基于消极相似性的自适应社会化推荐

doi:10.11772/j.issn.1001-9081.2022071003

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (8): 2439-2447.DOI: 10.11772/j.issn.1001-9081.2022071003

• 数据科学与技术 • 上一篇

基于消极相似性的自适应社会化推荐

周寅莹¹, 周允升¹, 余敦辉¹^,², 孙军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:2022-07-13 修回日期:2022-11-06 接受日期:2022-11-11 发布日期:2023-01-15 出版日期:2023-08-10
通讯作者: 孙军
作者简介:周寅莹（1998—），女，湖北随州人，硕士研究生，CCF会员，主要研究方向：社会化推荐
周允升（2002—），男，湖北恩施人，主要研究方向：众包
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、众包数据管理、服务计算；
基金资助:
国家科技创新2030—重大项目(2020AAA0107700);国家自然科学基金资助项目(61977021)

Adaptive social recommendation based on negative similarity

Yinying ZHOU¹, Yunsheng ZHOU¹, Dunhui YU¹^,², Jun SUN¹()

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

Received:2022-07-13 Revised:2022-11-06 Accepted:2022-11-11 Online:2023-01-15 Published:2023-08-10
Contact: Jun SUN
About author:ZHOU Yinying， born in 1998， M. S. candidate. Her research interests include social recommendation.
ZHOU Yunsheng， born in 2002. His research interests include crowdsourcing.
YU Dunhui， born in 1974， Ph. D.， professor. His research interests include knowledge graph， crowdsourced data management， service computing.
Supported by:
National Scientific and Technological Innovation 2030 - Major Project(2020AAA0107700);National Natural Science Foundation of China(61977021)

摘要/Abstract

摘要：

社会化推荐旨在融合社会关系改善传统推荐算法的推荐效果。当前基于网络嵌入（NE）的社会化推荐算法面临两个问题：一是在构建网络时未考虑对象间的不一致性，并且倾向于利用获取难度大、约束条件多的积极对象来约束算法；二是这些算法未能依据评分数量消除算法训练中的过拟合。因此，提出一种基于消极相似性的自适应社会化推荐（ASRNS）算法。首先通过一致性分析构建具有正向相关性的同构网络；接着联合加权随机游走与Skip-Gram算法得到嵌入向量；然后计算相似度，并从消极相似性的角度来约束矩阵分解（MF）算法；最后基于自适应机制将评分数量映射到理想评分数量区间，并对算法偏置项施加不同的惩罚。在FilmTrust和CiaoDVD数据集上实验结果表明，与协同用户网络嵌入（CUNE）算法、一致性邻居聚合的推荐（ConsisRec）算法等算法相比，ASRNS的均方根误差（RMSE）分别至少降低了2.60%和5.53%，平均绝对误差（MAE）分别至少降低了1.47%和2.46%。可见，ASRNS不仅可以有效降低评分预测误差，还能显著改善算法训练过程中的过拟合问题，对不同评分数量的对象都具有较好的健壮性。

Abstract:

Social recommendation aims to improve recommendation effect of traditional recommendation algorithms by integrating social relations. Currently， social recommendation algorithms based on Network Embedding （NE） face two problems： one is that inconsistency between objects is not considered when constructing network， and algorithms are often restricted by positive objects that are difficult to obtain and have many constraints； the other is that the elimination of overfitting in algorithm training process based on the number of ratings cannot be realized by these algorithms. Therefore， an Adaptive Social Recommendation algorithm based on Negative Similarity （ASRNS） was proposed. Firstly， homogeneous networks with positive correlations were constructed by consistency analysis. Then， embedded vectors were obtained by combining weighted random walk with Skip-Gram algorithm. Next， similarities were calculated， and Matrix Factorization （MF） algorithm was constrained from the perspective of negative similarity. Finally， the number of ratings was mapped to the ideal rating range based on adaptive mechanism， and different penalties were imposed on bias terms of the algorithm. Experiments were conducted on FilmTrust and CiaoDVD datasets. The results show that compared with algorithms such as Collaborative User Network Embedding （CUNE） algorithm and Consistent neighbor aggregation for Recommendation （ConsisRec） algorithm， ASRNS has the Root Mean Square Error （RMSE） reduced by at least 2.60% and 5.53% respectively， and the Mean Absolute Error （MAE） reduced by at least 1.47% and 2.46% respectively. It can be seen that ASRNS can not only reduce rating prediction error effectively， but also improve over-fitting problem in algorithm training process significantly， and has good robustness for objects with different ratings.

