融合信任传播和奇异值分解的社会化推荐算法

针对用户信任矩阵中的数据稀疏问题,设计用户信任关系的传播规则,根据该规则计算用户之间的信任度,填充用户信任矩阵。在此基础上,结合用户信任传播算法和奇异值分解模型,提出一种社会化推荐算法,将用户评分矩阵与信任关系矩阵相结合,提高推荐系统的预测准确率。在Epinions和Filmtrust公开数据集上的实验结果表明,该算法相比传统推荐算法具有更高的推荐质量。     

一种基于社会信任潜在因子模型的推荐方法

随着社交网络的快速发展、社交网络用户规模的不断扩大,如何为用户推荐感兴趣的信息变得越发困难。传统的推荐方法利用用户兴趣的历史数据来预测用户未来感兴趣的项目,忽视了社交网络中的信任关系,导致推荐方法的推荐质量不高。针对上述问题,提出了基于社会信任潜在因子模型的推荐方法。该方法引入社会信任来度量社交网络中朋友之间的隐含信任关系,根据社会信任程度来选择用户信任的朋友,对用户信任的朋友与目标用户的共同兴趣进行潜在因子分析,构建基于社会信任的潜在因子模型,实现目标用户的前k个项目推荐。真实数据集上的对比实验结果表明,基于社会信任潜在因子模型的推荐方法在推荐质量上优于现有的推荐方法。     

一种基于信任的协同过滤推荐模型

传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐,没有有效地利用用户通信上下文信息,从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端,在协同过滤算法中融入通信上下文信息,引入了通信信任、相似信任和传递信任三个信任度,并提出了一种基于信任的协同过滤推荐模型。通过公开数据集验证测试,证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。     

融合标签传播和信任扩散的个性化推荐方法

信任网络能模拟现实社会,因此其用户间的信任数据可用于推荐算法,但同时也面临数据稀疏的问题,推荐效果较差。针对该问题,提出融合标签传播和信任扩散的个性化推荐方法。设计基于标签传播的大社区发现算法,得到独属于每个用户的大社区。根据各用户所属大社区内用户间的信任网络,给出信任预处理算法,预测用户新的信任关系,从而扩展用户的信任网络,并利用混合信任扩散算法,使用户及其所在大社区内其他用户之间的信任度更趋差异化。使用Epinions.com上的数据集进行实验,结果表明,与普通信任网络推荐方法相比,该方法的推荐准确度有明显提高。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

基于信任环的用户冷启动推荐

近年来,为了解决推荐系统的用户冷启动问题,信任推荐技术得到了长足发展。然而,传统的信任推荐技术在处理信任关系上比较粗糙。基于信任环的推荐思想严格控制了信任度对推荐结果的影响。实验结果表明,该方法能有效解决用户冷启动问题,并提高推荐的准确率。     

基于二值信任网络的推荐算法改进

协同过滤算法根据用户项目评分数据进行推荐,但评分数据通常很稀疏,使得用户无法获得满意的推荐,尤其是新用户。而信任网络以及社交网络能提供用户之间的关系数据,可用于推荐算法中。基于二值信任网络,提出GenTrust算法预测新的信任关系,扩展信任网络;并提出IndegreeTrust算法,区分被同一用户信任的所有用户。采用Epinions.com数据集,实验结果表明改进算法相比基于原始信任网络的算法准确率有所提升。     

基于用户间动态信任关系的推荐算法研究

在电子商务中,用户对商品的决策很大程度上取决于用户间的社会信任关系。传统的推荐算法往往考虑用户间的静态关系,即决策依赖的社会关系图是不变的。实际上,用户对好友的信任度往往随着时间的变化而变化。为了描述动态的信任关系在推荐系统中的作用,提出了一种基于动态信任关系的推荐算法。首先,提出了一种考虑用户的静态兴趣和静态信任关系的产生式模型;然后,分别将时序因素加入到用户兴趣和信任关系的描述,并提出了相应的动态产生式模型。实验表明,提出的算法能很好地描述用户之间信任关系随时间的变化,并且与其它相关算法相比,评价值的预测准确性得到了明显的提高。     

基于社交网络用户信任度的混合推荐算法研究

为了解决当前社交网络中基于用户信任的Web服务推荐算法存在的覆盖率不足的问题,整合了当前有关直接信任、间接信任及群体信任度的研究思路,对相关的信任度计算方式进行了扩展研究。在此基础上,提出了一种新的混合信任度算法。 实验结果表明,在召回率、用户信任度和用户争议度等指标上该混合推荐算法优于现有算法ModelTrust,证明了该算法具有覆盖率较高的特点,能解决由单一信任度算法数据稀疏性造成推荐结果不佳的问题。     

融合隐含信任度和项目关联度的矩阵分解推荐算法

随着社交网络的发展,融合社交信息的推荐系统在一定程度上解决了协同过滤推荐系统的冷启动和数据稀疏等问题,但是在信任数据稀疏情况下,仍会造成推荐精度降低等问题。为此,提出了一种融合隐含信任度和项目关联度的矩阵分解推荐算法。首先,利用矩阵分解模型将信任数据进行分解,得到用户的潜在被信任矩阵,在此基础上引入用户的影响力,从而提出了基于隐含信任度的推荐模型;然后,为了更好的利用项目间的关联信息,反映项目间的有向性,提出了基于项目关联度的推荐模型;最后,综合两种推荐模型并构建了一种推荐算法TCRMF。实验结果表明,所提算法在评分数据和信任数据稀疏的情况下仍然可以有效地提高推荐算法的精度,具有良好的应用前景。     

