基于隐式信任和群体共识的群体推荐方法

doi:10.11772/j.issn.1001-9081.2023030267

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (2): 460-468.DOI: 10.11772/j.issn.1001-9081.2023030267

所属专题：数据科学与技术

基于隐式信任和群体共识的群体推荐方法

李婷婷¹, 楚俊峰¹^,²(), 王燕燕³

^1.福州大学经济与管理学院，福州 350108
^2.福州大学决策科学研究所，福州 350108
^3.福建农林大学公共管理学院，福州 350002

收稿日期:2023-03-16 修回日期:2023-05-17 接受日期:2023-05-19 发布日期:2023-06-05 出版日期:2024-02-10
通讯作者: 楚俊峰
作者简介:李婷婷（1998—），女，重庆人，硕士研究生，主要研究方向：群体推荐、群体共识
王燕燕（1985—），女，山东济宁人，博士研究生，主要研究方向：农村环境绩效评价、决策与评价方法。
基金资助:
国家自然科学基金资助项目(72201066)

Group recommendation method based on implicit trust and group consensus

Tingting LI¹, Junfeng CHU¹^,²(), Yanyan WANG³

^1.School of Economics and Management，Fuzhou University，Fuzhou Fujian 350108，China
^2.Decision Science Institute，Fuzhou University，Fuzhou Fujian 350108，China
^3.School of Public Administration，Fujian Agriculture and Forestry University，Fuzhou Fujian 350002，China

Received:2023-03-16 Revised:2023-05-17 Accepted:2023-05-19 Online:2023-06-05 Published:2024-02-10
Contact: Junfeng CHU
About author:LI Tingting， born in 1998， M. S. candidate. Her research interests include group recommendation， group consensus.
WANG Yanyan， born in 1985， Ph. D. candidate. Her research interests include evaluation of rural environmental performance， decision-making and evaluation methods.
Supported by:
National Natural Science Foundation of China(72201066)

摘要/Abstract

摘要：

针对现有群体推荐方法较少考虑群体成员间社会化关系的隐式估计以及利用群体共识减少偏好冲突的问题，提出一种基于隐式信任和群体共识的群体推荐方法（GR-TC），所提方法分为推荐阶段和共识阶段。在推荐阶段根据成员间偏好信息和社交关系挖掘隐式信任值，估计成员的个人偏好、权重和初始群体偏好；在共识阶段通过共识测量和识别规则识别不一致成员，建立最大和谐度优化共识模型，调整更新群体偏好，传递群体推荐列表。实验结果表明，成员间社交关系影响群体推荐结果，合理选择隐式信任权值会提高不一致成员的和谐度；相较于传统共识反馈机制，隐式信任诱导的最大和谐共识反馈机制调整成本更小，对不一致成员的影响更小。

关键词: 群体推荐, 群体共识, 社交关系, 隐式信任, 群体偏好

Abstract:

Focused on the issue that existing group recommendation methods take less account of the implicit estimation of socialization relationships among group members and the use of group consensus to reduce the influence of preference conflicts， a Group Recommendation method based on implicit Trust and group Consensus （GR-TC） was proposed. The method was divided into a recommendation phase and a consensus phase. In the recommendation phase， implicit trust values were mined based on preference information and social relationships among members. The members’ individual preferences and weights， and the initial group preferences were estimated. In the consensus phase， inconsistent members were identified by consensus measurement and identification rules， a maximum harmony optimization consensus model was built， and the group recommendation list was obtained by adjusting and updating the group preferences. Experimental results show that social relationships among members affect group recommendation results， reasonable selection of implicit trust weights improves the harmony of inconsistent members. Compared with the traditional consensus feedback mechanism， the implicit trust-induced maximum harmony consensus feedback mechanism has less adjustment cost and less impact on inconsistent members.

Key words: group recommendation, group consensus, social relationship, implicit trust, group preference

中图分类号:

TP391.3

李婷婷, 楚俊峰, 王燕燕. 基于隐式信任和群体共识的群体推荐方法[J]. 计算机应用, 2024, 44(2): 460-468.

Tingting LI, Junfeng CHU, Yanyan WANG. Group recommendation method based on implicit trust and group consensus[J]. Journal of Computer Applications, 2024, 44(2): 460-468.