Key words: social recommendation, network embedding, negative similarity, adaptive mechanism, Matrix Factorization (MF)

中图分类号:

TP391.3

周寅莹, 周允升, 余敦辉, 孙军. 基于消极相似性的自适应社会化推荐[J]. 计算机应用, 2023, 43(8): 2439-2447.

Yinying ZHOU, Yunsheng ZHOU, Dunhui YU, Jun SUN. Adaptive social recommendation based on negative similarity[J]. Journal of Computer Applications, 2023, 43(8): 2439-2447.

图/表 17

图1 ASRNS的整体框架

Fig. 1 Overall framework of ASRNS

表1 一致性计算示例

Tab. 1 Examples of consistency calculation

用户对	$C u v$	$H u v$	$A u v$
$u 1, u 5$	$i 1, i 2, i 4, i 6$	$i 2, i 4, i 6$	$i 1$
$u 2, u 3$	$i 1, i 5, i 6$	$i 1$	$∅$
$u 2, u 4$	$i 2, i 4, i 5$	$∅$	$i 4$

表1 一致性计算示例

Tab. 1 Examples of consistency calculation

用户对	$C u v$	$H u v$	$A u v$
$u 1, u 5$	$i 1, i 2, i 4, i 6$	$i 2, i 4, i 6$	$i 1$
$u 2, u 3$	$i 1, i 5, i 6$	$i 1$	$∅$
$u 2, u 4$	$i 2, i 4, i 5$	$∅$	$i 4$

表2 实验数据集的统计数据

Tab. 2 Statistics of experimental datasets

数据集	用户数	项目数	评分数	关系数
FilmTrust	1 508	2 071	35 497	1 853
CiaoDVD	17 615	16 121	72 665	40 133

表3 实验参数设置

Tab. 3 Experimental parameter setting

参数	取值范围
一致性程度 $θ$	0.2， 0.3， 0.4， 0.5， 0.6， 0.7
权重 $ω$	1.0， 0.9， 0.8， 0.7， 0.6， 0.5， 0
消极对象数 $y$	10， 20， 30， 40， 50， 60
理想评分数量区间 $[D s, D d]$	［11，20］，［21，30］，［31，40］，［41，50］，［51，60］，［61，70］

表3 实验参数设置

Tab. 3 Experimental parameter setting

参数	取值范围
一致性程度 $θ$	0.2， 0.3， 0.4， 0.5， 0.6， 0.7
权重 $ω$	1.0， 0.9， 0.8， 0.7， 0.6， 0.5， 0
消极对象数 $y$	10， 20， 30， 40， 50， 60
理想评分数量区间 $[D s, D d]$	［11，20］，［21，30］，［31，40］，［41，50］，［51，60］，［61，70］

图2 θ对评价指标的影响

Fig. 2 Influence of θ on evaluation indicators

图3 ω对评价指标的影响

Fig. 3 Influence of ω on evaluation indicators

图4 y对评价指标的影响

Fig. 4 Influence of y on evaluation indicators

图5 [Ds,Dd]对评价指标的影响

Fig. 5 Influence of [Ds,Dd] on evaluation indicators

表4 预测结果对比

Tab. 4 Comparison of prediction results

数据集	评价指标	ASRNS-C	ASRNS	降低比例/%
F（全体）	RMSE	0.801	0.786	1.87
F（全体）	MAE	0.615	0.605	1.63
F（冷启动）	RMSE	0.871	0.857	1.61
F（冷启动）	MAE	0.692	0.682	1.45
C（全体）	RMSE	0.911	0.907	0.44
C（全体）	MAE	0.669	0.666	0.45
C（冷启动）	RMSE	0.933	0.922	1.18
C（冷启动）	MAE	0.681	0.674	1.03

