社会化网络信任研究

社会化网络中信任推荐研究在数字化媒体时代的今天,人们将现实社会的关系移植于互联网上,个人社会关系网络主要分为强关系网络(例如QQ、微信)和弱关系网络(例如新浪微博、论坛),人们依据这两类社交关系实现网络互动。通常强联结关系的网络成员相互之间的关心程度高,更愿意毫无保留地分享其观点和经验,而弱联结关系则相反。实证研究结果发现,用户之间关系强度越高,彼此之间更加信任.基于信任的推荐的内涵信任是一个主体根据与另外一个主体的历史交互经验,而对其未来行为决策的主观期望。一个拥有内置推荐机制的Web应用程序首先通过社交网络组件促使其中的用户形成一个信任网络,组合用户配置文件(评分信息)与来自用户信任网络的信任信息,最后产生个性化的推荐结果,这就是所谓的基于信任的推荐系统。在社交网络时代,用户很容易建立自己的信任网络。通过信任网络发现用户信任的朋友集合要比找到与目标用户相似的用户集合容易,而且数量更多,将信任信息加入到推荐过程中则可以有效地解决传统的推荐系统面临的问题。基于信任的推荐的内涵基于信任的推荐系统工作原理协同过滤推荐与基于信任的推荐比较对信任的度量有很多种方法,早期主要采用二分数值法表示,用数字1表示信任,数字0表示不信任。这种表示方法过于粗糙,特别是不适用于信任的传播计算。另外一种表示方法则使用0到1之间的一组表示程度级别的数字来度量用户之间的信任程度,数值由高到低依次表示为:非常信任–信任–不信任–非常不信任。在将信任运用于个性化推荐中并进行推荐建模时,信任的度量一般采用第二种表示方法——使用0到1之间的数字表示。将信任值作为推荐用户的推荐权重,并运用信任的传播和聚合规则计算非相邻用户之间的信任值。目标用户对推荐用户的信任值越高,则推荐用户给出的推荐结果所获得的权重越大。这种信任推荐建模方法在研究中被广泛采纳,有助于提高推荐的准确率。信任的度量基于显性信任的推荐利用用户与邻居的显性信任关系,根据信任邻居对项目的偏好来预测目标用户偏好。一些典型的基于显性信任推荐方法的应用实例有:滑雪登山社区网站Moleskiing、电子商务商品推荐网站Epinions、电影推荐网站FilmTrust等。在显性信任网络中,最关键的是计算信任网络中非相邻用户节点之间的信任值,运用信任的传播与聚合规则。比较著名的信任计算模型有Golbeck提出的TidalTrust模型,以及Massa等提出的MoleTrust模型基于显性信任的推荐在隐性信任网络中,信任的形成依据系统用户的历史交易行为。Yuan等提出以用户相似度来表示隐性的信任关系。Martin-vicente等基于领域运用语义知识自动形成用户间的隐性信任关系。基于隐性信任的推荐就是利用隐性信任关系,将信任邻居喜爱的项目推荐给目标用户,例如eBay的基于声誉的推荐系统。目前最著名的隐性信任度的计算方法是O’Donovan等提出的全局信任度量模型,即依据历史记录中正确推荐的次数来评估信任值。O’Donovan等介绍了两种信任度量模式:用户级别信任和用户–项目级别信任,分别表示特定用户的全局信任度和用户对特定项目的全局信任度。基于隐性信任的推荐早期的研究利用传统的相似性值来计算用户之间的信任值,Ziegler等使用电影和书籍的推荐数据验证了信任和相似度存在正相关关系,也有研究表明相似用户集合与社交关系用户集合并没有很大的重叠,因而需要更深一步划分这两类关系用户。另外,O’Donovan等提出全局信任度量模型在度量信任时并没有考虑个体之间的差异,Golbeck也指出全局信任值并不适用于推荐。基于隐性信任的推荐如何将信任值运用于预测评分是推荐系统的关键,以下介绍几种预测模型。为便于阅读,下表列举了算法中的字母符号及其含义。基于信任的评分预测方法①Golbeck等提出的Trust-basedWeightedMean方法,目标用户高度信任的邻居用户获得更高的评分权重②Massa等提出的Trust-basedCollaborativeFiltering方法,采纳传统的协同过滤推荐模式,以用户之间的信任值作为权重系数。