一种基于社会化信任的改进的协同过滤推荐模 型和方法
《2024年基于信任的协同过滤推荐算法研究》范文
《基于信任的协同过滤推荐算法研究》篇一一、引言随着互联网的快速发展和大数据时代的到来，信息过载问题日益严重。
为了解决这一问题，推荐系统应运而生，并逐渐成为现代信息处理的重要手段。
其中，协同过滤推荐算法因其简单有效而被广泛应用。
然而，传统的协同过滤推荐算法往往忽略了用户之间的信任关系，导致推荐结果的准确性和满意度有所降低。
因此，本文将研究基于信任的协同过滤推荐算法，以提高推荐系统的性能。
二、协同过滤推荐算法概述协同过滤推荐算法是一种基于用户行为的推荐方法，通过分析用户的历史行为数据，发现用户之间的相似性，进而为用户推荐其可能感兴趣的项目。
协同过滤推荐算法主要包括基于用户的协同过滤和基于项目的协同过滤两种方法。
其中，基于用户的协同过滤主要依据用户的历史行为数据计算用户之间的相似性，然后根据相似用户的行为预测当前用户对项目的兴趣；而基于项目的协同过滤则是根据项目之间的相似性以及用户对项目的评价来预测用户对项目的兴趣。
三、基于信任的协同过滤推荐算法研究为了充分利用用户之间的信任关系提高推荐性能，研究者们提出了基于信任的协同过滤推荐算法。
该算法在传统的协同过滤基础上引入了信任传播机制，通过分析用户之间的信任关系，将信任关系融入到推荐过程中。
具体而言，该算法首先构建一个信任网络，网络中的节点表示用户，边表示用户之间的信任关系；然后，利用信任传播算法计算每个用户的综合信任度，将综合信任度作为用户相似性的度量依据；最后，根据综合信任度和用户历史行为数据预测用户对项目的兴趣，生成推荐结果。
四、算法实现与优化在实现基于信任的协同过滤推荐算法时，需要解决以下几个关键问题：1. 信任网络构建：如何从海量数据中提取出有效的信任信息，构建一个高质量的信任网络是算法成功的关键。
这需要考虑到数据的准确性、时效性和完整性等因素。
2. 信任传播机制：如何设计有效的信任传播机制，将信任关系融入到推荐过程中，提高推荐的准确性和满意度。
一种改进专家信任的协同过滤推荐算法
一种改进专家信任的协同过滤推荐算法王建芳;刘冉东;谷振鹏;刘永利【期刊名称】《计算机应用研究》【年(卷),期】2018(35)2【摘要】To solve the tradition collaborative filtering recommendation based on the user object with little consideration of trust real-time change,this paper proposed an expert's algorithm combined with social network trust to make good quantitative trust among objects.Firstly,the algorithm computed evaluation credibility,the active degree and the deviation degree to acquire the expert's trust value.Then,it integrated the scores and neighbor algorithm,and determined the preference of the users and the experts,the users and the neighbor.When the numbers of the selected experts were less than the threshold,it used coordination factor to adjust dynamically the weight between the neighbor algorithm and the expert's algorithm to get more objective score.Experimental results show that proposed algorithm achieves better result on the accuracy of recommendation.%针对传统基于用户的协同过滤算法较少考虑信任对象所处环境的实时变化,提出一种结合社交网络的专家信任推荐算法.为更好地量化对象之间的信任度,首先利用专家的评价可信度、活跃度、评价偏差度等量化因子计算得到专家的信任值;其次在评分形成的过程中与近邻算法相融合,明确用户与“专家”和“近邻”的偏好,当可选专家人数小于预先设定的阈值时,利用协调因子动态调整近邻算法与改进专家算法的权重,以便获得更加客观的项目评分.最终实验结果表明,在不同大小的MovieLens数据集上相比于传统的算法,提出的推荐算法在实时推荐预测准确度方面有显著提高.【总页数】5页(P354-357,385)【作者】王建芳;刘冉东;谷振鹏;刘永利【作者单位】河南理工大学计算机科学与技术学院,河南焦作454000;河南理工大学计算机科学与技术学院,河南焦作454000;河南理工大学计算机科学与技术学院,河南焦作454000;河南理工大学计算机科学与技术学院,河南焦作454000【正文语种】中文【中图分类】TP301.6【相关文献】1.融合信任关系的协同过滤推荐算法改进研究 [J], 王艳;王移芝2.基于改进加权二部图和用户信任度的协同过滤推荐算法 [J], 邓小燕;张晓彬3.基于专家信任的协同过滤推荐算法改进研究 [J], 刘国丽; 白晓霞; 廉孟杰; 张斌4.融合专家信任的协同过滤推荐算法 [J], 刘国丽;廉孟杰;于丽梅;徐洪楠5.结合隐语义模型与改进用户信任的协同过滤推荐算法 [J], 黄伟建;顾明星;黄远因版权原因，仅展示原文概要，查看原文内容请购买。
