融合云環(huán)境用戶情境興趣的移動(dòng)SNS信任推薦模型

宓 翠，陳 晶，蘇妍嫄，張亞明，劉海鷗

(燕山大學(xué) 經(jīng)濟(jì)管理學(xué)院，互聯(lián)網(wǎng)+與產(chǎn)業(yè)發(fā)展研究中心，河北 秦皇島 066004)

1 引 言

在當(dāng)前的“數(shù)字爆炸時(shí)代”，每18個(gè)月產(chǎn)生的數(shù)字信息相當(dāng)于過(guò)去幾千年數(shù)據(jù)量的總和.世界最大的在線影片租賃服務(wù)商N(yùn)etflix一直致力于不斷改進(jìn)和完善其個(gè)性化推薦服務(wù)，分別于2006、2009年推出兩個(gè)“百萬(wàn)美元計(jì)劃”以提高其推薦引擎的性能，當(dāng)前Netflix又推出了基于海量數(shù)據(jù)進(jìn)行挖掘的個(gè)性化推薦系統(tǒng)，主要用于解決海量數(shù)據(jù)環(huán)境下個(gè)性化推薦所面臨的復(fù)雜信息處理與即時(shí)個(gè)性化服務(wù)問(wèn)題.然而，海量數(shù)據(jù)環(huán)境下移動(dòng)社會(huì)化推薦對(duì)位置的敏感性、緊急性、便攜性決定了移動(dòng)SNS推薦系統(tǒng)須滿足一些特殊要求：對(duì)用戶興趣變化反應(yīng)快、能處理短期興趣、能處理變化很大的項(xiàng)目屬性、社交屬性、情境敏感等，使傳統(tǒng)CF推薦技術(shù)不能直接平移到移動(dòng)SNS中，由此也導(dǎo)致移動(dòng)推薦的情境信息過(guò)載、數(shù)據(jù)稀疏、推薦系統(tǒng)脆弱性與可擴(kuò)展性、推薦結(jié)果多樣性與精確性兩難困境等問(wèn)題遠(yuǎn)遠(yuǎn)沒有得到解決，難以滿足云計(jì)算服務(wù)時(shí)代大規(guī)模、高質(zhì)量和實(shí)時(shí)性的移動(dòng)SNS用戶個(gè)性化服務(wù)需求.

因此，本文在研究中引入云環(huán)境用戶情境興趣信息參量，基于情境興趣與信任關(guān)系雙重視角，提出融合云環(huán)境用戶情境興趣的移動(dòng)SNS信任推薦模型，深入探討由于海量數(shù)據(jù)信息環(huán)境導(dǎo)致的數(shù)據(jù)稀疏與推薦精度下降的問(wèn)題，顯著改善傳統(tǒng)移動(dòng)推薦的實(shí)時(shí)性和服務(wù)質(zhì)量，提高大規(guī)模社交網(wǎng)絡(luò)個(gè)性化挖掘的深度、規(guī)模性和質(zhì)量，從而為用戶提供更為精準(zhǔn)的個(gè)性化服務(wù)，為移動(dòng)社交網(wǎng)絡(luò)提供商和廣大用戶創(chuàng)造價(jià)值，因此具有重要的理論意義與實(shí)際應(yīng)用價(jià)值.

2 相關(guān)工作

云計(jì)算與大數(shù)據(jù)時(shí)代的來(lái)臨以及數(shù)據(jù)密集型科學(xué)研究范式的興起使“數(shù)據(jù)稀疏性”問(wèn)題備受關(guān)注[1].由于融合了社會(huì)化網(wǎng)絡(luò)和個(gè)性化用戶偏好信息，社會(huì)化信任推薦有效提升了傳統(tǒng)推薦的精確度、冷啟動(dòng)、稀疏性與穩(wěn)定性等[2].如國(guó)外學(xué)者Kant Vibhor(2013)[3]在研究推薦系統(tǒng)的數(shù)據(jù)稀疏性問(wèn)題時(shí)，將用戶間的信任關(guān)系引入到協(xié)同過(guò)濾推薦模型的構(gòu)建中，以此來(lái)提高推薦的精度；學(xué)者Sohn Jongsoo(2015)[4]對(duì)原先基于內(nèi)容的CF推薦模型進(jìn)行優(yōu)化，有效緩解了推薦系統(tǒng)數(shù)據(jù)庫(kù)的冷啟動(dòng)問(wèn)題；我國(guó)學(xué)者孟祥武(2014、2015)[5-6]對(duì)社會(huì)網(wǎng)絡(luò)推薦研究進(jìn)行了系統(tǒng)述評(píng)，提出了一種融合項(xiàng)目特征和移動(dòng)用戶信任關(guān)系、基于位置的社交網(wǎng)絡(luò)推薦算法；張富國(guó)(2014)[7]基于社交網(wǎng)絡(luò)視角出發(fā)，對(duì)近幾年關(guān)于社交網(wǎng)絡(luò)信任方面研究個(gè)性化推薦的相關(guān)文獻(xiàn)進(jìn)行了比較分析，最后對(duì)研究面臨難點(diǎn)問(wèn)題和今后的發(fā)展趨勢(shì)進(jìn)行了展望；劉英南(2015)[8]在研究過(guò)程中構(gòu)建了動(dòng)態(tài)信任傳遞模型，以此解決協(xié)同過(guò)濾稀疏性引起的“冷啟動(dòng)”、“新用戶”、“新資源”等問(wèn)題；為了有效解決用戶信任關(guān)系難以獲取的問(wèn)題，于美琪(2017)[9]提出了基于項(xiàng)目評(píng)分與用戶信任關(guān)系的CF推薦算法，通過(guò)評(píng)分用戶間的相互信任關(guān)系來(lái)挖掘用戶的社會(huì)關(guān)系與偏好關(guān)系，以此來(lái)進(jìn)行CF推薦.

