電子商務(wù)系統(tǒng)中一種層次化信任度計(jì)算模型

摘要：隨著互聯(lián)網(wǎng)的發(fā)展，個(gè)性化推薦系統(tǒng)在緩解信息過載、提升用戶體驗(yàn)方面發(fā)揮著重要作用，但其依然存在許多缺陷。本文以如何提高用戶滿意度為主線，通過社交網(wǎng)絡(luò)將信任機(jī)制引入推薦系統(tǒng)并參考社會學(xué)相關(guān)知識，將人們之間的信任來源進(jìn)行分類，提出層次化信任度計(jì)算模型。最終通過實(shí)驗(yàn)對層次化信任度計(jì)算模型的推薦效果進(jìn)行了比較研究。

關(guān)鍵詞：推薦系統(tǒng)；社交網(wǎng)絡(luò)；本地信任；全局信任；層次化信任

Abstract：With the development of Internet，Recommendation Systems（RSs）plays an important role on alleviating Information Overflow and improving user satisfaction.But RSs have a lot of defects.The paper’s main topic is how to improve user’s satisfaction.For the calculation of trust degree，this paper imports trust into RSs through social networking and references knowledge of sociology and identifies trust source among people，and propose a model of hierarchical trust.In the end，the paper compared the recommendation of hierarchical model with the parameters.

Keywords：Recommendation System；Local Trust；Global Trust；Hierarchical Trust

1.引 言

我國正處于電子商務(wù)蓬勃發(fā)展的時(shí)代，但是也面臨前所未有的挑戰(zhàn)：信息過載。而推薦系統(tǒng)根據(jù)用戶需求為其推薦商品，降低了商品信息過載問題[9]，幫助用戶花費(fèi)最少的時(shí)間和精力購買到最符合需求的商品，但其存在著難以克服的缺點(diǎn)。通過社交網(wǎng)絡(luò)將信任機(jī)制引入推薦系成為研究新方向。目前，這方面的研究尚不成熟，本文根據(jù)信任的產(chǎn)生來源將人與人之間的信任分為三個(gè)層面，建立了基于層次的信任度計(jì)算模型，具有重要的理論價(jià)值與實(shí)踐價(jià)值。

本文第2節(jié)詳細(xì)討論層次信任度計(jì)算模型；第4節(jié)通過實(shí)驗(yàn)對模型進(jìn)行性能評估；第5節(jié)總結(jié)全文。

2.層次化信任度計(jì)算模型研究

如何通過社交網(wǎng)絡(luò)將信任引入推薦系統(tǒng)，在學(xué)術(shù)界仍未達(dá)成共識。Paolo Massa等人在文獻(xiàn)[1，2，4]中分別使用了本地信任和全局信任使用戶之間可以傳播信任，喬秀全等人從圖論的角度說明了用戶之間的信任產(chǎn)生方式。本文則提出一種層次化的信任產(chǎn)生方式。

2.1 社交網(wǎng)絡(luò)中的多層次信任來源

根據(jù)社會學(xué)交際過程，本文將社交網(wǎng)絡(luò)中人與人的信任來源分為三層。

外部來源：新用戶會選擇信任網(wǎng)絡(luò)中名譽(yù)值比較高的用戶。交互來源：通過在線交互（或線下交際），新用戶對其他用戶了解加深，他們開始信任網(wǎng)絡(luò)中其他用戶。內(nèi)部來源：隨著時(shí)間的推移，用戶會越來越信任與自己在內(nèi)在品質(zhì)方面有較多相似點(diǎn)的用戶。

定義1.聲譽(yù)信任/外部信任：是外部來源所產(chǎn)生的信任，是由一個(gè)人在公共環(huán)境中的整體聲譽(yù)或者公信力所產(chǎn)生的信任。它是一種全局信任，是一個(gè)系統(tǒng)中所有人對該用戶的“公認(rèn)度”，獨(dú)立于任何單個(gè)的第三方用戶。即某一特定用戶的聲譽(yù)信任對于系統(tǒng)中的其他所有用戶來說都是相同的。

定義2.交互信任：交互信任即交互來源所產(chǎn)生的信任，它是一個(gè)系統(tǒng)或集體中人與人之間的交際活動所產(chǎn)生的信任關(guān)系。交互信任是一種本地信任，這種信任值因人而異。

定義3.內(nèi)部信任：內(nèi)部來源所產(chǎn)生的信任，是由于兩個(gè)人之間內(nèi)在品質(zhì)（如性格、品味、理想等）的相似性產(chǎn)生的信任關(guān)系。

