基于多社交数据源的协同推荐方法研究

doi:10.11959/j.issn.1000-0801.2015113

电信科学 ›› 2015, Vol. 31 ›› Issue (6): 68-74.doi: 10.11959/j.issn.1000-0801.2015113

基于多社交数据源的协同推荐方法研究

王瑞琴¹,潘俊²,李一啸³

¹ 湖州师范学院信息与控制技术研究所湖州 313001
² 温州大学建模与数据挖掘研究所温州 325035
³ 浙江财经大学信息学院杭州 310018

出版日期:2015-07-23 发布日期:2015-08-03
基金资助:
国家自然科学基金资助项目;国家自然科学基金资助项目;国家教育部科学基金资助项目;浙江省自然科学基金资助项目;浙江省科技计划基金资助项目;浙江省科技计划基金资助项目

Research on Collaborative Recommendation Method Based on Multiple Data Sources of Social Network

Ruiqin Wang¹,Jun Pan²,Yixiao Li³

¹ Institute of Information and Control Technology，Huzhou University，Huzhou 313001，China
² Institute of Business Modeling and Data Mining，Wenzhou University，Wenzhou 325035，China
³ School of Information，Zhejiang University of Finance and Economics，Hangzhou 310018，China

Online:2015-07-23 Published:2015-08-03
Supported by:
The National Science Foundation of China;The National Science Foundation of China;Science Foundation of Ministry of Education of China;Zhejiang Provincial Natural Science Foundation;Zhejiang Provincial Technology Program;Zhejiang Provincial Technology Program

摘要/Abstract

摘要：

协同过滤推荐作为一种有效的推荐方法，普遍存在数据稀疏性和冷启动问题，利用社交网络的多项数据源对协同推荐方法进行了改进。为了克服评分矩阵的稀疏性问题，提出结合用户评分相似度和用户信任度选择推荐邻居，同时对用户相似度计算进行了改进；提出了一种简单有效的信任推理方法，能够识别出用户间隐含的间接信任关系，进一步缓解了数据稀疏性问题；为了解决推荐系统的冷启动问题，提出综合利用项目的类型属性信息和领域专家信息进行联合推荐。实验结果表明，提出的改进策略非常有效，在精度和召回率方面都较已有方法具有明显改善。

关键词: 社交网络, 个性化推荐, 信任推理, 多数据源, 领域专家

Abstract:

As an effective recommendation method，collaborative filtering typically has the data sparsity and cold-start problems. It was proposed that using multiple data sources of social network to overcome the above problems. First of a11，both the rating similarity and the social trust between users were considered to resolve the data sparsity problem. Then a simple and effective trust reasoning method was proposed to identify the implicit trust relationship between users. In order to solve the cold-start problem，information of the category of items and domain experts was used for joint recommendation. Experimental results show that the proposed algorithm has significantly better precision and reca11 than existing methods.

Key words: social network, personalized recommendation, trust inference, multiple data source, domain expert

王瑞琴,潘俊,李一啸. 基于多社交数据源的协同推荐方法研究[J]. 电信科学, 2015, 31(6): 68-74.

Ruiqin Wang,Jun Pan,Yixiao Li. Research on Collaborative Recommendation Method Based on Multiple Data Sources of Social Network[J]. Telecommunications Science, 2015, 31(6): 68-74.

图/表 4

参考文献 17

1	徐雅斌，刘超，武装 . 基于用户兴趣和推荐信任域的微博推荐. 电信科学， 2015，31（1）：9～16 Xu Y B ， Liu C ， Wu Z . Micro-blog recommendation based on user interests and recommendation trust domain. Telecommunications Science， 2015，31（1）：9～16
2	Lazer D ， Pentland A S ， Adamic L ， et al. Computational social science. Science， 2009，323（1）：721～723
3	Golbeck J . Weaving a web of trust. Computer Science， 2008，321（5896）：1640～1641
4	Massa P ， Bhattacharjee B . Using trust in recommender systems：an experimental analysis trust management. Lecture Notes in Computer Science， 2004（2995）：221～235
5	Caverlee J ， Liu L ， Webb S . The socialtrust framework for trusted social information management：architecture and algorithms. Information Sciences， 2010，18（1）：95～112
6	Song X D ， Tseng B L ， Lin C Y et al. Proceedings of the ACM SIGIR Conference on Research and Development in Information Retrieval. Seattle，USA， 2006：509～516
7	Gruhl D ， Guha R ， Liben-Nowell D et al. Information diffusion through blogspace. Proceedings of the 13th International World Wide Web Conference， New York，USA， 2004：43～52
8	Rodriguez M G ， Leskovec J ， Krause A . Inferring networks of diffusion and influence. Proceedings of the 16th ACM SIGKDD Conference on Knowledge Discovery and Data Mining， Washington，USA， 2010：1～38
9	Golbeck J A ， Hendler J . Computing and applying trust in web-based social networks（doctor dissertation）. University of Maryland at College Park， 2005
10	Zhang Y ， Chen H J ， Wu Z H . A social network-based trust model for the semantic Web. Proceedings of the Third International Conference on Autonomic and Trusted Computing， Wuhan，China， 2006：183～192
11	Caverlee J ， Liu L ， Webb S . Towards robust trust establishment in web-based social networks with socialtrust. Proceedings of the International Conference on World Wide Web， Beijing，China， 2008：1163～1164
12	刘建国，周涛，郭强等. 个性化推荐系统评价方法综述. 复杂系统与复杂性科学， 2009，6（3）：10～15 Liu J G ， Zhou T ， Guo Q ， et al. Overview of the evaluated algorithms for the personal recommendation systems. Complex Systems and Complexity Science， 2009，6（3）：10～15
13	田立勤，林闯， . 可信网络中一种基于行为信任预测的博弈控机制. 计算机学报， 2007，30（11）：1930～1939 Tian L Q ， Lin C . A kind of game-theoretic control mechanism of user behavior trust based on prediction in trustworthy network. Chinese Journal of Computer， 2007，30（11）：1930～1939
14	陈晶，杜瑞颖，王丽娜等. 网络环境下一种基于概率密度的信任博弈模型. 电子学报， 2010，38（2）：427～433 Chen J ， Du R Y ， Wang L N ， et al. A trust game method basing on probability model in networks. Chinese Journal of Electronics， 2010，38（2）：427～433
15	乔秀全，杨春，李晓峰等. 社交网络服务中一种基于用户上下文的信任度计算方法. 计算机学报， 2011，34（12）：2403～2414 Qiao X Q ， Yang C ， Li X F ， et al. A trust calculating algorithm based on social networking service users’ context. Chinese Journal of Computer， 2011，34（12）：2403～2414
16	邢星 . 社交网络个性化推荐方法研究（硕士学位论文）. 大连海事大学， 2013 Xing X . Research on recommendation methods in social networks（master dissertation）. Dalian Maritime University， 2013
17	Simon M ， Emmanuel G ， Lionel M ， et al. RED：a rich epinions dataset for recommender systems. Tech Report at LIRIS UMR CNRS， 2012

