基于隱式用戶行為的推薦系統(tǒng)研究

盧　軍，張?zhí)旆?/p>

(1.湖北工程學(xué)院 計(jì)算機(jī)與信息科學(xué)學(xué)院，湖北 孝感 432000;2.湖北工程學(xué)院 新技術(shù)學(xué)院，湖北 孝感 432000；3.西北工業(yè)大學(xué) 自動(dòng)化學(xué)院，陜西 西安 710072)

基于隱式用戶行為的推薦系統(tǒng)研究

盧軍1，張?zhí)旆?，3

(1.湖北工程學(xué)院 計(jì)算機(jī)與信息科學(xué)學(xué)院，湖北 孝感 432000;2.湖北工程學(xué)院 新技術(shù)學(xué)院，湖北 孝感 432000；3.西北工業(yè)大學(xué) 自動(dòng)化學(xué)院，陜西 西安 710072)

摘要：在現(xiàn)實(shí)生活中，用戶經(jīng)常在無(wú)意識(shí)中被周圍的人或朋友的行為所影響，這種受群體行為影響的現(xiàn)象在社交網(wǎng)絡(luò)系統(tǒng)中也得到體現(xiàn)，因此可以通過(guò)其相關(guān)用戶的選擇和行為構(gòu)建推薦系統(tǒng)。提出一種通過(guò)挖掘相關(guān)用戶的評(píng)價(jià)信息來(lái)構(gòu)建輸入數(shù)據(jù)的隱式推薦系統(tǒng)，該系統(tǒng)包括三個(gè)部分：首先根據(jù)交際活動(dòng)評(píng)估用戶之間的隱式信任度；然后通過(guò)評(píng)論獲取語(yǔ)料的情緒關(guān)鍵詞推斷用戶情緒等級(jí)；最后利用機(jī)器學(xué)習(xí)和回歸算法識(shí)別情緒等級(jí)和用戶之間信任度的影響程度，并由此給出推薦意見。通過(guò)對(duì)微博用戶評(píng)論數(shù)據(jù)的分析，驗(yàn)證了算法的有效性，表明提出的算法能夠正確反映隱式信任度和用戶情緒，從而為決策推薦系統(tǒng)提供支持。

關(guān)鍵詞：推薦系統(tǒng)；隱式社會(huì)關(guān)系；信任度；用戶情緒；支持向量機(jī)

當(dāng)前，隨著社交網(wǎng)絡(luò)中大量用戶加入互動(dòng)，用戶間的關(guān)系呈現(xiàn)幾何級(jí)增長(zhǎng)，這樣導(dǎo)致了兩個(gè)突出的問(wèn)題：用戶感興趣的內(nèi)容具有大量的可替代品，用戶難以選擇；內(nèi)容提供方如何為用戶提供個(gè)性化的服務(wù)。當(dāng)前，典型的推薦系統(tǒng)主要分為兩類：協(xié)同過(guò)濾(Collaborative Filtering，CF)推薦系統(tǒng)和基于內(nèi)容(Content-based, CB)的推薦系統(tǒng)[1]。CF使用量化的用戶評(píng)級(jí)記錄(如典型的淘寶評(píng)價(jià)模式)和分析用戶評(píng)價(jià)，找到用戶間的相似性，從而根據(jù)興趣模式相近的原則為用戶進(jìn)行推薦[2]。而CB則使用了反向觀點(diǎn)，即用戶以前沒(méi)有經(jīng)歷過(guò)的就是用戶未來(lái)可能感興趣的。

在近年的研究中，研究人員建議引入用戶之間的信任關(guān)系改善RS[3]。文獻(xiàn)[4]提出了使用自然語(yǔ)言處理技術(shù)來(lái)進(jìn)一步量化用戶評(píng)論的方法。而用戶之間的信任關(guān)系和情緒是一種隱式社會(huì)關(guān)系，而且傳統(tǒng)RS系統(tǒng)中評(píng)價(jià)信息是稀疏的，評(píng)價(jià)行為非常有限，這會(huì)對(duì)CF和CB算法的有效性產(chǎn)生影響[5]。由于新用戶沒(méi)有歷史行為記錄和評(píng)價(jià)，因此傳統(tǒng)的CF存在冷啟動(dòng)問(wèn)題[6]。