通過(guò)對(duì)上述文獻(xiàn)的分析發(fā)現(xiàn)，當(dāng)前已有部分學(xué)者基于社交網(wǎng)絡(luò)信任來(lái)緩解數(shù)據(jù)稀疏性導(dǎo)致的推薦精度下降問(wèn)題，也取得了一定的成果.但移動(dòng)社交網(wǎng)絡(luò)環(huán)境下，如何綜合挖掘移動(dòng)SNS用戶在位置、時(shí)間、業(yè)務(wù)需求要素，基于不同資源對(duì)象和情境興趣來(lái)進(jìn)行社會(huì)化推薦的研究還較為稀少，綜合考慮用戶歷史興趣、情境信息、信任關(guān)系緩解移動(dòng)SNS推薦數(shù)據(jù)稀疏性問(wèn)題的研究更是鮮有涉及.此外，當(dāng)前關(guān)于社交網(wǎng)絡(luò)分析方面的研究，大多限于幾十到幾百個(gè)節(jié)點(diǎn)，即其所處理的網(wǎng)絡(luò)規(guī)模較小，因此在大規(guī)模復(fù)雜社交網(wǎng)絡(luò)，傳統(tǒng)處理方法的效果不佳，對(duì)于當(dāng)前海量數(shù)據(jù)而言，難以滿足其大規(guī)模網(wǎng)絡(luò)計(jì)算的需求.云計(jì)算處理技術(shù)實(shí)現(xiàn)了移動(dòng)推薦系統(tǒng)與大規(guī)模海量數(shù)據(jù)源的集成，充分利用其跨平臺(tái)、并行處理、高擴(kuò)展性等優(yōu)勢(shì)，可以顯著增強(qiáng)個(gè)性化推薦系統(tǒng)海量數(shù)據(jù)挖掘的實(shí)時(shí)性，增強(qiáng)系統(tǒng)的可拓展性與可靠性.如張亞明[10]提出的面向云環(huán)境的并行推薦方法，顯著提高了推薦算法在海量數(shù)據(jù)規(guī)模下的執(zhí)行效率.鑒于此，本文提出基于云環(huán)境用戶情境興趣與信任關(guān)系的移動(dòng)SNS信任推薦模型，通過(guò)融合情境興趣相似度與用戶間的信任關(guān)系，緩解協(xié)同過(guò)濾算法的數(shù)據(jù)稀疏性，同時(shí)采用MapReduce技術(shù)解決大規(guī)模復(fù)雜社會(huì)網(wǎng)推薦并行挖掘的難題.

3 模型描述

本節(jié)對(duì)融合用戶情境興趣的移動(dòng)SNS信任推薦模型進(jìn)行細(xì)致描述.在本文構(gòu)建的移動(dòng)SNS推薦模型中，假設(shè)存在移動(dòng)SNS用戶組M、參與評(píng)價(jià)的項(xiàng)目組S、移動(dòng)SNS用戶面臨的外在情境信息Context，在諸多的移動(dòng)SNS用戶間還存在相互的信任關(guān)系，本文設(shè)為TU；本文研究的目標(biāo)用戶設(shè)為ui，且ui∈U；對(duì)于ui未評(píng)分的項(xiàng)目集合，本文設(shè)為Sj；在研究過(guò)程中，通過(guò)CF推薦方法預(yù)測(cè)ui對(duì)Sj的評(píng)分，然后按照Top-N規(guī)則，將排名靠前的項(xiàng)目推薦給ui.總體來(lái)講，本文模型具體描述如下.

3.1 用戶—項(xiàng)目評(píng)分矩陣

首先，構(gòu)建推薦模型的移動(dòng)SNS用戶——項(xiàng)目評(píng)分矩陣.設(shè)推薦系統(tǒng)中移動(dòng)SNS用戶的數(shù)量為M(其中M=‖U‖)，則移動(dòng)SNS用戶的集合記為U={u1，u2，…，uM}；移動(dòng)用戶面向的項(xiàng)目集合采用S={s1，s2，…，sN}表示，其中N為項(xiàng)目的數(shù)量，即N=‖S‖.用戶在使用完系統(tǒng)中存在的諸多項(xiàng)目之后，將結(jié)合自身的切實(shí)經(jīng)歷與用戶體驗(yàn)對(duì)其進(jìn)行評(píng)分，我們采用公式(1)來(lái)表示移動(dòng)SNS用戶——項(xiàng)目評(píng)分矩陣，本文記為RSM×N.