图/表 10

表1 主要符号及含义描述

Tab. 1 Main symbols and meaning descriptions

符号	描述
$U$ 、 $I$ 、 $G$	用户集合、项目集合、群体集合
$m$ 、 $c$	某群体成员总数、某群体外有社交关系的用户总数
$u a$ 、 $g b$	系统用户 $a$ 、群体用户 $b$
$r u, i$ 、 $r ¯ u$	用户 $u$ 对项目 $i$ 的评分、用户 $u$ 所评价过所有项目的平均评分
$I u, v$	用户 $u$ 和用户 $v$ 之间的共同评分项目集
$I T u, v$	用户 $u$ 对用户 $v$ 的隐式信任
$R u, i$	用户 $u$ 的个人预测评分
$ω u$	用户 $u$ 的重要性权重
$P i$	项目 $i$ 的初始群体偏好
$L u i$	用户 $u$ 对项目 $i$ 的共识度
$C D u$	用户 $u$ 的整体共识度
$R u, i'$	用户 $u$ 对项目 $i$ 调整后的评分
$I H D u$	用户 $u$ 的个体和谐度（Individual Harmony Degree， IHD）
$V G H D$	群体和谐度（Group Harmony Degree， GHD）

表1 主要符号及含义描述

Tab. 1 Main symbols and meaning descriptions

符号	描述
$U$ 、 $I$ 、 $G$	用户集合、项目集合、群体集合
$m$ 、 $c$	某群体成员总数、某群体外有社交关系的用户总数
$u a$ 、 $g b$	系统用户 $a$ 、群体用户 $b$
$r u, i$ 、 $r ¯ u$	用户 $u$ 对项目 $i$ 的评分、用户 $u$ 所评价过所有项目的平均评分
$I u, v$	用户 $u$ 和用户 $v$ 之间的共同评分项目集
$I T u, v$	用户 $u$ 对用户 $v$ 的隐式信任
$R u, i$	用户 $u$ 的个人预测评分
$ω u$	用户 $u$ 的重要性权重
$P i$	项目 $i$ 的初始群体偏好
$L u i$	用户 $u$ 对项目 $i$ 的共识度
$C D u$	用户 $u$ 的整体共识度
$R u, i'$	用户 $u$ 对项目 $i$ 调整后的评分
$I H D u$	用户 $u$ 的个体和谐度（Individual Harmony Degree， IHD）
$V G H D$	群体和谐度（Group Harmony Degree， GHD）

图1 基于隐式信任和群体共识的群体推荐流程

Fig. 1 Group recommendation process based on implicit trust and group consensus

图2 不同群体大小下F-measure值的方法比较

Fig. 2 Comparison of methods for F-measure values with different group sizes

图3 不同群体大小下nDCG值的方法比较

Fig. 3 Comparison of methods for nDCG values with different group sizes

表2 初始成员-电影评分

Tab. 2 Initial member-movie rating

成员	不同电影项目的评分
成员	$i 1$	$i 2$	$i 3$	$i 4$	$i 5$	$i 6$	$i 7$	$i 8$	$i 9$	$i 10$
$m 1$	—	2	4	3	—	—	—	3	—	2
$m 2$	3	2	—	4	—	4	2	—	—	5
$m 3$	4	—	3	5	3	$-$	3	—	—	—
$m 4$	3	4	—	5	2	4	—	4	2	—
$m 5$	—	2	—	3	—	5	4	—	4	—

表2 初始成员-电影评分

Tab. 2 Initial member-movie rating

成员	不同电影项目的评分
成员	$i 1$	$i 2$	$i 3$	$i 4$	$i 5$	$i 6$	$i 7$	$i 8$	$i 9$	$i 10$
$m 1$	—	2	4	3	—	—	—	3	—	2
$m 2$	3	2	—	4	—	4	2	—	—	5
$m 3$	4	—	3	5	3	$-$	3	—	—	—
$m 4$	3	4	—	5	2	4	—	4	2	—
$m 5$	—	2	—	3	—	5	4	—	4	—

图4 成员间的社交朋友关系

Fig. 4 Social friendship among members

表3 α值对推荐排序的影响

Tab. 3 Effect of α value on recommendation ranking

$α$	推荐排序
$α$	1	2	3	4	5	6	7	8	9	10
0.0	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 5$	$i 2$
0.1	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 5$	$i 2$
0.2	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.3	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.4	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.5	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.6	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.7	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.8	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.9	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 7$	$i 9$	$i 2$	$i 5$
1.0	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 7$	$i 9$	$i 2$	$i 5$