《基于信任的协同过滤推荐算法研究》范文
《基于信任的协同过滤推荐算法研究》篇一一、引言随着互联网技术的迅猛发展，信息过载问题日益严重，用户面临着从海量数据中筛选出感兴趣信息的难题。
推荐系统作为一种有效解决信息过载问题的方法，已经被广泛应用于电子商务、社交网络、在线视频等多个领域。
其中，协同过滤推荐算法是推荐系统中的一种重要技术，它通过分析用户行为数据，发现用户之间的兴趣相似性，从而为用户提供个性化的推荐服务。
然而，传统的协同过滤推荐算法在处理稀疏性和冷启动等问题时存在一定局限性。
因此，本文提出了一种基于信任的协同过滤推荐算法，旨在提高推荐准确性和解决稀疏性问题。
二、背景及现状分析协同过滤推荐算法的基本思想是利用用户的历史行为数据，找出与当前用户兴趣相似的其他用户，然后根据这些相似用户的喜好进行推荐。
然而，传统的协同过滤推荐算法在处理稀疏性问题和冷启动问题时存在困难。
稀疏性问题指的是用户行为数据往往不够丰富，导致推荐结果准确性降低；冷启动问题则是指在新用户或新物品加入系统时，由于缺乏历史数据，难以进行准确的推荐。
为了解决上述问题，研究者们提出了多种改进方法，其中基于信任的协同过滤推荐算法是一种有效的解决方案。
该算法通过引入社交网络中的信任关系，将用户之间的信任度作为相似度的补充或替代指标，提高了推荐准确性和处理稀疏性问题的能力。
此外，信任关系还可以帮助缓解冷启动问题，因为信任关系可以在一定程度上弥补用户或物品的历史数据不足。
三、基于信任的协同过滤推荐算法研究本文提出的基于信任的协同过滤推荐算法主要包括以下步骤：1. 构建信任网络：首先，需要构建一个信任网络，该网络描述了用户之间的信任关系。
可以通过用户之间的社交关系、历史交互记录、评价等信息来构建信任网络。
2. 计算信任度：在信任网络中，需要计算用户之间的信任度。
信任度的计算可以根据具体的场景和需求采用不同的方法，如基于用户评价一致性、历史交互记录等。
3. 融合信任信息：将计算得到的信任度与传统的协同过滤算法相结合，形成基于信任的协同过滤推荐算法。
一种基于信任的协同过滤推荐模型
一种基于信任的协同过滤推荐模型
郑孝遥;鲍煜;孙忠宝;罗永龙
【期刊名称】《计算机工程与应用》
【年(卷),期】2016(052)005
【摘要】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.
【总页数】6页(P50-54,60)
【作者】郑孝遥;鲍煜;孙忠宝;罗永龙
【作者单位】安徽师范大学数学计算机科学学院,安徽芜湖241003;安徽师范大学国土资源与旅游学院,安徽芜湖241003;安徽师范大学数学计算机科学学院,安徽芜湖241003;安徽师范大学国土资源与旅游学院,安徽芜湖241003;安徽师范大学数学计算机科学学院,安徽芜湖241003
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于规范矩阵因式分解协同过滤推荐模型的并行改进 [J], 黄晓凤;罗辛;朱庆生
2.基于信任模型填充的协同过滤推荐模型 [J], 杨兴耀;于炯;吐尔根·依布拉音;廖彬;英昌甜
3.一种结合语义Web和用户信任网络的协同过滤推荐模型 [J], 徐守坤;孙德超;李宁;石林
4.基于信任网络与协同过滤的自适应推荐模型研究 [J], 邹海涛;陈沁梅
5.一种基于社会化信任的改进的协同过滤推荐模型和方法 [J], 吴应良;黄开梅;姚怀栋;;
因版权原因，仅展示原文概要，查看原文内容请购买。
基于信任模型的协同过滤推荐算法_夏小伍
基于信任模型的协同过滤推荐算法夏小伍，王卫平(中国科学技术大学管理学院，合肥 230026)摘要：提出一种基于信任机制的协同过滤推荐算法，其中，直接信任度基于共同评价项目得出，推荐信任度通过对项目的预测得出。
借鉴社会网络中人与人之间的信任评价方法，使用户之间的相似度计算更加准确，从而为目标用户提供更好的推荐结果。
实验结果表明，该模型提高了信任度预测的准确性及系统的推荐质量。