图6 损失函数收敛对比

Fig. 6 Comparison of convergence of loss function

表5 MF类算法在全体数据集上的实验结果对比

Tab. 5 Comparison of experimental results of MF-type algorithms on all datasets

算法	FilmTrust				CiaoDVD
	k=5		k=10		k=5		k=10
	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE
LOCABAL	0.839	0.651	0.830	0.643	1.028	0.778	1.023	0.781
SREPS	0.867	0.663	0.849	0.651	1.033	0.782	1.031	0.784
HERec	0.835	0.642	0.829	0.635	1.027	0.777	1.021	0.780
SREE	0.815	0.621	0.811	0.620	1.005	0.752	1.001	0.757
CUNE	0.825	0.631	0.820	0.627	0.988	0.727	0.981	0.722
ASRNS	0.790	0.608	0.786	0.605	0.908	0.676	0.906	0.675

表6 MF类算法在冷启动数据集上的实验结果对比

Tab. 6 Comparison of experimental results of MF-type algorithms on cold start datasets

算法	FilmTrust				CiaoDVD
	k=5		k=10		k=5		k=10
	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE
LOCABAL	0.968	0.729	0.965	0.728	1.063	0.773	1.059	0.771
SREPS	0.997	0.735	0.995	0.743	1.074	0.786	1.066	0.788
HERec	0.954	0.726	0.949	0.724	1.051	0.769	1.044	0.763
SREE	0.919	0.683	0.911	0.680	1.020	0.770	1.008	0.766
CUNE	0.923	0.725	0.912	0.715	1.020	0.761	1.006	0.753
ASRNS	0.860	0.677	0.857	0.678	0.923	0.699	0.921	0.698

表7 ASRNS与GNN类算法在全体数据集和冷启动数据集上的实验结果对比

Tab. 7 Comparison of experimental results between ASRNS and GNN-type algorithms on all and cold start datasets

算法	全体数据集				冷启动数据集
	FilmTrust		CiaoDVD		FilmTrust		CiaoDVD
	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE
GraphRec	0.825	0.629	0.992	0.729	0.919	0.721	1.008	0.756
ConsisRec	0.807	0.614	0.959	0.692	0.891	0.709	0.971	0.749
ASRNS（k=10）	0.786	0.605	0.906	0.675	0.857	0.678	0.921	0.698

