CN105809510A - 一种基于多元社交信任的协同推荐方法 - Google Patents

Abstract

本发明公开了一种基于多元社交信任的协同推荐方法CF‑CRIS。协同过滤推荐是当前最成功的个性化推荐技术之一，但是传统的协同过滤推荐算法普遍存在推荐性能低和抗攻击能力弱的问题。针对以上问题，在社会心理学的理论指导下，提出一种基于社交信任的协同推荐算法，包括信任产生模块、信任计算模块和个性化推荐模块三部分，其中信任产生模块用于信任产生原理的形式化描述，信任计算模块用于提取信任要素（可信度、可靠度、亲密度、自我意识导向）并对其进行量化，个性化推荐模块基于用户间的综合信任度选取可信邻居，进而实现个性化的信息推荐。实验研究表明，该算法不但可以极大地提高推荐系统的精确度和召回率，而且表现出良好的抗攻击能力。

Description

一种基于多元社交信任的协同推荐方法

技术领域：

本发明属于计算机人工智能领域，具体涉及基于信任产生原理提取社交网络中各信任要素的过程和基于多元社交信任的个性化推荐方法。

背景技术：

随着计算机和Internet技术的快速发展，电子商务技术日趋成熟与壮大，人们的日常生活已离不开它。在电子商务中最重要的是信任(Trust)，然而信任问题仍然是当前电子商务中的一个未解难题。在社会科学中，信任被认为是一种作用于个人或团体的依赖关系。信任具有主观性、非对称性、传播性、可组合性、自我加强性和事件敏感性等特征。传统的推荐技术通常假设用户是独立和恒等分布的，经常忽略用户间基于社会关系产生的信任。然而，在朋友推荐和系统推荐之间做出选择的时候，无论从推荐的质量还是推荐的有效性来看，用户往往更倾向于前者，所以提取和量化用户间的信任关系是改善推荐质量的法宝。

研究者们在信任计算和基于信任的推荐方面取得了一定的研究成果，然而已有方法主要关注用户之间显式的信任关系，很多有价值的隐式信任关系往往被忽略，对于信任传播和信任融合方面的研究也不够深入。另外，已有研究几乎都是从技术角度来分析信任问题，缺乏社会心理学方面的理论指导，这些问题都有待深入研究。

协同过滤推荐是当前电子商务中应用最成功的推荐技术之一，然而传统的协同推荐算法普遍存在推荐精度低和抗攻击能力弱的问题。针对以上问题，结合信任关系在个性化推荐专中的关键作用，本发明提出一种基于多元社交信任的协同过滤推荐方法。

发明内容：

本发明的技术方案：提出了一种基于多元化社交信任的协同过滤推荐算法。首先，借鉴社会心理学中的信任产生原理，提出基于不同信任要素(可信度、可靠度、亲密度、自我意识导向)的信任度计算方法；然后深入研究社交网络环境中各信任要素的识别、提取和量化方法；最后，基于用户间的综合信任度选取可信邻居，完成对目标用户的个性化推荐。

本发明的具体步骤为：

(1)信任产生原理

在《TheTrustedAdvisor》一书中，David等人借鉴社会心理学中人们之间信任产生的过程，提出一个商业领域的信任计算公式

TR＝(C×R×I)/S(1)

其中TR表示用户间的信任度，C表示用户的可信度(credibility)，R表示用户的可靠度(reliability)，I表示用户间的亲密度(intimacy)，S表示用户的自我意识导向(self-orientation)。需要指出的是，式(1)并不是一个严格的用于信任计算的数学公式，而是指明信任计算中前3个要素C,R,I是正向指标，最后1个要素S是反向指标。

(2)计算用户间的可信度(C)

