了49289个用户间487181个信任关

8、系，492