基于用户行为的加权信任计算方法

在信任计算中,推荐信任具有极强的主观性,存在欺骗、诋毁等攻击行为,这些将掩盖被推荐用户行为的真实性,威胁系统安全。针对该问题,提出一种基于用户行为的加权信任计算方法,使用时间衰减标识反馈信息的时间属性,通过直接信任和推荐信任加权计算用户信任度;同时采用反馈可信度评估第三方推荐信任的真实性。仿真实验表明该方法具有较好的动态适应性,能够有效平衡恶意推荐,准确反映用户的行为变化,并计算用户行为的可信性,为系统安全决策提供可靠支持。     

基于Hebbian一致性学习的P2P推荐算法

借鉴社会网络的概念,构建了一个基于信任权值的P2P(peer-to-peer)推荐网络,其中每个对等体作为一个用户代理负责维护其在推荐网络中的信任邻居关系。在此基础上,提出了一种基于Hebbian一致性学习的信任权重学习算法,并且基于相似用户发现机制、信任权重学习规则、潜在邻居调整策略等来自适应地调整用户与邻居用户的信任权重。实验数据证明该算法具有较高的推荐效率、社区构建效率和良好的可扩展性。     

基于社交信任聚类的混合推荐算法

推荐系统能够有效地解决信息过载问题,其中,协同过滤（collaborative filtering,简称CF）是推荐系统广泛采用的技术之一.然而传统的CF技术存在可扩展性差、数据稀疏和推荐结果精度低等问题.为了提高推荐质量,将信任关系融合到推荐系统中,采用聚类（FCM）方法,对信任关系进行聚类.利用信任类预测用户间的隐式信任,最后将信任关系与用户-项目关系线性融合进行推荐.在Douban和Epinions数据集上的实验结果表明,与传统的基于CF、基于信任和用户项目聚类的推荐算法相比,该算法能够大幅度地改进推荐质量,提升算法的时间效率.     

融合信任用户的协同过滤推荐算法

推荐系统中普遍存在的数据稀疏性问题使得协同过滤算法所要求的近邻搜索准确性降低,以及搜索到的最近邻用户过少,这对整个推荐系统的推荐质量和推荐的准确性产生重要影响,而这个问题对于传统的协同过滤推荐是难以解决的.针对这个问题,通过将用户之间的信任关系与对项目的评分相似性相融合,提出一种融合信任用户的协同过滤推荐算法,利用有向网络图构建的用户之间的信任关系,弥补了仅仅依靠计算用户间相似性不能准确衡量用户之间关系的缺陷.实验结果证明,该算法能够提高系统的推荐质量和准确性.     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

基于用户模糊聚类的综合信任推荐算法

针对传统协同过滤推荐算法通常存在的数据稀疏和冷启动问题,根据用户间的信任关系,提出基于模糊C均值聚类的综合信任推荐算法。采用评分数据和信任数据计算用户间的隐式信任值和显式信任值,利用显隐式信任得到综合直接信任值,基于信任的传递特性获得Jaccard全局信任值,最终通过动态结合综合直接信任与Jaccard全局信任获取综合信任值,同时将信任机制融入模糊C均值聚类算法实现对目标用户的精准推荐。在FilmTrust真实数据集上的实验结果表明,该算法有效缓解了数据稀疏和冷启动问题,并且相比传统协同过滤推荐算法具有更高的推荐质量。     

基于信任迭代的P2P网络信任管理模型

多数P2P网络信任管理模型无法准确计算节点间的推荐信任值,且节点交易过程中不能有效防止恶意推荐.为此,提出一种基于信任迭代的信任管理模型,通过引入信任迭代、推荐可信度和迭代信任值的概念,根据节点间的直接交易经验计算节点间的推荐信任值,将推荐链划分为主链和副链,从而更全面地参考推荐信息,减小因推荐链的取舍对推荐信任值造成的影响,并给出一种新的推荐信任值迭代计算方法,使计算结果更合理.仿真实验结果表明,该模型能够准确地计算推荐信任值,抑制恶意推荐行为.     

融合用户信任度的概率矩阵分解群组推荐算法

利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用。在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法。在获取用户信任度数据后,使用概率矩阵分解（PMF）算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分。在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果。在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法。     

基于社交信任和标签偏好的景点推荐方法

针对现有的景点推荐算法在处理用户关系时忽视了用户隐性信任和信任传递问题,以及当用户处于新城市时由于缺乏用户历史记录无法做出准确推荐的情况,本文提出一种综合用户信任关系和标签偏好的个性化景点推荐方法.在仅仅考虑用户相似度时推荐质量差的情况下引入信任度,通过挖掘用户隐性信任关系解决了现有研究在直接信任难以获取时无法做出推荐的情况,有效缓解了数据稀疏性和冷启动问题.同时在用户兴趣分析过程中将景点和标签的关系扩展到了用户、景点和标签三者的相互关系,把用户的兴趣偏好分解成对不同景点标签的长期偏好,有效地缓解了缺乏用户历史游览记录时推荐质量不佳的问题.通过在Flickr网站上收集的数据进行实验验证,结果表明本文提出的混合推荐算法有效地提高了推荐精度,在一定程度上缓解了冷启动和新城市问题.