可信度指的是人们给出的可以证明自己没有言过其实的种种信号。比如他们的确拥有自己声称拥有的资质，或者他们的职业水平确实如他们自称的一样出色。某人的可信度越高，你就越是可以相信他。现实世界中“物以类聚、人以群分”的自然选择规律在虚拟的社交网络中同样适用，研究表明，兴趣爱好越相似的用户之间的信任程度越高，我们称之为相似信任。因此，本发明基于用户间的评分相似度来衡量用户间的可信度，用户间的评分相似度可以采用Pearson相关系数来度量：

$s(u_i,u_j)=\frac{\underset{t_k\∈{\mathrm{CI}}_{ij}}{\Σ}(R_{ik}-\stackrel{\‾}{R_i})\×(R_{jk}-\stackrel{\‾}{R_j})}{\sqrt{\underset{t_k\∈{\mathrm{CI}}_{ij}}{\Σ}{(R_{ik}-\stackrel{\‾}{R_i})}^2}\×\sqrt{\underset{t_k\∈{\mathrm{CI}}_{ij}}{\Σ}{(R_{jk}-\stackrel{\‾}{R_j})}^2}}---\left(2\right)$

其中R_ik和R_jk分别表示用户u_i和u_j对项目t_k的评分值，和分别表示用户u_i和u_j在所有项目上的评分均值，CI_i,j表示用户u_i和u_j的共评项目集。

假设s(u_i,u_j)＝s(u_i,u_k)，但是|CI_ij|>|CI_ik|，即用户u_i和u_j之间的共评项目数大于用户u_i和u_k之间的共评项目数，显然此时用户u_i和u_j间的评分相似度应该比用户u_i和u_k间的评分相似度大。下面利用用户间的共评项目数|CI_i,j|对评分相似度的计算公式进行优化：

$sim(u_i,u_j)=s(u_i,u_j)\×\frac{1}{1+e^{-\frac{\left|{\mathrm{CI}}_{ij}\right|}{2}}}---\left(3\right)$

式(3)使用指数函数避免|CI_i,j|过大对相似度计算结果造成的影响，使得用户相似度落在[0,1]区间内。当|CI_i,j|足够大时，式(9)的右项值趋于1；对于很小的|CI_i,j|，该项的值约为0.6；当|CI_i,j|>5时，该项的值大于0.9。

(3)计算用户的可靠度(R)

简单地讲，可靠度指一个人做事情的靠谱程度。在电子商务推荐系统中，用户的可靠度就是用户推荐的准确度，比如：他们越是经常性的向你推荐你喜欢的商品，那么你越是有理由相信该用户未来的推荐也是可靠的。因此，本发明通过计算用户的推荐准确率来评估其可靠性。

将u_j∈H_k(u_i)作为u_i的唯一推荐用户，对于t_k∈CI_ij，根据以下公式对目标用户u_i进行评分预测：

$P_{ik}=\stackrel{\‾}{R_i}+\frac{(R_{jk}-\stackrel{\‾}{R_j})\×sim(u_i,u_j)}{\left|sim(u_i,u_j)\right|}---\left(4\right)$

其中P_ik表示用户u_i对项目t_k的预测评分，R_jk表示u_j对t_k的真实评分，和分别表示用户u_i和u_j的评分均值，sim(u_i,u_j)表示用户u_i和u_j之间的评分相似度。根据实际评分值与预测评分值之间的差异程度，得到u_i对u_j推荐能力的计算公式如下：

${\mathrm{pr}}_{ij}^k=1-\frac{\left|P_{ik}-R_{ik}\right|}{P_{\max }}---\left(5\right)$

其中表示目标用户u_i对推荐用户u_j在项目t_k上的推荐能力的估计值，P_ik表示用户u_i对项目t_k的预测评分，R_ik表示u_i对t_k的实际评分，P_max表示预测评分与实际评分差异的极大值。目标用户u_i对推荐用户u_j推荐准确率的计算公式如下：

$PR(u_i,u_j)=\frac{{\mathrm{\Σ}}_{k=1}^{\left|{\mathrm{CI}}_{ij}\right|}{\mathrm{pr}}_{ij}^k}{\left|{\mathrm{CI}}_{ij}\right|}---\left(6\right)$

