個性化推薦系統(tǒng)中一種基于層次的任度計算模型[文檔資料]

個性化推薦系統(tǒng)中一種基于層次的任度計算模型 本文檔格式為 WORD,感謝你的閱讀。 引言：計算機(jī)系統(tǒng)中的信任問題長期以來都倍受國家、學(xué)術(shù)界和企業(yè)界的關(guān)注。本文參考社會學(xué)和心理學(xué)將人與人之間信任的產(chǎn)生來源分為三個方面：外部來源、交互來源和內(nèi)部來源，并提出一種層次化的信任度計算模型，該模型可以根據(jù)不同類型的用戶調(diào)整不同來源的信任在整個模型中所占的比例。最后，利用 Epinions 網(wǎng)站的相關(guān)數(shù)據(jù)對模型進(jìn)行了驗證。 本文參考社會學(xué)和心理學(xué)將人們之間 信任的產(chǎn)生來源分為三個方面：外部來源、交互來源和內(nèi)部信任，如圖 1.1所示。外部信任是由于當(dāng)前用戶在公共環(huán)境中的聲譽(yù)而使得其他用戶對其產(chǎn)生的信任，它是一種全局信任，獨(dú)立于單個用戶。交互信任是系統(tǒng)中用戶之間的交互所產(chǎn)生的信任關(guān)系，這是一種本地信任度。內(nèi)部信任，是由于兩個人之間內(nèi)在的相似性（如愛好等）產(chǎn)生的信任關(guān)系。 圖 1.1 分層信任模型示意圖 1 基于層次的信任度計算模型 本文提出基于層次的信任度計算模型如（ 1.1）所，其中 Reputation 表示外部信任， InteractiveTrust 表示交互信任， Similarity 表示內(nèi)部信任。 a， b， c 是加權(quán)平均系數(shù)，滿足 a+b+c=1。這三個系數(shù)分別應(yīng)對不同類型的用戶：冷啟動用戶、常規(guī)用戶，爭議用戶。 （ 1.1） 在本文接下來的篇幅中將詳細(xì)介紹三種信任的計算方法以及 a， b， c 三個參數(shù)對于不同用戶的取值情況。 1.1 外部信任 本文使用的 PageRank 算法來計算外部信任。 PageRank將指向一個網(wǎng)頁的鏈接看成是對于這個網(wǎng)頁的投票，本文將這種鏈接稱之為回指鏈接，而將一個網(wǎng)頁指向其他網(wǎng)頁的鏈接稱 之為外向鏈接。例如在圖 2.1 中，將用戶看作是網(wǎng)絡(luò)中的結(jié)點(diǎn)，將用戶之間的信任關(guān)系看做他們之間的信任，對于用戶 A 來說，從其他用戶到用戶 A 的鏈接如（ B-A）等都是用戶 A 的回指鏈接；而從用戶 A 到其他用戶的鏈接如（ A-B）等都是用戶 A 的外向鏈接。 圖 2.1 信任網(wǎng)絡(luò)初始狀態(tài)示意圖 PageRank 在計算網(wǎng)頁排名的時候不單單考慮了網(wǎng)頁的回指鏈接的數(shù)量，更重要的是它還考慮了回指鏈接源網(wǎng)頁的價值。也就是說，一個高等級的頁面可以讓它所指向的低等級的頁面的等級提升。 PageRank 中，一個頁面的重要 性是由鏈向它的所有頁面的重要性經(jīng)過遞歸算法得到的，如等式（ 2.2）所示是 RageRank 的數(shù)學(xué)表達(dá)式： （ 2.2） Reputation（ u）表示用戶 u 的信譽(yù)度， Bu表示指向用戶 u 的所有用戶的集合， Nv 表示以用戶 v 為源用戶的所有鏈接的數(shù)目，也就是用戶 v 的外向鏈接數(shù)。 1.2 交互信任 本文使用 MoleTrust 來作為度量交互信任值的算法，之所以選擇 MoleTrust 有兩個原因： 1. 它具有省時高效的特點(diǎn)； 2. 該算法對信任的計算是按照層次順序進(jìn)行的，這與我們的社交習(xí)慣 非常類似。