基于證據理論的網絡數據不確定推薦方法

摘要：隨著互聯網與數據處理技術的迅速發展，網絡信息的與日俱增，增加了用戶從網絡中快速獲取有用信息的難度，而個性化推薦可以根據用戶的自身屬性與歷史行為數據，為其推薦可能感興趣的信息或商品，對人們日常生活產生了深遠影響。本文在基于證據理論的置信協同推薦算法的基礎上，改進組合規則，建立改進置信推薦模型，選取Epinions評分數據進行測試，并對不同改進模型的準確度進行檢驗。

關鍵詞：推薦系統;證據理論：不確定評分

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2019）35-0207-03

網絡平臺中的購物推薦搜索引擎為用戶提供可能感興趣的商品，但海量信息存在使得搜索結果中往往會包含一些用戶不期望的冗余信息。個性化推薦在這種需求背景下應運而生，它為人們提供了一種全新的獲取信息模式。推薦方法是一種信息過濾系統，用于預測用戶對物品的“評分”或“偏好”。推薦的物品包括：電影、音樂、新聞、書籍、學術論文、搜索查詢以及其他產品。本文基于證據理論的置信協同推薦算法，引入軟評分方法，用軟評分機制度量用戶對物品評價的不確定性，結合K鄰近算法計算用戶的近鄰用戶圈，用改進證據組合規則將圈中用戶的商品評分進行融合，建立改進證據組合規則的置信協同推薦模型，最后將融合后評分高的物品推薦給目標用戶。最后用數據Epinions驗證改進模型的有效性。

1 相關理論基礎

定義1設Θ={θ1，θ2，…θn}表示X所有可能取值的完備集合，且Θ內的所有元素是兩兩互斥的，稱Θ為X的辨識框架。證據理論是建立在冪集2Θ={A：A∈Θ}上的。

定義2設Θ是X的辨識框架，則從集合2Θ到[0，1]的映射m為2Θ上的基本信度分配（BBA）函數，如果滿足：

式中m（A）是事件A的信度分配，表示對A的信任程度。對空集中分配的基本信度代表了辨識框架的不一致性和不完整性。

定義3（D-S證據組合規則）設m1和m2是辨識框架Q下的兩個證據E1和E2相對應的BBA，焦元為A，∈Θ，則合成規則為：

定義4（Dubois和Prade合成規則）設m1和m2是辨識框架Q下的兩個證據E1和E2相對應的BBA，焦元分別為Ai和Bj，則合成規則為：

定義5（Smets合成規則）設m1和m2是辨識框架Q下的兩個證據E1和E2相對應的BBA，焦元分別為A1和A2，則合成規則為：

2 基于改進證據組合規則的置信協同推薦算法

近年來，許多研究表明，在利用D-S合成規則進行證據推理時，會出現不符合常識的結論，直接影響推理決策的正確性和可靠性。為了更好地融合不同用戶對物品的評分，改進合成規則，引入DP合成規則和Smets合成規則，建立改進證據組合規則的置信協同推薦算法。其步驟如下：

1）軟評分生產機制：根據偏概率模型（Partial probabilitymodels）和冪集方法（Power set approach），將傳統“硬評分”數據轉換成“軟評分”。

2）社區挖掘：通過用戶關系網利用標簽傳播算法（LPA）對用戶進行社區分類，在各社區中分別計算用戶的相似度，利用改進的KNN算法篩選近鄰用戶。

3）信息融合：用不同的證據組合規則將近鄰用戶的物品評分進行融合，將融合后評分高的物品推薦給待推薦的用戶。

3 實例分析

本文選取Epinions數據集，其中包含硬評分和用戶關系兩個部分組成。在硬評分部分，評分值由低到高為1到5，步長為1，每個用戶都至少評價了20個物品，并且在用戶關系網中，每個用戶至少認識10位其他用戶。該測試的數據集一共有40163位用戶，評價了139738件物品，一共產生了664824條評分記錄。這40163位用戶的信任關系有487183層。

3.1 D-S合成規則下的推薦過程

利用標簽傳播算法（LPA）將40163名用戶劃分為4個社團。不同社團的部分用戶展示在表1中。

利用D-S證據理論對各個物品的評分進行融合，得到表2物品推薦表。

計算平均絕對誤差（DS-MAE）和混淆矩陣（DS-Recall）值評價推薦模型的準確度。DS-MAE值越小說明出錯的概率越小，也就是測評的結果越好，準確度越高。在實驗結果中，期望較高的回收率，DS-Recall值越大時，說明準確度越高。

先將數據分為10組，再分別計算出結果準確度，10個測試組的平均絕對誤差（DS-MAE）的平均值為0.7748，回收率（DS-Recall）的平均值0.5335。

3.2不同合成規則下改進推薦算法的結果對比

對證據理論的置信協同推薦模型進行改進，引入DP合成規則和Smets合成規則，建立改進證據組合規則的置信協同推薦模型。在模型改進的基礎上分別計算不同合成規則下推薦結果準確度，并與D-S組合規則結果進行對比分析。

利用Smets合成規則得DS-MAE的平均值為0.680，DS-Recall的平均值為0.547，使用Smets合成規則以后DS-MAE減少，DS-Recall增加，這說明整體的準確度也會增高。

DP合成規則的DS-MAE的平均值為0.477，DS-Recall的平均值為0.577，使用DP合成規則以后DS-MAE明顯減少，DS-Recall增加，這說明通過DP的合成規則，推薦的準確度有了大幅度的提高。

表3展示了使用不同的合成規則以后得到的DS-MAE值和DS-Recall值，通過比較可以發現，使用DP合成規則之后整體的準確率得到提高。

4 結論

社交網絡的不確定性信息處理方法是推薦系統研究的熱點和難點。本文在證據理論框架下，引入軟評分系統，結合了社團識別算法和K近鄰算法，提出ECR算法，對物品進行推薦并對數據的靈敏度進行檢驗。考慮到傳統D-S組合規則的局限性，本文引入新的合成規則和推薦算法ECR-Sm和ECR-DP來提高推薦準確度。在這些算法的研究基礎上，對數據集Epinions進行測試并評估測試準確度，結果表明改進的合成規則推薦模型的準確率得到提高。

參考文獻：

[1]Shafer G A.Mathematical Theory of Evidence [M]. Princeton，New Jersey： Princeton University Press，1976.

[2]Wickramarathne TL et al.CoFiDS：A belief-theoretic ap-proach for automated collaborative filtering[J]. IEEE Transac-tions on Knowledge and Data Engineering. 2011，23（2）：175-189.

[3]江濤.基于DS證據理論的信息融合算、法[J].計算機科學，2013（40）：120-124.

[4]雷蕾，王曉丹.結合SVM與DS證據理論的信息融合分類方法[J].計算機工程與應用，2013，49（11）：114-117.

【通聯編輯：唐一東】

收稿日期：2019-08-20

基金項目：陜西省教育廳專項科學研究計劃（19JK0330）

作者簡介：馬麗娜（1986-），女，研究生學歷，西安財經大學行知學院，講師，研究領域為統計數據分析。