一種融合本地社交網(wǎng)絡(luò)的輕量級(jí)可信服務(wù)推薦方法

朱文強(qiáng),鐘元生,徐 軍,李普聰

1(江西財(cái)經(jīng)大學(xué) 軟件與通信工程學(xué)院,南昌 330013) 2(江西財(cái)經(jīng)大學(xué) 現(xiàn)代經(jīng)濟(jì)管理學(xué)院,南昌 330013) E-mail:stbrook@aliyun.com

1 引 言

移動(dòng)通信技術(shù)和在線支付技術(shù)的成熟發(fā)展,促進(jìn)線上與線下服務(wù)高度融合,能滿足用戶各種需求的服務(wù)大量涌現(xiàn).人們可以通過(guò)智能手機(jī)訂購(gòu)和使用各種服務(wù),如人們可以通過(guò)百度外賣(mài)訂購(gòu)自己喜歡的餐飲;通過(guò)e袋洗獲得自己所需要的洗衣服務(wù);通過(guò)滴滴打車(chē)獲得方便的出行服務(wù).

然而,這些線下服務(wù)提供方的規(guī)模一般較小,缺乏科學(xué)管理制度,因此常常會(huì)發(fā)生各種服務(wù)質(zhì)量問(wèn)題1.如2016年的315晚會(huì),便重點(diǎn)曝光了服務(wù)平臺(tái)“餓了么”的線下餐飲商家所存在的衛(wèi)生及經(jīng)營(yíng)誠(chéng)信問(wèn)題1.面對(duì)線上服務(wù)平臺(tái)提供的海量服務(wù),人們?cè)谛畔⒉粚?duì)稱的情況下,常常難以做出正確的選擇,面臨各種風(fēng)險(xiǎn).因此,出現(xiàn)了大量的服務(wù)推薦系統(tǒng),以幫助人們作出正確的決策.

目前的服務(wù)推薦方法可以分為以下幾類(lèi),基于內(nèi)容的推薦方法、協(xié)同過(guò)濾推薦方法和混合推薦方法[2,3].

其中, 基于

2http://www.advogato.org/

內(nèi)容的推薦方法是根據(jù)用戶的歷史交易信息,推測(cè)出用戶感興趣的服務(wù),然后選出相似服務(wù)推薦給目標(biāo)用戶.協(xié)同過(guò)濾推薦方法則是基于用戶服務(wù)評(píng)分矩陣,對(duì)目標(biāo)用戶的興趣偏好進(jìn)行推理,選出偏好相似的用戶作為目標(biāo)用戶的近鄰,將近鄰感興趣但目標(biāo)用戶尚未選取的服務(wù)推薦給目標(biāo)用戶.混合推薦方法則是將前兩種方法進(jìn)行融合,以獲取它們的優(yōu)勢(shì),彌補(bǔ)其存在的不足.

然而伴隨著服務(wù)推薦系統(tǒng)的出現(xiàn),也出現(xiàn)了針對(duì)推薦系統(tǒng)的惡意攻擊行為,如托攻擊,惡意用戶通過(guò)復(fù)制目標(biāo)用戶的歷史交易行為及服務(wù)評(píng)價(jià)來(lái)提高自身與目標(biāo)用戶的相似性,然后對(duì)某些服務(wù)進(jìn)行惡意評(píng)價(jià),即對(duì)符合自己利益的服務(wù)進(jìn)行高分評(píng)價(jià),而對(duì)競(jìng)爭(zhēng)對(duì)手的服務(wù)給予低分評(píng)價(jià),以達(dá)到非法獲利目的[4].

面對(duì)服務(wù)商家的不誠(chéng)信行為,以及推薦系統(tǒng)中存在的惡意攻擊,人們常常咨詢其個(gè)人社交網(wǎng)絡(luò),以幫助自己選出可靠且優(yōu)質(zhì)的服務(wù).目前移動(dòng)社交軟件的發(fā)展,為人們提供了這一基礎(chǔ).因此,有必要在對(duì)推薦方法進(jìn)行研究時(shí),將用戶的個(gè)人社交網(wǎng)絡(luò)作為一個(gè)重要的參考因素進(jìn)行考慮.

針對(duì)上述問(wèn)題,本文提出了一種融合用戶本地社交網(wǎng)絡(luò)的輕量級(jí)可信服務(wù)推薦方法,該方法首先對(duì)Advogato信任模型進(jìn)行擴(kuò)展,構(gòu)建目標(biāo)用戶的本地信任網(wǎng)絡(luò),并考慮用戶間的社交圈子相似度、互動(dòng)程度,計(jì)算用戶的局部信任權(quán)重,然后融合局部信任權(quán)重和用戶的服務(wù)評(píng)價(jià)相似性,進(jìn)行目標(biāo)用戶的服務(wù)評(píng)分預(yù)測(cè).基于真實(shí)數(shù)據(jù)集與其他推薦方法的對(duì)比實(shí)驗(yàn)表明,該方法不僅具有更高的評(píng)分預(yù)測(cè)精度,還能更有效對(duì)抗惡意用戶的托攻擊行為,同時(shí),該方法具有更低的計(jì)算復(fù)雜度.

本文第2節(jié)為相關(guān)研究的分析和討論;第3節(jié)對(duì)Advogato信任模型進(jìn)行了簡(jiǎn)述;第4節(jié)提出了用戶本地信任模型(SEMBA)的構(gòu)建;第5節(jié)提出了本文的推薦方法(ComSEMBA);第6節(jié)進(jìn)行了實(shí)驗(yàn)對(duì)比、分析和討論;第7節(jié)為本文工作的總結(jié).

2 相關(guān)研究

現(xiàn)有的服務(wù)推薦技術(shù)大多采用協(xié)同過(guò)濾推薦方法、基于內(nèi)容的推薦方法或混合推薦方法對(duì)服務(wù)推薦進(jìn)行研究.從研究角度分析,可以分為以下三個(gè)研究角度.

