CN102779182A - 融合偏好和信任关系的协同过滤推荐方法 - Google Patents

Abstract

一种融合偏好和信任关系的协同过滤推荐方法，包括下列主要步骤：根据用户-项目评分数据，挖掘用户间的偏好关系，构建偏好关系网络；融合偏好关系与信任关系，构建偏好信任关系网络；基于偏好信任关系网络，利用马尔可夫随机游走方法，定位目标用户的相似近邻；基于相似近邻对某一项目的评分值，为目标用户预测相应项目的评分值。本发明为推荐系统预测用户对项目的评分提供了一种全新和高效的方法，与现有方法比较，本发明具有如下主要优点：(1)方法简单，易于实现，并且能产生更准确的评分预测值。(2)该方法只有一个参数，推荐结果对该参数不敏感，便于选择。

Description

融合偏好和信任关系的协同过滤推荐方法

技术领域

本发明属于信息检索领域，尤其涉及一种融合偏好信任关系的协同过滤推荐方法。

背景技术

推荐系统可以帮助用户从海量信息中更容易的找到最感兴趣的内容(如新闻、图书、电影和音乐等)，是解决互联网信息过载的主要途径之一，已广泛应用在电子商务中。

目前，已提出了多种推荐方法，如协同过滤推荐方法、基于内容的推荐方法及混合推荐方法等。其中，协同过滤算法由于其容易理解、实现简单，已成功应用于大型商业推荐系统中。基于用户的协同过滤方法的基本原理是：寻找与目标用户偏好相似的其他用户，然后将其感兴趣的内容推荐给目标用户。因而，寻找与目标用户偏好相似的用户是基于用户的协同过滤的关键。目前，Pearson相关性、余弦相似度等是计算用户偏好相似度的主要方法，这些方法都是利用两个用户之间的共同评分项目信息。然而，通常用户-项目评分矩阵是非常稀疏的，导致与目标用户有共同评分的用户很少。此外，两个用户共同评分的项目数量一般很少。因此，现有的协同过滤推荐方法面临着偏好相似用户定位不准确问题，从而影响了评分预测的准确度和推荐质量。

针对评分数据稀疏问题，目前已提出一些方法减少其对推荐结果的影响，但效果并不理想。例如，利用奇异值分解方法删除不重要的或噪音用户和项目，降低用户-项目评分矩阵的维数；利用潜在语义索引技术将两个用户投影到一个低维的空间上，再计算两者的相似度等。

现实生活中，人与人之间自然地形成不同类型的社会关系网络(如朋友关系、同事关系、合作关系)，并通过这些关系网络传递信息。其中，相互间的信任对信息的交流发挥着重要作用，如人们更乐意与他所信任的人交流，也更容易被他所信任的人影响，而这种信任关系可从社会网络中发现，我们称之为信任关系。随着web2.0的发展，人们(用户)之间的社会关系网络，可以更容易的挖掘出来。因此，利用社会关系网络中的信任关系，解决推荐系统的数据稀疏性问题，开始受到关注。

2006年，Golbeck等人采用社会信任网络，根据目标用户信任的用户对项目的评分来估计目标用户对项目的评分值。2007年，Avesani等人基于用户的社会信任网络，采用有限步长的信任传播方法，得到目标用户对其他用户的估计信任值，基于信任估计值产生评分估计。2010年，Jebrin等人通过用户之间的信任关系和用户对项目的评分信息来计算每个用户的“全局信誉”值，基于“全局信誉”值较高的用户对项目的评分来估计目标用户对项目的评分。

但以上方法将用户间的信任关系和用户对项目的评分信息隔离开来或者进行简单的线性融合，仍未能有效解决数据稀疏性对推荐系统的影响。

发明内容

针对用户评分数据稀疏导致推荐系统产生的推荐结果不准确问题，本发明的目的是提供一种融合偏好信任关系的协同过滤推荐方法。该方法将互联网上的多种信息源有效融合到图模型中，利用马尔可夫随机游走方法，计算用户间的相似度，进行评分预测，可以获得更准确的推荐结果。