本文提出了一種新的方法，即基于新用戶在其他社會(huì)系統(tǒng)(如微博)中的社會(huì)關(guān)系，為其在新系統(tǒng)中進(jìn)行推薦。在這種基于社會(huì)信任增強(qiáng)的RS中，假設(shè)用戶在系統(tǒng)中是朋友關(guān)系，因?yàn)樗麄兺ㄟ^(guò)社交平臺(tái)進(jìn)行了交流，但這并不能準(zhǔn)確地反映現(xiàn)實(shí)世界中的實(shí)際社會(huì)關(guān)系[7]，這會(huì)導(dǎo)致一個(gè)問(wèn)題，即使用戶在網(wǎng)上的評(píng)價(jià)具有相似之處，但在現(xiàn)實(shí)世界中他們的行為可能完全不同，因此也就難以進(jìn)行個(gè)性化推薦。此外，根據(jù)較短的評(píng)論所提取的詞頻可能并不是最合適的，而結(jié)構(gòu)化的長(zhǎng)評(píng)價(jià)(如典型的LibQUAL+)方式能夠獲得多維度的信息，不僅能夠獲取用戶的喜好信息，還可能提取用戶的情緒信息[8]。在短評(píng)價(jià)和非結(jié)構(gòu)化語(yǔ)言中進(jìn)行用戶情緒分析與量化是本文所提出的具有挑戰(zhàn)性的問(wèn)題之一。

本文的目標(biāo)是要解決上述不足，建立一種推薦系統(tǒng)模型，即便是在沒(méi)有歷史評(píng)價(jià)等信息的情況下可以通過(guò)在線社交網(wǎng)絡(luò)獲得用戶的喜好。本文提出了一種基于RS的隱式社會(huì)信任和用戶度[9-10]情緒的量化評(píng)價(jià)方法，該方法能夠通過(guò)活動(dòng)用戶和他的朋友之間的信任級(jí)別揭示對(duì)相關(guān)產(chǎn)品的情緒化程度，即偏好程度[11]，從而改善現(xiàn)有的RS系統(tǒng)的性能。

1網(wǎng)絡(luò)社交平臺(tái)：微博

國(guó)內(nèi)的在線社交網(wǎng)絡(luò)的霸主是微博，是一種通過(guò)關(guān)注機(jī)制分享簡(jiǎn)短實(shí)時(shí)信息的廣播式社交網(wǎng)絡(luò)平臺(tái)。國(guó)外最早最成熟的是2006年創(chuàng)建的Twitter，而國(guó)內(nèi)主要以2009年的新浪微博為主，截至2013年，新浪微博注冊(cè)用戶達(dá)到5.36億[12]。與傳統(tǒng)的博客、網(wǎng)站評(píng)論系統(tǒng)不同，微博有140個(gè)字的長(zhǎng)度限制，但具有發(fā)布速度快、傳播范圍廣的優(yōu)點(diǎn)。與Twitter一樣，微博采用的是“背對(duì)臉”交流模式，用戶可以關(guān)注另一些用戶，當(dāng)然也可能被另外其他用戶所關(guān)注，這樣用戶可以根據(jù)自己的興趣偏好自由選擇關(guān)注對(duì)象，且關(guān)注者的質(zhì)量和內(nèi)容質(zhì)量之間是存在正比關(guān)系。

由于微博用戶量龐大，涉及很多興趣領(lǐng)域的內(nèi)容，因此筆者在其基礎(chǔ)上開展推薦系統(tǒng)研究。信任是一個(gè)用戶與另一個(gè)用戶之間一種隱式、主觀和模糊的感覺(jué)，要對(duì)其進(jìn)行量化就需要從多角度評(píng)價(jià)用戶當(dāng)時(shí)的情緒。為了收集微博信息，本文使用網(wǎng)絡(luò)爬蟲來(lái)獲取在線社交網(wǎng)絡(luò)中的數(shù)據(jù)。

2隱式推薦系統(tǒng)的系統(tǒng)框架

本文研究在線社交網(wǎng)絡(luò)中朋友對(duì)產(chǎn)品購(gòu)買行為的影響。具體來(lái)說(shuō)，用戶會(huì)傾向于從可信的朋友那里選擇產(chǎn)品或服務(wù)信息。分析朋友的選擇和他們對(duì)產(chǎn)品的滿意程度，以及還有朋友們寫下的心情等信息，從而進(jìn)行推薦。

在線社交網(wǎng)絡(luò)提供了便捷的交流平臺(tái)，允許朋友實(shí)時(shí)生成和發(fā)布他們對(duì)現(xiàn)實(shí)世界的看法，當(dāng)然也包括當(dāng)時(shí)的心情如圖1所示。