2.2 層次化信任度計(jì)算模型

根據(jù)圖2.1得到層次化信任度計(jì)算模型的抽象數(shù)學(xué)表達(dá)式如等式（3.1）所示：

（2.1）

在公式（2.1）中，Trust（A，W）代表用戶A對用戶W的總體信任值，它由聲譽(yù)信任值、交互信任值和內(nèi)部信任值加權(quán)求和得到。a、b、c為經(jīng)驗(yàn)參數(shù)，它們之間滿足：a，b，c>0，a+b+c=1；R（W）表示用戶W在系統(tǒng)中的聲譽(yù)信任值，使用E-PageRank對其進(jìn)行計(jì)算；IT（A，W）表示用戶A和用戶W之間的交互信任值；Sim（A，W）表示用戶A用戶W由于相似性而產(chǎn)生的信任值，即內(nèi)部信任值。

2.3 社交網(wǎng)絡(luò)的抽象表示

本文參考文獻(xiàn)[6，10]中基于有向加權(quán)圖計(jì)算用戶之間信任值的做法，將社交網(wǎng)絡(luò)抽象成有向加權(quán)圖。從圖論的角度來看，一個(gè)社交網(wǎng)絡(luò)可以抽象表示為有向加權(quán)圖G（U，E，W），U為所有節(jié)點(diǎn)的集合代表所有的用戶；E為網(wǎng)絡(luò)中的有向邊集合，位于有向邊起點(diǎn)的節(jié)點(diǎn)稱為源節(jié)點(diǎn)，反之為目標(biāo)節(jié)點(diǎn)，有向邊的方向表示相鄰節(jié)點(diǎn)之間的信任關(guān)系。W為權(quán)重，本文規(guī)定權(quán)重的范圍為[1，10]。

圖2.2中，節(jié)點(diǎn)B信任節(jié)點(diǎn)A，節(jié)點(diǎn)A信任節(jié)點(diǎn)D，那么節(jié)點(diǎn)B就會在一定程度信任節(jié)點(diǎn)D，節(jié)點(diǎn)B對節(jié)點(diǎn)的信任程度將在后文中使用E-PageRank和M-MoleTrust進(jìn)行計(jì)算，在此不做贅述。

圖2.2 信任網(wǎng)絡(luò)初始狀態(tài)示意圖

2.4 聲譽(yù)信任值的計(jì)算

與傳統(tǒng)的PageRank不同，本文所涉及社交網(wǎng)絡(luò)中的每個(gè)外向鏈接（即信任關(guān)系）都有其權(quán)重，所以每一節(jié)點(diǎn)對其他節(jié)點(diǎn)貢獻(xiàn)的聲譽(yù)值應(yīng)當(dāng)按外向鏈接的權(quán)重比例去分配。將外向鏈接的權(quán)重引入后得到E-PageRank，如公式（2.2）所示：

其中 （2.2）

在公式（2.1）中，R（u）表示用戶u的聲譽(yù)值，Bu表示指向用戶u的所有用戶的集合，W（v，u）表示用戶v對用戶u的信任強(qiáng)度，O（v）表示節(jié)點(diǎn)v的某一外向鏈接的權(quán)重，∑O（v）表示節(jié)點(diǎn)v所有外向鏈接權(quán)重之和。c是取值[0，1]之間的一個(gè)標(biāo)準(zhǔn)化因子，E（u）是節(jié)點(diǎn)u的逃脫因子，本文取網(wǎng)絡(luò)中節(jié)點(diǎn)總數(shù)的倒數(shù)作為每一個(gè)節(jié)點(diǎn)的逃脫因子。經(jīng)計(jì)算得到聲譽(yù)值如表2.1所示：

表2.1 PageRank與E-PageRank聲譽(yù)值相比較

節(jié)點(diǎn)PageRankE-PageRank節(jié)點(diǎn)PageRankE-PageRank

A0.36570.3928G0.30740.3074

B0.25290.2598H0.36110.3698

C0.23950.2153J0.31190.3167

D0.28540.2938K0.24700.2281

E0.31460.3039W0.23900.2261

F0.25830.2608Z0.23970.2246

在圖2.2中節(jié)點(diǎn)A和H在連通整個(gè)圖的過程中起著更為重要的作用。在表2.1中節(jié)點(diǎn)A和H改進(jìn)后的算法聲譽(yù)值更高，更符合社交網(wǎng)絡(luò)的實(shí)際情況。因此，本文將使用E-PageRank進(jìn)行聲譽(yù)信任值的計(jì)算。