(1)

其中，用戶ui對(duì)項(xiàng)目Si的評(píng)分本節(jié)通過(guò)rsuisi來(lái)表示；式(1)中矩陣RSM×N的每一行都為用戶ui對(duì)評(píng)價(jià)項(xiàng)目S的具體評(píng)分，即ui的項(xiàng)目評(píng)分向量，記為RSui=(rsuis1，rsuis2，…，rsuMsN)；矩陣RSM×N中的每一列是所有用戶u對(duì)某一個(gè)項(xiàng)目Si的評(píng)分，記為RSuj=(rsu1sj，rsu2sj，…，rsuMsj).

3.2 移動(dòng)SNS用戶情境表示

鑒于本文的推薦模型中涉及到了用戶的情境信息，因此需精煉表述移動(dòng)SNS用戶所面臨的具體情境.根據(jù)移動(dòng)SNS用戶所面臨的位置、溫度、時(shí)間等多種不同情境構(gòu)成要素，本文使用向量計(jì)算公式來(lái)表示n種不同類型的情境信息，記為Contexty=(C1，C2，…，Cn).其中Ck(k=1，2，…，n)表示一種具體類型的情境，則兩個(gè)不同的情境可使用向量Contextx和Contexty表示，這兩個(gè)情境間的相似度記為：Sim(Contextx，Contexty)，表示情境Contextx和Contexty在k類情境背景下比較的相似程度.鑒于移動(dòng)SNS用戶是在一定情境下對(duì)項(xiàng)目進(jìn)行評(píng)分，且該情境信息將對(duì)用戶評(píng)分產(chǎn)生影響，因此在評(píng)分過(guò)程中引入了移動(dòng)SNS用戶的情境信息，由此來(lái)對(duì)傳統(tǒng)CF的用戶—項(xiàng)目評(píng)分矩陣進(jìn)行擴(kuò)充，形成用戶—項(xiàng)目—情境評(píng)分矩陣，即將情境信息Contextk融入到原先移動(dòng)SNS用戶的每一個(gè)項(xiàng)目評(píng)分rsuisi中去，實(shí)現(xiàn)融合情境興趣的移動(dòng)SNS信任推薦.

3.3 用戶—信任矩陣

在推薦模型中引入移動(dòng)SNS用戶間的信任關(guān)系首先需要建立信任網(wǎng)絡(luò)、用戶、信任矩陣.這里的信任網(wǎng)絡(luò)是一個(gè)以移動(dòng)SNS用戶實(shí)體為節(jié)點(diǎn)、以各用戶實(shí)體間存在的信任關(guān)系(分為直接信任和間接信任)為邊而所構(gòu)成的一個(gè)網(wǎng)絡(luò)系統(tǒng).這里提到的直接信任是授信用戶通過(guò)直接的信息交互過(guò)程而獲得了對(duì)受信用戶的信任關(guān)系，而間接信任則需要通過(guò)信任傳遞(如與受信用戶有直接信任關(guān)系的其他用戶)而獲得的信任關(guān)系.在移動(dòng)SNS有人網(wǎng)絡(luò)中，各個(gè)節(jié)點(diǎn)間的直接或間接信任關(guān)系通過(guò)他們的連線(邊)來(lái)表示，邊的權(quán)重就代表節(jié)點(diǎn)間的信任度.公式(2)就為信任網(wǎng)絡(luò)中的移動(dòng)SNS用戶—信任矩陣TUM×N.

(2)

其中，tuui，uj表示用戶ui對(duì)uj的信任度，tuui，uj的取值范圍為[0，1]區(qū)間的實(shí)數(shù).當(dāng)tuui，uj=1時(shí)，此時(shí)表明用戶ui對(duì)用戶uj是完全信任的；而當(dāng)tuui，uj取值為0時(shí)，則表示另外一種極端情況，即用戶ui對(duì)用戶uj是一種完全不信任的關(guān)系.

4 模型建立

4.1 構(gòu)建情境相似度矩陣

本文融合情境興趣的移動(dòng)SNS信任推薦建模步驟如下：

Step1.首先，獲取移動(dòng)SNS用戶—項(xiàng)目評(píng)分矩陣及評(píng)分時(shí)用戶所處的情境.在建立云環(huán)境用戶情境興趣的信任推薦模型時(shí)，先要建立移動(dòng)SNS用戶-項(xiàng)目評(píng)分矩陣RSM×N，即用戶User對(duì)項(xiàng)目Item的評(píng)分矩陣，其計(jì)算公式為：

(3)

Step2.計(jì)算目標(biāo)用戶與其他用戶的相似度sim(ui，uj).本文在計(jì)算時(shí)采用Pearson相關(guān)系數(shù)度量公式，由此計(jì)算目標(biāo)用戶ui和用戶uj的相似度，如式(4)所示.

sim(ui，uj)=

(4)

需要指出的是，USui，sj的大小十分重要，若ui和uj共同評(píng)分過(guò)的項(xiàng)目集合USui，sj的模越大，說(shuō)明目標(biāo)用戶ui和uj之間的相似度越高.換言之，倘若sim(ui，uj)=sim(ui，uk)，但|USui，sj|>|USui，sk|，則目標(biāo)用戶ui和用戶uk的相似度要低于目標(biāo)用戶ui和uj的相似度.鑒于傳統(tǒng)的Pearson度量公式(4)在計(jì)算目標(biāo)用戶ui和用戶uk的相似性時(shí)未能考慮這方面因素的影響，本文借鑒Zhang YM[11]提出的情境化信息推薦機(jī)制，引入|USui，sj|來(lái)對(duì)式(4)進(jìn)行修正，如式(5)所示：