1)根據(jù)用戶和服務(wù)的空間關(guān)系,對(duì)用戶進(jìn)行位置相關(guān)的服務(wù)推薦.HaKan等人[5]使用無(wú)向連通圖對(duì)用戶的訪問(wèn)位置點(diǎn)進(jìn)行建模,然后基于該無(wú)向連通圖執(zhí)行修改后的隨機(jī)游走算法,并參考用戶在當(dāng)前位置的歷史訪問(wèn)足跡,朋友的歷史訪問(wèn)足跡和專(zhuān)家的歷史訪問(wèn)足跡,來(lái)為目標(biāo)用戶進(jìn)行興趣點(diǎn)的推薦.該隨機(jī)游走算法為專(zhuān)家節(jié)點(diǎn)和親密朋友節(jié)點(diǎn)給予了較高的權(quán)重,因此,會(huì)造成越流行的位置點(diǎn),越容易被推薦,而降低了用戶的個(gè)人興趣偏好的作用.Jianxun Liu等人[6]將地理范圍分為AS、Country、Global三個(gè)層次,以這三層地理范圍建立相似用戶和相似服務(wù)的計(jì)算,在為用戶進(jìn)行Web服務(wù)推薦時(shí),首先搜索小范圍的相似用戶和相似服務(wù),如果近鄰用戶數(shù)量不足,再將范圍擴(kuò)展至上一層次,最后進(jìn)行服務(wù)推薦.Weimin Li等人[7]對(duì)服務(wù)的可靠性及用戶的關(guān)系進(jìn)行分析,提出了一種可靠的位置服務(wù)推薦方法,但該方法在考慮用戶的關(guān)系時(shí),只考慮了朋友關(guān)系,且關(guān)系路徑權(quán)重設(shè)置得相對(duì)較大,難以符合實(shí)際的推薦情境.

2)將可信計(jì)算理論與服務(wù)推薦相結(jié)合,為用戶推薦可信的服務(wù).王海艷等人[8]對(duì)推薦用戶的正確推薦次數(shù)和錯(cuò)誤推薦次數(shù)進(jìn)行分析,使用Beta概率模型來(lái)計(jì)算推薦用戶的直接推薦信任,根據(jù)信任鏈路上的用戶共同使用服務(wù)數(shù)量來(lái)計(jì)算推薦用戶的間接信任,最后與用戶評(píng)價(jià)相似度進(jìn)行融合,產(chǎn)生推薦用戶的綜合信任權(quán)重,并建立可信用戶聯(lián)盟,為目標(biāo)用戶進(jìn)行服務(wù)推薦.張燕平等人[9]對(duì)目前電子商務(wù)推薦系統(tǒng)面臨的托攻擊進(jìn)行研究,利用用戶的歷史交易記錄建立用戶的聲譽(yù),并結(jié)合協(xié)同過(guò)濾領(lǐng)域內(nèi)的隱語(yǔ)義模型,提出融合用戶聲譽(yù)和隱語(yǔ)義模型的協(xié)同推薦算法,以提高推薦系統(tǒng)抵御托攻擊的能力.文獻(xiàn)[10]針對(duì)現(xiàn)有推薦系統(tǒng)面臨的信任安全問(wèn)題,提出了一種基于信任的協(xié)同推薦方法,具備一定的抗惡意攻擊能力,且能夠一定程度緩解數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題.

3)將社交網(wǎng)絡(luò)理論與服務(wù)推薦相融合,利用社交網(wǎng)絡(luò)為用戶的服務(wù)推薦提供支持.Yan Wang等人[11]將用戶的個(gè)人偏好和領(lǐng)域熟悉度作為獨(dú)立的社交上下文,將用戶間的信任、社交親密度和交互上下文作為依賴社交上下文,提出了一種新的概率方法來(lái)計(jì)算用戶間的上下文信任度,然后進(jìn)行服務(wù)推薦,并根據(jù)推薦結(jié)果來(lái)更新用戶社交網(wǎng)絡(luò)的信任數(shù)據(jù)和偏好數(shù)據(jù).Magdalini Eirinaki[12]等人基于友誼、信任、不信任因素來(lái)計(jì)算用戶間的直接聯(lián)系,而利用用戶評(píng)論、興趣和不感興趣等因素來(lái)計(jì)算用戶間的隱含聯(lián)系,綜合生成用戶的個(gè)性化聲譽(yù)及信任值,最后為目標(biāo)用戶進(jìn)行服務(wù)推薦.Shuiguang Deng等人[13]利用矩陣分解方法來(lái)計(jì)算社會(huì)網(wǎng)絡(luò)中的用戶信任程度,然后采用擴(kuò)展的隨機(jī)游走算法來(lái)為目標(biāo)用戶進(jìn)行服務(wù)推薦.

綜合分析,現(xiàn)有的服務(wù)推薦方法存在以下問(wèn)題:

1) 在利用社交網(wǎng)絡(luò)進(jìn)行信任計(jì)算時(shí),采用的是全局信任計(jì)算方法,而實(shí)際上用戶間的信任常常是主觀的、本地的.

2) 基于整個(gè)用戶-服務(wù)評(píng)價(jià)矩陣計(jì)算用戶間的相似性,然后進(jìn)行推薦,計(jì)算工作量大.

3) 未深入研究服務(wù)推薦方法的魯棒性,不能有效抵御惡意用戶的托攻擊行為.

3 Advogato信任模型概述

Advogato是一個(gè)著名的自由軟件開(kāi)發(fā)者社區(qū)2,其所采用的Advogato信任模型,在防止垃圾郵件攻擊方面尤為有效[14].

Advogato信任模型的構(gòu)建涉及兩個(gè)重要概念.一個(gè)是信任容量(Trust Capacity),代表源節(jié)點(diǎn)(Seed)所擁有的信任能力,信任容量大的節(jié)點(diǎn),其構(gòu)建信任網(wǎng)絡(luò)的能力也越強(qiáng).第二個(gè)是信任流量,是源節(jié)點(diǎn)根據(jù)對(duì)其他節(jié)點(diǎn)的信任強(qiáng)度分配到信任邊上的信任權(quán)重.信任權(quán)重越大,分配到信任邊上的信任流量越多,相關(guān)節(jié)點(diǎn)所獲得的信任容量也越大.

Advogato信任模型的構(gòu)建分為三個(gè)步驟.首先,根據(jù)節(jié)點(diǎn)與源節(jié)點(diǎn)的距離,采用廣度優(yōu)先搜索方法,為信任網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)分配信任容量.后續(xù)節(jié)點(diǎn)的信任容量采用公式(1)計(jì)算,等于前節(jié)點(diǎn)的信任容量除以前節(jié)點(diǎn)的出度值.