其中|CI_ij|表示u_i和u_j的共评项目数。

(4)计算用户间的亲密度(I)

社交网络的主体是用户，用户能创建和维护与其他用户之间的朋友关系，具有朋友关系的用户之间具有较强的亲密度。朋友关系具有传递性，所谓“friendofafriendisafriend”就是这个道理.亲密度是信任中最强有力的情感因素之一，是信任计算中不可忽视的一个组成部分。

给定用户间的初始信任网络G，图1是用户间的初始信任网络图，要计算当前用户u_i和其他用户间的间接信任度。首先以u_i为起点，将与u_i有直接信任关系的所有用户排列在u_i的周围；再将这些用户直接信任的用户排在以u_i为圆心的第2层，以此类推，形成一系列以u_i为圆心的同心圆；为了获取最短信任路径，只保留不同层节点之间的连接边，得到目标节点的信任网络图G’，图2是目标节点信任网络示意图，此时第1层节点(u₁,u₂,u₃,u₄)为u_i的朋友，第2层节点(u₅,u₆,u₇,u₈)为u_i的朋友(u₁,u₂,u₃,u₄)的朋友，以此类推。

然后，采用以下公式计算当前用户u_i对处于G’中第2层以上的用户u_j的间接信任度：

$IT(u_i,u_j)=\frac{1}{2^{L_j-1}}\×\frac{1}{1+e^{-\frac{n}{2}}}---\left(7\right)$

其中IT(u_i,u_j)表示u_i与u_j的间接信任度，L_j为u_j所在的层，n表示从u_i到u_j共有n条路径.以上信任推理过程同时考虑了信任路径的长度和多信任路径的组合问题。例如对于节点u₇，它处于第2层，所以L₇＝2；从u_i到u₇有2条路径(u_i→u₂→u₇和u_i→u₄→u₇)，所以n＝2；则u_i与u₇的间接信任度为(1/2¹)(1/(1+e^-1))≈0.37。

(5)计算用户的自我意识导向(S)

人际网络建设的核心要素在于乐于助人，构建不以交换原则为基础的新型人际关系。社交网络亦是如此，使用自己的网络来解决问题，通过给他人提供商业机会来构筑杠杆原理。所以说，自我意识导向是信任中的负面因素，一个人的自我意识导向越是强烈，人们越是无法信任此人。比如：一个只对自己感兴趣，全然不在意他人的感受，这样的人就是自我意识导向强烈者的范例之一；而愿意推荐竞争对手的好产品，而不是坚持自家产品垄断，这样的人就有着较低的自我意识导向。

本发明基于用户在社交信任网络中的全局信誉度(reputation)来衡量用户自我意识导向的强度，用户信誉度越高，其自我意识导向程度越弱，越值得信任。给定信任网络G，目标用户u_i∈U，u_i的信誉度rep(u_i)与信任网络中的信任u_i的用户数和这些用户自身的信誉度密切有关，本发明采用PageRank算法来计算用户的信誉度：

$rep\left(u_i\right)=\frac{1-q}{m}+q\×\underset{u_j\∈TU\left(u_i\right)}{\Σ}\frac{rep\left(u_j\right)}{\left|TN\left(u_j\right)\right|}---\left(8\right)$

其中m是信任网络G中的用户数量，TU(u_i)是信任u_i的用户集，rep(u_j)是用户u_j的信誉度，|TN(u_j)|是u_j的信任用户数，q是调和因子。

(6)基于多信任要素的社交信任计算

完成所有信任要素的提取和量化之后，采用线性合并的方法得到用户间的综合社交信任程度，计算公式如下：

TR(u_i,u_j)＝w₁×C(u_i,u_j)+w₂×R(u_i,u_j)+w₃×I(u_i,u_j)-w₄×S(u_j)(9)