(5)

Step3.根據(jù)情境修正相似性度量公式.當(dāng)目標(biāo)用戶的情境信息與己評(píng)分用戶的評(píng)分情境相似度Simi(ItemContext，ItemRatingContext)較大時(shí)，該已評(píng)分用戶就獲得了較高的推薦權(quán)值.記為k=Sim(ItemContext，ItemRatingContext)，本文參考相似性度量公式對(duì)本文式(5)進(jìn)行修正，由此得出式(6)：

sim"(u1,uj)=c×sim′(ui,uj)+(1-c)×k×sim′(ui,uj)

(6)

其中，式(6)中的c為可調(diào)系數(shù)，其大小隸屬于[0，1]區(qū)間.可以看出，當(dāng)c=1時(shí)，式(6)的計(jì)算結(jié)果相當(dāng)于沒有考慮用戶的情境因素，即還是傳統(tǒng)的CF推薦算法.

4.2 構(gòu)建用戶信任度矩陣

在移動(dòng)社交網(wǎng)絡(luò)信任網(wǎng)絡(luò)中，鑒于許多SNS用戶間可能不存在或者存在不明顯的潛在信任關(guān)系，由此會(huì)使得推薦的信任度矩陣非常稀疏，導(dǎo)致信任度計(jì)算的困難.因此，在計(jì)算移動(dòng)SNS用戶間信任度的過(guò)程中，引入用戶間信任關(guān)系所具有的傳遞特征，即根據(jù)信任傳遞規(guī)則來(lái)描述移動(dòng)SNS用戶的間接信任關(guān)系，計(jì)算得出信任度，以此進(jìn)行CF推薦.

Step1.計(jì)算直接信任度dt(a，b).在移動(dòng)SNS信任關(guān)系網(wǎng)絡(luò)中，查看是否有直線連接節(jié)點(diǎn)a與b，存在則直接信任值dt(a，b)=權(quán)值w(a，b)；不存在則直接信任值dt(a，b)=0.權(quán)值w(a，b)的計(jì)算公式為：

(7)

其中，i為待評(píng)價(jià)等級(jí)的目標(biāo)物品，a為目標(biāo)用戶，α為給定閾值，ta，b為目標(biāo)用戶a對(duì)用戶b的信任值；rb，i為用戶b對(duì)物品i的評(píng)價(jià)等級(jí)；RT為信任值ta，u大于或等于α且對(duì)物品i進(jìn)行過(guò)評(píng)價(jià)的用戶集.

Step2.計(jì)算推薦信任度ct(a，b).在移動(dòng)SNS信任關(guān)系網(wǎng)絡(luò)中尋找下述路徑：起點(diǎn)為a、終點(diǎn)是b的路徑，其子路徑a′b′為相連的點(diǎn)，且對(duì)于與a′相連的任何點(diǎn)(非b′)x存在邊a′x，a′b′的權(quán)值W(a′b′)>W(a′，x)，據(jù)此計(jì)算推薦信任度，如式(8)：

(8)

Step3.計(jì)算a與b的信任度Trust(a，b)：Trust(a，b)=α×dt(a，b)+(1-α)×ct(a，b).α為[0，1]的參數(shù)，代表dt占Trust的比重.選擇信任網(wǎng)絡(luò)中與a點(diǎn)直接信任度最大的點(diǎn)x，其推薦信任值更為可信；按照信任傳遞規(guī)則尋找與x直接信任值最大的點(diǎn)y，反復(fù)直至找到b點(diǎn).

4.3 融合情境與信任度矩陣

在融合用戶情境興趣的過(guò)程中，本文將傳統(tǒng)CF與信任推薦相融合的推薦思想，將情境興趣相似度矩陣與移動(dòng)SNS用戶信任度矩陣進(jìn)行融合，由此計(jì)算信任度與情境興趣相似度相融合的一個(gè)綜合取值，最終進(jìn)行協(xié)同過(guò)濾推薦.本文情境興趣矩陣與信任度關(guān)系矩陣融合的公式為式(9)：

Weight=

其中，ui和uj間的相似度采用Sim(i，j)表示，ui和uj的信任度記為Trust(i，j)，Weight為合并后的綜合值.

4.4 產(chǎn)生推薦

本文采用中心加權(quán)的計(jì)算方法，將推薦的權(quán)值Weight(i，j)替換為融合移動(dòng)SNS用戶情境相似度與用戶間信任度的一個(gè)復(fù)合值來(lái)進(jìn)行推薦，計(jì)算方法如式(10)所示.

(10)

4.5 Mapreduce化的云計(jì)算并行推薦

為了提高大規(guī)模復(fù)雜社交網(wǎng)絡(luò)環(huán)境下的推薦性能，本節(jié)在Hadoop云環(huán)境實(shí)現(xiàn)模型的MapReduce化并行推薦，具體分為以下四個(gè)MapReduce處理過(guò)程.

4.5.1 Mapreduce化的向量生成過(guò)程

Step1.根據(jù)輸入的信任信息向量，由此生成輸出結(jié)果，最后表達(dá)為(Long，String)鍵值對(duì)的形式.