(1)

第二步,將第一步計(jì)算得到的信任網(wǎng)絡(luò)(圖1(a))轉(zhuǎn)化為Advogato信任網(wǎng)絡(luò)(圖1(c)).轉(zhuǎn)化步驟如下:首先,將信任網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)分解為正節(jié)點(diǎn)和負(fù)節(jié)點(diǎn)(圖1(b)).然后將節(jié)點(diǎn)的信任容量轉(zhuǎn)移到負(fù)節(jié)點(diǎn)通往正節(jié)點(diǎn)的信任鏈路上使之成為信任流量,再抽取信任流量1共同注入superlink節(jié)點(diǎn)(流量匯點(diǎn))上(圖1(c)).最后,采用Fold-Fulkerson算法[15]對(duì)源節(jié)點(diǎn)的信任網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)最大流增量路徑查找,直到不再有增量路徑為止.

圖1 信任網(wǎng)絡(luò)轉(zhuǎn)化為Advogato信任網(wǎng)絡(luò)結(jié)構(gòu)的步驟Fig.1 Transforming steps of a trust network into Advogato structrue

在Advogato信任模型的基礎(chǔ)上,我們提出了SEMBA信任模型,其與Advogato模型的區(qū)別如表1所示.

表1 SEMBA與Advogato信任模型的區(qū)別
Table 1 Difference between SEMBA and Advogato trust model

模型名稱圖類(lèi)型信任特征信任容量分配規(guī)則輸出內(nèi)容Advogato有向無(wú)權(quán)連通圖全局信任根據(jù)距離分配非嚴(yán)格順序可信群體列表SEMBA有向加權(quán)連通圖本地信任根據(jù)信任強(qiáng)度分配N(xiāo)位有序可信用戶列表

4 SEMBA信任模型

根據(jù)Mark Granovetter[16]的社會(huì)網(wǎng)絡(luò)理論,社會(huì)網(wǎng)絡(luò)關(guān)系可以分為強(qiáng)關(guān)系和弱關(guān)系兩種,強(qiáng)關(guān)系用于表達(dá)個(gè)人的社交圈子,通過(guò)血緣、感情、興趣、地域等因素進(jìn)行連接;而弱關(guān)系則是強(qiáng)關(guān)系的擴(kuò)展,將不同的社交網(wǎng)絡(luò)圈子進(jìn)行連接.強(qiáng)關(guān)系強(qiáng)調(diào)用戶的同質(zhì)性,而弱關(guān)系則更關(guān)注聯(lián)系之間的異質(zhì)性.因此,我們認(rèn)為用戶的個(gè)人社交網(wǎng)絡(luò)屬于社會(huì)網(wǎng)絡(luò)強(qiáng)關(guān)系圈子,并且包含以下幾個(gè)因素.

1)距離因素,這里的距離可以是地域距離、血緣距離及熟悉度距離等,當(dāng)用戶間的距離越近,其可信程度越高.

2)相似度因素,相似度因素可以分為兩類(lèi),一類(lèi)是社交圈子相似性,代表了用戶的社交圈子重合程度;另一類(lèi)是興趣相似性,即用戶所選擇服務(wù)相似,并給出相似的服務(wù)評(píng)價(jià).相似性越高的用戶,其可信程度也越高[17].

3)互動(dòng)程度,已有的研究表明,互動(dòng)程度越高的用戶,其可信程度也越高[18].

綜合上述分析,我們對(duì)Advogato模型進(jìn)行擴(kuò)展,將距離因素、相似度因素及互動(dòng)程度等考慮進(jìn)來(lái),提出了SEMBA信任模型,為目標(biāo)用戶構(gòu)建其本地信任網(wǎng)絡(luò).

4.1 SEMBA信任模型的形式化

定義1.信任網(wǎng)絡(luò).我們用G=(V,E)代表一個(gè)面向服務(wù)的具有信任關(guān)系的社交網(wǎng)絡(luò),其中,V為節(jié)點(diǎn)集,代表社交網(wǎng)絡(luò)中的用戶;E為節(jié)點(diǎn)間信任邊的集合,邊上的權(quán)重代表信任的強(qiáng)度,E∈V×V.信任網(wǎng)絡(luò)G=(V,E)的構(gòu)建由用戶的信任關(guān)系鄰接矩陣M生成.

定義2.源節(jié)點(diǎn)與源節(jié)點(diǎn)的本地信任網(wǎng)絡(luò).給定節(jié)點(diǎn)u,設(shè)GLu=(VLu,ELu)為信任網(wǎng)絡(luò)G的一個(gè)子圖,其中,VLu?V,代表從節(jié)點(diǎn)u出發(fā)可以到達(dá)的節(jié)點(diǎn)集合;ELu?E,代表從節(jié)點(diǎn)u出發(fā)到達(dá)所有VLu的邊的集合,那么我們稱節(jié)點(diǎn)u為源節(jié)點(diǎn),GLu=(VLu,ELu)為源節(jié)點(diǎn)u的本地信任網(wǎng)絡(luò).

定義3.m跳連接和m跳朋友.在源節(jié)點(diǎn)u的本地信任網(wǎng)絡(luò)GLu=(VLu,ELu)中,假定存在一條從節(jié)點(diǎn)Vu到Vm的路徑,該路徑由節(jié)點(diǎn)序列Vu,V1,…,Vm-1,Vm組成,?Vi∈VLu(i=u,1,…,m),如果Vu到Vi中間沒(méi)有其他節(jié)點(diǎn),那么我們稱Vu到Vi為1跳連接,否則我們稱其為m跳連接.對(duì)應(yīng)的,稱V1為源節(jié)點(diǎn)u的1跳朋友,稱Vm為源節(jié)點(diǎn)u的m跳朋友.

定義4.可信節(jié)點(diǎn)識(shí)別.給定一個(gè)源節(jié)點(diǎn)u,根據(jù)他的本地信任網(wǎng)絡(luò)GLu=(VLu,ELu),按照一定的信任規(guī)則,找出所有滿足該信任規(guī)則的節(jié)點(diǎn)集合VTu,并排序輸出.

定義5.信任容量.給定一個(gè)源節(jié)點(diǎn)u,用信任容量Capu代表其構(gòu)建個(gè)人本地信任網(wǎng)絡(luò)能力,源節(jié)點(diǎn)u的社交網(wǎng)絡(luò)關(guān)系越多,傾向于信任樂(lè)觀時(shí),其信任容量就越大.

定義6.信任流量.給定一個(gè)源節(jié)點(diǎn)u和它的1跳朋友Vk,源節(jié)點(diǎn)u對(duì)k的信任強(qiáng)度稱為源節(jié)點(diǎn)u到k的信任流量,用Wu,k表示,其值越大,節(jié)點(diǎn)k分配得到的信任容量就越多.