基于信任的评分预测方法③O’Donovan等提出的Trust-basedFiltering方法,信任值作为一种过滤手段,只有目标用户信任的邻居用户才能参与推荐。④Victor等提出的EnsembleTrustCF方法,由于完全基于信任的评分预测方法,在某些情况下准确率和覆盖率并非最优,该模型充分利用基于信任的推荐算法和协同过滤推荐算法各自的优点。基于信任的评分预测方法将信任值运用于推荐系统中的研究已经成为热点,但是单一的信任机制不能全面地考虑现实的社会关系,有些学者认为引入不信任因子,可以提高推荐系统的精确度。目前将不信任因素运用于推荐中的方式主要有利用不信任值过滤不信任的用户集合或者是将不信任值作为负向权重值。下面详细介绍Victor等提出几种不同的基于不信任的推荐算法。①采纳O’Donovan提出的基于信任的过滤算法思想,Victor等同样提出基于不信任过滤算法。基于信任–不信任的推荐②在信任的传播过程中会存在这种情况:a完全信任b,b完全信任c,依据信任的传递性可以得到a信任c,但是如果实际上a完全不信任c,这就会产生矛盾。为解决这种矛盾,有研究者提出运用不信任因素作为调节器,来防止这种错误的推论。基于信任–不信任的推荐③修正上述提到的EnsembleTrustCF算法:对于存在于信任集合而不存于不信任集合的用户,使用信任值来调节评分权重;对于与目标用户a存在正相关但是既不属于信任集合又不属于不信任集合的用户,用皮尔逊相似性值来调节评分信息权重。基于信任–不信任的推荐④借鉴Golbeck等的思想,使用信任值作为邻居用户的权重,同时作为阈值过滤邻居用户,信任程度的表示由两部分组成:信任值和不信任值。⑤将不信任值直接作为一种负向的权重值运用于推荐算法中。基于信任–不信任的推荐定义9:TrustScore-basedWeightedMean信任计算方法的不足现阶段信任计算是基于信任的传递性,然而信任传递必须在用户关注的领域进行。（考虑情境因素）此外,用户对邻居用户的信任值会随着时间改变或者因为某一次推荐结果而变化,这也需要考虑。推荐过程中考虑因素的单一性在信任推荐中,用户信任好友的推荐建议固然重要,但作为唯一的因素考虑可能就有些片面。事实上,只考虑社交网络中类似信任这种强依赖关系,虽然得到的推荐结果会更符合用户的喜好,却不利于发掘用户兴趣的多样性。实际上,弱依赖关系可以为发掘用户的潜在兴趣提供重要的情境信息。（专家、社交达人、频繁评分者）基于信任的推荐研究不足之处对不信任的研究还处在初级阶段现阶段的研究中,不信任值都是通过显性的方式获取。针对如何有效地衡量用户之间的不信任值的研究还比较少社交网络中用户细分问题传统的推荐系统根据与目标用户最相似的用户集合的评分数据来预测评分,但是社交网络的异构性导致了用户关系的异构性,也有研究表明相似用户集合与社交关系用户集合并没有很大的重叠。从信任与相似性角度考虑,用户可以被划分为4类:相互信任但不相似的用户;相互信任又相似的用户;相互不信任但相似的用户;既不信任又不相似的用户。不同类别的用户对推荐的作用不同,例如信任值可以提高对冷启动用户推荐的准确性,相似性又可以提高推荐的覆盖率。基于信任的推荐研究不足之处实验数据集稀少基于信任的推荐主要的问题之一是缺少包含信任和不信任描述和评分的数据集。解决方案：一个用户通常会在多种社交网站上注册账号,如果可以整合不同社区的信息,不仅可以节省时间还可以解决冷启动问题,基于信任的推荐研究不足之处(1)针对人们对情境感知的需求日增,基于情境信任的推荐也会是一个很重要的课题,需要考虑情境如何划分以及基于情境的信任值如何计算。(2)对不信任因素的深入研究,包括如何设计算法度量用户之间的不信任程度,以及挖掘不信任值作为过滤不信任用户集合以外的其他作用。(3)发现社交网络中的关键人物,并将其不同影响力运用于推荐算法中。(4)挖掘社交网络中除了信任因素以外的其他因素应用于推荐,例如弱联结关系可以应用于深度挖掘用户的兴趣,增加推荐结果的多样性。未来信任推荐的研究方向