Step2.根據(jù)MapReduce中的Map函數(shù)進(jìn)行數(shù)據(jù)處理，將輸入信息轉(zhuǎn)化為用戶ID、項(xiàng)目ID及對(duì)應(yīng)的偏好值，生成全新的鍵值對(duì)：(用戶ID，項(xiàng)目ID，用戶偏好).

Step3.通過(guò)全局搜索獲取所有信息映射項(xiàng)目Hadoop集合.

Step4.根據(jù)MapReduce的Reduce函數(shù)構(gòu)建偏好值向量，基于此生成(用戶ID，用戶向量)形式的鍵值對(duì).

4.5.2 Mapreduce化的共生矩陣計(jì)算過(guò)程

Step1.將上一個(gè)MapReduce輸出值(用戶ID，用戶向量)作為MapReduce處理的輸入.

Step2.按照Map函數(shù)的運(yùn)算規(guī)則，計(jì)算共生矩陣所包含的各元素的對(duì)應(yīng)值.

Step3.根據(jù)上一步驟找出每個(gè)項(xiàng)目ID與其他所有項(xiàng)目Hadoop同時(shí)出現(xiàn)的鍵值對(duì).

Step4.按照MapReduce的Reduce函數(shù)，計(jì)算dt(a，b)3給出的鍵值對(duì)的共生向量.

4.5.3 Mapreduce化的矩陣融合過(guò)程

Step1.Mapl函數(shù)以共生矩陣鍵值對(duì)(項(xiàng)目ID，共生向量)為函數(shù)輸入，將其轉(zhuǎn)化為存儲(chǔ)共生向量和偏好值向量的數(shù)據(jù)結(jié)構(gòu)，最后生成鍵值對(duì)的形式，作為下一步驟的輸出.

Step2.Map2函數(shù)以偏好值向量鍵值對(duì)(用戶ID，用戶向量)為輸入，按照Hadoop函數(shù)生成如下形式的鍵值對(duì)：(項(xiàng)目ID，用戶ID，偏好值).

Step3.按照全局搜索策略，計(jì)算得出每個(gè)項(xiàng)目ID的共生向量以及偏好值向量.

Step4.按照Reduce函數(shù)，計(jì)算移動(dòng)SNS用戶對(duì)每個(gè)項(xiàng)目的預(yù)測(cè)評(píng)分，最后以(用戶ID，R)的形式輸出.

4.5.4 Mapreduce化的推薦產(chǎn)生過(guò)程

Step1.本次Map函數(shù)的輸入為上一個(gè)MapReduce的輸出(用戶ID，R).

Step2.根據(jù)全局搜索策略，計(jì)算并輸出用戶對(duì)每個(gè)待選項(xiàng)目的預(yù)測(cè)評(píng)分值.

Step3.將Reduce函數(shù)所有的預(yù)測(cè)評(píng)分值進(jìn)行排序，給出最后的Top-N推薦結(jié)果.

5 實(shí)驗(yàn)結(jié)果及分析

分布式Hadoop云環(huán)境可提高大規(guī)模社交網(wǎng)絡(luò)環(huán)境下的并行處理性能.因此，本文將實(shí)驗(yàn)環(huán)境配置在一個(gè)使用9臺(tái)服務(wù)器搭建的Hadoop計(jì)算機(jī)集群上，其中一臺(tái)為NameNode，其余為DataNode.9臺(tái)服務(wù)器硬件配置為：Lenovo服務(wù)器一臺(tái)，其中內(nèi)存為4G，硬盤1T，CPU主頻2.8G.其他8臺(tái)服務(wù)器采用了普通PC機(jī)，內(nèi)存2G，硬盤320G，CPU主頻2.6G.其中，Hadoop云環(huán)境的NameNode為L(zhǎng)enovo服務(wù)器，命名為Hadoop；將其余8臺(tái)PC機(jī)作為Hadoop的DataNode，具體命名為hadoop1-hadoop8.