其中TR(u_i,u_j)表示用户u_i对用户u_j的综合社交信任度，C(u_i,u_j)表示u_i对u_j的可信度的度量值，R(u_i,u_j)表示u_i对u_j的可靠度的度量值，I(u_i,u_j)表示u_i和u_j的亲密度的度量值，S(u_j)表示用户u_j的自我意识导向的度量值，w₁,w₂,w₃,w₄为各信任要素的权重因子，满足w₁+w₂+w₃+w₄＝1，具体权重分配采用实验方法得到。

(7)基于多元社交信任的协同推荐

传统协同推荐方法基于相似用户对目标项目的历史评分来估计当前用户对目标项目的喜好程度，用户间的相似度基于历史评分矩阵计算得到.在实际应用中，随着系统规模的不断扩大，用户-项目评分矩阵会变得越来越稀疏，导致用户相似性的计算结果很不准确，从而影响推荐质量.另外，在面对用户概貌注入攻击(profileinjectionattacks)时，基于用户相似度的协同过滤算法抗攻击能力较差.针对上述问题，本发明提出一种基于多元社交信任的协同推荐算法CF-CRIS，其核心思想如下：

1)针对目标项目t_k，选取目标用户u_i的候选邻居集H_k(u_i)；

2)分别利用式(4)～(7)计算每个候选邻居的可信度C、可靠度R、亲密度I和自我意识导向S，然后利用式(15)将以上4个信任要素进行合并，得到目标用户对候选用户的综合信任度TR；

3)按照综合信任度对候选用户进行降序排列，选取前K个信任度最大的用户作为目标用户的推荐邻居KNN(u_i)；

4)根据推荐邻居对目标项目t_k的评分信息，采用基于社交信任的协同过滤方法计算目标用户u_i对目标项目t_k的预测评分：

$P_{ik}=\stackrel{\‾}{R_i}+\frac{{\mathrm{\Σ}}_{u_j\∈KNN\left(u_i\right)}(R_{jk}-\stackrel{\‾}{R_j})\×TR(u_i,u_j)}{{\mathrm{\Σ}}_{u_j\∈KNN\left(u_i\right)}TR(u_i,u_j)}---\left(10\right)$

其中P_ik表示目标用户u_i对目标项目t_k的预测评分，KNN(u_i)表示目标用户u_i的Top-K推荐邻居集，R_jk表示推荐邻居u_j对目标项目t_k的评分和分别表示u_i和u_j的评分均值，TR(u_i,u_j)表示目标用户u_i和信任邻居u_j之间的综合信任度.

根据以上算法思想，给出算法CF-CRIS的伪代码描述如下：

算法1.CF-CRIS(collaborativefilteringbasedoncredibility,reliability,intimacyandself-orientation).

输入：评分矩阵R，初始信任矩阵DT，目标用户u_i∈U，目标项目t_k∈T；

输出：用户u_i对项目t_k的预测评分P_ik.

Begin

①

②H_k(u_i)←{u_j|R_ik＝0∧R_jk≠0,u_j∈U}；

③foreachu_j∈H_k(u_i)do

④C(u_i,,u_j)＝sim(u_i,,u_j)；

⑤R(u_i,,u_j)＝P(u_i,,u_j)；

⑥ifDT_ij≠0then

⑦I(u_i,,u_j)＝DT(u_i,,u_j)；

⑧elseifIT_ij≠0then

⑨I(u_i,,u_j)＝IT(u_i,,u_j)；

⑩endif

S(u_j)＝1/rep(u_j)；

TR(u_i,,u_j)＝w₁×C(u_i,u_j)+w₂×R(u_i,u_j)+

w₃×I(u_i,u_j)-w₄×S(u_j)；

endfor

根据TR降序排列u_j；

KNN(u_i)←TR最大的前K个用户；

returnP_ik.