4.2 本地信任網(wǎng)絡(luò)的構(gòu)建

用戶的社交網(wǎng)絡(luò)關(guān)系存在很多類(lèi)別,如朋友、親戚、鄰居、同事等社交關(guān)系,不同的社交關(guān)系具有不同的信任程度.很多情況下,用戶不愿對(duì)社交關(guān)系進(jìn)行標(biāo)注,而且用戶間的社交關(guān)系信息也常常難以獲得.為了識(shí)別出用戶社交網(wǎng)絡(luò)中的可信用戶群體,我們需要對(duì)用戶的個(gè)人社交網(wǎng)絡(luò)進(jìn)行重構(gòu),對(duì)網(wǎng)絡(luò)中用戶的信任度進(jìn)行區(qū)分.

為了構(gòu)建目標(biāo)用戶的本地信任網(wǎng)絡(luò),我們首先要為目標(biāo)用戶信任容量分配.為了方便處理,本文將源節(jié)點(diǎn)的信任容量設(shè)為1.用戶節(jié)點(diǎn)間的信任強(qiáng)度采用公式(2)計(jì)算.

(2)

(3)

(4)

其中,JaSimi,j為節(jié)點(diǎn)i與j基于Jaccard系數(shù)的社交圈子重合程度,avg(JaSim)為整個(gè)社會(huì)網(wǎng)絡(luò)中的平均社交圈子重合度.So(i)、So(j)為節(jié)點(diǎn)i與j的社交關(guān)系集合,包括節(jié)點(diǎn)自身.公式(3)反映了用戶i與j的社交圈子相似程度.

信任流量的傳遞涉及2個(gè)因素,前節(jié)點(diǎn)信任容量的大小及信任流量的大小.后續(xù)節(jié)點(diǎn)的信任容量采用公式(5)進(jìn)行計(jì)算.

Capv=Capk×Wk,v

(5)

其中,Capv代表后續(xù)節(jié)點(diǎn)v的信任容量,Wk,v為節(jié)點(diǎn)k到v的信任強(qiáng)度,即信任流量.如果源節(jié)點(diǎn)u到v大于1跳距離,則采用文獻(xiàn)[15]FordFulkerson算法的思想,選擇一條信任流量最大的路徑進(jìn)行信任流量傳遞,得到節(jié)點(diǎn)v的信任容量.

圖2 信任流量傳遞中的路徑選擇Fig.2 Path choice in trust flow transiting process

在圖2中,源節(jié)點(diǎn)u的信任容量為1,源節(jié)點(diǎn)u到節(jié)點(diǎn)A的信任權(quán)重Wu,A為0.67,則節(jié)點(diǎn)A的信任容量CapA=1×0.67=0.67.在對(duì)節(jié)點(diǎn)G進(jìn)行信任容量計(jì)算時(shí),因?yàn)榇嬖趦蓷l信任流量傳播路徑,需要分別計(jì)算Pathu,B,G和Pathu,C,G的信任流量傳播結(jié)果,并選擇一條信任流量最大的傳播路徑.其中,Pathu,B,G的計(jì)算結(jié)果為0.5612,而Pathu,C,G的計(jì)算結(jié)果為0.748,因此,節(jié)點(diǎn)G的信任容量為0.748.根據(jù)文獻(xiàn)[19]的小世界理論分析,任意兩個(gè)用戶的人際關(guān)系距離不超過(guò)6,因此,本文將信任流量的最大傳播路徑深度設(shè)置為6.

4.3 信任容量?jī)?yōu)先最大流搜索方法

在本節(jié)中,我們對(duì)Advogato的可信用戶識(shí)別搜索方法進(jìn)行修改,提出了信任容量?jī)?yōu)先最大流搜索方法(Capacity-first maximum flow search-CFMS),來(lái)對(duì)源節(jié)點(diǎn)本地信任網(wǎng)絡(luò)的可信用戶進(jìn)行識(shí)別、搜索和排序,并返回前N個(gè)用戶.

算法1.信任容量?jī)?yōu)先最大流搜索算法.

輸入:節(jié)點(diǎn)u,u的本地信任網(wǎng)絡(luò)鄰接矩陣M,M中所有節(jié)點(diǎn)的信任容量表CM,u的信任閾值Thu,u的候選朋友集CFM,需返回的可信用戶數(shù)量N值

輸出:u的有序可信用戶列表TruNListSorted

1. i=0,U0=u,CFM←getNeighbour(U0),n=N

2. while ((CFM is not empty) && i

3. TruList[i]=getMax(CFM,CM)

4. i++

5. CFM←CFM+getNeighbour(TruList[i])

6. TruList[i].Cap= TruList[i].Cap-Thu

7. setRelation(M,U0,TruList[i])

8. CFM←delete(CFM,TruList[i])

9. EndWhile

10. doQuickSorting(TruList)

11. For i=1 to n

12. TruNListSorted [i]=TruList[i]

13. EndFor

14. return TruNListSorted

其中,getNeighbour(U0)方法用來(lái)獲取U0在信任網(wǎng)絡(luò)鄰接矩陣M中的所有1跳朋友節(jié)點(diǎn),getMax(CFM)用來(lái)獲得候選朋友集CFM中信任容量最大的節(jié)點(diǎn),setRelation(M,U0,TruList[i])方法用來(lái)在信任網(wǎng)絡(luò)鄰接矩陣M中建立U0與TruList[i]的信任邊,delete(CFM,TruList[i])方法則在候選朋友集CFM刪除TruList[i]節(jié)點(diǎn).通過(guò)偽代碼2-9行,便可以獲得一個(gè)基本排好序的可信用戶列表TruList,然后,我們采用快速排序方法doQuickSorting(TruList)來(lái)對(duì)其進(jìn)行重新排序,以提高排序的效率.最后返回包含N個(gè)有序可信用戶的列表TruNListSorted.

圖3 采用CFMS方法對(duì)圖2的信任網(wǎng)絡(luò)進(jìn)行可信用戶識(shí)別和搜索Fig.3 Using CFMS method to identifying and searching the trustworthy users in Fig.2

通過(guò)CFMS方法,我們對(duì)圖2的本地信任網(wǎng)絡(luò)的可信用戶進(jìn)行識(shí)別和排序,并將其轉(zhuǎn)化為改進(jìn)后的SEMBA信任網(wǎng)絡(luò)結(jié)構(gòu).最終得到源節(jié)點(diǎn)u的有序可信用戶列表:B、C、G、A、D、H、E、F(這里的Thu=0.1,限于篇幅,E,F節(jié)點(diǎn)沒(méi)有畫(huà)出).

