CN113051487B - 基于用户信任和社交影响力的旅游群组推荐方法 - Google Patents

Abstract

本发明公开一种基于用户信任和社交影响力的旅游群组推荐方法，包括如下步骤：S1、计算群组内各用户间的全局信任度，用户间的直接信任度与间接信任度的综合形成用户间的全局信任度；S2、将全局信任度加权至阻尼系数上，形成改进的PageRank算，根据用户历史交互关系，采用改进的PageRank算法计算用户在群组内的社交影响力；S3、综合用户的全局信任度及用户在群组内的社交影响力，计算出群组对各景点的预测评分，输出预测评分最高的前k个旅游景点给相应的群组。将社交网络的社交影响力和用户间的信任融入群组融合策略，优化组内共识和分歧度，实现旅游目的地推荐的群组推荐方法。

Description

基于用户信任和社交影响力的旅游群组推荐方法

技术领域

本发明属于个性化推荐技术领域，更具体地，本发明涉及一种基于用户信任和社交影响力的旅游群组推荐方法。

背景技术

利用网络进行在线搜索已成为旅游者在旅游前获取信息的主要途径，然而随着社交网络以及旅游网站的兴起，旅游者常常被淹没于大量的信息搜索和产品选择当中，而旅游推荐系统是解决信息过载问题的有效途径。推荐系统通过学习用户历史记录，建立用户兴趣偏好描述，为用户推荐其潜在感兴趣的项目或项目集，提供个性化的服务。目前，推荐技术已被各大电子商务网站普遍使用，并很好地提升了电子商务网站的销售，提高了用户满意度和忠诚度。

社交网络中的海量数据中包含了用户的丰富信息，挖掘用户之间相互作用规律可有效提高组推荐的效用。旅游是一个上下文信息丰富多变的活动，它包括食、住、行、游、购、娱六大方面的信息，并且每个方面又有各自的属性，相比其他项目，旅游产品所包含的信息更多更复杂。旅游目的地的选择是一项复杂的决策过程，往往需要群体共同决定，整个决策过程都需要相关的旅游信息支撑。而目前的研究基本集中于单个用户的旅游项目推荐，依靠用户和项目的信息，对群组内的决策考虑较少。

但是目前群组推荐系统均是基于用户间的静态关系展开研究，群组用户的偏好会随着社交交互的变化而发生改变，导致群组推荐的准确性降低。

发明内容

本发明提供一种基于用户信任和社交影响力的旅游群组推荐方法，将社交网络的社交影响力和用户间的信任融入群组融合策略，优化组内共识和分歧度，实现旅游目的地推荐的群组推荐方法。

本发明是这样实现的，一种基于用户信任和社交影响力的旅游群组推荐方法，所述方法具体包括如下步骤：

S1、计算群组内各用户间的全局信任度，用户间的直接信任度与间接信任度的综合形成用户间的全局信任度；

S2、将全局信任度加权至阻尼系数上，形成改进的PageRank算法，根据用户历史交互关系，采用改进的PageRank算法计算所有用户的社交影响力；

S3、综合用户的全局信任度及用户的社交影响力，计算出群组对各景点的预测评分，输出预测评分最高的前k个旅游景点给相应的群组。

进一步的，用户u_i和用户u_j间的全局信任度T_ij计算公式具体如下：

T_ij＝αD_ij+(1-α)I_ij

其中，α为全局信任度中直接信任度和间接信任度的调节系数，其取值为0～1，D_ij为用户u_i和用户u_j间的直接信任度，I_ij为用户u_i和用户u_j间的间接信任度。

进一步的，用户u_i和用户u_j间的直接信任度D_ij的计算公式具体如下：

其中，N表示旅游景点评分数据集中的评价总次数，N_ij表示用户u_i和用户u_j在旅游景点评分数据集中共同评价的景点数量，f(u_i,u_j)表示用户u_i和用户u_j对评价景点的共同评价函数。

进一步的，用户u_i和用户u_j间的接信任度I_ij计算公式具体如下：

其中，D_kj为用户u_k和用户u_j间的直接信任度，w_k为权重值。

进一步的，阻尼系数的计算公式为：

β＝a·T_ij+b

其中，a和b是调节阻尼系数的线性权重。

进一步的，群组G_i对景点S_j的预测评分F(G_i,S_j)计算公式具体如下：

其中，γ是权重系数，G_i为用户u_i所在群组，PR(u_i)表示用户u_i的社交影响力，R_i表示用户u_i评价景点的平均分；

Neigh(u_i)表示用户u_i的近邻用户，有共同评分项目的用户即近邻用户，Sim(u_i,u_t)表示用户u_i与用户u_t的相似度，r_tj表示用户u_t对景点S_j的评分；