5.1 數(shù)據(jù)集

本文實(shí)驗(yàn)抓取了移動(dòng)應(yīng)用商城類網(wǎng)站上最常被下載的移動(dòng)SNS服務(wù)，以此作為本文推薦系統(tǒng)的“項(xiàng)目”數(shù)據(jù)集.鑒于云環(huán)境用戶情境興趣的移動(dòng)SNS信任推薦模型中涉及到移動(dòng)SNS信任關(guān)系，本文以河北省高校5所在校大學(xué)生為研究對(duì)象，這些大學(xué)生可在該類網(wǎng)站上進(jìn)行一些信息共享操作，如分享項(xiàng)目評(píng)分及購(gòu)后評(píng)價(jià)等；同時(shí)，用戶還可將其他同學(xué)加入到個(gè)人的信任列表中，建立自己的“社交網(wǎng)絡(luò)”.據(jù)此，可根據(jù)本文模型可計(jì)算大學(xué)生用戶間的信任關(guān)系(信任度取值范圍為[0，1]).鑒于本文研究涉及顯式的情境相關(guān)移動(dòng)用戶評(píng)分，進(jìn)一步邀請(qǐng)被調(diào)查者將相關(guān)調(diào)查信息發(fā)送給5位好友用戶，邀請(qǐng)其對(duì)上述移動(dòng)SNS服務(wù)中可能感興趣或者不感興趣的移動(dòng)SNS服務(wù)項(xiàng)目進(jìn)行評(píng)分：測(cè)試用戶除對(duì)移動(dòng)SNS網(wǎng)絡(luò)服務(wù)進(jìn)行打分外(打分取值為1-5，其中1表示非常不喜歡，5表示非常喜歡)，還需給出其對(duì)相關(guān)移動(dòng)網(wǎng)絡(luò)服務(wù)評(píng)分的特定“時(shí)間”情境信息，如評(píng)分時(shí)為清晨、上午、中午、下午、傍晚或者夜里.最后獲得了253位用戶對(duì)上百種移動(dòng)SNS應(yīng)用服務(wù)的評(píng)分?jǐn)?shù)據(jù)集，其中不含情境信息的評(píng)分記錄4074條，含有情境相關(guān)信息的評(píng)論2467條；此外，該數(shù)據(jù)集還包含用戶間信任關(guān)系信息，列出了存在直接信任關(guān)系的用戶ID，將此作為實(shí)驗(yàn)測(cè)試部分的數(shù)據(jù)集.

5.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)主要包括兩個(gè)方面，首先測(cè)試云環(huán)境下基于Hadoop的并行挖掘有無(wú)提升模型計(jì)算的性能，其次是測(cè)試模型對(duì)數(shù)據(jù)稀疏性導(dǎo)致推薦精度下降的緩解情況.

作為并行計(jì)算測(cè)試的評(píng)價(jià)指標(biāo)，加速比主要用來(lái)對(duì)比單機(jī)與并行計(jì)算兩種不同環(huán)境下特定算法運(yùn)行所耗費(fèi)的時(shí)長(zhǎng)，其計(jì)算方法為單機(jī)運(yùn)行時(shí)間與并行運(yùn)行時(shí)間的比值，具體公式表示為：S=T(1)/T(N).其中，T(1)為算法在單機(jī)環(huán)境下的運(yùn)行時(shí)間，T(N)為多機(jī)并行處理的時(shí)間，兩者的比值結(jié)果即為加速比.此外，為了對(duì)比Hadoop云環(huán)境下不同數(shù)目節(jié)點(diǎn)對(duì)并行計(jì)算結(jié)果的影響，還引入了相對(duì)加速比指標(biāo)進(jìn)行對(duì)比：S相對(duì)=T(單DataNode)/T(多DataNode).其中，S相對(duì)表示相對(duì)加速比，單DataNode集群運(yùn)行的時(shí)間表示為T(單DataNode)，多DataNode集群運(yùn)行時(shí)間為T(多DataNode).

(11)

其中，測(cè)試實(shí)驗(yàn)執(zhí)行次數(shù)使用n表示，算法計(jì)算得出的用戶預(yù)測(cè)評(píng)級(jí)使用pi表示.而P(u)@N則表示推薦列表中與用戶u符合的用戶需求項(xiàng)目數(shù)與N的比值，計(jì)算公式為：P(u)@N=(releventitemsintopnitemsforu)/N.

5.3 實(shí)驗(yàn)結(jié)果分析

5.3.1 并行推薦技術(shù)的性能比較

在測(cè)試推薦模型不同節(jié)點(diǎn)的加速比時(shí)，首先對(duì)選定的測(cè)試數(shù)據(jù)集進(jìn)行數(shù)據(jù)分配，按照數(shù)據(jù)量大小定義為數(shù)據(jù)集D1、D2、D3、D4，其包含的數(shù)據(jù)分別為1000、2000、3000和4000條用戶評(píng)分的數(shù)據(jù)集.在此基礎(chǔ)上，本文測(cè)試Hadoop云環(huán)境下上述數(shù)據(jù)集的并行運(yùn)行時(shí)間，Hadoop運(yùn)行的節(jié)點(diǎn)數(shù)量分別選擇2、4、6、8四種不同的情況，記錄下各數(shù)據(jù)集在不同節(jié)點(diǎn)下的運(yùn)行時(shí)間，具體如圖1所示.

圖1 Hadoop云環(huán)境下算法并行推薦的加速比效果圖Fig．1 SpeedupofparallelalgorithminHadoopenvironment圖2 Hadoop云環(huán)境下并行推薦的擴(kuò)展比效果圖Fig．2 SpreadratioofparallelalgorithminHadoopenvironment