圖1　社交網(wǎng)絡(luò)中典型的信息交互過(guò)程

圖1中活動(dòng)用戶提供有趣的選擇，這個(gè)用戶可能從他的朋友的評(píng)論中發(fā)現(xiàn)感興趣的內(nèi)容或相關(guān)信息。以電影為例，朋友A和B分別推薦“瘋狂動(dòng)物城”和“美人魚”，但由于與A、B的信任度不同，系統(tǒng)可能傾向推薦“瘋狂動(dòng)物城”而不是“美人魚”，主要原因是A的信任度更高一些。

另一個(gè)挑戰(zhàn)是分析在線社交網(wǎng)絡(luò)中的用戶情緒對(duì)信任度的影響，例如與朋友A的信任度較低，但A表現(xiàn)出較高的積極性看法，而與B具有更強(qiáng)的信任度，但存在一定負(fù)面性情緒，此時(shí)如何從A和B中選擇就成為一個(gè)難點(diǎn)。本文更傾向于使用信任度高的朋友的意見。系統(tǒng)總體框架圖如圖2所示。

圖2　系統(tǒng)總體框架圖

首先使用爬蟲對(duì)微博進(jìn)行提取，以備實(shí)驗(yàn)分析用；然后收集、過(guò)濾所需數(shù)據(jù)，利用情感分析技術(shù)分析用戶評(píng)價(jià)信息包含的情感傾向，并結(jié)合信任評(píng)級(jí)構(gòu)建推薦系統(tǒng)模型。

2.1隱式社會(huì)信任關(guān)系

典型的信任模型主要基于兩點(diǎn)：分析用戶對(duì)某些項(xiàng)目之間的共同評(píng)價(jià)和用戶對(duì)他人的直接信任評(píng)價(jià)。但是對(duì)其中一些項(xiàng)目的評(píng)價(jià)并不一定適合于其他項(xiàng)目。例如，有兩個(gè)用戶A和B，由于他們都喜歡驚悚片，A向B提供了信任分?jǐn)?shù)，但不能保證B在選擇動(dòng)作片時(shí)的信任分?jǐn)?shù)還可以提供給A?；谛湃卧u(píng)價(jià)的RS系統(tǒng)根據(jù)B的喜好向A提供建議與評(píng)級(jí)，但是用戶A可以完全不在乎這些建議。

為了更有效地獲得信任度量，可以采用如下方法：人們傾向于向他們的親戚和朋友獲得新的體驗(yàn)，即使他們有不同的愛(ài)好。因此，受到多樣性社會(huì)關(guān)系的影響，人們的喜好呈現(xiàn)多樣化發(fā)展。從這種信任視角出發(fā)，RS的新用戶可能獲得如下好處：基于信任度模型所信任的人可能會(huì)影響新用戶的選擇，能夠比在線社交網(wǎng)絡(luò)中匿名的人提供更好的選擇。相比較而言，被基于建議的信任度模型所信任的用戶比那些在線社交網(wǎng)絡(luò)中匿名的人能提供更好的選擇，因?yàn)檫@是一種基于信任的RS行為。

微博平臺(tái)中轉(zhuǎn)發(fā)行為意味著用戶將某條他/她感興趣的內(nèi)容轉(zhuǎn)發(fā)給他/她的朋友，表示為RT。假設(shè)用戶u和他的朋友圈F中一個(gè)朋友f之間的關(guān)系表示為f∈F。而微博好友列表中有兩類人：關(guān)注“我”的人和“我”關(guān)注的人。有一大批追隨者的人一定很關(guān)心他們的意見以及評(píng)論的內(nèi)容(正面的或負(fù)面的)。因此，追隨者較多的用戶可能因他的朋友的評(píng)價(jià)獲得更多的信任。關(guān)注者和被關(guān)注者之間的比例定義為L(zhǎng)，因此有：

(1)

式中：RTu，f是給定時(shí)間內(nèi)由u給朋友f轉(zhuǎn)發(fā)的數(shù)量，RTu，F(xiàn)是給所有朋友發(fā)送的數(shù)量。因此L可以表示為：

(2)

式中：Listin是關(guān)注“我”的人數(shù)量，Listout是“我”關(guān)注的數(shù)量。用戶u和f之間的關(guān)系可由L表達(dá)。因此，信任度可由RT和L兩個(gè)因素的歸一化均值表達(dá)，即為：