T_it用户u_i和用户u_t间的全局信任度，r_tj表示用户u_t对景点S_j的评分；

Neighor(G_i)表示群组G_i的近邻群组，Sim(G_t,G_i)表示群组G_i和群组G_t之间的相似度，

表示群组G_t内用户对旅游景点S_j的平均评分。

本发明提出了一种基于社交影响力和用户信任的旅游群组推荐方法，将社交网络的社交影响力和用户间的信任融入群组融合策略，优化组内共识和分歧度，实现旅游目的地推荐的群组推荐方法。

附图说明

图1为本发明实施例提供的融合用户信任和社交影响力的旅游群组推荐流程图；

图2为本发明实施例提供的全局信任度示意图；

图3为本发明实施例提供的北京市景点分布图；

图4为本发明实施例提供的参数α对TSTGR模型的性能影响，其中(a)为参数α对Precision指标的影响，(b)为参数α对nDCG指标的影响；

图5为本发明实施例提供的参数γ对TSTGR模型的性能影响，其中(a)为参数γ对Precision指标的影响，(b)为参数γ对nDCG指标的影响；

图6为本发明实施例提供的五种模型的性能对比，其中(a)为Precision指标上的对比实验结果，(b)为在nDCG指标上的对比实验结果。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

本发明提出一种基于用户信任和社交影响力的旅游群组推荐方法，该方法首先基于用户信任关系，获取群组内各用户间的直接信任度和间接信任度，综合用户间的直接信任度和间接信任度计算出用户的全局信任度。其次，根据用户历史交互关系，采用改进的PageRank算法计算出所有用户的社交影响力；最后综合用户的全局信任和社交影响力，计算出群组内预测评分和群组间预测评分，进而将预测评分最高的前k个旅游景点群组推荐给对应群组。

图1为融合用户信任和社交影响力的旅游群组推荐流程图，为了便于说明，仅示出与本发明实施例相关的部分，该框架主要由三部分组成：数据采集模块、偏好建模模块以及群组推荐算法设计模块。数据采集模块主要负责旅游景点数据的收集整理以及用户间社交关系的采集与处理；偏好建模模块主要包括群组发现、信任建模和社交影响力建模。它负责完成旅游用户群组的划分，并对用户影响力进行定量分析及对群组内的用户建立信任关系；群组推荐算法设计模块根据已划分的群组和偏好模型，完成群组对旅游目的地的评分预测和推荐。

1)数据采集

获取旅游景点评分数据集及用户信任关系数据集，其中，旅游景点评分数据集中存储用户对各景点的评分，用户信任关系数据集是以矩阵的形式来存储用户间的信任关系值，信任关系值取值为0到1，(比如说矩阵中第1行第2列的就是用户1与用户2之间的信任关系。

2)全局信任度

现有群组推荐研究绝大多数只考虑了用户间是否存在信任关系，通常有信任关系记为1，无信任关系记为0，这种度量方式相对较简单，却未具体考虑用户之间信任程度的大小。而用户之间信任程度的大小会对决策产生不同的影响，本发明文将用户间的信任关系分为直接信任和间接信任。

直接信任度:假设旅游景点评分数据集中有N个用户评价，用户u_i对用户u_j的直接信任度定义为：

其中，N表示旅游景点评分数据集中的评价总次数，N_ij表示用户u_i和用户u_j在旅游景点评分数据集中共同评价的景点数量,f(u_i,u_j)表示用户u_i和用户u_j对评价景点的共同评价函数，若一致，则设置为1，否则设置为0。假设评分等级为r＝{1,2,3,4,5}，如用户u_i对景点s的评价为5，用户u_j对景点s的评价为4，两个用户u_i、u_j的评分都大于等于评分等级的中位数，则设置f(u_i,u_j)＝1，反之则设置f(u_i,u_j)＝0。

间接信任度:用户u_i和用户u_j间接信任度定义为：

其中，D_kj为用户u_k和用户u_j之间的直接信任度，因此用户u_i和用户u_j的间接信任度为除它们之间的直接信任外，用户u_j与用户u_k的直接信任度加权求和值，w_k为权值，w_k的取值为定值，例如w_k取值为1。