5 基于用戶本地社交網(wǎng)絡(luò)的輕量級(jí)可信服務(wù)推薦方法(ComSEMBA)

通過(guò)SEMBA模型,我們?yōu)槟繕?biāo)用戶構(gòu)建了本地信任網(wǎng)絡(luò),并使用信任容量?jī)?yōu)先最大流搜索方法CFMS,將目標(biāo)用戶的可信用戶進(jìn)行識(shí)別、排序輸出.對(duì)于目標(biāo)用戶的信任閾值Thu的設(shè)置,當(dāng)M及RM的數(shù)據(jù)較為稀疏時(shí),可以將Thu設(shè)置得較小,以保證有較多的用戶進(jìn)入目標(biāo)用戶的候選朋友集CFM,為產(chǎn)生一定數(shù)量的近鄰提供基礎(chǔ).而當(dāng)M及RM的數(shù)據(jù)較為稠密時(shí),則需要將Thu設(shè)置大些,以減少算法的運(yùn)行時(shí)間,提高算法的運(yùn)行效率.在目標(biāo)用戶有特殊需要的情況下,也可由目標(biāo)用戶設(shè)定Thu值.

5.1 目標(biāo)用戶的服務(wù)評(píng)分預(yù)測(cè)

以目標(biāo)用戶的可信用戶列表TruNListSorted為基礎(chǔ),便可以計(jì)算TruNListSorted中的N個(gè)用戶與目標(biāo)用戶的評(píng)分相似度.采用Pearson相似度進(jìn)行計(jì)算,如公式(6)所示.

(6)

獲得了目標(biāo)用戶u與TruNListSorted中用戶的評(píng)分相似度后,便可以選取TruNListSorted中的top-K個(gè)用戶,來(lái)為目標(biāo)用戶進(jìn)行服務(wù)評(píng)分預(yù)測(cè),采用公式(7)進(jìn)行計(jì)算.

(7)

其中,PRu,s為目標(biāo)用戶u對(duì)服務(wù)S的評(píng)分預(yù)測(cè),Capu,j為采用公式(5)和Ford Fulkerson算法計(jì)算得到的用戶j在目標(biāo)用戶u的本地信任網(wǎng)絡(luò)中的信任容量,UC為目標(biāo)用戶u的近鄰用戶集,即TruNListSorted中的top-K個(gè)用戶.

5.2 ComSEMBA推薦方法

ComSEMBA推薦方法的步驟如下.

1)選定目標(biāo)用戶u,基于u的信任鄰接矩陣M,采用SEMBA信任模型的公式2、3、4、5計(jì)算節(jié)點(diǎn)間的信任流量及節(jié)點(diǎn)的信任容量,采用Fold-Fulkerson算法,建立目標(biāo)用戶u的本地信任網(wǎng)絡(luò);

2)基于目標(biāo)用戶的本地信任網(wǎng)絡(luò),采用信任容量?jī)?yōu)先最大流搜索方法CFMS,獲得目標(biāo)用戶的可信用戶列表TruList,并使用快速排序方法對(duì)其進(jìn)行排序得到包含了N個(gè)用戶的有序可信用戶列表TruNListSorted;

3)根據(jù)公式(6),計(jì)算目標(biāo)用戶u與TruNListSorted中的N個(gè)用戶的評(píng)分相似性;

4)選取與目標(biāo)用戶u最相似的top-K個(gè)用戶作為目標(biāo)用戶的近鄰;

5)根據(jù)公式(7),預(yù)測(cè)目標(biāo)用戶的未知項(xiàng)目評(píng)分.

5.3 ComSEMBA推薦方法的復(fù)雜度分析

6 實(shí)驗(yàn)與分析

6.1 實(shí)驗(yàn)數(shù)據(jù)集

目前可用于推薦系統(tǒng)的數(shù)據(jù)集較多,其中,HetRec 2011的子數(shù)據(jù)集hetrec2011-lastfm-2k來(lái)自于在線音樂(lè)網(wǎng)站www.last.fm,包括了用戶的社交網(wǎng)絡(luò)關(guān)系,用戶對(duì)藝術(shù)家的標(biāo)簽,用戶對(duì)藝術(shù)家的聆聽(tīng)次數(shù)等數(shù)據(jù),且因?yàn)樵诰€音樂(lè)本身即屬于服務(wù),具有較為明顯的用戶興趣偏好特征[20].因此,本文將hetrec2011-lastfm-2k作為實(shí)驗(yàn)數(shù)據(jù)集.

表2 hetrec2011-lastfm數(shù)據(jù)集的統(tǒng)計(jì)信息
Table 2 Statistics of the hetrec2011-lastfm dataset

ParameterValueUsers1892Artists17632Friendrelations25434Avgfriendrelationsperuser13.443User-listenedartistrelations92834

在hetrec2011-lastfm-2k數(shù)據(jù)集中,并沒(méi)有用戶對(duì)藝術(shù)家的評(píng)分?jǐn)?shù)據(jù),因此,我們將用戶對(duì)藝術(shù)家的聆聽(tīng)次數(shù)作為用戶對(duì)藝術(shù)家的評(píng)分,并將其映射到[0,5]的評(píng)分區(qū)間內(nèi).采用公式(8)計(jì)算.

(8)

其中,Listeningcountu,s表示用戶u對(duì)藝術(shù)家s的聆聽(tīng)次數(shù),Listeningcountmax為最大的用戶聆聽(tīng)次數(shù).由于在hetrec2011-lastfm-2k數(shù)據(jù)集中,也沒(méi)有用戶的交互數(shù)據(jù),因此,我們將用戶共同聆聽(tīng)過(guò)的藝術(shù)家數(shù)量作為用戶的交互次數(shù).在得到了用戶對(duì)藝術(shù)家的評(píng)分和交互數(shù)據(jù)后,我們隨機(jī)選擇500個(gè)用戶作為源節(jié)點(diǎn),分別構(gòu)建其本地信任網(wǎng)絡(luò).然后將這500個(gè)源節(jié)點(diǎn)的評(píng)分?jǐn)?shù)據(jù)的80%作為訓(xùn)練集,20%作為測(cè)試集.

6.2 實(shí)驗(yàn)評(píng)價(jià)方法

我們采用推薦方法中普遍采用的MAE及RMSE兩個(gè)評(píng)價(jià)指標(biāo)來(lái)對(duì)推薦方法的評(píng)分預(yù)測(cè)精度進(jìn)行評(píng)價(jià).其計(jì)算方式分別如公式(9)和公式(10)所示.