表3 α值对推荐排序的影响

Tab. 3 Effect of α value on recommendation ranking

$α$	推荐排序
$α$	1	2	3	4	5	6	7	8	9	10
0.0	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 5$	$i 2$
0.1	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 5$	$i 2$
0.2	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.3	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.4	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.5	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.6	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.7	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.8	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
0.9	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 7$	$i 9$	$i 2$	$i 5$
1.0	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 7$	$i 9$	$i 2$	$i 5$

图5 平衡参数α对群体和谐度和不一致成员个数的影响

Fig. 5 Effect of equilibrium parameter α on group harmony and number of inconsistent members

表4 考虑共识与不考虑共识间群体推荐排序比较

Tab. 4 Comparison of group recommendation rankings with and without consensus

方案	推荐列表
方案	1	2	3	4	5	6	7	8	9	10
不考虑共识	$i 6$	$i 4$	$i 10$	$i 3$	$i 8$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
考虑共识	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 5$	$i 2$

表4 考虑共识与不考虑共识间群体推荐排序比较

Tab. 4 Comparison of group recommendation rankings with and without consensus

方案	推荐列表
方案	1	2	3	4	5	6	7	8	9	10
不考虑共识	$i 6$	$i 4$	$i 10$	$i 3$	$i 8$	$i 1$	$i 9$	$i 7$	$i 2$	$i 5$
考虑共识	$i 6$	$i 10$	$i 4$	$i 8$	$i 3$	$i 1$	$i 9$	$i 7$	$i 5$	$i 2$