本发明提供了一种融合偏好信任关系的协同过滤推荐方法，所述方法包括如下步骤：

S1，基于用户-项目评分数据，计算用户间的相似度，构建用户偏好关系网络；

S2，融合偏好关系网络与信任关系网络，构建用户偏好信任关系网络；

S3，基于马尔可夫随机游走方法，利用用户偏好信任关系网络，计算用户间的相似度，确定目标用户的相似近邻；

S4，根据目标用户的相似近邻对某一项目的评分值，为目标用户预测其对相应项目的评分值。

附图说明

图1给出了融合偏好信任关系的协同过滤推荐方法的流程示意图。

图2用户-项目评分数据的矩阵示意图

图3用户偏好关系网络示意图

图4用户信任关系数据的矩阵示意图

图5用户信任关系网络示意图

图6用户偏好信任关系网络示意图

图7平均绝对误差与ρ的关系图

图8均方根与ρ的关系图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。现通过附图和实施例对本发明作进一步的详细描述。

本发明实施例的前提是已获得了用户-项目评分数据与用户信任关系数据。

图1为本发明实施例提供的融合偏好信任关系的协同过滤推荐方法流程示意图，如图1所示，本实施例主要包含以下步骤：

步骤S1，根据用户-项目评分数据，按公式(1)计算用户间的相似度sim_in，构建用户偏好关系网络G_p，计算出的sim_ij作为网络G_p的边权重：

${\mathrm{sim}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{|I_i^{\mathrm{like}}\∩I_j^{\mathrm{like}}|+|I_i^{\mathrm{dislike}}\∩I_j^{\mathrm{dislike}}|}{|I_i\∪I_j|},i\≠j\\ 0,i=j\end{array}\right.---\left(1\right)$

其中，sim_ij表示网络G_p的节点(用户)i和j间的边权重，I_i表示被用户i评分的项目集合，

表示被用户i(j)评分大于设定阀值的项的集合，和

表示被用户i(j)评分小于设定阀值的项的集合。

图2为用户-项目评分数据的矩阵示意图，U₁，...，U₅表示用户，I₁，...，I₆表示项目，用户评分有5个等级，分别为1、2、3、4、5，如果用户对某项目评分，则在相应位置标出评分等级，如图2，用户U₁对I₁评分为3，对I₃评分为2.

用户偏好关系网络为带权网络，根据用户-项目数据构建，网络的权重根据用户-项目评分数据，通过步骤S1计算得到。图3为用户偏好关系网络示意图，有向边上的权重表示用户间的偏好程度，如图3用户U₁对U₂的偏好程度(权重)为1/4，用户U₃对U₄的偏好程度(权重)1/3。

步骤S2，将步骤S1所得到的偏好关系网络G_p与信任关系网络G_t相融合，构建用户偏好信任关系网络G。

图4为用户信任关系数据的矩阵示意图，U₁，...，U₅分别为5个用户，用户1如对用户2信任，则U₁₂＝1。如图4中，用户U₁对U₂、U₃存在信任关系。

图5为用户信任关系网络示意图，用户信任关系网络是通过用户信任关系数据构建的带权有向图，有向边上的权重表示用户间是否存在信任关系。如图5中，用户U₅信任U₂，但用户U₂不信任U₅。

偏好关系网络G_p与信任关系网络G_t按照如下公式(2)进行融合，得到用户偏好信任关系网络G：

$w_{\mathrm{ij}}=t_{\mathrm{ij}}^{\mathrm{\θ}}\·{\mathrm{sim}}_{\mathrm{ij}}^{1-\mathrm{\θ}}---\left(2\right)$

其中，w_ij表示偏好信任网络G的边权重，t_ij为信任网络中用户i对用户j的信任权重，sim_ij表示偏好关系网络中用户i对用户j的偏好权重，当t_ij≠0时，θ等于1。反之，θ等于0。

图6为按照步骤S2所述方法构建的偏好信任关系网络示意图，U₁，...，U₅分别为5个用户，有向边上的权值表示了用户间的偏好信任程度，如图6中，用户U₂对U₅的偏好信任程度为2/3，用户U₅对U₂的偏好信任程度为1。

步骤S3，基于马尔可夫随机游走方法，利用用户偏好信任关系网络，计算用户间的相似度，确定目标用户的相似近邻。设向量表示用户节点i与其它用户节点的初始相似度，其中

其它为0。

首先，按公式(3)计算网络G的马尔可夫转移概率矩阵：

$P_{\mathrm{ij}}=w_{\mathrm{ij}}\·{\left({\mathrm{\Σ}}_{k=1}^n{w}_{\mathrm{ik}}\right)}^{-1}---\left(3\right)$