接下來將詳細(xì)介紹 MoleTrust 的計算過程及其缺點(diǎn)以及對 MoleTrust 的改進(jìn)措施。 1.2.1 MoleTrust MoleTrust 的整個計算過程可以分為兩步完成： 1.從源節(jié)點(diǎn)出發(fā)遍歷整個信任網(wǎng)絡(luò)，去除網(wǎng)絡(luò)中多余的信息和循環(huán)信任，構(gòu)造一個單向無循環(huán)的信任網(wǎng)絡(luò)； 2.在第一步的基礎(chǔ)上，從源節(jié)點(diǎn)出發(fā)開始傳播信任值，計算當(dāng)前用戶對于網(wǎng)絡(luò)中其他用戶的信任。如 Step 1 和 Step 2 所示，是 MoleTrust的具體運(yùn)算過程： MoleTrust 的 Step 1 過程有一個非 常重要的參數(shù)：trust_propagation_distance，該參數(shù)用來控制信任傳播的距離。圖 2.1 經(jīng)過 MoleTrust 的 Step 1 階段后得到圖 2.2所示信任網(wǎng)絡(luò)。將該信任網(wǎng)絡(luò)視為一個有向圖，在圖的第 0層是當(dāng)前用戶 A，第 1 層，為用戶 A 的直接朋友，以此類推。 圖 2.2 經(jīng) MoleTrust 的 Step 1 后的信任網(wǎng)絡(luò) 在 MoleTrust 的 Step 2 階段，同樣有一個非常重要的參數(shù)： trust_threshold。只有信任值大于 trust_threshod的用戶才會被加入到信 任網(wǎng)絡(luò)中，該策略可以有效防止惡意用戶對于推薦系統(tǒng)的影響。 1.2.2 Modified MoleTrust MoleTrust 在計算信任值的過程中存在一個很大的漏洞，如 Tr（ A， G） =7，但這和我們的直覺是相悖的，因為 G的上層用戶 C 的信任值只有 3。為了彌補(bǔ)上述漏洞，本文提出一種修正的 MoleTrust： Modified-MoleTrust。本文在在MoleTrust 的 Step 2 階段引入一個遞減因子 ，其計算方式如等式（ 2.5）所示。 1.3 內(nèi)部信任 本文認(rèn)為用戶對 項目的評分是用戶內(nèi)部屬性的綜合體現(xiàn)，所以本文選擇用戶對項目的評分矩陣來作為內(nèi)部信任的計算依據(jù)。有學(xué)者證明了在眾多衡量用戶相似性的指標(biāo)中，Person 相關(guān)系數(shù)的綜合表現(xiàn)最好，所以本文選擇 Person 相關(guān)系數(shù)作為內(nèi)部信任的衡量指標(biāo)。 Person 相關(guān)系數(shù)的取值范圍是 -1， 1，若 Person 相關(guān)系數(shù)的取值為正，則說明兩個用戶之間存在著相似性，反之當(dāng)其取為負(fù)時說明兩個人之間的興趣可能是相悖的。Person 相關(guān)系數(shù)的計算公式如等式（ 2.6）所示。其中 n 表示用戶 A 和用戶 W 共同評分的項目數(shù)， r（ K， i）表示 用戶 K 對項目 i 的評分。 2 實驗結(jié)果說明 本文利用 Epinions 網(wǎng)站的數(shù)據(jù)和 Apache 的 Mahout 平臺對所提出的模型進(jìn)行了驗證。面對不同類型的用戶，對參數(shù)進(jìn)行調(diào)整后，該模型總能得到較為理想的推薦準(zhǔn)確度和覆蓋率，具體數(shù) 3 結(jié)束語 本文提出了一種基于層次的信任度計算模型，并做了相應(yīng)的實證研究，該模型能在很大程度上改善用戶的體驗。我們