融合信任隐含相似度与评分相似度的社会化推荐

doi:10.11772/j.issn.1001-9081.2021101782

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (12): 3671-3678.DOI: 10.11772/j.issn.1001-9081.2021101782

• 人工智能 • 上一篇

融合信任隐含相似度与评分相似度的社会化推荐

周寅莹¹, 章梦怡¹, 余敦辉¹^,², 朱明¹()

^1.湖北大学计算机与信息工程学院，武汉 430062
^2.湖北省教育信息化工程技术研究中心（湖北大学），武汉 430062

收稿日期:2021-10-18 修回日期:2021-12-19 接受日期:2021-12-23 发布日期:2021-12-31 出版日期:2022-12-10
通讯作者: 朱明
作者简介:周寅莹（1998—），女，湖北随州人，硕士研究生，主要研究方向：知识图谱、推荐系统
章梦怡（2002—），女，湖北武汉人，主要研究方向：知识图谱
余敦辉（1974—），男，湖北武汉人，教授，博士，CCF会员，主要研究方向：知识图谱、大数据、服务计算、众包数据管理
基金资助:
国家重点研发计划项目(2018YFB1003801);国家自然科学基金资助项目(61977021);湖北省技术创新专项（重大项目）(2018ACA13)

Social recommendation combining trust implicit similarity and score similarity

Yinying ZHOU¹, Mengyi ZHANG¹, Dunhui YU¹^,², Ming ZHU¹()

^1.School of Computer and Information Engineering，Hubei University，Wuhan Hubei 430062，China
^2.Hubei Provincial Engineering and Technology Research Center for Education Informationization （Hubei University），Wuhan Hubei 430062，China

Received:2021-10-18 Revised:2021-12-19 Accepted:2021-12-23 Online:2021-12-31 Published:2022-12-10
Contact: Ming ZHU
About author:ZHOU Yinyingborn in 1998， M. S. candidate. Her research interests include knowledge graph， recommendation system.
ZHANG Mengyi，born in 2002. Her research interests include knowledge graph.
YU Dunhui，born in 1974， Ph. D.， professor. His research interests include knowledge graph， big data， services computing，crowdsourced data management.
Supported by:
National Key Research and Development Program of China(2018YFB1003801);National Natural Science Foundation of China(61977021);Technology Innovation Special Program of Hubei Province （Major Project）(2018ACA13)

摘要/Abstract

摘要：

针对现有的社会化推荐算法大都忽略了物品间的关联关系对推荐精度的影响，并且未能将用户评分与信任数据进行有效结合的问题，提出一种融合信任隐含相似度与评分相似度的社会化推荐算法（SocialTS）。首先，将用户间的评分相似度与信任隐含相似度进行线性组合以得到用户间可靠的相似朋友；然后，将信任关系融入到项目的相关性分析中，从而得到修正后的相似项目；最后，将相似用户、项目作为正则项添加到矩阵分解（MF）模型下，从而获取用户、项目更准确的特征表示。实验结果表明，当潜在特征维度为10时，与主流的社会化推荐算法TrustSVD相比，SocialTS在FilmTrust和CiaoDVD数据集上的均方根误差（RMSE）分别降低了4.23%和8.38%，平均绝对误差（MAE）分别降低了4.66%和6.88%。SocialTS不仅可以有效改善用户冷启动问题，还能较为准确地预测不同评分数量下用户的实际评分，且具有良好的鲁棒性。

Abstract:

Focused on the issue that the most existing social recommendation algorithms ignore the influence of the association relationship between items on the recommendation accuracy， and fail to effectively combine user ratings with trust data， a Social recommendation algorithm combing Trust implicit similarity and Score similarity （SocialTS） was proposed. Firstly， the score similarity and trust implicit similarity between users were combined linearly to obtain reliable similar friends among users. Then， the trust relationship was integrated into the correlation analysis of items， and the modified similar items were obtained. Finally， similar users and items were added to the Matrix Factorization （MF） model as regularization terms， thereby obtaining more accurate feature representations of users and items. Experimental results show that on FilmTrust and CiaoDVD datasets， when the latent feature dimension is 10， compared with the mainstream social recommendation algorithm Trust-based Singular Value Decomposition （TrustSVD）， SocialTS has the Root Mean Square Error （RMSE） reduced by 4.23% and 8.38% respectively， and the Mean Absolute Error （MAE） reduced by 4.66% and 6.88% respectively. SocialTS can not only effectively improve users' cold start problem， but also accurately predict users' actual ratings under different numbers of ratings， and has good robustness.

