CN107038247A - 推荐系统中基于核搜索策略的推荐者搜索机制 - Google Patents

Abstract

本发明涉及一种信任网络推荐搜索机制的搜索策略，属于推荐系统的应用领域。本发明通过对网络中重要节点的选取，将这些点作为内核，通过信任传递可以找到被它们信任的用户，经过几次信任传递，网络中的绝大部分用户都将被覆盖。利用节点度和节点介数这两种中心性测度，可以分别得到网络中比较重要的节点，这些中心节点组成内核。通过网络中的信任传递，从内核向外扩散，几次以后，一般能覆盖网络中绝大多数的节点。利用不同中心性测度找到的内核，最后的覆盖率也不一样。为了取得更好的效果，我们把节点度和节点介数这两种方法结合起来。

Description

推荐系统中基于核搜索策略的推荐者搜索机制

本发明涉及一种推荐系统中基于核搜索策略的推荐者搜索机制，属于推荐系统的应用领域。

背景技术

随着互联网的迅猛发展，信息以前所未有的速度增长，使得在线用户信息超载问题的严重程度加剧。推荐系统可以定义为信息过滤系统，因为它们旨在为用户提供与用户喜好和兴趣相一致的最合适的项目，它们在社交网络应用中获得了很大的关注^[1]。推荐系统应用于各种应用，包括推荐产品，社交链接和数字项目。随着网络上可用信息的迅速增长，有必要使用工具来过滤这些信息，以便查找更有可能对用户感兴趣的项目。引入推荐系统来解决信息超载的问题，它们试图根据用户的喜好(如书籍或电影)来找到用户感兴趣的项目。这个个性化的推荐是有效的，特别是在网络世界中，我们经常面临很多选择。

常用的推荐技术可分为两大类：基于内容的模型和协同过滤方法。基于内容的推荐系统尝试将用户配置文件与项目描述相匹配，并且他们使用项目和用户的功能为每个项目或用户创建一个配置文件。用户配置文件包括人口统计信息和用户兴趣。将每个项目的贡献与用户配置文件进行比较，当与用户配置文件非常相似时，将推荐项目。这些系统可以区分可能对用户感兴趣的项目和可能不感兴趣的项目。然而，在基于内容的推荐系统中，冷启动问题是激烈的，因为新用户的评级不可用。这些模型取决于他们采用的内容分析方法的性能^[2，3]。基于协同过滤的推荐技术可以帮助人们根据其他具有类似利益的人的意见进行选择。协同过滤推荐系统依赖于用户的过去行为来查找类似的用户或项目，并利用该信息以便向用户寻找兴趣的项目。它仅基于用户社区的判断。这个算法遭受了沉重的计算，因为他们需要搜索所有的用户配置文件来找到最好的邻居集^[2，4，5]。

信任感知推荐系统在社交媒体中被广泛使用，根据活跃用户对推荐者的信任，信任感知推荐系统向用户提供了有价值的信息。与陌生人相比，用户更有可能接受他们信任的朋友提出的建议，因为用户可以受到他们值得信赖的朋友的影响。信任感知推荐系统利用信任传递，比传统推荐系统具有更好的评级预测覆盖率^[6]。

上文中提到的文献来源于如下的期刊：

[1]Abbasi M A，Tang J，Liu H.Trust-aware recommender systems[J].MachineLearning book on computational trust，Chapman&Hall/CRC Press，2014.

[2]Lika B，Kolomvatsos K，Hadjiefthymiades S.Facing the cold startproblem in recommender systems[J].Expert Systems with Applications，2014，41(4)：2065-2073.

[3]Champiri Z D，Shahamiri S R，Salim S S B.A systematic review ofscholar context-aware recommender systems[J].Expert Systems withApplications，2015，42(3)：1743-1758.

[4]Yuan W，Guan D，Lee Y K，et al.Improved trust-aware recommendersystem using small-worldness of trust networks[J].Knowledge-Based Systems，2010，23(3)：232-238.

[5]Lu J，Wu D，Mao M，et al.Recommender system application developments：a survey[J].Decision Support Systems，2015，74：12-32.

[6]Eirinaki M，Louta M D，Varlamis I.A trust-aware system forpersonalized user recommendations in social networks[J].IEEE Transactions onSystems，Man，and Cybernetics：Systems，2014，44(4)：409-421.

发明内容

本发明为解决的技术问题：

本发明的目的是提出一种推荐系统中基于核搜索策略的推荐者搜索机制，用这种推荐方式解决网络中的信息过载问题，也无需面对传统方法无法解决的冷启动问题。利用该方法能得到网络中的重要节点，组成内核，利用用户间的信任关系向外传递，找到它们信任的用户，即推荐者。

本发明为解决其技术问题采用如下技术方案：

推荐系统中基于核搜索策略的推荐者搜索机制，包括如下步骤：

A)对信任数据进行预处理；

B)使用新测度找到网络中的重要节点，形成内核；

C)通过信任传递从内核向外扩散，找到它们信任的用户，即推荐者。

其中对信任数据进行预处理，包括：

首先，我们必须消除一些入度为零的节点，因为这些节点与其他绝大多数的节点不在同一个信任网络中。

其中使用新测度找到网络中的重要节点，形成内核，步骤B包括：

1、节点度，是指和该节点相关联的边的条数，又称关联度。度中心性(DC)是网络分析中节点中心性的最直接度量。在有向网络情况下，我们通常定义两个独立的度中心性测度，即入度和出度。节点的入度是指进入该节点的边的条数；节点的出度是指从该节点出发的边的条数。