其中，w_ij表示偏好信任关系网络G的边权重，n表示网络中节点数。

其次，根据公式(4)，计算经过t步，节点i与其它节点之间的相似度为

${\mathrm{\π}}_i^t={\mathrm{\π}}_t^0\·{\mathrm{\Σ}}_{k=1}^t{\mathrm{\ρ}}^k\·P^k---\left(4\right)$

其中，ρ为衰减因子，P为网络G的马尔科夫转移概率矩阵。

当t趋于无穷大时，根据公式(5)计算节点i与其它节点之间的相似度为并根据将此相似度确定目标节点的相似近邻：

${\mathrm{\π}}_t^{\∞}={\mathrm{\π}}_t^0\·{\mathrm{\Σ}}_{t=1}^{\∞}{\mathrm{\ρ}}^t{P}^t={\mathrm{\π}}_t^0\·[{(I-\mathrm{\ρP})}^{-1}-I]---\left(5\right)$

其中，I为单位矩阵。

步骤S4，根据目标用户的相似近邻对某一项目的评分，按照公式(6)计算目标用户i对项目o的评分预测值：

$p_{\mathrm{io}}=\stackrel{\‾}{r_i}+\frac{\underset{j\∈R_o}{\mathrm{\Σ}}{\mathrm{\π}}_{\mathrm{ij}}^{\∞}(r_{\mathrm{jo}}-\stackrel{\‾}{r_j})}{\underset{j\∈R_o}{\mathrm{\Σ}}{\mathrm{\π}}_{\mathrm{ij}}^{\∞}}---\left(6\right)$

其中，

是目标用户i对项目的评分均值，R_o是对项目o进行评分的用户集合，r_jo表示用户j对项目o的评分。

本实施例，通过挖掘用户-项目数据中的偏好关系，并将其与用户信任关系融合，得到相对稠密的偏好关系网络，根据偏好关系网络，基于马尔可夫随机游走方法计算目标用户的相似近邻，最后获得目标用户对项目的更准确的预测评分。

以上实施例仅用于说明本发明而非对其进行限制，有关领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

例1本发明在真实数据集EPINIONS上的实验结果

Epinions.com是美国在线服务网站，用户可以在网站上对物品进行评分，也可以将其他用户加入到自己的信任列表中。Epinions实验数据集包含5178个用户对11643个项目的234311条评分信息和这些用户之间的155023条信任关系信息。例1将本发明方法应用到此数据集上进行测试验证，并选用两个指标评价方法的性能，一是平均绝对误差(MAE)，一是均方根误差(RMSE)，同时与6个现有方法进行了对比。6个对比方法分别是基于用户的协同过滤方法(user-basedCF)、基于项目的协同过滤方法(item-based CF)、用户平均评分方法(mean rating of users)、项目平均评分方法(mean rating of users)、基于信任的协同过滤方法(trust based CF)、基于可靠性的协同过滤方法(credibility based CF)。

图7表示了本发明方法(命名为FTRA)的平均绝对误差(MAE)与ρ的关系，同时与现有的6个方法进行比较。现有的6个方法都运行在各自最优的参数下，但因其它6个方法不存在参数ρ，所以ρ的变化对他们的性能没有影响，因此在图7中这6个方法的曲线为表现为直线。本发明中参数ρ是个重要参数，方法的性能与ρ关系密切相关。因此图7反映了两个重要实验结果：

(1)在MEA评价指标下，本发明方法的性能相比于其它6个方法是最好的；

(2)在MEA评价指标下，当ρ＝0.8时，本发明方法的性能是最好的；

(3)在MEA评价指标下，本发明方法的性能对参数ρ的变化不敏感。

图8表示了本发明方法(命名为FTRA)的均方根误差(RMSE)与ρ的关系，同时与现有的6个方法进行比较。现有的6个方法都运行在各自最优的参数下，但因其它6个方法不存在参数ρ，所以ρ的变化对他们的性能没有影响，在图8中，这6个方法的曲线为表现为直线。本发明中参数ρ是个重要参数，方法的性能与ρ关系密切相关。因此图8反映了两个重要实验结果：

(1)在RMSE评价指标下，本发明方法的性能相比于其它6个方法是最好的；

(2)在RMSE评价指标下，当ρ＝0.8时，本发明方法的性能是最好的。

(3)在RMSE评价指标下，本发明方法的性能对参数ρ的变化不敏感。

Claims (6)