(9)

(10)

其中,PRi,s為目標(biāo)用戶i對(duì)藝術(shù)家s的評(píng)分預(yù)測(cè),Ri,s為目標(biāo)用戶i對(duì)藝術(shù)家s的實(shí)際評(píng)分.MAE及RMSE分別被稱為平均絕對(duì)誤差和均方根誤差,是推薦系統(tǒng)中常用的兩個(gè)評(píng)價(jià)指標(biāo),其值越小,代表推薦方法評(píng)分預(yù)測(cè)越準(zhǔn)確.

6.3 實(shí)驗(yàn)結(jié)果與分析

6.3.1 實(shí)驗(yàn)參數(shù)設(shè)置

在ComSEMBA方法中,有3個(gè)參數(shù)需要考慮,包括信任閾值參數(shù)Thu,TruNListSorted可信用戶列表中N的大小,top-K近鄰用戶數(shù)量K值的大小.其中,參數(shù)Thu用于控制目標(biāo)用戶本地信任網(wǎng)絡(luò)的大小,而可信用戶列表中的N為top-K近鄰用戶K值的基數(shù),N越大,近鄰用戶可選擇的范圍越廣.因?yàn)閿?shù)據(jù)集hetrec2011-lastfm-2k的用戶數(shù)量較小,我們將Thu設(shè)置為0.通過(guò)實(shí)驗(yàn)驗(yàn)證N值與K值的關(guān)系.

本實(shí)驗(yàn)中,我們將top-K的K值分別設(shè)為5至40,步長(zhǎng)為5,將TruNListSorted中可信用戶數(shù)量N設(shè)為K的1至6倍,用1K、…、6K表示,驗(yàn)證在不同N值情況下ComSEMBA方法的評(píng)分預(yù)測(cè)精度.實(shí)驗(yàn)結(jié)果如圖4所示.

圖4 不同N值下ComSEMBA推薦方法的MAE曲線圖Fig.4 MAE curve of ComSEMBA method while under different N

以下為圖4所示實(shí)驗(yàn)結(jié)果的分析.

1)隨著N/K值比例的增加,ComSEMBA方法的評(píng)分預(yù)測(cè)精度越來(lái)越高.這與我們的期望是相符的,TruNListSorted中可信用戶數(shù)量越多,top-K近鄰的選擇基數(shù)越大,越能夠選出與目標(biāo)用戶相似度更高的近鄰,從而服務(wù)的評(píng)分預(yù)測(cè)越精確.

2)N為1K時(shí),ComSEMBA方法的預(yù)測(cè)效果最差,這時(shí)推薦方法的top-K等于N,意味著只能將TruNListSorted中的N個(gè)可信用戶作為近鄰,因此預(yù)測(cè)效果最差.

3)當(dāng)N值從1K增至6K時(shí),推薦方法的評(píng)分預(yù)測(cè)精度提高的效果在逐漸減弱.其中,N從1K增長(zhǎng)至2K時(shí),推薦方法的預(yù)測(cè)精度提高最快,5K至6K時(shí)的預(yù)測(cè)精度提高最不明顯.

4)隨著目標(biāo)用戶的近鄰數(shù)量增加,推薦方法的評(píng)分預(yù)測(cè)精度在逐步提高.當(dāng)N為1K至3K時(shí),趨勢(shì)最為明顯.而當(dāng)N等于5K、6K時(shí),近鄰數(shù)量增加至30時(shí),已經(jīng)不能明顯改善推薦方法的預(yù)測(cè)精度,這說(shuō)明ComSEMBA方法已經(jīng)提取了目標(biāo)用戶的絕大部分有效近鄰,這時(shí)增加近鄰數(shù)量并不能明顯改善推薦方法的預(yù)測(cè)精度.

6.3.2 實(shí)驗(yàn)對(duì)比方法

為了對(duì)本文提出的推薦方法效果進(jìn)行驗(yàn)證,我們對(duì)本文提出的推薦方法進(jìn)行區(qū)分,將不考慮用戶互動(dòng)因素的推薦方法稱為SimSEMBA,即只采用SoSimi,j來(lái)表示W(wǎng)i,j.然后將SimSEMBA、ComSEMBA與以下幾個(gè)方法進(jìn)行對(duì)比.

1)User-based CF,傳統(tǒng)的Pearson協(xié)同過(guò)濾方法[21].

2)TARS,文獻(xiàn)[22]提出的基于蟻群算法動(dòng)態(tài)更新用戶間信任值,為目標(biāo)用戶選出優(yōu)質(zhì)可信用戶,然后進(jìn)行服務(wù)評(píng)分預(yù)測(cè)的推薦方法.

3)Nikolaos,該方法依據(jù)用戶間共同評(píng)價(jià)服務(wù)數(shù)量及評(píng)分相似性設(shè)置不同等級(jí)閾值,等級(jí)閾值越高的近鄰用戶,在進(jìn)行評(píng)分預(yù)測(cè)時(shí),分配的推薦權(quán)重越高[23].

6.3.3 預(yù)測(cè)精度對(duì)比

本實(shí)驗(yàn)將N設(shè)置為6K,將top-K的K值分別設(shè)為5至40,步長(zhǎng)為5,來(lái)觀察這5個(gè)推薦方法的MAE及RMSE值,對(duì)比它們的評(píng)分預(yù)測(cè)精度.實(shí)驗(yàn)結(jié)果如圖5和圖6所示.

圖5 5種推薦方法的MAE曲線圖Fig.5 MAE curve of the five comparing methods

以下為圖5、圖6所示實(shí)驗(yàn)結(jié)果的分析.

1)隨著目標(biāo)用戶的近鄰增加,這5個(gè)推薦方法的預(yù)測(cè)精度都得到了提高.這證明近鄰用戶數(shù)量的增多,能有效提高評(píng)分預(yù)測(cè)的精度.但近鄰用戶增加至35以上時(shí),TARS、Nikolaos及ComSEMBA方法的預(yù)測(cè)精度改善效果不明顯,主要因?yàn)楹竺娴慕徬嗨贫雀?對(duì)評(píng)分預(yù)測(cè)精度的提高效用不大.