图7 不同评分数量下的用户占比

Fig. 7 Proportion of users with different ratings

图8 不同评分数量下的实验结果对比

Fig. 8 Comparison of experimental results with different ratings

图9 不同信任数下的用户占比

Fig. 9 Proportion of users with different trusts

图10 不同信任数下的实验结果对比

Fig. 10 Comparison of experimental results with different trusts

参考文献 31

1	BEHERA G， NAIN N. Handling data sparsity via item metadata embedding into deep collaborative recommender system［J］. Journal of King Saud University — Computer and Information Sciences， 2022， 34（10 Pt B）： 9953-9963. 10.1016/j.jksuci.2021.12.021
2	WANG H. MovieMat： context-aware movie recommendation with matrix factorization by matrix fitting［C］// Proceedings of the 7th International Conference on Computer and Communications. Piscataway： IEEE， 2021： 1642-1645. 10.1109/iccc54389.2021.9674549
3	RANGADURAI K， LIU Y Q， MALREDDY S， et al. NxtPost： user to post recommendations in Facebook groups［C］// Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2022： 3792-3800. 10.1145/3534678.3539042
4	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
5	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
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	BIN S， SUN G X. Matrix factorization recommendation algorithm based on multiple social relationships［J］. Mathematical Problems in Engineering， 2021， 2021： No.6610645. 10.1155/2021/6610645
8	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
9	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.
10	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
11	TANG J L， HU X， GAO H J， et al. Exploiting local and global social context for recommendation［C］// Proceedings of the 23rd International Joint Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2013： 2712-2718.
12	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
13	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
14	MA H， KING L， LYU M R. Learning to recommend with social trust ensemble［C］// Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2009： 203-210. 10.1145/1571941.1571978
15	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. 10.11772/j.issn.1001-9081.2019030583
	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. 10.11772/j.issn.1001-9081.2019030583
16	LIU C Y， ZHOU C， WU J， et al. Social recommendation with an essential preference space［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2018： 346-353. 10.1609/aaai.v32i1.11245
17	CHEN L Y， ZHANG H L， WU J. Integrating dual user network embedding with matrix factorization for social recommender systems［C］// Proceedings of the 2019 International Joint Conference on Neural Networks. Piscataway： IEEE， 2019： 1-8. 10.1109/ijcnn.2019.8851715
18	WANG Y Z， SUN H B， ZHAO Y， et al. A heterogeneous graph embedding framework for location-based social network analysis in smart cities［J］. IEEE Transactions on Industrial Informatics， 2020， 16（4）： 2747-2755.
19	YU J L， YIN H Z， LI J D， et al. Self-supervised multi-channel hypergraph convolutional network for social recommendation［C］// Proceedings of the 2021 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2021： 413-424. 10.1145/3442381.3449844
20	YU J L， YIN H Z， GAO M， et al. Socially-aware self-supervised tri-training for recommendation［C］// Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2021： 2084-2092. 10.1145/3447548.3467340
21	LIAO J， ZHOU W， LUO F J， et al. SocialLGN： light graph convolution network for social recommendation［J］. Information Sciences， 2022， 589： 595-607. 10.1016/j.ins.2022.01.001
22	FAN W Q， MA Y， LI Q， et al. Graph neural networks for social recommendation［C］// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019： 417-426. 10.1145/3308558.3313488
23	YANG L W， LIU Z W， DOU Y T， et al. ConsisRec： enhancing GNN for social recommendation via consistent neighbor aggregation［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 2141-2145. 10.1145/3404835.3463028
24	PEROZZI B， AL-RFOU R， SKIENA S. DeepWalk： online learning of social representations［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 701-710. 10.1145/2623330.2623732
25	GROVER A， LESKOVEC J. node2vec： Scalable feature learning for networks［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 855-864. 10.1145/2939672.2939754
26	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
27	JIANG S， LIANG B， WANG L， et al. TrustEmbed： a framework to predict ratings with trust network［C］// Proceedings of the 37th Chinese Control Conference. Piscataway： IEEE， 2018： 9672-9678. 10.23919/chicc.2018.8482820
28	XU C T， HAN K， GUI F， et al. SimilarMF： a social recommender system using an embedding method［C］// Proceedings of the 5th IEEE International Conference on High Performance Computing and Communications/ 17th IEEE International Conference on Smart City/ 5th IEEE International Conference on Data Science and Systems. Piscataway： IEEE， 2019： 1328-1334. 10.1109/hpcc/smartcity/dss.2019.00185
29	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
30	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
31	陈嘉颖，于炯，杨兴耀，等. 考虑用户间消极相似性的排序推荐算法［J］. 计算机工程与设计， 2017， 38（5）：1247-1251， 1272. 10.16208/j.issn1000-7024.2017.05.024
	CHEN J Y， YU J， YANG X Y， et al. Ranking-based recommendation algorithm considering negative similarity between users［J］. Computer Engineering and Design， 2017， 38（5）： 1247-1251， 1272. 10.16208/j.issn1000-7024.2017.05.024

[1]	谭钰, 王小琴, 蓝如师, 刘振丙, 罗笑南. 基于判别性矩阵分解的多标签跨模态哈希检索[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1349-1354.
[2]	李振亮, 李波. 基于矩阵分解的卷积神经网络改进方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 685-691.
[3]	杜航原, 郝思聪, 王文剑. 结合图自编码器与聚类的半监督表示学习方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2643-2651.
[4]	周乐, 代婷婷, 李淳, 谢军, 楚博策, 李峰, 张君毅, 刘峤. 基于节点-属性二部图的网络表示学习模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2311-2318.
[5]	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.
[6]	胡军, 许正康, 刘立, 钟福金. 融合多粒度社区信息的网络嵌入方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 663-670.
[7]	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》唯一官方网站, 2022, 42(12): 3671-3678.
[8]	李亚芳, 梁烨, 冯韦玮, 祖宝开, 康玉健. 基于社区优化的深度网络嵌入方法[J]. 计算机应用, 2021, 41(7): 1956-1963.
[9]	樊玮, 王慧敏, 邢艳. 基于自编码器的多视图属性网络表示学习模型[J]. 计算机应用, 2021, 41(4): 1064-1070.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

基于消极相似性的自适应社会化推荐

Adaptive social recommendation based on negative similarity

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 31

相关文章 15

编辑推荐

Metrics