2.5 交互信任值的計(jì)算

交互是人的社會屬性，任何一個(gè)系統(tǒng)中的個(gè)體與他周圍的其它個(gè)體不斷地進(jìn)行著交互，從而產(chǎn)生不同程度的信任。文獻(xiàn)[6]把用戶之間的通信次數(shù)作為兩個(gè)人之間信任度的度量依據(jù)，兩人之間通信次數(shù)越多，表示兩人越熟悉對方，他們之間的信任強(qiáng)度也就越強(qiáng)。本文基于帶權(quán)有向圖所表示的社會網(wǎng)絡(luò)，將源節(jié)點(diǎn)對目標(biāo)節(jié)點(diǎn)的評分作為源節(jié)點(diǎn)對于目標(biāo)節(jié)點(diǎn)的信任值。

圖2.3是修正的信任網(wǎng)絡(luò)，本文將該修正的信任網(wǎng)絡(luò)模型視為一個(gè)具有層次關(guān)系的有向圖。在圖的最上層是當(dāng)前用戶（本例中為用戶A）。

圖2.3 經(jīng)MoleTrust修正的信任網(wǎng)絡(luò)

而M-MoleTrust基于以下思想：1.決定待計(jì)算用戶信任度的是他的直接上層用戶和當(dāng)前用戶；2.隨著信任的逐層傳播，信任值會不斷衰減，即隨著人與人之間距離的增加，他們之間的相對信任度在降低。為實(shí)現(xiàn)上述目的，本文在MoleTrust的信任度計(jì)算公式中引入一個(gè)遞減因子ω，其計(jì)算方式如公式（2.3）所示，其中p代表predecessors。

，=，（2.3）

表2.2為用戶A對其他節(jié)點(diǎn)的信任值計(jì)算結(jié)果對比?？梢钥闯鯩-MoleTrust所計(jì)算的用戶A對其他用戶的信任值從第2層開始迅速衰減，這符合人們的正常社交習(xí)慣。M-MoleTrust計(jì)算結(jié)果更貼近實(shí)際，所以本文采用M-MoleTrust計(jì)算交互信任值。

表2.2 MoleTrust與M-MoleTrust 結(jié)果對比

節(jié)點(diǎn)所在層MoleTrustModifed-MoleTrust

A01.00001.0000

B10.40000.4000

E10.50000.5000

C10.30000.3000

D10.60000.6000

F20.42220.3800

K20.10000.0500

G20.70000.2100

H20.60000.3600

J20.40000.2400

W30.40000.2280

Z30.46000.2760

2.6 內(nèi)部信任值的計(jì)算

用戶相似度反應(yīng)兩個(gè)用戶在興趣愛好、審美品味、性格特征甚至價(jià)值觀等方面的相似程度，這些都屬于人的內(nèi)在屬性，很難在短時(shí)間內(nèi)改變。本文將其稱為內(nèi)部信任。

本文選擇比較成熟的皮爾森相關(guān)系數(shù)作為內(nèi)部信任度的衡量指標(biāo)。計(jì)算如公式（2.4）示，其中n表示用戶A和用戶W共同評分的項(xiàng)目數(shù)，r（K，i）表示用戶K對項(xiàng)目i的評分。

Similarity（A，W）=[n]/[

（2.4）

3.實(shí)驗(yàn)及推薦評估

3.1 實(shí)驗(yàn)所用數(shù)據(jù)介紹

本實(shí)驗(yàn)所使用數(shù)據(jù)集來自網(wǎng)站Epinions，用戶可以在該網(wǎng)站對任何主題發(fā)表評價(jià)，或者對別人發(fā)表的評價(jià)再進(jìn)行評價(jià)。在Epinions中用戶對項(xiàng)目的評分范圍是[1，5]，用戶對用戶的信任描述只有三種情況：信任（1）、不信任（-1）、無直接信任記錄（0）。

本試驗(yàn)隨機(jī)抽取20%（364619條）用戶-項(xiàng)目評分記錄作為測試數(shù)據(jù)集，剩余的1458556條用戶-項(xiàng)目評分記錄和所有的用戶-用戶信任描述記錄作為訓(xùn)練數(shù)據(jù)集。

3.2 層次化信任度計(jì)算模型性能評估

3.2.1 經(jīng)驗(yàn)參數(shù)的確定

本文針對每一類型用戶按事先估計(jì)的參數(shù)范圍隨機(jī)生成50組參數(shù)，選擇能使預(yù)測評分的MAE最小的一組參數(shù)。本文參照文獻(xiàn)[1，3]的經(jīng)驗(yàn)，將參數(shù)Trust Threshold、trust _propagation_ distance和trust_threshold設(shè)置為0.2、3與0.3。

