基于用戶本地信息的間接信任模型協(xié)同過濾推薦算法

關(guān)鍵詞：信任模型；局部信息；協(xié)同過濾；相似性；時(shí)間衰變

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）28-0056-03

0 引言

如今，信任在分布式、對等、網(wǎng)格和動(dòng)態(tài)協(xié)作系統(tǒng)中扮演著重要角色。本文引用以下定義：“信任（或?qū)ΨQ的不信任）是一個(gè)主觀概率水平，用來評估一個(gè)代理人相信另一個(gè)代理人或一組代理人將執(zhí)行某個(gè)特定動(dòng)作，無論他能否監(jiān)控該動(dòng)作（或者獨(dú)立于他有能力以后監(jiān)控或強(qiáng)制執(zhí)行該動(dòng)作），并且該上下文信息會(huì)影響到他自己的行動(dòng)” [1]。由于這些系統(tǒng)規(guī)模大、開放性強(qiáng)，常常需要與其他代理人進(jìn)行交互，而這些代理人可能幾乎沒有或者完全沒有過去的互動(dòng)經(jīng)驗(yàn)。因此，用戶需要評估這些交互的風(fēng)險(xiǎn)，而解決這個(gè)問題的一個(gè)有效方法就是建立信任機(jī)制。

當(dāng)用戶與一個(gè)代理人有足夠的直接交互經(jīng)驗(yàn)時(shí)，可以可靠地預(yù)測該代理人的未來表現(xiàn)[2]。現(xiàn)有的信任模型通常需要大量的直接經(jīng)驗(yàn)，比如信任網(wǎng)絡(luò)模型[3]、特征信任模型[4]。然而，在大規(guī)模環(huán)境中，直接經(jīng)驗(yàn)是不充分甚至不存在的。例如，信任網(wǎng)絡(luò)模型建立了用戶與目標(biāo)代理人之間的信任關(guān)系鏈。基本思想是：如果A信任B，B信任C，那么A可以通過B對C的推薦和A對B的信任來推斷出對C的信任。在分布式系統(tǒng)中，這些鏈條并不容易被發(fā)現(xiàn)。此外，它們還會(huì)受到不準(zhǔn)確的報(bào)告和“最薄弱環(huán)節(jié)”的影響[3]。因此，在評估預(yù)測時(shí)基于用戶的間接經(jīng)驗(yàn)，這些經(jīng)驗(yàn)是從其他代理人那里獲得的，并且確定了目標(biāo)代理人的聲譽(yù)。在這種情況下，本文提出了一種信任計(jì)算方法，利用用戶自己與具有類似特征的其他代理人互動(dòng)的信息來計(jì)算信任度，其中特征是由與代理人或交易相關(guān)的上下文信息確定的。

1 已存在信任模型

在本節(jié)中，筆者介紹了兩種信任模型，分別是信任網(wǎng)絡(luò)和特征信任模型。這兩種方法的具體內(nèi)容如下。

1.1 信任網(wǎng)絡(luò)模型

信任網(wǎng)絡(luò)模型基于傳遞性信任鏈。如果用戶不認(rèn)識(shí)目標(biāo)代理人，他會(huì)詢問他的鄰居，如果鄰居也不認(rèn)識(shí)目標(biāo)代理人，那么他們的鄰居會(huì)繼續(xù)詢問他們的鄰居。信任圖是通過信任關(guān)系構(gòu)建的。該模型包含兩種變體：最短路徑和最可靠路徑。在最短路徑中，代理人只選擇最短路徑，并忽略沿途代理人的可信度。如果存在多條最短信任路徑，委托人將選擇最可靠的路徑（路徑上的代理人最可靠）。在最可靠路徑中，代理人會(huì)選擇信任評級最高的、最可靠的鄰居來請求目標(biāo)代理人的信任。如果該鄰居不認(rèn)識(shí)目標(biāo)代理人，它會(huì)繼續(xù)請求自己最可靠的鄰居。這樣就找到了最可靠的路徑。為了避免無限請求，筆者將跳數(shù)限制為6。如果在6個(gè)跳數(shù)內(nèi)沒有代理人認(rèn)識(shí)目標(biāo)代理人，則該模型無法推導(dǎo)出目標(biāo)代理人的信任。

1.2 特征信任模型

該模型利用信任的傳遞性，并通過讓同行進(jìn)行分布式計(jì)算來聚合信任，以推導(dǎo)出信任矩陣的特征向量[5]。首先，用戶向他信任的朋友詢問目標(biāo)代理人的信任情況。每個(gè)朋友的意見都與其全局聲譽(yù)加權(quán)。為了獲取目標(biāo)代理人信息的廣泛視角，用戶會(huì)繼續(xù)詢問他朋友的朋友，直到兩個(gè)連續(xù)迭代中得出的兩個(gè)信任值之差小于一個(gè)閾值為止。該模型中使用了預(yù)先信任的代理人。

4.3 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)的目的是將本文提出的算法與傳統(tǒng)的協(xié)同過濾算法以及近期業(yè)界比較領(lǐng)先的研究方法（Effec?tive Missing Data Prediction， EMDP） 進(jìn)行比較。筆者使用相同的實(shí)驗(yàn)數(shù)據(jù)，比較本文提出的改進(jìn)算法與“基于信任的CF”，以及文獻(xiàn)[5]中提出的EMDP算法在推薦精度方面的差異。在這個(gè)實(shí)驗(yàn)中，“最近鄰數(shù)數(shù)目”取值范圍為[10，50]，每次增加5個(gè)鄰居。實(shí)驗(yàn)結(jié)果如圖1所示。實(shí)驗(yàn)結(jié)果表明，本文提出的方法可以得到較低的MAE值，因此推薦效果更好，隨著產(chǎn)品最近鄰居數(shù)目的增加，預(yù)測的質(zhì)量也在不斷提升。

5 結(jié)論

本論文提出了一種基于用戶本地信息間接信任模型協(xié)同過濾推薦算法。新算法考慮了在大規(guī)模分布式環(huán)境中預(yù)測未知代理人的可信度的問題。傳統(tǒng)基于信任的協(xié)同過濾方法基本上通過將第三方對代理人的信任與信任者對這些第三方的信任相結(jié)合，或者簡單地整合第三方對未知代理人的反饋來推導(dǎo)未知代理人的信任。相比之下，本文提出的方法使用了不同類型的信息，即信任者個(gè)人認(rèn)識(shí)的其他代理人與未知代理人的語義相似性。新方法利用的信息來自用戶的本地信息，因此在理論上可以輕松獲取。而且，這個(gè)信任模型只是使用用戶的本地信息進(jìn)行初步評估。在復(fù)雜的網(wǎng)絡(luò)環(huán)境中，特別是在缺乏直接目標(biāo)代理人信息的情況下，這個(gè)模型具有深遠(yuǎn)的意義。