根據(jù)圖1的測(cè)試結(jié)果可以看出，當(dāng)測(cè)試數(shù)據(jù)集為D1時(shí)，本文推薦模型在Hadoop環(huán)境下運(yùn)行的加速比會(huì)隨著節(jié)點(diǎn)數(shù)的增加而呈現(xiàn)出先降后升的變化；而當(dāng)測(cè)試數(shù)據(jù)集為D2-D4時(shí)，加速比在同數(shù)量節(jié)點(diǎn)情況下隨數(shù)據(jù)量的增長(zhǎng)而加快，在相同數(shù)據(jù)量的情況下會(huì)隨節(jié)點(diǎn)數(shù)的增加而上升.根據(jù)圖2的擴(kuò)展比測(cè)試結(jié)果可以看出，D1數(shù)據(jù)集測(cè)試出的擴(kuò)展比曲線下降趨勢(shì)非常明顯，而D2-D4數(shù)據(jù)集測(cè)試時(shí)的擴(kuò)展比雖然也呈現(xiàn)出下降趨勢(shì)，但隨節(jié)點(diǎn)數(shù)的增加而呈現(xiàn)出較為平穩(wěn)的下降趨勢(shì).從圖2的對(duì)比結(jié)果還可以看出，在小數(shù)據(jù)量如D1的測(cè)試情況下，推薦模型在Hadoop環(huán)境下的運(yùn)行效率較低，沒有很好的體現(xiàn)并行計(jì)算的優(yōu)勢(shì)，究其原因，主要是Hadoop環(huán)境下推薦系統(tǒng)的作業(yè)啟動(dòng)時(shí)間以及交互時(shí)間較長(zhǎng)，而真正用于并行計(jì)算的時(shí)間則相對(duì)較短，因此綜合在一起的最終運(yùn)行時(shí)間較長(zhǎng)，很難體現(xiàn)Hadoop集群并行計(jì)算的優(yōu)勢(shì).但隨著測(cè)試數(shù)據(jù)量的增加，Hadoop環(huán)境下推薦系統(tǒng)啟動(dòng)與交互的時(shí)間比例會(huì)逐步縮小，而更多的比例則主要用于系統(tǒng)的并行計(jì)算.因此，測(cè)試數(shù)據(jù)集越大，算法并行計(jì)算的速度優(yōu)勢(shì)就越明顯，并行處理的效率也越趨向于穩(wěn)定.

5.3.2 推薦性能比較

為了對(duì)體現(xiàn)本文推薦模型性能方面的優(yōu)越性，本文選擇與傳統(tǒng)協(xié)同過(guò)濾、傳統(tǒng)的情境上下文預(yù)過(guò)濾方法進(jìn)行對(duì)比，三類推薦方法的MAE、Coverage以及P(u)@N比較具體如圖3與圖4所示.

圖3 三類方法的MAE與Coverage比較Fig．3 ComparisonofMAEandCoverageofthreealgorithms圖4 三類方法的P(u)@N比較Fig．4 ComparisonofP(u)@Nofthreealgorithms

從圖3可以看出，實(shí)驗(yàn)條件下傳統(tǒng)CF推薦方法沒有使MAE減小，而傳統(tǒng)的情境上下文預(yù)過(guò)濾方法以及本文模型的MAE相比于傳統(tǒng)CF有所降低，表明引入情境的推薦取得了更優(yōu)效果.而在數(shù)據(jù)稀疏情況下，傳統(tǒng)情境上下文預(yù)過(guò)濾方法的MAE較高，這是因?yàn)榧尤肷舷挛那榫澈蟮挠脩簟u(píng)價(jià)矩陣被進(jìn)一步稀釋，使得推薦算法在啟動(dòng)階段很難找到相似用戶，由此導(dǎo)致精準(zhǔn)度的下降.本文模型更好地將興趣相似度與社交網(wǎng)絡(luò)信任度融入到推薦過(guò)程中，改善了由于數(shù)據(jù)稀疏而導(dǎo)致的最近鄰居搜索難題，因此在啟動(dòng)時(shí)比傳統(tǒng)CF以及傳統(tǒng)的情境上下文預(yù)過(guò)濾的推薦性能更優(yōu).此外，本文模型的Coverage指標(biāo)也高于傳統(tǒng)CF與傳統(tǒng)情境上下文過(guò)濾方法，這是因?yàn)榍榫撑d趣相似度與信任關(guān)系相互融合的推薦模型在選擇移動(dòng)SNS用戶最近鄰居的過(guò)程中，根據(jù)移動(dòng)SNS用戶間的動(dòng)態(tài)信任關(guān)系對(duì)最近鄰居進(jìn)行了篩選，由此選擇出了可信的相似用戶；而在計(jì)算評(píng)分階段，又進(jìn)一步對(duì)用戶情境相似性與用戶信任關(guān)系進(jìn)行了加權(quán)計(jì)算，因此在很大程度上加強(qiáng)了推薦結(jié)果與目標(biāo)用戶情境的相似性.由此可見，情境興趣相似度與信任度融合的推薦模型在一定程度上擴(kuò)大了最近鄰居的選取范圍，即增大了對(duì)鄰居用戶的覆蓋率，有助于提升社會(huì)化推薦的精度.而圖4對(duì)三種算法P(u)@N的比較也進(jìn)一步表明，在不同最近鄰居數(shù)目的情況下，本文模型與傳統(tǒng)CF以及傳統(tǒng)的上下文過(guò)濾推薦算法相比具有更高的P(u)@N準(zhǔn)確率，因此獲得了更高的推薦質(zhì)量與精度.