End

算法1主要包括3个阶段：第1阶段完成变量的初始化，并选取目标用户的候选邻居用户集H，对应行①～②；第2阶段完成目标用户对候选邻居用户综合信任度TR的计算，对应行第3阶段根据综合信任度选取Top-K信任邻居，利用信任邻居的评分信息预测目标用户对目标项目的评分值P_ik，对应行

本发明的实验结果：

(1)测试数据集

本发明实验采用了以下2个数据集：

1)FilmTrust站点(http://trust.mindswap.org)提供的数据集，该数据集是一个电影评分数据集，其中包括1508个用户对2071部电影的35497次评分，评分范围为0.5～4，评分数据的稀疏度为98.86％；此外，该数据集还包括1642个用户之间的1853个显式信任关系，信任数据的稀疏度为99.93％。

2)Epinions站点(www.epinions.com)提供的数据集，该数据集是一个大众消费者点评数据集，其中包括49290个用户对139738件商品的664824次评分，评分范围为1～5，评分数据的稀疏度为99.99％；此外，该数据集还包括49290个用户之间的487181个显式信任关系，信任数据的稀疏度为99.98％。

实验中，我们采用了5-cross交叉验证法，首先将原始评分数据集划分为互不相交的5组，然后对于每组数据，随机选取其中的10％作为训练集，进行参数(w₁,w₂,w₃,w₄)估计，其余90％作为测试集，采用leave-oneout方法进行评分预测，最后取5组测试的平均值作为实验结果。

(2)性能评价指标

平均绝对误差(meanabsoluteerror,MAE)是一个广泛用于评估推荐算法性能的重要参数，通过计算实际评分值与预测评分值之间的偏差得到.MAE的值越低说明推荐算法的精度越高，MAE的计算公式如下：

$MAE=\frac{{\mathrm{\Σ}}_{k=1}^n\left|P_k-R_k\right|}{n}---\left(11\right)$

其中P_k表示预测评分值，R_k表示真实评分值，n表示评分预测的次数。

召回率(recall,R)也叫查全率，指通过算法可以预测出来的评分数与所有待测评分数之间的比值.R的计算公式如下：

$R=\frac{m}{n}---\left(12\right)$

其中m表示通过算法得到的预测评分数，n表示测试集中待测评分数。

本发明采用平均预测偏差(averagepredictionshift,APS)来评价推荐算法的抗攻击能力.APS用于描述推荐算法受攻击前后预测性能的差异程度，APS越小说明推荐算法的抗攻击能力越强。单个项目的APS定义如下：

${\mathrm{APS}}_k=\frac{1}{\left|U\right|}\×\underset{u_i\∈U}{\Σ}(P_{ik}^{,}-P_{ik})---\left(13\right)$

其中P_ik和P’_ik分别表示受攻击前和受攻击后用户u_i对项目t_k的预测评分，U表示用户集合.在此基础上继续定义所有项目的APS如下：

$\stackrel{\‾}{APS}=\frac{1}{\left|T\right|}\×\underset{t_k\∈T}{\Σ}{\mathrm{APS}}_k---\left(14\right)$

其中T表示项目集合。

(3)推荐性能的比较

贾冬艳等人曾提出一种基于双重邻居选取策略的协同过滤推荐算法CF-DNC，与本发明方法有类似之处。该算法基于评分相似度选择目标用户的兴趣相似用户集，然后利用leave-one-out方法计算目标用户对兴趣相似用户的信任程度，以此作为选取可信邻居用户的依据。与本发明提出的CF-CRIS算法相比，CF-DNC算法只考虑了信任的前两个要素，没有考虑用户间的亲密度和用户的自我意识导向。

为了评价推荐算法的精度，在同样的实验环境下，将本发明提出的推荐算法(CF-CRIS)与传统的协同过滤推荐算法(CF)和CF-DNC算法进行实验比较。另外，我们还和采用单一信任要素的协同推荐算法进行了对比，包括基于可信度的协同推荐算法(CF-C)、基于可靠度的协同推荐算法(CF-R)、基于亲密度的协同推荐算法(CF-I)和基于自我意识导向的协同推荐算法(CF-S)。采用FilmTrust和Epinions数据集，分别为目标用户选取不同的信任邻居个数(K)得到的推荐精度(MAE)对比结果如表1和表2所示。

