基于信任传递的兴趣点推荐研究

张朔 潘旭伟

摘要：针对兴趣点推荐系统中用户社交关系挖掘不充分的问题，文章结合位置社交网络中用户签到行为数据与用户社交网络数据，提出一种基于信任传递的兴趣点推荐方法。该方法通过信任传递发现用户的潜在社交好友，计算用户间的信任度，根据用户间的信任关系进行兴趣点推荐。实验表明，基于信任传递的兴趣点推荐方法较传统的兴趣点推荐方法在性能上具有显著提高。

关键词：兴趣点推荐;社交关系;信任传递;信任度

随着Web2.0的快速发展，促生了很多位置社交网络，位置社交网络将地理位置引入到传统的社交网络中，改变了传统的社交网络的交流模式，允许用户共享网络中的位置信息，用户可从中发现感兴趣的兴趣点。位置社交网络的快速发展积累了海量的兴趣点数据，用户从海量的数据中快速准确的发现感兴趣的兴趣点成为亟待解决的问题。兴趣点推荐系统应运而生。兴趣点推荐系统根据用户以往的行为信息，建模用户的兴趣点偏好，进行兴趣点推荐。Sinha.R等指出，在现实环境中人们更信赖自己信任好友的推荐信息。目前用户在社交网络中进行的交互的频率越来越高，融入信任的兴趣点推荐系统是兴趣点推荐系统发展的必然趋势。丁勇等人通过从用户的社交关系出发，根据用户信任用户的对兴趣点的访问偏好设置推荐权重，利用传统的协同过滤推荐算法进行兴趣点推荐，得到了比较好的推荐效果。但是，目前研究大部分只针对于用户表面的社交网络数据，没有深入挖掘用户社交网络数据。本文聚焦于充分挖掘用户间社交网络的问题，研究信任传递对兴趣点推荐系统的影响。

一、基于信任传递的兴趣点推薦方法

（一）信任传递

传递性是信任关系中重要的特性。简单来讲，就是用户朋友的朋友，也和用户存在一定的信任关系。如果用图论来表示，两个不存在直接信任关系的用户，只要可以通过任一用户连接起来，那么两用户间存在间接信任关系，从而可以得到用户潜在信任用户，丰富用户的社交网络。信任传递具有一定的空间相关性，随着空间上的转移，用户之间的信任会发生衰减。用户的间接信任关系要比直接信任关系弱。本文引入信任权重系数，直接信任关系的信任权重系数为1，表示完全信任，间接信任好友的信任权重系数为0.5，表示不完全信任。

（二）基于信任传递的兴趣点推荐过程

通常来讲，如果一个用户被很多人信任，那么这个用户在社交媒体中具有比较高的影响力，他的意见被采纳的可能性比较高。基于此，给出用户间全局信任度的计算公式

局部信任表示用户间一对一的信任，与其他用户对目标用户的看法以及态度无关。如果两用户间信任好友的相似情况比较接近，即，两用户的信任好友情况比较类似，那么两个人的信任程度比较高。本文用两用户间信任关系的相似性，计算用户间的局部信任度。公式如下：

综合考虑全局信任与局部信任，提出用户间信任计算公式如下：

其中，Ti，j为用户i与j间的信任度，α为信任参数。α的取值与用户所处的社交网络类型有关。偏社交型的社交网络α接近0，偏权威型的社交网络接近1。

将用户的好友访问过的兴趣点但用户没有访问过的兴趣点推荐给用户，计算评分值。用户i对于兴趣点p的评分计算公式如下。

Ti为用户i的信任朋友集合，Cj，p表示用户j对兴趣点p的兴趣点偏好，当用户访问该兴趣点时，Cj，p=1，当用户未访问该兴趣点时，Cj，p=0。

二、实验研究

（一）数据来源与基本统计

为了验证本文提出的融入信任的兴趣点推荐方法的有效性。本文选用Gowalla数据集。为了得到社交关系更紧密的数据，利用NodeXL对数据集进行聚类分析，得到社交关系最紧密、用户群体量最大的数据集作为本文的研究数据。处理后的数据集包括1020个用户、32510个兴趣点、85215条签到记录和9362条社交关系。

（二）评价指标

（三）实验分析

推荐效果如表1所示。从实验结果可以看出，信任传递后的指标值均高于信任传递前的指标值，指标的平均值也明显高于信任传递前的平均值，由此得出，基于信任传递的方法的推荐效果要比传统的兴趣点推荐方法要好。随着α的增大，指标值逐渐下降，当α=0时，指标值均取得最大值，说明α=0，兴趣点推荐效果最好，由此得出Gowalla是一个社交型的社交网络，用户更喜欢接受于信任好友的推荐而非权威人士的推荐。

三、小结

本文基于信任传递发现用户的潜在好友，通过全局与局部两个角度计算用户信任度，然后根据用户的签到行为数据，将用户信任好友感兴趣的兴趣点推荐给用户。经实验验证验证，本文提出基于信任传递的兴趣带你推荐方法的有效性。但是由于数据集的限制，本文只研究静态环境下的用户间的信任关系，然而用户间的信任随着时空的变化也在动态变化，可计算动态的用户信任，以进一步提高推荐的精准度。

参考文献：

[1]Zhu J，Wang C，Guo X，et al. Friend and POI recommendation based on social trust cluster in location-based social networks[J].EURASIP Journal on Wireless Communications and Networking，2019（01）.

[2]丁勇，刘菁.LBSN中融合相似性和好友信任的地点推荐算法[J].计算机工程与设计，2016（08）.

[3]Guo G，Zhang J，Thalmann D，et al. From ratings to trust： an empirical study of implicit trust in recommender systems[C].ACM，2014.

[4]Kutsuras T. Alleviating the Sparsity Problem of Collaborative Filtering Using Trust Inferences[M].Berlin，Heidelberg： Sprin-ger Berlin Heidelberg，2005.

*本文系浙江省哲学社会科学规划项目“泛在信息环境中社会化驱动的情境感知个性化方法研究”（16ZJQN041YB）的成果。

（作者单位：浙江理工大学）