2、节点介数，定义为网络中所有最短路径中经过该节点的路径的数目占最短路径总数的比例。介数反映了相应的节点或者边在整个网络中的作用和影响力，是一个重要的全局几何量，是社会网络分析中广泛使用的一种衡量标准，具有很强的现实意义。对于给定的节点v，测量那些通过v的最短路径的比率，公式如下所示：

其中，b_u，w和b_u，v，w分别表示节点u和w之间最短路径的数量和先前那些最短路径中经过节点v的路径的数量。

3、归一化处理节点度和介数，结合这两种属性，得到一个新的测度。测量结果按降序排列，根据内核的大小从上到下选择所需要的节点，即这些被选择的节点组成了内核。

节点介数的归一化，如下所示：

其中，v^bet和v^bet*是介数归一化前后的值，和分别表示介数的最大值和最小值。

节点度的归一化同上式，只要把介数改成度即可，得到v^bee*

新测度计算方法如下所示：

v^com*＝v^dee*+v^bet*

找到推荐者的步骤C包括：

内核中的用户能根据信任的传递关系，找到它们所信任的用户，即推荐者，经过几次信任传递，网络中的绝大多数用户都会被覆盖。

本发明采用以上技术方案与现有技术相比，具有以下有益效果：

(1)本发明使用信任关系寻找推荐者，面对新项目或新用户，不会有冷启动问题。

(2)本发明网络中节点的覆盖率相比于使用单一的中心性测度高。

附图说明

图1是本发明的体系结构图。我们对信任数据进行预处理，计算网络中节点的度和介数这两种中心性测度，联合节点度和介数信息，根据这两者的组合得出网络中较重要的节点，组成内核，通过信任传递向外扩散，找到它们信任的用户，即推荐者。

具体实施方式

下面对本发明创造做进一步详细说明。

互联网的迅猛发展，信息增长速度加快，在线用户信息超载问题日益严重。推荐系统技术目前在许多应用领域都被使用，它被广泛使用在社交媒体中，以找到有用的信息。基于用户的偏好，推荐系统可以向用户建议感兴趣的项目。这样的偏好可以被明确地或隐含地检索。目前常用的推荐技术有两种，基于内容的模型和协同过滤方法。然而，在基于内容的推荐系统中，冷启动问题是激烈的，因为新用户的评级不可用。协同过滤方法的计算复杂度较高，因为他们需要搜索所有的用户配置文件来找到最好的邻居集。本发明考虑用户之间的信任关系，与陌生人相比，用户更有可能接受他们信任的朋友提出的建议，因为用户可以受到他们值得信赖的朋友的影响。中心性测度能找到网络中较为重要的节点，我们结合节点度和节点介数，形成一个新的测度。测量结果按降序排列，根据内核的大小从上到下选择所需要的节点，即这些被选择的节点组成了内核。内核中的用户能根据信任的传递关系，找到它们所信任的用户，即推荐者，经过几次信任传递，网络中的绝大多数用户都会被覆盖。

下面通过实施例对本发明进行说明。

1)实施例一

本发明的实施例一介绍了推荐系统中基于核搜索策略的推荐者搜索机制，具体步骤如下所示：

A.对信任数据进行预处理；

B.计算节点度；

C.计算节点介数；

D.从步骤B和C中得到节点度和介数的值，并进行归一化处理，得到一种新的测度；

E.测量结果可从步骤D中的到，按降序排列，根据内核的大小从上到下选择所需要的节点，即这些被选择的节点组成了内核；

F.通过信任传递从内核向外扩散，找到它们信任的用户，即推荐者。

Claims (4)

1.推荐系统中基于核搜索策略的推荐者搜索机制，如下步骤：

A.对信任数据进行预处理；

B.使用新测度找到网络中的重要节点，形成内核；

C.通过信任传递从内核向外扩散，找到它们信任的用户，即推荐者。

2.根据权利1所述的推荐系统中基于核搜索策略的推荐者搜索机制，其特征在于，所述步骤A具体包括：

消除一些入度为零的节点，因为这些节点与其他绝大多数的节点不在同一个信任网络中。

3.根据权利1所述的推荐系统中基于核搜索策略的推荐者搜索机制，其特征在于，所述步骤B具体包括：

1)节点度，是指和该节点相关联的边的条数，又称关联度。度中心性(DC)是网络分析中节点中心性的最直接度量。在有向网络情况下，我们通常定义两个独立的度中心性测度，即入度和出度。节点的入度是指进入该节点的边的条数；节点的出度是指从该节点出发的边的条数。

2)节点介数，定义为网络中所有最短路径中经过该节点的路径的数目占最短路径总数的比例。介数反映了相应的节点或者边在整个网络中的作用和影响力，是一个重要的全局几何量，是社会网络分析中广泛使用的一种衡量标准，具有很强的现实意义。对于给定的节点v，测量那些通过v的最短路径的比率，公式如下所示：

其中，b_u，w和b_u，v，w分别表示节点u和w之间最短路径的数量和先前那些最短路径中经过节点v的路径的数量。

3)归一化处理节点度和介数，结合这两种属性，得到一个新的测度。测量结果按降序排列，根据内核的大小从上到下选择所需要的节点，即这些被选择的节点组成了内核。

节点介数的归一化，如下所示：

其中，v^bet和v^bet*是介数归一化前后的值，和分别表示介数的最大值和最小值。

节点度的归一化同上式，只要把介数改成度即可，得到v^dee*。

新测度计算方法如下所示：

v^com*＝v^dee*+v^bet*。

4.根据权利1所述的推荐系统中基于核搜索策略的推荐者搜索机制，其特征在于，所述步骤C具体包括：

内核中的用户能根据信任的传递关系，找到它们所信任的用户，即推荐者，经过几次信任传递，网络中的绝大多数用户都会被覆盖。