Key words: social recommendation, cold start, trust implicit similarity, trust relationship, Matrix Factorization (MF)

中图分类号:

TP391.3

周寅莹, 章梦怡, 余敦辉, 朱明. 融合信任隐含相似度与评分相似度的社会化推荐[J]. 计算机应用, 2022, 42(12): 3671-3678.

Yinying ZHOU, Mengyi ZHANG, Dunhui YU, Ming ZHU. Social recommendation combining trust implicit similarity and score similarity[J]. Journal of Computer Applications, 2022, 42(12): 3671-3678.

图/表 9

图1 本文算法整体框架

Fig. 1 Overall framework of the proposed algorithm

图2 最大用户组匹配

Fig.2 Maximum user group matching

表1 实验数据集统计信息

Tab. 1 Experimental datasets statistics

数据集	用户数	项目数	评分数	信任数	评分范围
FilmTrust	1 508	2 071	35 497	1 853	［0.5，4.0］
CiaoDVD	17 615	16 121	72 665	40 133	［1.0，5.0］

图3 不同α下的实验结果

Fig. 3 Experimental results under different α values

图4 不同TopK下的实验结果

Fig. 4 Experimental results under different TopK values

图5 不同k下的实验结果

Fig. 5 Experimental results under different k values

表2 不同算法的实验结果对比

Tab. 2 Experimental results comparison of different algorithms

算法	FilmTrust				CiaoDVD
	k=5		k=10		k=5		k=10
	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE
误差降低百分比/%	4.14	4.44	4.23	4.66	8.71	7.32	8.38	6.88
SoRec	0.857	0.659	0.859	0.662	1.236	0.939	1.207	0.916
RSTE	0.860	0.668	0.859	0.662	1.162	0.914	1.150	0.908
SocialMF	0.851	0.659	0.853	0.661	1.073	0.833	1.070	0.822
SocialReg	0.846	0.654	0.846	0.653	1.070	0.821	1.064	0.818
CUNE	0.854	0.676	0.853	0.675	1.074	0.839	1.072	0.826
TrustSVD	0.831	0.640	0.829	0.639	1.020	0.762	1.016	0.758
SocialTS	0.796	0.612	0.794	0.609	0.931	0.706	0.930	0.706