关键词：电子商务；推荐系统；协同过滤；信任模型；推荐算法Collaborative Filtering Recommendation AlgorithmBased on Trust ModelXIA Xiao-wu,W ANG Wei-ping(School of Management,University of Science and Technology of China, Hefei 230026, China)【Abstract 】This paper proposes a collaborative filtering recommendation algorithm based on trust mechanism.Direct trust is based on common rating data and indirect trust is based on the predict data.By considering the social network between Person’s trust assessment method,the similarity between the users is more accurate,so that better neighbors for a target user and the better recommendation result can be gained.Experimental result indicates that based on the trust model’s recommendation system, can consistently achieve better prediction accuracy and improves system’s recommendation quality effectively.【Key words 】E-commerce; recommendation system;collaborative filtering;trust model;recommendation algorithm DOI:10.3969/j.issn.1000-3428.2011.21.009计算机工程Computer Engineering第37卷第21期Vol.37 No.212011年11月November 2011·软件技术与数据库·文章编号：1000—3428(2011)21—0026—03文献标识码：A中图分类号：TP3911概述万维网信息的爆炸性增长和电子商务的快速发展推动了推荐系统的发展。
《基于信任的协同过滤推荐算法研究》范文
《基于信任的协同过滤推荐算法研究》篇一一、引言随着互联网技术的快速发展和大数据时代的到来，推荐系统在许多领域如电子商务、社交网络和在线媒体平台等发挥着重要作用。
协同过滤是推荐系统中最常用的一种算法，其主要依赖于用户和项目之间的关系。
传统的协同过滤推荐算法主要通过计算用户间的相似度进行推荐，而信任在人际关系中具有举足轻重的地位。
因此，本文旨在研究基于信任的协同过滤推荐算法，以更好地提升推荐系统的准确性和用户满意度。
二、基于信任的协同过滤推荐算法概述基于信任的协同过滤推荐算法，顾名思义，是在传统的协同过滤算法基础上，融入了用户之间的信任关系。
这种方法利用用户的社交网络和交互数据，衡量用户间的信任程度，然后利用这种信任关系进行更准确的推荐。
在构建基于信任的协同过滤推荐算法时，需要考虑以下方面：1. 信任关系的获取：这通常通过分析用户的社交网络、交互记录、评分数据等获得。
2. 信任度的计算：根据不同的数据源和上下文，采用不同的算法计算用户间的信任度。
3. 推荐策略的制定：结合用户的兴趣和信任关系，制定合适的推荐策略。
三、算法研究（一）信任关系的获取与表示在推荐系统中，信任关系的获取主要依靠用户的社会网络信息和行为数据。
具体来说，可以结合用户的评分记录、交互记录、社交网络结构等信息，通过机器学习和图论等方法提取用户间的信任关系。
此外，还可以利用用户对其他用户的评价、反馈等数据来进一步确定信任关系。
这些信任关系可以用图模型、矩阵等形式进行表示。
（二）信任度的计算信任度的计算是算法的核心部分。
常用的计算方法包括基于用户评分的相似度计算法、基于用户行为的马尔科夫链法、基于图模型的PageRank算法等。
此外，还可以考虑结合用户的行为时间、行为频率等动态因素来计算信任度。
在实际应用中，往往需要综合考虑多种因素，根据具体情况选择合适的计算方法。
（三）推荐策略的制定在制定推荐策略时，需要综合考虑用户的兴趣和信任关系。
《2024年基于信任的协同过滤推荐算法研究》范文
《基于信任的协同过滤推荐算法研究》篇一一、引言随着互联网的快速发展和大数据时代的到来，信息过载问题日益严重。
为了解决这一问题，推荐系统应运而生，其中协同过滤推荐算法是应用最广泛的推荐技术之一。
然而，传统的协同过滤推荐算法在处理大规模数据和稀疏数据时存在一定局限性。
因此，本文提出了一种基于信任的协同过滤推荐算法，旨在提高推荐准确性和用户体验。
二、相关研究背景协同过滤推荐算法是一种基于用户行为数据的推荐技术，其核心思想是利用用户的历史行为数据预测用户的未来兴趣。
然而，传统的协同过滤推荐算法在处理用户评分数据时，忽略了用户之间的信任关系。
信任关系在社交网络中具有重要意义，能够提高推荐的准确性和可信度。
因此，基于信任的协同过滤推荐算法成为了研究热点。
三、基于信任的协同过滤推荐算法（一）算法原理基于信任的协同过滤推荐算法的核心思想是利用用户之间的信任关系来改进传统的协同过滤推荐算法。
具体而言，该算法首先构建用户之间的信任网络，然后利用该网络中的信任关系来调整用户相似度计算，从而更准确地预测用户对商品的评分。
（二）算法实现步骤1. 构建用户信任网络：通过分析用户的历史行为数据和社交网络数据，构建用户之间的信任网络。
在信任网络中，每个用户都与其他用户存在一定程度的信任关系。
2. 计算用户相似度：在考虑了信任关系的基础上，计算用户之间的相似度。
这可以通过使用余弦相似度等方法来实现。
