一种基于质量扩散的智能推荐算法

摘要

社会化推荐算法是一种在网络信息的海洋中向用户推荐有趣或潜在有用项目的常用工具。用户之间通常有各种各样的关系，每个关系对推荐结果都有其独特的影响。仅仅基于一种关系不太可能做出准确的推荐。基于用户-项目二部图，建立了多用户关系的多子网复合复杂网络(MSCCN)，并将质量扩散(MD)算法扩展为一种新的智能推荐算法。选取两个公开的在线数据集Epinions和FilmTrust来验证算法的效果。结果表明，提出的两种关系的智能推荐算法比单一关系和传统MD算法的推荐精度高得多。

1.介绍

信息技术时代的定义是各种信息的爆炸。信息的丰富不仅给人们提供了更多的选择，也造成了严重的信息过载[1- - - - - -5]; 在信息的海洋中，用户很难找到他们真正需要的信息。因此，如何从海量数据中为用户提供有用的信息成为研究热点。为了解决信息过载问题，人们开发了许多推荐系统，根据用户的历史数据预测用户偏好，并向用户推荐感兴趣或潜在有用的信息[6- - - - - -8］.

常用的推荐方法可分为协同过滤(CF)推荐[9]、以内容为基础的推荐[10]、频谱分析建议[11，12]，以及混合推荐[13，14］.基于用户或物品相似度的推荐方法也非常流行，即mass diffusion (MD)算法和heat spread (heat spread)算法。MD是一种经典的算法，能够准确地向用户推荐产品。该算法利用能量分布原理，将能量从初始项分散到不同项，并以较高的概率推荐能量较高的项。

在预测用户偏好后，Bin等人[15]评估每个项目的受欢迎程度，并使用它来修改MD算法。基于物理动力学中的质量扩散和热扩散，Hu等[16]，总结了能量分配机制，实现了基于用户、项目、主题三方的推荐机制。李等人[17]通过对推荐结果进行奇异值分解(SVD)来提高推荐质量。

上述研究主要是根据用户对项目的评分向用户推荐项目，但没有一项研究考虑到多重社会关系对用户偏好的影响，事实上，用户的偏好受其信任的朋友的影响，因此，本文构建了一个具有多重社会关系的复杂网络网络将多个用户关系整合到推荐系统中，有效地提高了推荐的准确性。

2.多子网复合复杂网络(MSCCN)模型

在我们的日常生活中，有各种各样的系统可以建模，如城市系统、生态系统、交通系统和推荐系统。在一个复杂的系统中，每个对象都可以看作是一个节点，对象之间的每个关系都可以表示为一条边，将系统变成一个复杂的网络[18- - - - - -20.］.

MSCCN模式[20.- - - - - -23可以描述复杂系统中异构个体之间的多种关系。例如，在推荐系统中，用户和商品可以被视为节点，用户关系和用户商品关系可以被视为边。

通过集成多个子网和复杂系统之间的关系，MSCCN模型可以表示为一个四元组 ，在哪里 是 节点, 为节点之间的边集， 是一组关系(是一种关系;是关系类型的数量)，和 ： 是集合的映射吗来由函数，反映每条边上的关系类型。

一个典型的MSCNN模型结构如图所示1,在那里 ， ，和 ．如图所示1,边缘 ， ，和 只有关系，边缘 ， ，和 只有关系，和缘 既有和的关系。

3.基于MSCCN模型的MD算法

３．１．MD算法

Li等人提出[17]， MD算法可以实现如下:首先，将一个单位的能量放置在目标用户选择的物品上。然后，能量从道具扩散到选择它们的用户。此时，精力充沛用户获得的可以通过 在哪里是项目的程度 ； 为项目数量;物品的能量是多少 ； 为项目的选择变量。如果项目由用户选择 ，然后 ．

接下来，将分配给用户的能量分配到用户选择的物品上。分布之后，能量获得的物品可以表示为 在哪里是用户的程度吗 ； 为用户数量。

允许和分别为各项的初始能量和最终能量。则整个扩散过程可定义为 在哪里为状态转移矩阵。每个元素矩阵的性质满足

扩散后，未选择的项目按资源数量降序排列，形成推荐列表。此推荐列表完全基于用户-物品关系生成，而不考虑目标用户的社会关系。

MD算法的工作流程如图所示2．可以推断出 项目的初始能量是和吗 为物品经过MD算法处理后的最终能量。

３.２．基于MSCCN网络(SMD)的MD算法

通过MD算法，仅基于用户项目关系生成推荐列表，不考虑目标用户的社会关系，为了克服这一缺陷，通过建立多关系网络，将社会关系引入到推荐系统中，允许项目节点的初始能量。沿网络中的边缘展开。