全局信任度:用户u_i和用户u_j间的全局信任度定义为：

T_ij＝αD_ij+(1-α)I_ij

即：

图2给出了用户u_i和用户u_j的全局信任度示意图，其中α为全局信任度中直接信任和间接信任的调节系数，α∈[0,1]，当α＝1时，表示用户u_i和用户u_j的全局信任度完全由直接信任度决定；当α＝0时，表示用户u_i和用户u_j的全局信任度完全由间接信任度决定。

3)社交影响力

旅游用户在线提交旅游景点评价后，一般都会与其它用户存在线上交互。因此，本发明依据旅游用户的在线交互信息，应用PageRank思想，为用户刻画出其社交网络影响力，从而为群组推荐提供决策依据。

本发明将旅游用户形成的社交评价信息描述成一个社交网络G，设旅游用户为节点，用V表示。用户之间若有共同评价，则设置该用户之间存在联系的集合，记为边集E。假设G有n个结点，则节点集合V＝{v₁,v₂,...,v_n}。设用户u_i和用户u_j之间存在联系，则用v_ij表示，那么边集E＝{v_ij|i,j∈n}。根据上述定义，本发明将整个用户及其关系用图来表示，即G＝{V,E}。为了得到每个用户节点的社交影响力，本文改进传统的PageRank算法，把信任函数加权在阻尼系数上，得到新的阻尼系数β＝a·T_ij+b，其中a和b是调节阻尼系数的线性权重，本文将a和b的默认值设置为0.5。该阻尼系数的设置，可以动态调节用户之间影响力的传递，即用户之间信任越大，则互相之间传递的影响力越大，反之亦然。通过上述设置，利用PageRank算法，得到每个旅游用户的社交影响力。具体步骤如下：

Step1:遍历节点集合V中每个节点v_i，并对节点v_i的PageRank值进行随机初始化，得到PR(v_i)值；

Step2:计算出节点v_i的出度数N_i；

Step3:对用户节点进行遍历,基于节点v_i的直接邻接点计算PR(v_i)值；

针对节点v_i的直接邻接点v_j，通过下列公式进行PR值的计算，节点v_i所有直接邻接点v_j的PR值的累积和即为PR(v_i)值；

PR(v_i)＝(l-p)PR(v_i)+β×PR(υ_j)/N_j；

Step4:重复Step3，直到PR矩阵不再变化，PR矩阵由社交网络中各节点的PR值组成。

4)旅游群组推荐方法

为进一步提高群组推荐的准确率，降低群组成员之间的分歧度，本发明首先提出了一种新的共识模型(Group Consensus Model)，该共识模型融合了群组社交影响力和旅游用户之间的信任度。本发明用F(G_i,S_i)表示群组G_i对景点S_i的预测评分，具体定义如下：

该预测评分由组内预测评分及组间预测评分组成，其中组内预测评分为：

组间预测评分为：

γ是权重系数，通过调节γ来优化模型，组内预测评分又由三部分组成：

(1)基于用户的社交影响力评分

G_i为用户ui所在群组，PR(u_i)＝PR(v_i)表示用户u_i(即社交网络G中的节点v_i)的社交影响力，R_i表示用户u_i评价景点的平均分；

(2)基于协同过滤技术的评分

R_CF(u_i,S_j)表示基于协同过滤技术，群组各用户u_i对旅游景点S_j的预测评分，即

Neigh(u_i)表示用户u_i的近邻用户，有共同评分项目的用户即为本发明中的近邻用户，Sim(u_i,u_t)表示用户u_i与用户u_t的相似度，是使用Jaccard相似度进行计算，r_tj表示用户u_t对景点S_j的评分。

(3)基于用户信任的评分

R_TF(u_i,S_j)表示基于用户间的全局信任度，组内各用户u_i对旅游景点S_j的预测评分，即

T_it用户u_i和用户u_t间的全局信任度，r_tj表示用户u_t对景点S_j的评分。

组间评分

Neighor(G_i)表示群组G_i的近邻群组，有共同评分项目的群组即为本发明中的近邻群组，Sim(G_t,G_i)表示群组G_i和群组G_t之间的相似度，是使用Jaccard相似度计算，

表示群组G_t内用户对旅游景点S_j的平均评分。

根据社交影响力和用户信任度建模，本发明构建了一种群组内和群组间的共识模型。针对上述模型，设计基于社交影响力和用户信任的群组推荐算法，具体如算法1。

本算法主要由三部分组成，利用PageRank算法计算社交影响力，遍历用户集计算用户之间的全局信任度以及Top-K的群组对景点的评分预测。第一部分PageRank算法的复杂度是O(kn²)，其中k是迭代次数，n是用户数量。第二部分是计算全局信任度的时间复杂度，主要有直接信任度和间接信任度加权组成，其复杂度为O(C₁(n²+n))，C₁为常数。第三部分是计算共识函数实现Top-K群组推荐，其复杂度为O(Kmn+n²+C₂n)，其中m是数据集中的景点数，K是Top-K个群组推荐景点的数量，C₂为常数。因此整个算法的时间复杂度为O(Kmn+C(n²+n))，C为常数。