3. 预测用户评分：根据用户相似度和信任关系，预测用户对未评分商品的评分。
这可以通过加权平均等方法来实现。
4. 生成推荐列表：根据预测的评分，为用户生成推荐列表。
推荐列表中的商品按照预测评分从高到低排序。
四、实验与分析（一）实验数据集为了验证基于信任的协同过滤推荐算法的有效性，我们使用了两个公开的数据集进行实验。
实验数据集包括电影评分数据集和购物网站商品购买数据集。
（二）实验结果与分析我们对比了基于信任的协同过滤推荐算法与传统协同过滤推荐算法在两个数据集上的表现。
《基于信任的协同过滤推荐算法研究》范文
《基于信任的协同过滤推荐算法研究》篇一一、引言随着互联网的快速发展和大数据时代的到来，信息过载问题日益严重。
为了解决这一问题，推荐系统应运而生，成为了现代信息处理的重要手段。
其中，协同过滤推荐算法因其简单有效而备受关注。
然而，传统的协同过滤算法往往忽略了用户之间的信任关系。
基于信任的协同过滤推荐算法研究旨在弥补这一不足，通过引入信任关系来提高推荐准确性。
本文将探讨基于信任的协同过滤推荐算法的原理、方法及实验结果。
二、背景与意义传统的协同过滤推荐算法主要依据用户的历史行为数据，如浏览、购买、评价等，来预测用户的未来兴趣。
然而，这些算法往往忽视了用户之间的信任关系，导致推荐结果有时偏离用户真实需求。
基于信任的协同过滤推荐算法通过引入用户之间的信任关系，可以更准确地反映用户的兴趣和需求，从而提高推荐准确性。
此外，该算法还有助于增强用户之间的互动和社交性，提升推荐系统的用户体验。
三、算法原理基于信任的协同过滤推荐算法主要包含以下步骤：1. 构建信任网络：根据用户的历史行为数据和社交网络信息，构建一个信任网络。
在这个网络中，节点表示用户，边表示用户之间的信任关系。
2. 计算信任度：通过分析用户的历史行为数据和社交网络信息，计算用户之间的信任度。
信任度反映了用户之间关系的紧密程度和可靠性。
3. 协同过滤：利用计算得到的信任度，对用户的兴趣进行协同过滤。
具体而言，通过分析目标用户的邻居用户的兴趣和行为，以及这些邻居用户与目标用户之间的信任度，为目标用户生成推荐结果。
4. 推荐结果优化：根据用户的反馈信息和实时数据，对推荐结果进行优化和调整，以提高推荐准确性和用户体验。
四、方法与技术在实现基于信任的协同过滤推荐算法时，需要采用以下技术和方法：1. 数据预处理：对用户的历史行为数据进行清洗、去重和格式化等预处理操作，以便后续分析。
2. 信任网络构建：采用图论、机器学习和深度学习等技术，根据用户的历史行为数据和社交网络信息构建信任网络。
一种基于社会化信任的改进的协同过滤推荐模型和方法
吴应良 等
一种基于社会化信任的改进的协同过滤推荐模 型和方法
吴应良1,2，黄开梅1，姚怀栋3
An Improved Collaborative Filtering Recommendation Model and Method Based on Social Trust
Yingliang Wu1,2, Kaimei Huang1, Huaidong Yao3
1Department of Electronic Business, School of Economics and Commerce, South China University of Technology, Guangzhou Guangdong 2Business Intelligence Research Center, Institute of Modern Services, South China University of Technology, Guangzhou Guangdong 3Haikou Branch of Shanghai Pudong Development Bank, Haikou Hainan
1华南理工大学经济与贸易学院电子商务系，广东 广州 2华南理工大学现代服务业研究院商务智能研究中心，广东 广州 3上海浦东发展银行海口分行，海南 海口
Received: Apr. 16th, 2019; accepted: Aprቤተ መጻሕፍቲ ባይዱ 30th, 2019; published: May 7th, 2019
《2024年度基于信任的协同过滤推荐算法研究》范文
《基于信任的协同过滤推荐算法研究》篇一一、引言在当今的信息时代，互联网技术的飞速发展使得人们面临着一个严重的问题——信息过载。
为了从大量的信息中筛选出用户感兴趣的内容，推荐系统应运而生。
协同过滤推荐算法作为推荐系统中的核心算法之一，一直受到广泛关注。
然而，传统的协同过滤算法在处理稀疏性和冷启动问题时存在一定局限性。
因此，本文提出了一种基于信任的协同过滤推荐算法，以提高推荐系统的准确性和效率。
二、协同过滤推荐算法概述协同过滤推荐算法是一种基于用户行为数据的推荐方法，通过分析用户的历史行为数据，找出相似用户或物品，从而为用户提供推荐。
常见的协同过滤算法包括基于用户的协同过滤和基于物品的协同过滤。
基于用户的协同过滤主要是通过寻找与目标用户兴趣相似的其他用户，然后根据这些用户的喜好为目标用户提供推荐。
而基于物品的协同过滤则是通过分析用户对物品的评分或行为，找出与目标物品相似的其他物品，然后推荐给目标用户。