圖6 5種推薦方法的RMSE曲線圖Fig.6 RMSE curve of the five comparing methods

2)通過(guò)SimSEMBA方法與User-based CF的對(duì)比可以看出,同時(shí)考慮節(jié)點(diǎn)間的社交圈子相似度、評(píng)價(jià)相似度比只考慮用戶評(píng)價(jià)相似度的預(yù)測(cè)效果更好.提高社交圈子相似度高的用戶在評(píng)分預(yù)測(cè)中的權(quán)重,有助于提高推薦方法的評(píng)分預(yù)測(cè)精確度.

3)SimSEMBA與ComSEMBA方法對(duì)比,其評(píng)分預(yù)測(cè)精度不如后者,說(shuō)明綜合考慮社交圈子相似度、用戶互動(dòng)程度和評(píng)分相似性,比僅考慮社交圈子相似性和用戶評(píng)分相似性效果更好,因此互動(dòng)程度因素在評(píng)分預(yù)測(cè)時(shí)是有效的.

4)TARS比SimSEMBA方法的預(yù)測(cè)效果更好,但次于Nikolaos方法和ComSEMBA方法.這是因?yàn)門(mén)ARS方法基于蟻群算法對(duì)目標(biāo)用戶的評(píng)分進(jìn)行預(yù)測(cè),近鄰用戶對(duì)某項(xiàng)服務(wù)的評(píng)價(jià)越多,將導(dǎo)致該項(xiàng)服務(wù)累積的信息素越多,會(huì)提高該項(xiàng)服務(wù)在評(píng)分預(yù)測(cè)時(shí)的權(quán)重,從而導(dǎo)致越受用戶歡迎的服務(wù),越有可能被推薦給目標(biāo)用戶.但其不足是會(huì)使目標(biāo)用戶的個(gè)性化偏好作用減弱,從而導(dǎo)致TARS的預(yù)測(cè)精度不如Nikolaos方法和ComSEMBA方法.

5)ComSEMBA方法的預(yù)測(cè)效果最好,Nikolaos次之.Nikolaos考慮近鄰用戶與目標(biāo)用戶的共同評(píng)價(jià)服務(wù)數(shù)量,推薦用戶與目標(biāo)用戶的評(píng)分相似性越高,共同評(píng)價(jià)服務(wù)數(shù)量越多,在進(jìn)行目標(biāo)用戶的評(píng)分預(yù)測(cè)時(shí)所給予的權(quán)重越大,但卻忽略了用戶的社交網(wǎng)絡(luò)的重要參考作用.因?yàn)镃omSEMBA方法同時(shí)考慮了用戶的社交圈子相似性和互動(dòng)程度,所以其預(yù)測(cè)精度要高于Nikolaos方法.

6.3.4 抗托攻擊對(duì)比

本實(shí)驗(yàn)用來(lái)對(duì)比這5個(gè)方法在托攻擊下的性能表現(xiàn).我們?cè)趯?shí)驗(yàn)數(shù)據(jù)集中隨機(jī)生成一定比例的惡意用戶,這些用戶通過(guò)復(fù)制目標(biāo)用戶的評(píng)分,然后再生成其他服務(wù)的惡意評(píng)價(jià),以進(jìn)行托攻擊.在本實(shí)驗(yàn)中,我們將目標(biāo)用戶的近鄰設(shè)為40,N設(shè)置為6K,然后逐漸增加托攻擊用戶的比例.實(shí)驗(yàn)結(jié)果如圖7、圖8所示.

圖7 托攻擊下推薦方法的MAE曲線圖Fig.7 MAE curve of the five comparing methods while under Shilling attacks

圖8 托攻擊下推薦方法的RMSE曲線圖Fig.8 RMSE curve of the five comparing methods while under Shilling attacks

以下為圖7、圖8所示實(shí)驗(yàn)結(jié)果的分析.

1)隨著惡意用戶比例的增加,所有的推薦方法預(yù)測(cè)精度都有所下降.證明惡意用戶的托攻擊行為能夠?qū)@些方法產(chǎn)生干擾,這主要是因?yàn)檫@5個(gè)方法在進(jìn)行評(píng)分預(yù)測(cè)時(shí),都使用了用戶評(píng)分相似性這一因素.而User-based CF方法受到的影響最大,因?yàn)樗换谟脩粼u(píng)分相似性進(jìn)行目標(biāo)用戶的評(píng)分預(yù)測(cè),所以其實(shí)驗(yàn)運(yùn)行結(jié)果最差.

2)SimSEMBA與TARS方法相比,在最初階段仍然比TARS方法的預(yù)測(cè)效果要差,當(dāng)惡意用戶比例超過(guò)30%時(shí),SimSEMBA反而呈現(xiàn)出了一定的優(yōu)勢(shì).這是因?yàn)門(mén)ARS方法采用蟻群算法作為評(píng)分預(yù)測(cè)的基礎(chǔ),服務(wù)受歡迎程度越高,越容易得到推薦,而惡意用戶的托攻擊行為將對(duì)這一情況產(chǎn)生較大干擾.而SimSEMBA基于用戶的社交圈子相似性進(jìn)行評(píng)分預(yù)測(cè),能夠有效減緩這一攻擊行為的影響.

3)Nikolaos方法考慮了用戶間共同評(píng)價(jià)服務(wù)數(shù)量的影響,而惡意用戶是通過(guò)復(fù)制目標(biāo)用戶的評(píng)分來(lái)提高自身與目標(biāo)用戶的相似度,從而與目標(biāo)用戶的共同評(píng)價(jià)服務(wù)數(shù)量將占據(jù)很大比例,當(dāng)惡意用戶增加至20%時(shí),Nikolaos的評(píng)分預(yù)測(cè)精度受到了很大的影響,甚至低于TARS和SimSEMBA.

4)ComSEMBA方法的抗托攻擊能力最強(qiáng).因?yàn)镃omSEMBA方法既考慮了用戶的社交圈子相似度,又考慮了用戶的互動(dòng)程度,惡意用戶僅通過(guò)復(fù)制目標(biāo)用戶的服務(wù)評(píng)分,很難提高自身在目標(biāo)用戶評(píng)分預(yù)測(cè)時(shí)的權(quán)重,因此,惡意用戶的托攻擊行為對(duì)ComSEMBA方法的干擾最小.