本发明针对上述问题，提出一种基于用户信任和社交影响力的旅游群组推荐模型。该模型首先基于用户信任关系，定义出用户直接信任和间接信任，并综合这两个信任计算出用户全局信任度。其次，根据用户历史交互关系，采用PageRank算法计算出用户的社交影响力。最后综合用户全局信任和社交影响力，设计出整合群组内预测评分和群组间预测评分的共识模型，实现旅游景点群组推荐。

本发明根据社交影响力和用户信任度建模，构建了一种群组内和群组间的共识模型。针对上述模型，设计基于社交影响力和用户信任的群组推荐算法。实验表明本文提出的算法有效且高效，仿真实验具体如下：

实验数据集:为了验证本文提出的群组旅游推荐方法的效能，作者课题组从同城旅游网的社交评论中采集了时间跨度为2014年7月1日至2017年6月30日的37000个游客对200个景点的评价数据，包括用户ID、游玩景点、门票价格、评分、文本评价、评价时间、出游类型等，共计472710条评论数据作为测试数据集。景点分布如图3所示。

实验环境:本发明实验环境是在Windows 10平台上的64位操作系统，CPU为Intel(R)Core(TM)i7-8750H，处理器主频为2.20GHz，物理内存为16.0GB,本文的算法是采用Microsoft Visual C++语言编程实现的。为了有效对推荐结果和算法进行评估，本文将数据集随机选择80％作为训练集，剩余20％作为测试集，算法在训练集中进行训练，然后将推荐结果与测试集中的数据进行验证，对比分析论证实验结果。

评价指标:本文采用准确率、召回率和归一化折损累计增益三个指标作为衡量群组推荐模型的性能指标，以便更加准确地度量几个对比模型的性能。

准确率：

其中，N_R表示推荐系统向用户推荐的项目总数，N_RL表示推荐项目集合中用户喜爱的项目数，N_L表示整个数据集中用户喜欢的项目数。

归一化折损累计增益指标(normalized Discounted Cumulative Gain,nDCG)：

nDCG@k是基于排序的评价方法，是评估组推荐准确率的一个重要指标，其中DCG_g@k表示推荐算法向群组g推荐列表的折扣累计收益，IDCG_g表示群组g的最好推荐结果列表。

对比模型:本发明选取了4个经典的群组推荐模型与本文提出的TST-GR模型进行对比，具体如下：

(1)GRSAT模型：该模型根据用户的历史记录和评价内容特征，且不考虑用户评分，实现基于社会亲和力和可信度的群组推荐。

(2)PLTSGR模型：该模型采用一种结合群体相关性和顾客偏好的个性化推荐方法，并应有无监督方法和概率语言术语集(PLTS)对顾客群体和餐厅群体进行群体关联，通过查找目标客户所属的最相似的组来提供推荐列表。

(3)PFGR模型：该方案基于熟悉成员的意见和群体影响力，使用自适应权重聚合群组成员的偏好来确定群组对某项服务的决策，并采用基于联盟博弈的策略实现群组推荐。

(4)SIGR模型：该群组推荐模型采用关注机制来学习每个用户的社会影响，并使其社会影响适应于不同的群体，利用和整合用户的全局和本地社会网络结构信息实现群组信息融合。

(5)TSTGR模型：本发明针对群组推荐中群组成员的偏好融合难问题，应用用户间的直接和间接信任构建全局信任模型，同时采用PageRank算法度量用户影响力，并将用户全局信任度和社交影响力融合进群组共识模型，实现旅游景点Top-K推荐。

实验结果与分析

敏感度分析：

参数α。该参数是直接信任度和间接信任度之间的权重系数，取值[0,1]。如果α取值0，则全局信任度全部由间接信任度构成；若α取值1，则全局信任度由直接信任度计算而得。本实验将α的值设置为0到1之间变化，测试参数α对本文提出的群组推荐的性能影响。从图4中可以看出，参数α在取值[0.5,0.9]之间时，可以取得相对较优的推荐性能。因此本文后续实验中，α取值默认为0.7。