图6 不同评分数量下的用户分布

Fig.6 Distribution of users under different numbers of ratings

图7 不同评分数量下的实验结果对比

Fig. 7 Comparison of experimental results under different numbers of ratings

参考文献 30

1	DAS J， BANERJEE M， MALI K， et al. Scalable recommendations using clustering based collaborative filtering［C］// Proceedings of the 2019 International Conference on Information Technology. Piscataway： IEEE， 2019： 279-284. 10.1109/icit48102.2019.00056
2	FENG J M， XIA Z Q， FENG X Y， et al. RBPR： a hybrid model for the new user cold start problem in recommender systems［J］. Knowledge-Based Systems， 2021， 214： No.106732. 10.1016/j.knosys.2020.106732
3	陈婷，朱青，周梦溪，等. 社交网络环境下基于信任的推荐算法［J］. 软件学报， 2017， 28（3）：721-731.
	CHEN T， ZHU Q， ZHOU M X， et al. Trust-based recommendation algorithm in social network［J］. Journal of Software， 2017， 28（3）： 721-731.
4	孟祥武，刘树栋，张玉洁，等. 社会化推荐系统研究［J］. 软件学报， 2015， 26（6）：1356-1372. 10.13328/j.cnki.jos.004831
	MENG X W， LIU S D， ZHANG Y J， et al. Research on social recommender systems［J］. Journal of Software， 2015， 26（6）： 1356-1372. 10.13328/j.cnki.jos.004831
5	刘华锋，景丽萍，于剑. 融合社交信息的矩阵分解推荐方法研究综述［J］. 软件学报， 2018， 29（2）：340-362. 10.13328/j.cnki.jos.005391
	LIU H F， JING L P， YU J. Survey of matrix factorization based recommendation methods by integrating social information［J］. Journal of Software， 2018， 29（2）： 340-362. 10.13328/j.cnki.jos.005391
6	ZHANG T W， LI W P， WANG L， et al. Social recommendation algorithm based on stochastic gradient matrix decomposition in social network［J］. Journal of Ambient Intelligence and Humanized Computing， 2020， 11（2）： 601-608. 10.1007/s12652-018-1167-7
7	LIU G S， MENG K， DING J C， et al. An entity-association-based matrix factorization recommendation algorithm［J］. Computers， Materials and Continua， 2019， 58（1）： 101-120. 10.32604/cmc.2019.03898
8	LI W T， GAO M， RONG W G， et al. Social recommendation using Euclidean embedding［C］// Proceedings of the 2017 International Joint Conference on Neural Networks. Piscataway： IEEE， 2017： 589-595. 10.1109/ijcnn.2017.7965906
9	JAMALI M， ESTER M. A matrix factorization technique with trust propagation for recommendation in social networks［C］// Proceedings of the 4th ACM Conference on Recommender Systems. New York： ACM， 2010： 135-142. 10.1145/1864708.1864736
10	MA H， ZHOU D Y， LIU C， et al. Recommender systems with social regularization［C］// Proceedings of the 4th ACM International Conference on Web Search and Data Mining. New York： ACM， 2011： 287-296. 10.1145/1935826.1935877
11	潘一腾，何发智，于海平. 一种基于信任关系隐含相似度的社会化推荐算法［J］. 计算机学报， 2018， 41（1）：65-81. 10.11897/SP.J.1016.2018.00065
	PAN Y T， HE F Z， YU H P. Social recommendation algorithm using implicit similarity in trust［J］. Chinese Journal of Computers， 2018， 41（1）： 65-81. 10.11897/SP.J.1016.2018.00065
12	ZHANG C X， YU L， WANG Y， et al. Collaborative user network embedding for social recommender systems［C］// Proceedings of the 2017 SIAM International Conference on Data Mining. Philadelphia， PA： SIAM， 2017： 381-389. 10.1137/1.9781611974973.43
13	XU C T， HAN K， GUI F， et al. SimilarMF： a social recommender system using an embedding method［C］// Proceedings of the IEEE 21st International Conference on High Performance Computing and Communications/ IEEE 17th International Conference on Smart City/ IEEE 5th International Conference on Data Science and Systems. Piscataway： IEEE， 2019： 1328-1334. 10.1109/hpcc/smartcity/dss.2019.00185
14	张青博，王斌，崔宁宁，等. 基于注意力机制的规范化矩阵分解推荐算法［J］. 软件学报， 2020， 31（3）：778-793. 10.13328/j.cnki.jos.005913
	ZHANG Q B， WANG B， CUI N N， et al. Attention-based regularized matrix factorization for recommendation［J］. Journal of Software， 2020， 31（3）： 778-793. 10.13328/j.cnki.jos.005913
15	MA H， YANG H X， LYU M R， et al. SoRec： social recommendation using probabilistic matrix factorization［C］// Proceedings of the 17th ACM Conference on Information and Knowledge Management. New York： ACM， 2008： 931-940. 10.1145/1458082.1458205
16	GUO G B， ZHANG J， YORKE-SMITH N. TrustSVD： collaborative filtering with both the explicit and implicit influence of user trust and of item ratings［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2015： 123-129. 10.1609/aaai.v29i1.9153
17	XIONG F， SHEN W H， CHEN H S， et al. Exploiting implicit influence from information propagation for social recommendation［J］. IEEE Transactions on Cybernetics， 2020， 50（10）： 4186-4199. 10.1109/tcyb.2019.2939390
18	郎亚坤，王国中. 融入用户隐式信任的协同过滤推荐算法［J］. 小型微型计算机系统， 2021， 42（8）：1649-1654. 10.3969/j.issn.1000-1220.2021.08.013
	LANG Y K， WANG G Z. Collaborative filtering recommendation algorithm incorporating user implicit trust［J］. Journal of Chinese Computer Systems， 2021， 42（8）： 1649-1654. 10.3969/j.issn.1000-1220.2021.08.013
19	MA H， KING I， LYU M R. Learning to recommend with social trust ensemble［C］// Proceedings of the 32nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2009： 203-210. 10.1145/1571941.1571978
20	SHI C， HU B B， ZHAO W X， et al. Heterogeneous information network embedding for recommendation［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 31（2）： 357-370. 10.1109/tkde.2018.2833443
21	田保军，杨浒昀，房建东. 融合信任和基于概率矩阵分解的推荐算法［J］. 计算机应用， 2019， 39（10）：2834-2840.
	TIAN B J， YANG H Y， FANG J D. Recommendation algorithm based on probability matrix factorization and fusing trust［J］. Journal of Computer Applications， 2019， 39（10）： 2834-2840.
22	YANG B， LEI Y， LIU J M， et al. Social collaborative filtering by trust［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（8）： 1633-1647. 10.1109/tpami.2016.2605085
23	YAO W L， HE J， HUANG G Y， et al. Modeling dual role preferences for trust-aware recommendation［C］// Proceedings of the 37th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2014： 975-978. 10.1145/2600428.2609488
24	WANG M L， MA J. A novel recommendation approach based on users' weighted trust relations and the rating similarities［J］. Soft Computing， 2016， 20（10）： 3981-3990. 10.1007/s00500-015-1734-1
25	ANWAR T， UMA V， SRIVASTAVA G. Rec-CFSVD++： implementing recommendation system using collaborative filtering and singular value decomposition （SVD）++［J］. International Journal of Information Technology and Decision Making， 2021， 20（4）： 1075-1093. 10.1142/s0219622021500310
26	WANG D W， YIH Y， VENTRESCA M. Improving neighbor-based collaborative filtering by using a hybrid similarity measurement［J］. Expert Systems with Applications， 2020， 160： No.113651. 10.1016/j.eswa.2020.113651
27	REAFEE W， ALHAZMI M， SALIM N. Two-sided regularization model based on probabilistic matrix factorization and quantum similarity for recommender systems［J］. International Journal of Modeling Simulation and Scientific Computing， 2020， 11（6）： No.2050056. 10.1142/s1793962320500567
28	吴宾，娄铮铮，叶阳东. 联合正则化的矩阵分解推荐算法［J］. 软件学报， 2018， 29（9）：2681-2696.
	WU B， LOU Z Z， YE Y D. Co-regularized matrix factorization recommendation algorithm［J］. Journal of Software， 2018， 29（9）： 2681-2696.
29	GUO G B， ZHANG J， YORKE-SMITH N. A novel Bayesian similarity measure for recommender systems［C］// Proceedings of the 23rd International Joint Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2013： 2619-2625. 10.1145/2507157.2507200
30	GUO G B， ZHANG J， THALMANN D， et al. ETAF： an extended trust antecedents framework for trust prediction［C］// Proceedings of the 2014 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining. Piscataway： IEEE， 2014： 540-547. 10.1109/asonam.2014.6921639