(3)

(4)

利用上式，可以檢測(cè)u和f在時(shí)間T內(nèi)各個(gè)時(shí)段的信任度如下：

(5)

式中：trustu，f是u和f在時(shí)間T內(nèi)的總信任度。

2.2用戶情緒分析

在本研究中，主要關(guān)注在線社交網(wǎng)絡(luò)中較短的評(píng)論。如同現(xiàn)實(shí)世界人們所做的一樣，人們?cè)谖⒉┥险髟兣笥训囊庖娨赃x擇感興趣的內(nèi)容。從微博中提取用戶情緒是具有挑戰(zhàn)性的，因?yàn)榕c標(biāo)準(zhǔn)的長(zhǎng)點(diǎn)評(píng)相比，微博中包含更多的短語(yǔ)和非正式的語(yǔ)言，微博被用戶用來(lái)分享他們生活中的點(diǎn)點(diǎn)滴滴，如新聞、愛(ài)好和八卦等，一個(gè)內(nèi)容中可能同時(shí)包含多個(gè)不相關(guān)的內(nèi)容。

(6)

(7)

(8)

(9)

(10)

(11)

這樣將SR分配到sc時(shí)，可能介于C中的相鄰分類之間，如SR的預(yù)測(cè)值可能是1.25。

3項(xiàng)目推理評(píng)分

(12)

(13)

準(zhǔn)備好上述條件后，可以使用三種典型的機(jī)器學(xué)習(xí)模型用求解未知函數(shù)g，其輸出結(jié)果為評(píng)分的預(yù)測(cè)值。

4實(shí)驗(yàn)與分析

4.1數(shù)據(jù)集的獲取

實(shí)驗(yàn)樣本數(shù)據(jù)集必須包含朋友發(fā)布的內(nèi)容、評(píng)論以及其他交流數(shù)據(jù)。為此，本文在網(wǎng)絡(luò)爬蟲的基礎(chǔ)上進(jìn)行了二次開發(fā)以符合研究需要，該部分算法偽代碼如下：

Input 選擇電影內(nèi)容

output：相關(guān)主題和評(píng)論包括作者id

for 電影ido

if 相關(guān)主題和評(píng)論被找到 then

獲取該主題/評(píng)論的作者idi

if idi不是名人/商業(yè)帳號(hào) then

存儲(chǔ)主題/評(píng)論+idi

end if

end if

end for

社會(huì)關(guān)系數(shù)據(jù)集(SRD)的統(tǒng)計(jì)清單如表1所示。

表1　社會(huì)關(guān)系數(shù)據(jù)集統(tǒng)計(jì)清單

原始測(cè)試樣本參考MovieLens，對(duì)微博上2016年1～3月熱門電影數(shù)據(jù)進(jìn)行了提取，并按照MovieLens數(shù)據(jù)格式進(jìn)行重組。通過(guò)將電影名作為關(guān)鍵詞進(jìn)行過(guò)濾，將用戶劃分為若干個(gè)群通過(guò)用戶ID構(gòu)建其朋友圈，在此基礎(chǔ)上進(jìn)行信任度量。下面是收集數(shù)據(jù)并進(jìn)行過(guò)濾的偽代碼：

Input 內(nèi)容相關(guān)的用戶id

Output 所有idi和朋友fi的回復(fù)/評(píng)論

while idi沒(méi)有受到保護(hù)或是公開的 do

根據(jù)idi獲取朋友列表

Fin←根據(jù)idi獲取所有關(guān)注者列表

Fou←根據(jù)idi獲取關(guān)注對(duì)象列表

while fi在idi的朋友列表 do

if fi沒(méi)有受到保護(hù)或公開的 then

for fi在時(shí)間段內(nèi)的所有內(nèi)容 do

if 內(nèi)容可以訪問(wèn)/有效的 then

if 內(nèi)容是一條回復(fù) then

RT++

end if

if 內(nèi)容的作者id=idithen

rt++

end if

end if

end for

存儲(chǔ)RT，rt，F(xiàn)in，F(xiàn)out

end while

獲取下一個(gè)idi

end while

另外，為了對(duì)收集的信息進(jìn)行正確的評(píng)價(jià)，本文使用三種不同的標(biāo)注器，并且只保留那些每日更新數(shù)量在10條以上的活動(dòng)用戶信息。