三、基于信任的协同过滤推荐算法本文提出的基于信任的协同过滤推荐算法，主要思想是在传统的协同过滤算法中引入信任关系。
具体而言，通过分析用户之间的社交网络关系、历史交互记录等，构建一个信任关系网络。
在这个网络中，信任度高的用户对目标用户的推荐将具有更高的权重。
同时，考虑到不同领域专家的信任度可能更高，该算法还结合了领域知识，对专家用户的推荐给予更大权重。
四、算法实现与优化在实现基于信任的协同过滤推荐算法时，首先需要构建一个完整的信任关系网络。
这可以通过分析用户的社交网络、历史交互记录、评价一致性等多种途径实现。
然后，根据信任关系网络计算用户之间的信任度。
在此基础上，结合传统的协同过滤算法，为用户提供推荐。
为了提高算法的准确性和效率，本文还提出了一系列优化措施。
首先，采用矩阵分解技术对用户-物品评分矩阵进行降维处理，以减少计算复杂度。
其次，引入时间因素，考虑用户兴趣的动态变化。
此外，还采用了多种融合策略，将不同来源的信息进行整合，以提高推荐的准确性。
一种基于信任的协同过滤推荐模型
１ 引 言 随 着移动通信技术 的发 展和智能设 备的普及 ，越来
越多的人倾向于通过智能手机 、平板来获取信息和服 务 。 与此 同时 ，在移 动互联 网环境 中 ，信息 资源 的获取 和推 送 可 以不 受时 间 、地点和 方式 的限制 ，为用 户提供 无处 不在 的信息资源 已成 为可能 ，用 户可 以通过 手机浏览新 闻 ，欣赏 音乐或 电影 ，使 用微博 、微信等 。但是移 动互 联 网服 务和信息 内容 的 日益增 长将 逐渐超 出人们 所能 接受 的范 围 ，为 用户带来 沉重 的“信息 过载 ”问题 ，导致
摘 要 ：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。 关键词 ：协 同过滤；信任 ；推荐；移动通信 文献标志码 ：Ａ 中图分类号 ：ＴＰ３９１ ｄｏｉ：１０．３７７８／ｊ．ｉｓｓｎ．１００２．８３３１．１５０７．００１６
Ａ ｂｓｔｒａｃｔ：Ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｃａｒｒｉｅｓ ｏｎ ｔｈｅ ｒｅｃｏｍ ｍ ｅｎｄａｔｉｏｎ ｍ ａｉｎｌｙ ｂａｓｅｄ ｏｎ ｕｓｅｒ－ｉｔｅｍ ｄａｔａｓｅｔ， ａｎｄ ｃａｎｎｏｔ ｅｆ ｉ Ｌｃｉｅｎｔｌｙ ｕｓｅ ｔｈｅ ｃｏｎｔｅｘｔｕａ ｌ ｉｎｆｏｒｍ ａｔｉｏｎ ｏｆ ｕｓｅｒ ｃｏｍ ｍｕｎｉｃａｔｉｏｎ．ｔｈｅｒｅｂｙ ｔｈｅ ｒｅｃｏｍ ｍ ｅｎｄｅｄ ａｃｃｕｒａｃｙ ｉＳ ｆｕｒ— ｔｈｅｒ ｃｏｎｓｔｒａｉｎｅｄ．Ａ ｉｍ ｉｎｇ ａｔ ｔｈｅ ｓｈｏｒｔｃｏｍ ｉｎｇｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍ ｍ ｅｎｄａｔｉｏｎ ａｌ ｇｏｒｉｔｈｍ ，ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｉｔ ｆｕｓｅｓ ｃｏｍ ｍ ｕｎｉｃａｔ ｉｏｎ ｃｏｎｔｅｘｔｕａ ｌ ｉｎｆｏｒｍ ａｔｉｏｎ ｉｎｔｏ ｔｈｅ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ，ａｎｄ ｉｎｔｒｏｄｕｃｅｓ ｔｈｒｅｅ ｔｙｐｅｓ ｔｒｕｓｔ ｉｎｃｌｕｄｉｎｇ ｃｏｍ ｍ ｕｎｉｃａｔｉｏｎ ｔｒｕｓｔ，ｓｉｍ ｉｌａｒｉｔｙ ｔｒｕｓｔ ａｎｄ ｔｒａｎｓｍ ｉｓｓｉｏｎ ｔｒｕｓｔ，ａｎｄ ａ ｔｒｕ ｓｔ－－ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆ ｉｌｔｅｒ ｉｎｇ ｒｅｃｏｍ － ｍ ｅｎｄａｔｉｏｎ ｍ ｏｄｅｌ ｉｓ ａｌｓｏ ｐｒｏｐｏｓｅｄ．Ｅｘｐｅｒｉｍ ｅｎｔｓ ｏｎ ｔｈｅ ｐｕｂｌｉｃ ｄａｔａｓｅｔ ｄｅｍ ｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｒｅｃｏｍ ｍ ｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｕｔ －－ ｐｅｒｆｏｒｍ ｓ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ａｌｇｏｒｉｔｈｍ ． Ｋ ｅｙ ｗｏｒｄｓ：ｃｏｌｌａｂｏｒａｔｉｖｅ ｆ ｉｌｔｅｒ ｉｎｇ；ｔｒｕｓｔ：ｒｅｃｏｍ ｍ ｅｎｄａｔｉｏｎ；ｍ ｏｂｉｌｅ ｃｏｍ ｍ ｕｎｉｃａｔｉｏｎ
一种基于信任度和专家用户的协同过滤推荐方法[发明专利]
![一种基于信任度和专家用户的协同过滤推荐方法[发明专利]](https://img.taocdn.com/s3/m/3595a615c8d376eeafaa318d.png)
专利名称：一种基于信任度和专家用户的协同过滤推荐方法专利类型：发明专利
发明人：段振春,徐蔚鸿,陈沅涛,丁林,蔡周沁雄,刘燚
申请号：CN202010004435.9
申请日：20200103
公开号：CN111198991A
公开日：
20200526
专利内容由知识产权出版社提供
摘要：本发明提出了一种基于信任度和专家用户的协同过滤推荐方法。
涉及推荐方法领域，该方法将评分信息、信任信息和专家用户集成到推荐模型中，减少了数据稀疏性和冷启动问题。