7 總 結(jié)

移動(dòng)通信技術(shù)和在線支付技術(shù)的成熟發(fā)展,促使能滿足用戶各種需求的服務(wù)大量涌現(xiàn).面對(duì)海量的可用服務(wù),用戶常常咨詢其個(gè)人移動(dòng)社交網(wǎng)絡(luò),以選取可靠且能滿足其需求的優(yōu)質(zhì)服務(wù).目前的推薦技術(shù)大多基于用戶服務(wù)評(píng)分矩陣,采用全局相似度計(jì)算方式計(jì)算用戶間的相似度,然后進(jìn)行目標(biāo)用戶的服務(wù)評(píng)分預(yù)測(cè),計(jì)算資源耗費(fèi)較大,且忽略了用戶本地社交網(wǎng)絡(luò)的重要參考作用,同時(shí)也不能有效對(duì)抗惡意用戶的托攻擊行為.針對(duì)這一問(wèn)題,本文提出了基于用戶本地社交網(wǎng)絡(luò)的輕量級(jí)可信服務(wù)推薦方法,該方法首先對(duì)Advogato模型進(jìn)行擴(kuò)展,構(gòu)建目標(biāo)用戶的本地信任網(wǎng)絡(luò),然后在本地信任網(wǎng)絡(luò)的基礎(chǔ)上,考慮用戶間的社交圈子相似度、互動(dòng)程度,計(jì)算用戶的局部信任權(quán)重,再結(jié)合信任權(quán)重和用戶的評(píng)分相似性,進(jìn)行目標(biāo)用戶的服務(wù)評(píng)分預(yù)測(cè).基于真實(shí)數(shù)據(jù)集與其他推薦方法的對(duì)比實(shí)驗(yàn)表明,該方法不僅具有更高的評(píng)分預(yù)測(cè)精度,還能更有效對(duì)抗惡意用戶的托攻擊行為,同時(shí),該方法具有更低的計(jì)算復(fù)雜度.

[1] Liu Wei,Xu Peng-tao.A study on influencing factors of the helpfulness of online reviews in O2O of restaurant industry—based on tobit model[J].Chinese Journal of Management Science,2016,24(5):168-176.

[2] Verbert K,Manouselis N,Ochoa X.Context-aware recommender systems for learning:A survey and future challenges[J].IEEE Transactions on Learning Technologies,2012,5(4):318-335.

[3] Meng Xiang-wu,Liu Shu-dong,Zhang Yu-jie,et al.Research on social recommender systems[J].Journal of Software,2015,26(6):1356-1372.

[4] Gunes I,Kaleli C,Bilge A,et al.Shilling attacks against recommender systems:a comprehensive survey[J].Artificial Intelligence Review,2014,42(4):767-799.

[5] Bagci H,Karagoz P.Context-aware location recommendation by using a random walk-based approach[J].Knowledge and Information Systems,2016,47(2):241-260.

[6] Liu J,Tang M,Zheng Z,et al.Location-aware and personalized collaborative filtering for web service recommendation[J].IEEE Transactions on Services Computing,2016,9(5):686-699.

[7] Li W,Yao M,Zhou X,et al.Recommendation of location-based services based on composite measures of trust degree[J].The Journal of Supercomputing,2014,69(3):1154-1165.

[8] Wang Hai-yan,Yang Wen-bin,Wang Sui-chang,et al.A service recommendation method based on trustworthy community[J].Chinese Journal of Computers,2014,37(2):301-311.

[9] Zhang Yan-ping,Zhang Shun,Qian Fu-lan,et al.Robust collaborative recommendation algorithm based on user's reputation[J].Acta Automiatica Sinica,2015,41(5):1004-1012.

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

[11] Wang Y,Li L,Liu G.Social context-aware trust inference for trust enhancement in social network based recommendations on service providers[J].World Wide Web,2015,18(1):159-184.

[12] Eirinaki M,Louta M D,Varlamis I.A trust-aware system for personalized user recommendations in social networks[J].IEEE Transactions on Systems Man and Cybernetics-Part A Systems and Humans,2013,44(4):409-421.

[13] Deng S,Huang L,Xu G.Social network-based service recommendation with trust enhancement[J].Expert Systems with Applications,2014,41(18):8075-8084.

[14] Al-oufi S,Kim H N,Ei Saddik A.A group trust metric for identifying people of trust in online social networks[J].Expert Systems with Applications,2012,39(18):13173-13181.

[15] Ford L R,Fulkerson D R.Maximal flow through a network[M].Classic Papers in Combinatorics，Birkhuser Boston,2009:243-248.

[16] Mark Granovetter.The strength of weak ties:a network theory revisited[J].Sociological Theory,1983,1(1):201-233.

[17] Josang A,Ismail R,Boyd C.A survey of trust and reputation systems for online service provision[J].Decision Support Systems,2007,43(2):618-644.

[18] Gilbert E,Karahalios K.Predicting tie strength with social media[C].International Conference on Human Factors in Computing Systems,ACM,Boston，2009:211-220.

[19] Kleinberg J.The small-world phenomenon:an algorithm perspective[J].Proceedings of Acm Symposium on Theory of Computing,1999,406(2):163-170.

[20] Cantador I,Brusilovsky P,Kuflik T.Second workshop on information heterogeneity and fusion in recommender systems [C].Proceedings of the 2nd International Workshop on Information Heterogeneity and Fusion in Recommender Systems(HetRec2011),2011:387-388.

[21] X Su,TM Khoshgoftaar.A survey of collaborative filtering techniques[J].Advances in Artificial Intelligence,2009,(12):189-201.

[22] Bedi P,Sharma R.Trust based recommender system using ant colony for trust computation[J].Expert Systems with Applications,2012,39(1):1183-1190.

[23] Polatidis N,Georgiadis C K.A multi-level collaborative filtering method that improves recommendations[J].Expert Systems with Applications,2016,48(2):100-110.

附中文參考文獻(xiàn)：

[1] 劉 偉,徐鵬濤.O2O電商平臺(tái)在線點(diǎn)評(píng)有用性影響因素的識(shí)別研究-以餐飲行業(yè)O2O模式為例[J].中國(guó)管理科學(xué),2016,24(5):168-176.

[3] 孟祥武,劉樹(shù)棟,張玉潔,等.社會(huì)化推薦系統(tǒng)研究[J].軟件學(xué)報(bào),2015,26(6):1356-1372.

[8] 王海艷,楊文彬,王隨昌,等.基于可信聯(lián)盟的服務(wù)推薦方法[J].計(jì)算機(jī)學(xué)報(bào),2014,37(2):301-311.

[9] 張燕平,張 順,錢(qián)付蘭,等.基于用戶聲譽(yù)的魯棒協(xié)同推薦算法[J].自動(dòng)化學(xué)報(bào),2015,41(5):1004-1012.

[10] 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.