	1-step	2-step	3-step	4-step	5-step	6-step
绝对平均误差	0.69	0.62	0.74	0.88	1.13	1.98
召回率	0.28	0.44	0.45	0.45	0.46	0.46
F1	0.42	0.59	0.58	0.58	0.58	0.52

方法	绝对平均误差	召回率	F1
BASE	2.71	0.94	0.62
CF	0.80	0.16	0.27
TCF	0.54	0.12	0.21
STCF	0.71	0.20	0.32
STCF1	0.69	0.20	0.32
STCF2	0.62	0.44	0.59
STCF3	0.65	0.70	0.78
STCF4	0.66	0.72	0.79

[1]	卢敏, 胡娟, 张先超, 丁伟健, 乐光学. 基于用户多特征融合的个性化推荐模型[J]. 电信科学, 2023, 39(5): 101-115.
[2]	申情, 郭文宾, 楼俊钢, 余强国. 考虑多层次潜在特征的个性化推荐模型[J]. 电信科学, 2022, 38(2): 71-83.
[3]	徐海勇,陶涛,黄岩,唐崔巍,张兆静,吴晶. 基于社交网络分析的流量红包客户挖掘与传播模式[J]. 电信科学, 2020, 36(8): 139-150.
[4]	张科,孙越佳,韩海. 基于协同过滤与社交网络混合算法的客户信用建模及授信方法[J]. 电信科学, 2020, 36(2): 52-60.
[5]	顾秋阳,吴宝,琚春华. 融入词汇共现的社交网络用户情感Biterm主题模型[J]. 电信科学, 2020, 36(11): 47-60.
[6]	顾秋阳,琚春华,吴功兴. 融入用户合作与领导激励的社交网络知识传播模型[J]. 电信科学, 2020, 36(10): 172-182.
[7]	李攀攀,谢正霞,乐光学,马柏林,陈丽,刘建华. SSDHT：基于社交网络的DHT安全增强机制[J]. 电信科学, 2018, 34(11): 10-20.
[8]	马春宇,王军林,王宝旺,甘波华. 个性化推荐助力运营商数字化营销[J]. 电信科学, 2018, 34(1): 174-180.
[9]	王莉,冯志勇,张平. 面向分布式缓存系统的无线资源管理：动机、挑战与方法[J]. 电信科学, 2017, 33(3): 83-94.
[10]	于洪涌,邱晨旭,闻剑峰. IPTV视频个性化推荐方案[J]. 电信科学, 2017, 33(12): 127-135.
[11]	张宁,范崇睿,张岩. 一种基于RFM模型的新型协同过滤个性化推荐算法[J]. 电信科学, 2015, 31(9): 103-111.
[12]	廖建新. 大数据技术的应用现状与展望[J]. 电信科学, 2015, 31(7): 1-12.
[13]	沈士根,黄龙军,胡珂立,李宏杰,韩日昇,曹奇英. 基于微分博弈的在线社交网络恶意程序传播优化控制方法[J]. 电信科学, 2015, 31(10): 66-73.
[14]	亓晋,许斌,胡筱旋,徐匾珈,肖星琳. 基于用户行为认知的在线社交网络协同推荐[J]. 电信科学, 2015, 31(10): 108-114.
[15]	琚春华,黄治移,鲍福光. 融入音乐子人格特质和社交网络行为分析的音乐推荐方法[J]. 电信科学, 2015, 31(10): 115-123.

基于多社交数据源的协同推荐方法研究

Research on Collaborative Recommendation Method Based on Multiple Data Sources of Social Network

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 17

相关文章 15

Metrics

推荐阅读 0