表1采用FilmTrust数据集的推荐精度(MAE)对比

表2采用Epinions数据集的推荐精度(MAE)对比

从表1和表2中可以看出，在信任用户数K分别为15和25的时候，采用FilmTrust和Epinions数据集的推荐方法达到最佳推荐效果。同时，不论采用哪种数据集，CF-CRIS的推荐MAE值都明显小于CF算法和CF-DNC算法，以及基于单一信任要素的推荐算法CF-C,CF-R,CF-I,CF-S.这不仅说明基于多元社交信任的协同推荐算法可以改善推荐质量，而且表明本发明提出的社交信任度量方法是可取的，因为该方法在信任计算中综合考虑了多个信任要素，所以推荐邻居的选择更加准确，从而获得了更高的推荐精度。例如，采用FilmTrust数据集的实验，当推荐邻居数K＝15时，CF-CRIS的推荐精度比CF和CF-DNC算法分别提高了大约29％和16％，比基于单一信任要素的推荐算法CF-C,CF-R,CF-I,CF-S分别提高了大约15％,16％,35％,24％.此外，CF-C的推荐精度比CF算法提高了大约17％，因为在用户相似度的计算过程中，CF-C考虑了用户间的共评项目数，由此可见共评项目数是度量用户偏好相似度的重要指标之一。

为了进一步评价推荐算法的召回率，将本发明提出的CF-CRIS算法与传统的CF算法和CF-DNC算法，以及基于单一信任要素的推荐算法的召回率进行了实验比较，对比结果如图3和图4所示，图3是采用FilmTrust数据集召回率(R)对比图，图4是采用Epinions数据集召回率(R)对比图。从图中可以看出，不论采用哪种数据集，算法CF-CRIS的召回率与CF算法、CF-DNC算法以及基于单一信任要素的推荐算法CF-C,CF-R,CF-I和CF-S相比，性能相当或更好.由此可见，在数据集极端稀疏的情形下，本发明提出的推荐算法在提高推荐精度的同时，也获得了较好的召回率。究其原因在于，社交信任的计算中综合考虑了多个信任要素，所以有效避免了数据稀疏性问题.此外，不论采用哪种数据集，基于用户亲密度的推荐算法CF-I的Recall值都非常低，这一方面是由于用户声明的信任关系非常稀疏，另一方面也说明本发明提出的信任推理算法有待进一步优化。

(4)抗攻击能力的比较

由于推荐系统固有的开放性和对用户信息的敏感性，使其非常容易受用户概貌注入型攻击的影响，从而影响推荐的质量。为了对比本发明算法CF-CRIS和传统推荐算法CF以及CF-DNC算法在抗攻击能力方面的性能，采用混合攻击方式人为地向原始数据集中注入恶意用户概貌信息.推荐过程中，选取填充规模为1％,3％,5％,10％，攻击规模为1％,2％,3％,5％，在不同填充规模和攻击规模下，3种推荐算法的推荐精度对比结果如表3和表4所示。

表3混合攻击下基于FilmTrust数据集的推荐精度(MAE)对比

表4混合攻击下基于Epinions数据集的推荐精度(MAE)对比

从表3和表4中可以看出，在同一填充规模下，随着攻击规模的不断增大，3种推荐算法的MAE都有上升趋势，由此可见，随着攻击用户的增多，系统的推荐精度逐渐下降.此外，无论在何种攻击规模和填充规模下，CF-CRIS的推荐MAE值都明显小于CF推荐算法和CF-DNC算法，而且CF-CRIS因攻击产生的预测偏差也比CF算法和CF-DNC算法要小。以采用FilmTrust数据集的实验结果为例，在受到平均攻击的情况下，CF-CRIS算法的推荐精度比CF算法和CF-DNC算法分别提高了大约30％和16％，由此可见，本发明算法具有良好的抗攻击能力。