表5 不同共识反馈机制的比较

Tab. 5 Comparison of different consensus feedback mechanisms

机制

σ 1

σ 4

C D 1

C D 4

I H D 1

I H D 4

G H D

传统共识

反馈机制

表5 不同共识反馈机制的比较

Tab. 5 Comparison of different consensus feedback mechanisms

机制

σ 1

σ 4

C D 1

C D 4

I H D 1

I H D 4

G H D

传统共识

反馈机制

0.50

0.83

0.82

0.832 8

0.846 9

0.839 6

基于最大和谐度共识反馈机制

0.32

0.04

0.75

0.851 3

0.972 9

0.908 0

参考文献 38

1	SCHAFER J B， FRANKOWSKI D， HERLOCKER J， et al. Collaborative filtering recommender systems［J］. The Adaptive Web： Methods and Strategies of Web Personalization， 2007， 4321： 291-324.
2	许晓明，梅红岩，于恒，等. 基于偏好融合的群组推荐方法研究综述［J］. 小型微型计算机系统， 2020，41（12）：2500-2508. 10.3969/j.issn.1000-1220.2020.12.008
	XU X M， MEI H Y， YU H， et al. Review of group recommendation methods based on preference fusion［J］. Journal of Chinese Computer Systems， 2020，41（12）：2500-2508. 10.3969/j.issn.1000-1220.2020.12.008
3	赵海燕，成若瑶，陈庆奎，等. 群组推荐系统：现状与展望［J］. 小型微型计算机系统， 2021， 42（6）： 1144-1151. 10.3969/j.issn.1000-1220.2021.06.004
	ZHAO H Y， CHENG R Y， CHEN Q K， et al. Group recommender system： current status and future trends［J］. Journal of Chinese Computer Systems， 2021， 42（6）： 1144-1151. 10.3969/j.issn.1000-1220.2021.06.004
4	PUJAHARI A， SISODIA D S. Preference relation based collaborative filtering with graph aggregation for group recommender system［J］. Applied Intelligence， 2021， 51（2）： 658-672. 10.1007/s10489-020-01848-4
5	PAN Y， WU D， LUO C， et al. User activity measurement in rating-based Online-to-Offline （O2O） service recommendation［J］. Information Sciences， 2019， 479： 180-196. 10.1016/j.ins.2018.11.009
6	HAN H， GAO A， REN J， et al. An O2O service recommendation algorithm based on user context and trust service［C］// Proceedings of the 2016 IEEE Trustcom/BigDataSE/ISPA. Piscataway： IEEE， 2016： 1904-1909. 10.1109/trustcom.2016.0291
7	YANG Y， XUE X， HOU F， et al. Alleviating the matthew effect in O2O service matching process［C］// Proceedings of the 2021 IEEE International Conference on Web Services. Piscataway： IEEE， 2021： 173-178. 10.1109/icws53863.2021.00034
8	XUE X， HAN H， WANG S， et al. Computational experiment-based evaluation on context-aware O2O service recommendation［J］. IEEE Transactions on Services Computing， 2019， 12（6）： 910-924. 10.1109/tsc.2016.2638083
9	吴云昌，刘柏嵩，王洋洋，等. 群组推荐分析与研究综述［J］. 电信科学， 2018， 34（12）： 71-83.
	WU Y C， LIU B S， WANG Y Y， et al. Review of group recommendation analysis and research［J］. Telecommunications Science， 2018， 34（12）： 71-83.
10	张玉洁，杜雨露，孟祥武. 组推荐系统及其应用研究［J］. 计算机学报， 2016， 39（4）： 745-764. 10.11897/SP.J.1016.2016.00745
	ZHANG Y J， DU Y L， MENG X W. Research on group recommender systems and their applications［J］. Chinese Journal of Computers， 2016， 39（4）： 745-764. 10.11897/SP.J.1016.2016.00745
11	DE PESSEMIER T， DOOMS S， MARTENS L. Comparison of group recommendation algorithms［J］. Multimedia Tools and Applications， 2014， 72（3）： 2497-2541. 10.1007/s11042-013-1563-0
12	GUO Z， ZENG W， WANG H， et al. An enhanced group recommender system by exploiting preference relation［J］. IEEE Access， 2019， 7： 24852-24864. 10.1109/access.2019.2897760
13	DARA S， CHOWDARY C R， KUMAR C. A survey on group recommender systems［J］. Journal of Intelligent Information Systems， 2020， 54（2）： 271-295. 10.1007/s10844-018-0542-3
14	O’CONNOR M， COSLEY D， KONSTAN J A， et al. PolyLens： a recommender system for groups of users［C］// Proceedings of the 7th European Conference on Computer Supported Cooperative Work.Dordrecht： Springer， 2001： 199-218.
15	McCARTHY K， SALAMÓ M， COYLE L， et al. CATS： a synchronous approach to collaborative group recommendation［C］// Proceedings of the 19th International Florida Artificial Intelligence Research Society Conference. Palo Alto： AAAI Press， 2006： 86-91. 10.1145/1111449.1111506
16	QUIJANO-SANCHEZ L， RECIO-GARCIA J A， DIAZ-AGUDO B. HappyMovie： a Facebook application for recommending movies to groups［C］// Proceedings of the 2011 IEEE 23rd International Conference on Tools with Artificial Intelligence. Piscataway： IEEE， 2011： 239-244. 10.1109/ictai.2011.44
17	NROZARI R B， KOOHI H. A novel group recommender system based on members’ influence and leader impact［J］. Knowledge-Based Systems， 2020， 205： 106296. 10.1016/j.knosys.2020.106296
18	FANG G， SU L， JIANG D， et al. Group recommendation systems based on external social-trust networks［J］. Wireless Communications & Mobile Computing， 2018， 2018： 6709607. 10.1155/2018/6709607
