论文部分内容阅读
社会网络是人们分享和交流知识的一种重要的媒介。以社会网络为基础,推荐系统可以根据用户的历史喜好向其推荐可能感兴趣的项目,解决“信息过载”和传统信息检索技术忽视用户兴趣偏好的问题,满足不同用户的个性化需求。推荐系统的核心是推荐方法。协同过滤是目前最广泛使用的推荐方法,但是传统的协同过滤推荐方法面临着数据稀疏性、冷启动和易受攻击等问题。现实中,用户常愿意接受信任朋友的推荐,据此,社会信任网络被用来改进传统的协同过滤推荐方法,即为基于信任的协同过滤推荐方法。按信任来源不同,该方法又分为基于显性信任和基于隐性信任两种方法。其中,显性信任是用户手工标注的与其邻居的信任关系;隐性信任是根据用户的特征推理出的信任关系。然而,显性信任获取时用户会耗费大量的时间和精力还会暴露隐私,使得信任匮乏,推荐受限;隐性信任的现存研究中考虑的用户行为特征较少,忽视了信任传递等因素造成推理出的信任关系与真实情况差别较大,推荐效果不佳。从显性信任角度入手,为了缓解传统协同过滤推荐方法的数据稀疏性、冷启动和易受攻击的问题,以及基于显性信任推荐方法因可用信任信息较少造成推荐不准确的问题,本文提出了基于潜在社会信任模型的协同过滤推荐方法,其中,潜在社会信任来自于耦合信任、共引信任和基于兴趣相似度的信任,根据潜在社会信任建立新的社会信任网络用于寻找信任邻居,进而预测目标用户的喜好。实验证明了提出的方法推理出的用户间的信任关系合理且推荐准确性高。从隐性信任角度入手,针对协同过滤推荐方法因数据稀疏性而推荐结果不佳和基于隐性信任推荐方法推理的隐性信任不太准确的情况及显性信任的各种缺陷,本文提出了基于用户行为特征分析的隐性信任协同过滤推荐方法,通过分析用户的评分行为建立用户对其邻居、对项目的隐性信任推荐模型和混合推荐模型向用户推荐感兴趣的项目。实验证明了提出的方法能够为用户提供更准确的推荐结果。