相關(guān)系數(shù)結(jié)果表明，標(biāo)注1～2之間的相關(guān)性是0.4；2～3之間是0.4；1～3之間是0.5，相關(guān)結(jié)果的平均值為0.44。超出這種關(guān)聯(lián)性評(píng)價(jià)結(jié)果和評(píng)價(jià)在理論上表示人們的喜好或社交偏好，但在現(xiàn)實(shí)世界不太可能出現(xiàn)這樣強(qiáng)烈的意見或關(guān)系。

4.2回歸算法對(duì)比測(cè)試

使用三種不同的回歸算法進(jìn)行測(cè)試，并使用精度度量來(lái)指示三種算法在該測(cè)試集上的預(yù)測(cè)性能。在實(shí)驗(yàn)中，將數(shù)據(jù)集隨機(jī)分割成五個(gè)非重疊的區(qū)域，然后分別對(duì)這五個(gè)區(qū)域進(jìn)行測(cè)試，每個(gè)區(qū)域的測(cè)試結(jié)果用于對(duì)另外四個(gè)區(qū)域的數(shù)據(jù)進(jìn)行交叉驗(yàn)證。使用絕對(duì)平均誤差(Mean Absolute Error，MAE)來(lái)評(píng)價(jià)推薦算法的有效性，MAE定義為：

(14)

(15)

三種回歸算法的測(cè)試結(jié)果如表2所示。

表2　三種回歸算法結(jié)果比較

由表2結(jié)果可知，SVR的準(zhǔn)確度要高于另外兩種算法，誤差率最低，因此在后續(xù)的測(cè)試中主要以SVR作為本文改進(jìn)算法的測(cè)試基準(zhǔn)。

4.3多種推薦算法多尺度橫向?qū)Ρ?/p>

在進(jìn)一步測(cè)試中，選擇另外幾種典型的推薦算法進(jìn)行對(duì)比測(cè)試，分別是項(xiàng)目平均得分基準(zhǔn)(Item Average Score baseline，IAS)、占主導(dǎo)地位的得分基準(zhǔn)(Most Dominated Score baseline，MDS)、基于信任的加權(quán)平均法(Trust-based weighted mean，TBWM)、基于信任的協(xié)同過(guò)濾算法(Trust-based collaborative filtering，TBCF)和基于概率多點(diǎn)評(píng)價(jià)推薦算法(Probabilistic-based with multi-point，PBMP)。

為了更好的進(jìn)行評(píng)價(jià)，在對(duì)比測(cè)試中考慮不同朋友數(shù)量對(duì)推薦結(jié)果的影響，以模擬推薦系統(tǒng)是否能有效根據(jù)朋友圈為一個(gè)新用戶推薦一組項(xiàng)目。假設(shè)存在12名新用戶，從數(shù)據(jù)集SD中抽取若干名用戶形成朋友列表，然后分配給每個(gè)用戶，則新用戶與這些朋友構(gòu)成了一個(gè)密切溝通的群體。具有10個(gè)好友的數(shù)據(jù)集的對(duì)比測(cè)試結(jié)果如表3所示。

表3　幾種算法MAE對(duì)比

表3結(jié)果表明，本文算法IUBRS具有最低的MAE值0.352，而基于傳統(tǒng)的協(xié)同過(guò)濾算法TBCF的MAE達(dá)到了1.632，原因在于TBCF沒(méi)有考慮用戶歷史評(píng)價(jià)對(duì)預(yù)測(cè)結(jié)果的影響。

然后分別測(cè)試了好友數(shù)量為3、7和11的預(yù)測(cè)正確率和系統(tǒng)性能，結(jié)果分別如圖3和圖4所示?？煽闯霰疚乃惴ň哂休^好的性能和較低的錯(cuò)誤率。

圖3　不同朋友數(shù)量的MAE對(duì)比

5總結(jié)

本文研究了在線社交網(wǎng)絡(luò)中典型的推薦系統(tǒng)和協(xié)同過(guò)濾系統(tǒng)，在該基礎(chǔ)上通過(guò)挖掘微博評(píng)論數(shù)據(jù)分析用戶之間的隱式社會(huì)關(guān)系，并對(duì)該關(guān)系進(jìn)行信任度量，構(gòu)建一種增強(qiáng)的信任度推薦系統(tǒng)模型，同時(shí)基于概率方法和多點(diǎn)特征提取研究用戶情緒，以進(jìn)一步提高預(yù)測(cè)準(zhǔn)確程度。測(cè)試結(jié)果表明，基于SVR的機(jī)器學(xué)習(xí)算法能獲得最好的性能，并且在多種條件下具有較低的錯(cuò)誤率。

圖4　稀疏信息矩陣中的性能比較

[參考文獻(xiàn)]

[1]Adomavicius, Tuzhilin A.Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering,2005,17(6), 734-749.