19	ZHU J， LI Z， YUE C， et al. Trust-aware group recommendation with attention mechanism in social network［C］// Proceedings of the 2019 15th International Conference on Mobile Ad-Hoc and Sensor Networks. Piscataway： IEEE， 2019： 271-276. 10.1109/msn48538.2019.00059
20	XU Z， ZHENG X， ZHANG H， et al. A novel travel group recommendation model based on user trust and social influence［J］. Mobile Information Systems， 2021， 2021： 7080116. 10.1155/2021/7080116
21	CASTRO J， QUESADA F J， PALOMARES I， et al. A consensus-driven group recommender system ［J］. International Journal of Intelligent Systems， 2015， 30（8）： 887-906. 10.1002/int.21730
22	CASTRO J， CORDÓN Ó， MARTINEZ L. CLG-REJA： a consensus location-aware group recommender system for restaurants［C］// Proceedings of the 9th ACM Conference on Recommender Systems. New York： ACM， 2015. 10.1145/2792838.2796554
23	DONG Y， ZHA Q， ZHANG H， et al. Consensus reaching in social network group decision making： research paradigms and challenges［J］. Knowledge-Based Systems， 2018， 162： 3-13. 10.1016/j.knosys.2018.06.036
24	DAVOUDI A， CHATTERJEE M. Social trust model for rating prediction in recommender systems： effects of similarity， centrality， and social ties［J］. Online Social Networks and Media， 2018， 7： 1-11. 10.1016/j.osnem.2018.05.001
25	CAPUANO N， CHICLANA F， HERRERA-VIEDMA E， et al. Fuzzy group decision making for influence-aware recommendations［J］. Computers in Human Behavior， 2019， 101： 371-379. 10.1016/j.chb.2018.11.001
26	LEE M K O， SHI N， CHEUNG C M K， et al. Consumer's decision to shop online： the moderating role of positive informational social influence［J］. Information & Management， 2011， 48（6）： 185-191. 10.1016/j.im.2010.08.005
27	RECIO-GARCIA J A， JIMENEZ-DIAZ G， SANCHEZ-RUIZ A A， et al. Personality aware recommendations to groups［C］// Proceedings of the 3rd ACM Conference on Recommender Systems. New York： ACM， 2009： 325-328. 10.1145/1639714.1639779
28	FREEMAN L C. Centrality in social networks conceptual clarification［J］. Social Network， 1978， 1（3）： 1978-1979. 10.1016/0378-8733(78)90021-7
29	王永贵，林佳敏，何佳玉. 融合领导者影响与隐式信任度的群组推荐方法［J］. 计算机工程与应用， 2022， 58（9）： 98-106. 10.3778/j.issn.1002-8331.2107-0011
	WANG Y G， LIN J M， HE J Y. Group recommendation method combining leader influence and implicit trust metrics［J］. Computer Engineering and Applications， 2022， 58（9）： 98-106. 10.3778/j.issn.1002-8331.2107-0011
30	WU J， CHANG J， CAO Q， et al. A trust propagation and collaborative filtering based method for incomplete information in social network group decision making with type-2 linguistic trust［J］. Computers & Industrial Engineering， 2019， 127： 853-864. 10.1016/j.cie.2018.11.020
31	WU J， LI X， CHICLANA F， et al. An attitudinal trust recommendation mechanism to balance consensus and harmony in group decision making［J］. IEEE Transactions on Fuzzy Systems， 2019， 27（11）： 2163-2175. 10.1109/tfuzz.2019.2895564
32	WU J， WANG S， CHIALANA F， et al. Two-fold personalized feedback mechanism for social network consensus by uninorm interval trust propagation［J］. IEEE Transactions on Cybernetics， 2021， 52（10）： 11081-11092. 10.1109/tcyb.2021.3076420
33	CAO M， WU J， CHIALANA F， et al. A personalized consensus feedback mechanism based on maximum harmony degree［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2021， 51（10）： 6134-6146. 10.1109/tsmc.2019.2960052
34	WU J， LIU Y， LIANG C. A consensus- and harmony-based feedback mechanism for multiple attribute group decision making with correlated intuitionistic fuzzy sets［J］. International Transactions in Operational Research， 2015， 22（6）： 1033-1054. 10.1111/itor.12143
35	GUO G， 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： AAAI Press， 2013： 2619-2625. 10.1145/2507157.2507200
36	WANG W， ZHANG G， LU J. Member contribution-based group recommender system［J］. Decision Support Systems， 2016， 87： 80-93. 10.1016/j.dss.2016.05.002
37	YALCIN E， ISMAILOGLU F， BILGE A. An entropy empowered hybridized aggregation technique for group recommender systems［J］. Expert Systems with Applications， 2021， 166： 114111. 10.1016/j.eswa.2020.114111
38	McCARTHY J F， ANAGNOST T D. MusicFX： an arbiter of group preferences for computer supported collaborative workouts［C］// Proceedings of the 1998 ACM Conference on Computer Supported Cooperative Work. New York： ACM， 1998： 363-372. 10.1145/289444.289511

基于隐式信任和群体共识的群体推荐方法

Group recommendation method based on implicit trust and group consensus

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 38

相关文章 1

编辑推荐

Metrics