圖3.1 普通用戶的經(jīng)驗(yàn)參數(shù)分析圖

圖3.2 冷啟動用戶的經(jīng)驗(yàn)參數(shù)分析圖

圖3.3 存在爭議用戶的其他用戶的經(jīng)驗(yàn)參數(shù)分析圖

從上面的圖中可以得出，對于普通用戶參數(shù)a，b，c的最優(yōu)取值分別是0.3539、0.4018和0.2443，此時(shí)MAE取值為0.7160；

對于冷啟動用戶，參數(shù)a，b，c 的最優(yōu)取值分別是0.4289、0.4080 和0.1631，此時(shí)MAE為0.7201；存在爭議用戶的其他用戶，參數(shù)a，b，c的最優(yōu)取值分別是0.2013、0.4108和0.3879，此時(shí)MAE取值0.7091。

3.2.2 模型預(yù)測推薦能力評估

下圖以MAE為縱坐標(biāo)來比較不同算法對于不同用戶群體推薦結(jié)果的準(zhǔn)確性。層次化信任模型對四類用戶的MAE值都有不同程度的降低，提高了預(yù)測的準(zhǔn)確度。相對協(xié)同過濾而言基于信任的推薦算法在較大程度上提高了推薦的準(zhǔn)確性，再次證明將信任機(jī)制引入推薦系統(tǒng)是解決推薦系統(tǒng)固有頑疾的嶄新思路。

圖3.4 四種推薦算法的準(zhǔn)確性對比

本文使用衡量系統(tǒng)推薦能力的指標(biāo)High Rating Coverage對本文所提模型的推薦能力進(jìn)行評估。如圖3.5，對協(xié)同過濾而言，基于信任的推薦技術(shù)在推薦能力方面有小幅提升，特別是對冷啟動用戶，M-MoleTrust將其High Rating Coverage提高了30.70%，E-PageRank提高了61.30%，層次化信任模型提高了39.82%。

圖3.5四種推薦算法的推薦能力對比

4.結(jié)論與展望

本文通過研究得出以下結(jié)論：1.將信任機(jī)制應(yīng)用到推薦系統(tǒng)能夠緩解冷啟動、數(shù)據(jù)稀疏等問題；2.本文所提出的層次化信任度計(jì)算能夠在較大幅度提高推薦系統(tǒng)推薦質(zhì)量的同時(shí)為更多的用戶提供推薦服務(wù)。由于學(xué)識和水平有限，本文的研究從廣度和深度上都有局限之處，在未來的研究中可以將不信任引入，以期達(dá)到更優(yōu)質(zhì)的推薦效果。

致 謝

感謝我的導(dǎo)師高迎副教授以及我的學(xué)長康永勝，他們的指導(dǎo)對提高本論文水平有很大幫助！

參考文獻(xiàn)：

[1] Massa P，Avesani P.Trust-aware collaborative filtering for recommender systems// International Conference on Cooperative Information Systems，Larnaca，Cyprus，2004：492-508

[2] Massa P，Bhattacharjee B.Using Trust in Recommender Systems：An Experimental Analysis//Second International Conference，Oxford，UK，2004：221-235

[3] Massa P，Avesani P.Trust metrics on controversial users：balancing between tyranny of the majority and echo chamber.International Journal on Semantic Web and Information Systems（IJSWIS），2007：39-64.

[4] Massa P，Avesani P.Controversial users demand local trust metrics：An experimental study on epinions.com community //Proceedings of the National Conference on artificial Intelligence，Pittsburgh，USA，2005：121-126.

[5] Page L，Brin S，Motwani R，et al.The PageRank citation ranking：bringing order to the web.1999.

[6] 喬秀全，楊春，李曉峰，等.社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法，計(jì)算機(jī)學(xué)報(bào).2011：2403-2413

[7] Massa P，Avesani P.Trust-aware bootstrapping of recommender systems，ECAI Workshop on Recommender Systems.2006：29-33.

[8] Massa P，Avesani P.Trust metrics in recommender systems，Computing with social trust Springer London.2009：259- 285.

[9] Massa P，Avesani P.Trust-aware recommender systems// Proceedings of the 2007 ACM conference on Recommender systems，ACM，Minneapolis，Minnesota，USA 2007：17-24.

[10] Lo S，Lin C.Wmr--a graph-based algorithm for friend recommendation//Proceedings of the 2006 IEEE/WIC/ACM International Conference on Web Intelligence，IEEE Computer Society，HK，China，2006：121-128.