参数γ。参数γ群组共识模型中组内预测评分和组间预测评分的权重系数，取值[0,1]。如果γ取值为1，则表示共识模型的预测评分都由组内评分决定；γ取值为0，则共识模型的预测评分由群组间的评分决定。本实验将γ取0到1之间的不同值，测试该参数对本文所提TSGGR模型的性能影响。从图5中可以得出，γ在取值[0.3，0.8]之间时，本文提出TSTGR模型能够取得最优的推荐准确度和性能，本文后续对比实验中，设置γ＝0.5。

对比实验:为了进一步证明本文提出方法的可行性，验证TSTGR方法的性能，本实验选择群组推荐的景点数量K从1到10变化，验证在Top-K推荐下各种对比模型的性能。从图6可以得出本文提出的TSTGR模型在Precision和nDCG两个综合指标上都具有较大的优势。另外随着推荐景点数据的增加推荐准确度在降低，而nDCG指标逐渐增加。GRSAT模型仅考虑了用户信任和评分，其群组推荐的决策因素考虑较少。PLTSGR和PFGR模型注重于群组内用户的偏好和群组影响力，并建立共识模型实现群组推荐，性能相对GRSAT模型有一定的提高。SIGR模型采用关注机制来学习每个用户的社会影响，并整合用户的全局和本地社会网络结构信息实现群组信息融合，因此相对有较高的推荐准确度。本文提出的TSTGR模型不仅考虑了社交影响力，而且还增加了结合直接信任和间接信任的全局用户信任度。另外该模型还综合了群内决策和群间协同推荐的思想，进一步提升了群组推荐的性能。因此与其它四种模型相比较，本发明提出的模型更具有竞争性。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种基于用户信任和社交影响力的旅游群组推荐方法，其特征在于，所述方法具体包括如下步骤：

S1、计算群组内各用户间的全局信任度，用户间的直接信任度与间接信任度的综合形成用户间的全局信任度；

S2、将全局信任度加权至阻尼系数上，形成改进的PageRank算法，根据用户历史交互关系，采用改进的PageRank算法计算所有用户的社交影响力；

S3、综合用户的全局信任度及用户的社交影响力，计算出群组对各景点的预测评分，输出预测评分最高的前k个旅游景点给相应的群组。

2.如权利要求1所述基于用户信任和社交影响力的旅游群组推荐方法，其特征在于，用户u_i和用户u_j间的全局信任度T_ij计算公式具体如下：

T_ij＝αD_ij+(1-α)I_ij

其中，α为全局信任度中直接信任度和间接信任度的调节系数，其取值为0～1，D_ij为用户u_i和用户u_j间的直接信任度，I_ij为用户u_i和用户u_j间的间接信任度。

3.如权利要求2所述基于用户信任和社交影响力的旅游群组推荐方法，其特征在于，用户u_i和用户u_j间的直接信任度D_ij的计算公式具体如下：

其中，N表示旅游景点评分数据集中的评价总次数，N_ij表示用户u_i和用户u_j在旅游景点评分数据集中共同评价的景点数量，f(u_i,u_j)表示用户u_i和用户u_j对评价景点的共同评价函数，若用户u_i和用户u_j对评价景点的评价一致，则设置为1，否则设置为0。

4.如权利要求3所述基于用户信任和社交影响力的旅游群组推荐方法，其特征在于，用户u_i和用户u_j的间接信任度I_ij计算公式具体如下：

其中，D_kj为用户u_k和用户u_j间的直接信任度，w_k为权重值。

5.如权利要求1所述基于用户信任和社交影响力的旅游群组推荐方法，其特征在于，阻尼系数的计算公式为：

β＝a·T_ij+b

其中，a和b是调节阻尼系数的线性权重。

6.如权利要求1所述基于用户信任和社交影响力的旅游群组推荐方法，其特征在于，群组G_i对景点S_j的预测评分F(G_i,S_j)计算公式具体如下：

其中，γ是权重系数，G_i为用户u_i所在群组，PR(u_i)表示用户u_i的社交影响力，R_i表示用户u_i评价景点的平均分；

Neigh(u_i)表示用户u_i的近邻用户，有共同评分项目的用户即近邻用户，Sim(u_i,u_t)表示用户u_i与用户u_t的相似度，r_tj表示用户u_t对景点S_j的评分；

T_it表示用户u_i和用户u_t间的全局信任度，r_tj表示用户u_t对景点S_j的评分；

Neighor(G_i)表示群组G_i的近邻群组，Sim(G_t,G_i)表示群组G_i和群组G_t之间的相似度，

表示群组G_t内用户对旅游景点S_j的平均评分。

Images