论文部分内容阅读
互联网的发展使在线社交网络越来越引起人们的重视。利用在线社交网络的多种应用中,推荐系统占有举足轻重的地位,多种在线社交应用都利用推荐系统算法进行用户群的扩充和个性化的推荐,用户对推荐结果的接受程度也影响着推荐算法的性能。信任作为一种主观的概念,在社交网络的参与者进行决策的过程中担任着十分重要的角色,同时,其主观性使得信任的间接传递和映射问题变得十分值得探讨。因此,相较于其他在决策过程中需要考虑的因素,信任更加被相关的研究者所重视。然而,在目前的信任推荐系统中,一些信任传播过程的关键性的问题还有待于研究,这使得一些信任模型并不能给出参与者准确且优质的推荐信息。在信任推荐系统的发展过程中,许多学者都针对此问题提出了不同的信任映射和传播方法,构建了不同的信任传播模型。他们希望利用提出的模型进行更加个性化的推测,从而使参与者得到更加精准的信任推荐结果。本文考虑用户间信任变化过程及信任的动态性,提出了一种结合强化学习的用户信任增强方法,该方法可以应用于结合信任的推荐系统中。结合信任的推荐系统是以社交网络为基础的一种重要推荐系统应用,其结合用户之间的信任关系对用户进行项目推荐,以求得更加准确、更符合用户偏好的推荐结果。但之前的研究一般假定用户之间的信任值固定,无法对用户信任及偏好的动态变化做出及时响应,进而影响推荐效果。实际上,用户接受推荐后,当实际评价高于心理预期时,体验用户对推荐者的信任将增加,反之则下降。文章使用最小均方误差算法研究评价差值对用户信任的动态影响,利用强化学习方法Deep Q-Learning模拟推荐者在推荐过程中学习用户偏好进而提升信任值的过程,并且提出了一个多项式级别的算法来计算信任值和推荐,可激励推荐者学习用户的偏好,并使用户对推荐者的信任始终保持在较高程度。实验表明,该方法可快速响应用户偏好的动态变化,当其应用于推荐系统时,相较于其他方法,可为用户提供更及时、更准确的推荐结果。