信任值通过用户相似度和评分物品相关度计算获得；专家用户通过全局信任度、活跃性、评分差异性来选取；将专家填充到信任列表中，扩充信任关系，缓解其稀疏性和冷启动问题；用信任值代替二值信任关系，有效的提高推荐系统的准确度。
经实验验证，该方法在评价指标(MAE和RMSE)上优于现有社会化推荐算法。
申请人：长沙理工大学
地址：410114 湖南省长沙市万家丽路南段960号
国籍：CN
更多信息请下载全文后查看。
一种基于多元社交信任的协同过滤推荐算法
一种基于多元社交信任的协同过滤推荐算法王瑞琴;蒋云良;李一啸;楼俊钢【期刊名称】《计算机研究与发展》【年(卷),期】2016(053)006【摘要】协同过滤推荐是当前最成功的个性化推荐技术之一，但是传统的协同过滤推荐算法普遍存在推荐性能低和抗攻击能力弱的问题．针对以上问题，提出了一种基于多元化社交信任的协同过滤推荐算法CF‐CRIS （collaborative filtering based on credibility ，reliability ，intimacy and self‐orientation）．1）借鉴社会心理学中的信任产生原理，提出基于多个信任要素（可信度、可靠度、亲密度、自我意识导向）的信任度计算方法；2）深入研究社交网络环境中各信任要素的识别、提取和量化方法；3）基于用户间的综合信任度选取可信邻居，完成对目标用户的个性化推荐．基于通用测试数据集的实验研究结果表明：该算法不但可以极大地提高推荐系统的精确度和召回率，而且表现出良好的抗攻击能力．%Collaborative filtering (CF) is one of the most successful recommendation technologies in the personalized recommendation systems .It can recommend products or information for target user according to the preference information of similar users .However the traditional collaborative filtering algorithms have the disadvantages of low recommendation efficiency and weak capacity of attack ‐resistance .In order to solve the above problems ,a novel collaborative filtering algorithm based on social trusts is proposed .Firstly ,referring to the trust generation principle in social psychology ,a social trust computation method based onmultiple trust elements is presented .In social networking environment , trust elements mainly include credibility , reliability , intimacy and self‐orientation . Then specific methods of identifying ,extraction and quantification of the trust elements are studied in depth .Finally ,the trustworthy neighbors of target user are selected in accordance with the social trust ,so as to make trust‐based collaborative recommendation .Using the FilmTrust and Epinions as test data sets ,the performance of the novel algorithm is compared with that of the traditional CF and the‐state‐of‐art methods ,as well as the CF based on single trust element .Experimental results show that compared with the other methods ,the proposed algorithm not only improves the recommendation precision and recall ,but also has powerful attack‐resistance capacity .【总页数】11页(P1389-1399)【作者】王瑞琴;蒋云良;李一啸;楼俊钢【作者单位】湖州师范学院信息工程学院浙江湖州 313000;湖州师范学院信息工程学院浙江湖州 313000;浙江财经大学信息管理与工程学院杭州 310018;湖州师范学院信息工程学院浙江湖州 313000【正文语种】中文【中图分类】TP391【相关文献】1.一种基于用户信任机制的个性化协同过滤推荐算法研究 [J], 李明明;马萍萍;代绍庆2.一种改进专家信任的协同过滤推荐算法 [J], 王建芳;刘冉东;谷振鹏;刘永利3.基于社交关系和条件补全的协同过滤推荐算法 [J], 张为民;李坷露;李永丽4.基于多关系社交网络的协同过滤推荐算法 [J], 宾晟; 孙更新5.基于社交网络能量扩散的协同过滤推荐算法 [J], 任永功;王瑞霞;张志鹏因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1. 引言