在混合攻击方式下，分别采用FilmTrust和Epinions数据集，当用户概貌信息的填充规模为3％、5％和10％时，采用3种推荐算法的平均预测偏差(APS)对比结果如图5至图7所示，图5是3％填充规模时预测偏差(APS)对比图，图6是5％填充规模时预测偏差(APS)对比图，图7是10％填充规模时预测偏差(APS)对比图。从图中可以看出，在同一填充规模下，无论采用哪个数据集，3种推荐算法的APS值都随攻击规模的增大而增大，由此可见，攻击用户数越多推荐质量越差.在同样的填充规模和攻击规模下，CF-CRIS算法比CF算法预测偏差要小很多，比CF-DNC算法的预测偏差也要略小一些，由此可见，CF-CRIS算法对于用户概貌攻击具有较强的抵抗能力。

总结：

随着个性化推荐技术在电子商务系统中的广泛应用，关于推荐系统的推荐精度、召回率及抗攻击能力方面的研究越来越引起人们的关注。本发明借鉴社会心理学中的信任产生原理，综合考虑多种信任要素的在社交信任度量中的作用，提出一种基于多元社交信任的协同过滤推荐算法CF-CRIS。CF-CRIS算法利用用户-项目评分数据度量用户的可信度和可靠性，基于用户显式声明的信任关系推理用户间的隐式信任和用户的信誉度，综合以上信任要素进行协同推荐.该算法的推荐精度和召回率都较传统方法和现有方法具有大幅度提高，并表现出良好的抗攻击能力。

Claims (5)

1.一种基于多元社交信任的协同推荐方法，其特征在于，包括社交信任产生模块、信任要素计算模块和个性化推荐模块，其中：

所述社交信任产生模块，用于信任产生原理的形式化描述；

所述信任要素计算模块，用于提取信任要素并对其进行量化，准确度量用户间的综合社交信任度；

所述个性化推荐模块，用于基于用户信任关系实现个性化的信息和产品推荐。

2.根据权利要求1所述的基于多元社交信任的协同推荐方法，其特征是，所述社交信任产生模块具体包括：

信任计算单元，用于描述社会心理学中的信任产生原理，包括用户的可信度（credibility），用户的可靠度（reliability），用户间的亲密度（intimacy），用户的自我意识导向（self-orientation）4个信任要素。

3.根据权利要求1所述的基于多元社交信任的协同推荐方法，其特征是，所述信任要素计算模块具体包括：

可信度单元，用于根据用户间的评分相似度计算用户间的可信度；

可靠度单元，用于根据用户历史评分预测的准确率计算用户的可靠度；

亲密度单元，用于根据用户间的直接或间接信任关系计算用户间的亲密度；

自我意识导向单元，用于根据用户的全局信誉度计算用户的服务意识。

4.根据权利要求1所述的基于多元社交信任的协同推荐方法，其特征是，所述个性化推荐模块具体包括：

信任集成单元，用于采用线性合并方法得到用户间的综合社交信任度，其中权重分配采用实验方法得到；

协同推荐单元，用于基于社交信任进行个性化的信息推荐。

5.根据权利要求1所述的基于多元社交信任的协同推荐方法的工作过程，其特征在于，包括如下步骤：

步骤1：针对目标项目t _k ，选取目标用户u _i 的候选邻居集H _k (u _i )；

步骤2：分别计算每个候选邻居的可信度C、可靠度R、亲密度I和自我意识导向S，然后将以上4个信任要素进行合并，得到目标用户对候选用户的综合信任度TR；

步骤3：按照综合信任度对候选用户进行降序排列，选取前K个信任度最大的用户作为目标用户的推荐邻居KNN(u _i )；

步骤4：根据推荐邻居对目标项目t _k 的评分信息，采用基于社交信任的协同过滤方法计算目标用户u _i 对目标项目t _k 的预测评分。