允许和分别为多关系网络中的用户-项目关系和用户关系。假设这两种关系的权重都是1。然后是比例系数属于这属于满足 ．假设是 ，然后 ， ．在引入一种社会关系后，SMD算法可以实现如下:(我)步骤1．将一单位能量分配到目标用户所选择的物品上，作为物品的初始能量。(ii)步骤2．道具的初始能量会扩散到选择它们的用户身上。的能量用户获得的可以被描述为 在哪里和为项目的选择变量;是项目的程度的关系 ．如果= 1,用户和项目有的关系。如果= 1,用户和项目有的关系。(3)步骤3．能量沿着复合网络的边缘传播到用户和物品。然后,能量用户获得的这获得的物品可以分别描述为 (iv)步骤4．分配给用户的能量通过关系进一步扩展到物品。然后，能量按项目取得可以描述为 因此，总能量获得的物品可以被定义为 的元素状态转移矩阵满足 接下来，未选择的项目按最终能量排序，生成推荐列表。通过图中的例子说明了一类关系(SMD1)的SMD算法的扩散过程3.,在那里 ．

在真实的社交网络中，通常存在多种关系，每一种关系对推荐结果都有其独特的影响。通过MSCCN模型的加载操作，可以将多重关系引入到MD算法中[20.］.这里，另一种关系表示为导入到Figure3.．假设 和 ．然后, ， ，和 ．在本例中，元素状态转移矩阵满足

数字4显示了具有两种关系(SMD2)的SMD算法的过程，其中 和 ．

如果 或 ，就是， 或 ，SMD2算法退化为SMD1算法。

4.结果和讨论

4．1.实验数据

选择了两个公共在线数据集Epinions和FilmTrust来评估该算法的性能。Epinions数据集包含40272个用户、139738个项目、487182个用户关系和664000多个用户评分。FilmTrust数据集提供1050个用户、2071个项目、超过1800个用户关系和35个，497项用户评分。原始数据通过删除未选择任何项目的用户的关系进行预处理。

4．2．评价指标

采用五重交叉验证验证了SMD算法的性能。具体来说，将预处理后的数据随机分成5个子集。对于每个实验，选择一个随机子集作为测试集，其余子集作为训练集。为了保证SMD算法在每个子集上都得到了测试，我们进行了5次实验。将五次实验的结果取平均值，得出最终结果。

然后，平均排名分数(RS) [15]来评价SMD算法的排序精度，而汉明距离[24]用来衡量推荐结果的多样性。

假设目标用户已经选择了项目在测试集中。然后,排名的项目在推荐列表中可以计算。对于用户从测试集中选择的所有项目的平均RS值，平均RS值越高，推荐算法的准确性越好。用户的RS可以通过 在哪里用户喜欢的物品数量是多少在测试集;是一项用户偏好的在测试集中。

汉明距离可以定义为 在哪里和两个用户;是两个用户的推荐列表中重叠项目的数量；是推荐列表的长度。如果 ，两个推荐名单没有重叠的项目;如果 ，这两个建议清单是相同的。

4．3．结果分析

进行了数值模拟，确定了和 ．数字5给出了SMD1在两个数据集上的仿真结果 和在不同值之间变化。

如图所示5,最优价值达到 在Epinions数据集上，表明SMD1在 ．同样，可以推断出SMD1在 FilmTrust数据集。

允许和是用户选择的项目集和 ，分别。两个集合中重叠项的数量越多，两个用户拥有相同兴趣的可能性越大，并且相互影响越大。用户相似度可以定义为 如果 ，这两个用户有相似的兴趣。

数字6显示SMD2的仿真结果和在不同值之间变化。

如图所示6,值达到最小值 和 在Epinions数据集上。这意味着，在Epinions数据集上，SMD2的精度最高 和 ．同样，SMD2在 和 FilmTrust数据集。自关系比关系，推荐精度增加为方法1在FilmTrust数据集。

作为比较，传统的推荐算法，即HeatS算法和混合算法[25，也应用于Epinions数据集和FilmTrust数据集。的在正则化参数时，在两个数据集上最小化混合算法的值分别为0.67和0.5。表格1在的最优值处对对比算法的结果进行了比较和 ．