随着 Facebook、Twitter、微博等社交媒体或平台的出现，信息量急速增长，用户在海量信息中很难 找到真正中意的商品。与此同时，在现实社会化商务平台中常出现“诈骗用户”、“广告用户”等一系 列恶意用户，然而，在已有的社会化信任推荐研究中，通常直接将社交关注关系表达为社会化信任关系， 但是并非存在社交关注关系就代表用户值得信任。其次，在庞大的社会化网络中，社交关注数据同样会 出现极度稀疏的情况，这将导致构造出的社会化信任关ommerce, Social Attention Matrix, Collaborative Filtering Recommendation, Pre-Filling, Personal Reliability, Mutual Identify Reliability
2.2. 国内研究现状
国内对信任推荐的相关研究中，出现较早的是唐文等人提出的一种公开网络环境下的信任管理模型 [16]。陈婷等[17]提出一种融合社交信息的推荐新方法 Trust-PMF，融合由评分数据产生的相似度和由信 任关系信息产生的信任度构建用户的偏好模型生成邻居，再综合目标用户自身的偏好和邻居用户对其评 分的影响预测评分。潘一腾等[18]在社会化推荐算法 SocialMF 的基础上，提出一种基于信任关系隐含相 似度的推荐算法，综合考虑了评分相似和信任关系隐含相似对每组用户之间信任度的影响，得到了更精 确的信任度量和推荐模型。王瑞琴等[19]借鉴社会心理学中的信任产生原理，综合考虑多种信任要素在社 交信任度量中的作用，提出一种基于多元社交信任的协同过滤推荐算法 CF-CRIS。王占等[20]提出基于 信任与用户兴趣变化的协同过滤改进方法，该方法将信任引入到传统协同过滤算法中，构建用户信任模 型，用信任的传递特性为用户匹配更多邻居用户，从而可以在一定程度上缓解数据稀疏性等问题。吴应 良等[21]提出基于社会网络分析的协同过滤推荐算法，利用网络中存在的信任关系健壮原先的推荐技术， 新算法的核心是利用用户间邻接矩阵得到直接信任关系，进一步应用凝聚子群分析方法，根据成员间的 可达性和捷径距离找出子群成员得到间接信任关系，摆脱单纯依赖直接信任关系，形成用户综合信任网 络，并融入到协同过滤算法中。杜巍等[22]提出基于个性化情景的移动商务信任推荐模型，该模型首先通 过挖掘训练集为每个用户找出对其信息需求影响最大的 K 个情景要素，在此基础上融合社会网络与信任 机制，分别构建基于个性化情景的移动商务富信任信息推荐模型及基于个性化情景的移动商务稀疏信任 信息推荐模型。陈梅梅等[23]提出一种基于标签簇的多构面信任关系定义的方法，在标签聚类得到的标签 簇基础上，引用 TF-IDF 思想及 Pearson 相似度定义簇间和簇内信任关系，构建有利于反映不同构面信任 强度的信任张量，并融入基于张量分解模型的个性化推荐算法中。薛福亮等[24]通过筛选信任用户作为相
关键词
社会化商务，社会关注矩阵，协同过滤推荐，预填充，个人可信度评分，互鉴可信度评分
Copyright © 2019 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
Received: Apr. 16th, 2019; accepted: Apr. 30th, 2019; published: May 7th, 2019
Abstract
Trust relationship in the social business environment has a profound impact on consumers' purchase behavior and decision-making, and has become an important factor to support the development of online business activities. Collaborative filtering recommendation algorithm based on user history evaluation data usually faces the problem of data sparseness; that is, the sparse rating data leads to the decline of recommendation quality. In order to solve this problem, the combination of auxiliary data has become an inevitable