[2]劉淇.基于用戶興趣建模的推薦方法及應(yīng)用研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué),2013.

[3]秦繼偉,鄭慶華,鄭德立,等.結(jié)合評(píng)分和信任的協(xié)同推薦算法[J].西安交通大學(xué)學(xué)報(bào), 2013, 47(4):100-104.

[4]董小妹.大數(shù)據(jù)環(huán)境下基于本體的協(xié)同過(guò)濾推薦算法改進(jìn)研究[D].南京:南京工業(yè)大學(xué),2013.

[5]姜維,龐秀麗.面向數(shù)據(jù)稀疏問(wèn)題的個(gè)性化組合推薦研究[J].計(jì)算機(jī)工程與應(yīng)用, 2012, 48(21):21-25.

[6]于洪,李俊華.一種解決新項(xiàng)目冷啟動(dòng)問(wèn)題的推薦算法[J].軟件學(xué)報(bào), 2015, 26(6):1395-1408.

[7]郭磊,馬軍,陳竹敏,等.一種結(jié)合推薦對(duì)象間關(guān)聯(lián)關(guān)系的社會(huì)化推薦算法[J].計(jì)算機(jī)學(xué)報(bào), 2014, 37(1):219-228.

[8]馬慶國(guó),王凱,舒良超.積極情緒對(duì)用戶信息技術(shù)采納意向影響的實(shí)驗(yàn)研究——以電子商務(wù)推薦系統(tǒng)為例[J].科學(xué)學(xué)研究,2009,10:1557-1563.

[9]高涵.微博轉(zhuǎn)發(fā)的從眾心理研究[J].中州大學(xué)學(xué)報(bào),2012,29(3):58-61.

[10]趙玲,張靜.微博用戶的從眾行為特性與影響研究[J].中國(guó)電化教育,2013(9):60-64.

[11]李棟,李偉,鄭志剛.從眾心理引起博弈策略的同步振蕩[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué),2009,6(1):29-35.

[12]微博.[EB/OL].[2016-04-08].http://baike.baidu.com/link?url=wIhU4ViqqJ4pVk8t12jt8av-AKv2t-3k3qlPh3R7utSHyvosBAB81mq4cnEVAIhV8dUaN3MVOoy7YF9mMd1liBN3mmefDkmIiun1fIin5TK.

(責(zé)任編輯：張凱兵)

Research of Recommendation System Based on Implicit User’s Behavior

Lu Jun1， Zhang Tianfan2,3

(1.SchoolofComputerandInformationScience,HubeiEngineeringUniversity,Xiaogan,Hubei432000,China; 2.CollegeofTechnology,HubeiEngineeringUniversity,Xiaogan,Hubei432000,China; 3.SchoolofAutomation,NorthwesternPolytechnicalUniversity,Xi’an,Shaanxi710072,China)

Abstract：Users are often unconsciously influenced by the behavior of their friends because of the group behavior. Recommendation systems can be built through the relevant user’s behavior. By evaluating mining group users’ information to build an implicit recommendation system algorithm, which consists of three parts, including the evaluation of communication activities based on implicit trust between users, obtaining emotional keywords to infer user’ s emotional level with the help of comments and using machine learning and regression algorithm to identify the level of emotion and the influence degree of trust between users and giving recommendations. By means of data analysis of the web-blog users’ comments, this paper verifies the effectiveness of the algorithm and it may exactly reflect the implicit trust and the user mood so as to provide support for the decision recommendation system.

Key Words：recommender system; implicit relationships; trust degree; users’ emotion; SVM

收稿日期：2016-02-08

基金項(xiàng)目：湖北省自然科學(xué)基金項(xiàng)目(2014CFB576)

作者簡(jiǎn)介：盧軍(1975-)，男，湖北孝昌人，湖北工程學(xué)院計(jì)算機(jī)與信息科學(xué)學(xué)院副教授，碩士。

中圖分類號(hào)：TP391.3

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-4824(2016)03-0022-06

張?zhí)旆?1982-)，男，湖北孝感人，湖北工程學(xué)院新技術(shù)學(xué)院講師，西北工業(yè)大學(xué)自動(dòng)化學(xué)院博士研究生。