[1]	包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1375-1382.
[2]	王锦凯, 贾旭. 基于迁移孪生非负矩阵分解的静脉识别算法[J]. 计算机应用, 2021, 41(3): 898-903.
[3]	陈献, 胡丽莹, 林晓炜, 陈黎飞. 基于核非负矩阵分解的有向图聚类算法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3447-3454.
[4]	杜汉, 龙显忠, 李云. 基于图学习正则判别非负矩阵分解的人脸识别[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3455-3461.
[5]	李华, 卢桂馥, 余沁茹. 基于干净数据的流形正则化非负矩阵分解[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3492-3498.
[6]	骆锦潍, 刘杜钢, 潘微科, 明仲. 基于改进的倾向得分估计的无偏推荐模型[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3508-3514.
[7]	任柯舟, 彭甫镕, 郭鑫, 王喆, 张晓静. 动态融合社交信息的社会化推荐[J]. 计算机应用, 2021, 41(10): 2806-2812.
[8]	温雯, 刘芳, 蔡瑞初, 郝志峰. 面向群组用户时序行为的动态推荐算法[J]. 计算机应用, 2021, 41(1): 60-66.
[9]	田保军, 刘爽, 房建东. 融合主题信息和卷积神经网络的混合推荐算法[J]. 计算机应用, 2020, 40(7): 1901-1907.
[10]	王锦凯, 贾旭. 基于加权正交约束非负矩阵分解的车脸识别算法[J]. 计算机应用, 2020, 40(4): 1050-1055.
[11]	成其伟, 陈启买, 贺超波, 刘海. 基于改进对称二值非负矩阵分解的重叠社区发现方法[J]. 计算机应用, 2020, 40(11): 3203-3210.
[12]	沈学利, 李子健, 赫辰皓. 基于评分填充与信任信息的混合推荐算法[J]. 计算机应用, 2020, 40(10): 2789-2794.
[13]	刘颖, 梁楠楠, 李大湘, 杨凡超. 基于光谱距离聚类的高光谱图像解混算法[J]. 计算机应用, 2019, 39(9): 2541-2546.
[14]	陈善学, 储成泉. 基于稀疏和正交约束非负矩阵分解的高光谱解混[J]. 计算机应用, 2019, 39(8): 2276-2280.
[15]	杨燕琳, 冶忠林, 赵海兴, 孟磊. 基于高阶近似的链路预测算法[J]. 计算机应用, 2019, 39(8): 2366-2373.

融合信任隐含相似度与评分相似度的社会化推荐

Social recommendation combining trust implicit similarity and score similarity

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 30

相关文章 15

编辑推荐

Metrics