trend. Therefore, with the development of social media, trust-based social recommendation algorithm has been proved to be an effective solution. However, most of the current algorithms directly use the binary trust relationship of the social network to improve the recommendation quality, without considering the difference in the trust strength of the user for each friend. In order to improve the accuracy of social recommendation algorithm, this paper calculates personal reliability and mutual identify reliability based on social data, and quantifies the social attention matrix based on mutual identify reliability and alleviates the data sparsity problem based on the idea of score matrix pre-filling. The experiment and analysis results based on the real data set of public comments show that the new collaborative filtering recommendation model and algorithm proposed in this paper further improve the recommendation accuracy.
文章引用: 吴应良, 黄开梅, 姚怀栋. 一种基于社会化信任的改进的协同过滤推荐模型和方法[J]. 电子商务评论, 2019, 8(2): 63-73. DOI: 10.12677/ecl.2019.82008
吴应良 等
一种基于社会化信任的改进的协同过滤推荐模 型和方法
吴应良1,2，黄开梅1，姚怀栋3
1华南理工大学经济与贸易学院电子商务系，广东 广州 2华南理工大学现代服务业研究院商务智能研究中心，广东 广州 3上海浦东发展银行海口分行，海南 海口
收稿日期：2019年4月16日；录用日期：2019年4月30日；发布日期：2019年5月7日
摘要
社会化商务环境中的信任关系深刻地影响着消费者的购买行为与决策，成为了支撑网络商务活动开展的 重要因素。基于用户历史评价数据，协同过滤推荐算法通常面临着数据稀疏的问题，即评分数据过于稀 疏导致推荐质量下降。为了解决这一问题，结合辅助数据成为一种必然的趋势。因此，随着社交媒体的 发展，基于信任关系的社会化推荐算法被证明为一种有效的解决方法。然而，目前大部分算法直接利用 社交网络的二值信任关系来提高推荐质量，没有考虑用户对每个好友信任强度的差异。为了提高社会化 推荐算法的准确性，本文以社交数据为基础，计算用户个人可信度评分和互鉴可信度评分，并基于可信 评分对社交关注矩阵进行可信量化，以及基于评分矩阵预填充的思想来缓解数据稀疏性问题。基于大众 点评真实数据集的实验与分析结果表明，本文提出的新的协同过滤推荐模型与算法，进一步提高了推荐 精度。
An Improved Collaborative Filtering Recommendation Model and Method Based on Social Trust
Yingliang Wu1,2, Kaimei Huang1, Huaidong Yao3
1Department of Electronic Business, School of Economics and Commerce, South China University of Technology, Guangzhou Guangdong 2Business Intelligence Research Center, Institute of Modern Services, South China University of Technology, Guangzhou Guangdong 3Haikou Branch of Shanghai Pudong Development Bank, Haikou Hainan
E-Commerce Letters 电子商务评论, 2019, 8(2), 63-73 Published Online May 2019 in Hans. /journal/ecl https:///10.12677/ecl.2019.82008
在社会化商务环境下，用户频繁的社交行为和交易活动产生了丰富的社交数据。用户在社交上的关 注关系能在一定程度上反映了用户之间的社会化信任关系。基于这种社会化关系进行推荐，不但能缓解