1.一种融合偏好和信任关系的协同过滤推荐方法，其特征在于，包括如下步骤：

S1，基于用户-项目评分数据，计算用户间的相似度，构建用户偏好关系网络；

S2，融合偏好关系网络与信任关系网络，构建用户偏好信任关系网络；

S3，基于马尔可夫随机游走模型，利用用户偏好信任关系网络，计算用户间的相似度，确定目标用户的相似近邻；

S4，根据目标用户的相似近邻对某一项目的评分值，为目标用户预测对相应项目的评分值。

2.根据权利要求1所述的融合偏好信任关系的协同过滤推荐方法，其特征在于，该方法采用如下基本原理预测用户对项目的评分值：

存在共同信任关系或偏好关系的用户，一般都有共同的习惯与爱好，融合两种关系，可得到相对稠密的用户相似度关系图，基于这种稠密图的相似度计算，能得到更为准确的相似近邻，进而产生更准确的评分预测值。

3.根据权利要求1所述的融合偏好信任关系的协同过滤推荐方法，其特征在于，基于用户-项目评分数据，按照如下方法构造用户偏好关系网络G_p：

${\mathrm{sim}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{|I_i^{\mathrm{like}}\∩I_j^{\mathrm{like}}|+|I_i^{\mathrm{dislike}}\∩I_j^{\mathrm{dislike}}|}{|I_i\∪I_j|},i\≠j\\ 0,i=j\end{array}\right.$

其中，sim_ij表示网络G_p的节点(用户)i和j间的边权重，I_i表示被用户i评分的项目集合，

表示被用户i(j)评分大于预定阀值的项的集合，

表示被用户i(j)评分小于预定阀值的项的集合。

4.根据权利要求1所述的融合偏好信任关系的协同过滤推荐方法，其特征在于，将用户信任关系网络G_t和偏好关系网络G_p通过如下方法融合为带权重的偏好信任关系网络G：

$w_{\mathrm{ij}}=t_{\mathrm{ij}}^{\mathrm{\θ}}\·{\mathrm{sim}}_{\mathrm{ij}}^{1-\mathrm{\θ}}$

其中，w_ij表示偏好信任网络G的边权重，t_ij为信任网络中用户i对用户j的信任权重，sim_ij表示偏好关系网络中用户i对用户j的偏好权重。当t_ij≠0时，θ等于1；反之，θ等于0。

5.根据权利要求1所述的融合偏好信任关系的协同过滤推荐方法，其特征在于，基于偏好信任关系网络G，按照如下方法计算目标用户节点i对其他用户节点的相似度：

设向量表示用户节点i与其它用户节点的初始相似度，其中

其它为0。

首先，按如下方法计算网络G的马尔可夫转移概率矩阵：

$P_{\mathrm{ij}}=w_{\mathrm{ij}}\·{\left({\mathrm{\Σ}}_{k=1}^n{w}_{\mathrm{ik}}\right)}^{-1}$

其中，w_ij表示偏好信任关系网络G的边权重。

其次，按如下公式计算，经过t步，节点i与其它节点之间的相似度：

${\mathrm{\π}}_i^t={\mathrm{\π}}_t^0\·{\mathrm{\Σ}}_{k=1}^t{\mathrm{\ρ}}^k\·P^k$

其中，ρ为衰减因子，P为网络G的马尔科夫转移概率矩阵。

当t趋于无穷大时有：

${\mathrm{\π}}_t^{\∞}={\mathrm{\π}}_t^0\·{\mathrm{\Σ}}_{t=1}^{\∞}{\mathrm{\ρ}}^t{P}^t={\mathrm{\π}}_t^0\·[{(I-\mathrm{\ρP})}^{-1}-I]$

其中，I为单位矩阵。

最后，令向量

表示用户i与其它用户的相似度。

6.根据权利要求1所述的融合偏好信任关系的协同过滤推荐方法，其特征在于，按照如下方法计算目标用户i对项目o的评分预测值：

$p_{\mathrm{io}}=\stackrel{\‾}{r_i}+\frac{\underset{j\∈R_o}{\mathrm{\Σ}}{\mathrm{\π}}_{\mathrm{ij}}^{\∞}(r_{\mathrm{jo}}-\stackrel{\‾}{r_j})}{\underset{j\∈R_o}{\mathrm{\Σ}}{\mathrm{\π}}_{\mathrm{ij}}^{\∞}}$

其中，是目标用户i对项目的评分均值，R_o是对项目o进行评分的用户集合，r_jo表示用户j对项目o的评分。

Images