论文部分内容阅读
推荐系统被广泛用于解决信息过载问题以及提供高质量的个性化服务。许多基于信任的推荐系统利用用户定义的二元显式信任关系,能够有效解决数据稀疏性和冷启动问题,改进推荐系统的性能。而显式信任关系存在信任缺少、需要用户参与等问题。为了解决上述问题,基于隐式信任的推荐算法被提出。这些算法在生成用户隐式信任过程中把信任看作单一属性影响的结果,考虑的大多是客观属性,如兴趣相似度、传递性等。现实中,信任是一个多属性的概念,在已有的推荐系统中并不能得到充分利用。针对上述问题,重点研究信任预测模型的实现以及基于信任关系推荐算法的改进。为了更好地实现信任预测,在信任特征方面综合考虑影响信任关系的客观属性和交互属性,并提出分类模型解决信任预测问题。另外基于信任用户具有相似兴趣这一假设,在推荐算法中,考虑信任用户对评分预测的显式和隐式影响,以改进推荐系统的性能。本文的主要研究内容和研究成果总结如下:(1)探讨信任特征构建信任预测模型。分析影响信任关系的客观属性(如评分项目数、相似用户数)和交互属性(如相似度、能力、评分预测值),并给出相关计算公式。通过用户评分矩阵实现信任特征的计算,并利用Logistic回归模型对上述特征数据进行训练,构造信任预测模型。(2)考虑信任用户对评分预测的显式和隐式影响,提出改进的推荐算法TrustReg。信任用户的隐式影响通过构建用户的信任特征空间来实现,即在评分预测公式中考虑信任用户对当前用户的贡献。显式影响则是在损失函数中添加用户和信任用户特征空间的正则项来实现。(3)进行大量实验评估信任预测模型和推荐算法的效果。利用信任预测模型重新定义用户信任关系,在基于信任的推荐算法中考虑新生成的信任关系。真实数据集上的实验结果表明,信任预测模型能够有效地实现信任预测,而且同其它推荐算法相比,改进算法能取得更好的准确度。