6 結(jié) 論

針對(duì)移動(dòng)SNS推薦存在的數(shù)據(jù)稀疏問(wèn)題，在CF推薦過(guò)程中系統(tǒng)引入了用戶情境興趣與SNS信任關(guān)系，提出融合云環(huán)境用戶情境興趣的移動(dòng)SNS信任推薦模型.本文貢獻(xiàn)主要包括以下兩方面：

①在傳統(tǒng)協(xié)同過(guò)濾推薦模型中融入移動(dòng)SNS用戶情境興趣與SNS信任關(guān)系，基于此構(gòu)建了融合情境興趣的移動(dòng)SNS信任推薦模型，較好地將情境相似度與信任度融入到協(xié)同過(guò)濾推薦過(guò)程中，實(shí)驗(yàn)結(jié)果表明，模型獲得了更高的準(zhǔn)確率和更低的誤差值，有效緩解了數(shù)據(jù)稀疏問(wèn)題.

②提出面向云環(huán)境的移動(dòng)SNS推薦并行處理方法，基于并行加速比與相對(duì)加速比的評(píng)價(jià)結(jié)果顯示，本文方法有效提高了協(xié)同過(guò)濾在海量數(shù)據(jù)規(guī)模下的執(zhí)行效率，系統(tǒng)的可擴(kuò)展性有所提升.本文后續(xù)研究將探討稀疏信任信息環(huán)境下的移動(dòng)SNS推薦問(wèn)題，同時(shí)考慮云環(huán)境用戶不同情境語(yǔ)義關(guān)聯(lián)關(guān)系，引入具有語(yǔ)義關(guān)系的情境標(biāo)簽對(duì)云環(huán)境用戶進(jìn)行信任聚類，由此提高移動(dòng)SNS推薦系統(tǒng)的準(zhǔn)確率.

[1] Bobadilla J，Ortega F，Hernando A，et al.A collaborative filtering approach to mitigate the new user cold start problem[J].Knowledge-Based Systems，2012，26(1)：225-238.

[2] Chen Chien Chin，Wan Yu-hao，Chung Mengchieh，et al.An effective recommendation method for cold start new users using trust and distrust networks[J].Information Science，2013，224(3)：19-36.

[3] Kant Vibhor，Bharadwaj Kamal K.Fuzzy computational models of trust and distrust for enhanced recommendations[J].International Journal of Intelligent Systems，2013，28(4)：332-365.

[4] Sohn Jong-Soo，Bae Un-Bong，Chung In-Jeong.Contents recommendation method using social network analysis[J].Wireless Personal Communications，2015，73(4)：1529-1546.

[5] Hu Xun，Meng Xiang-wu，Zhang Yu-jie，et al.Recommendation Algorithm combing item features and trust relationship of mobile users[J].Journal of Software，2014，25(8)：1817-1830.

[6] Liu Shu-dong，Meng Xiang-wu.Recommender systems in location-based social networks[J].Chinese Journal of Computers，2015，38(2)：322-336.

[7] Zhang Fu-guo.Survey of online social network based personalized recommendation[J].Journal of Chinese Computers Systems，2014，35(7)：1470-1476.

[8] Liu Ying-nan，Xie Jin-kui，Zhang Jia-li，et al.Recommendation algorithm based on trust in social network[J].Journal of Chinese Computers Systems，2015，36(6)：1165-1170.

[9] Yu Mei-qi，Kuang Li，Wo Bin，et al.APP recommendation combing item features and social network[J].Journal of Chinese Computers Systems，2017，38(2)：310-313.

[10] Zhang Y M.Recommending approach for network community marketing based on user interest map in cloud environment[J].Journal of Intelligence，2013，31(3)：184-188.

[11] Zhang Ya-ming.A contextualized collaborative filtering recommendation model for mobile information service in cloud environment[J].Journal of the China Society for Scientific and Technical Information，2012，33(5)：508-519.

[12] Ren Xing-yi，Song Mei-na，Song Jun-de.Context-aware point-of-interest recommendation in location-based social networks[J].Chinese Journal of Computers，2017，40(4)：824-841.

附中文參考文獻(xiàn)：

[5] 胡 勛，孟祥武，張玉潔，等.一種融合項(xiàng)目特征和移動(dòng)用戶信任關(guān)系的推薦算法[J].軟件學(xué)報(bào)，2014，25(8)：1817-1830.

[6] 劉樹棟，孟祥武.基于位置的社會(huì)化網(wǎng)絡(luò)推薦系統(tǒng)[J].計(jì)算機(jī)學(xué)報(bào)，2015，38(2)：322-336.

[7] 張富國(guó).基于社交網(wǎng)絡(luò)的個(gè)性化推薦技術(shù)[J].小型微型計(jì)算機(jī)系統(tǒng)，2014，35(7)：1470-1476.

[8] 劉英南，謝瑾奎，張家利，等.社交網(wǎng)絡(luò)中基于信任的推薦算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2015，36(6)：1165-1170.

[9] 于美琪，鄺 礫，咼 斌，等.融合社會(huì)網(wǎng)絡(luò)和項(xiàng)目特征的移動(dòng)應(yīng)用推薦[J].小型微型計(jì)算機(jī)系統(tǒng)，2017，38(2)：310-313.

[11] 張亞明.面向云環(huán)境的移動(dòng)信息服務(wù)情景化協(xié)同過(guò)濾推薦[J].情報(bào)學(xué)報(bào)，2012，33(5)：508-519.

[12] 任星怡，宋美娜，宋俊德.基于位置社交網(wǎng)絡(luò)的上下文感知的興趣點(diǎn)推薦[J].計(jì)算機(jī)學(xué)報(bào)，2017，40(4)：824-841.