如表所示1， SMD2的推荐准确率略高于SMD1。在两个数据集上，两种算法的准确率均高于传统算法。结果表明，由于多重社会关系的引入，推荐系统变得更加准确。

推荐列表的多样性也是推荐质量的一个重要指标。数字7展示了推荐列表在Epinions数据集和FilmTrust数据集上的多样性趋势，列表长度在不同值之间变化。

如图所示7，推荐列表的长度与不同用户推荐列表之间的相似度呈正相关。在两个数据集上，SMD2和SMD1的推荐多样性低于MD算法。多样性较低的原因如下:引入用户关系后，用户的推荐列表受其历史得分的影响，同时也受相关用户历史得分的影响。换句话说，用户的推荐列表将与与该用户有社会关系的用户的推荐列表高度相似。heat算法比MD算法实现了更高的推荐多样性，因为它将用户的历史分数吸引到不太受欢迎的商品上。

在现实世界中，有些用户只选择很少的项目。隐式定义购买物品少于30件的用户为小度用户，其他用户为慷慨度用户。小程度用户生成的用于推荐的数据相对较少。因此，对这类用户的推荐通常准确性较低。然后，用户 （是用户的程度吗 )在两个选定的数据集上被视为一个小程度的用户组。数字8显示两个数据集上此用户组的SMD推荐结果，其中 和在不同值之间变化。

如图所示8， SMD1算法在 和 ，分别在Epinions和FilmTrust数据集上。的值比图中的场景减少5，其中SMD1在 和 ，分别价值决定了在扩散过程中需要通过社会网络传递的资源数量。越小价值越大，对资源的需求就越大。

进一步探讨参数之间的关系和 ，RS值按用户度分组。数字9显示与两个数据集上的最佳RS值相对应的值。

如图所示9，之间的关系和在两个数据集上表现出一致的趋势:目标用户的度越小，其值越小值，使RS达到最优值。度小的用户只会选择少量的条目，并为推荐算法提供有限的信息。因此，需要提高基于社交网络信息的小程度用户推荐精度。

说明SMD在小度用户推荐方面的优越性，小度用户满意 按 ，作为和在两个数据集上达到最优值。数字10比较了小用户在SMD和MD下的最佳RS值。

如图所示10其中，MD算法在Epinions数据集上的RS值最高，其次是SMD1和SMD2。也就是说，对于小度用户，SMD在推荐精度上优于MD;这种优势随用户度的减小而增大。在FilmTrust数据集上也观察到了同样的情况。综上所述，SMD对小度用户的推荐比MD更有效。

5.结论

本文将社会信息引入MSCCN模型，以创建一个包含多种关系的复杂网络。在此基础上，将MD算法改进为SMD。实验结果表明，SMD向用户提供了高度准确的推荐，因为它考虑了社会网络中不同用户的潜在有用项k、 另据了解，SMD2的表现优于SMD1和MD，这表明整合两种类型的关系比只合并一种类型的关系或不考虑社会关系要好。换句话说，通过在用户之间引入多种社会关系，可以大大提高推荐的准确性。在此外，实验还表明，SMD在向小规模用户提供准确推荐方面非常有效。未来的研究将发现用户之间的隐性社会关系，并评估其对推荐结果的影响。

数据可用性

本文使用的基础数据来自两个在线公共数据集:Epinionshttp://www.trustlet.org/epinions.html和FilmTrusthttps://www.librec.net/datasets.html．

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

本研究由山东省自然科学基金资助(批准号:)。ZR2017MG011。

参考文献

1. D. Bawden, C. Holtham, N. Courtney，《信息超载的视角》，信息管理协会会报第51卷第1期8, pp. 249-255, 2013。视图:谷歌学术搜索
2. Liu Y.， Peng H.， and J. Wang，“加密外包数据的可验证多样性排名搜索”，计算机、材料与连续体，第55卷，第1期，第37页，2018年。视图:谷歌学术搜索
3. S. fekris - ershad，“基于局部纹理信息和评估Kullback-Leibler发散度的智能手机应用程序中人脸图像的性别分类，”Traitement Du信号第36卷第2期6, pp. 507-514, 2019。视图:出版商的网站|谷歌学术搜索
4. R.孟，S. G. Rice, J. Wang, X. Sun，“一种基于更快的融合隐写算法R新闻网”,计算机、材料与连续体，第55卷，第55期2018年，第1 - 16页。视图:出版商的网站|谷歌学术搜索
5. B.K.Lee和W.N.Lee，“在线环境中信息过载对消费者选择质量的影响，”心理学与市场营销第21卷第2期3，页159-183,2010。视图:出版商的网站|谷歌学术搜索
6. 杨志华，杨永志。张,Z.-K。张，周涛，《推荐系统》，物理的报告，第519卷，第5期。1, pp. 1 - 49, 2012。视图:出版商的网站|谷歌学术搜索
7. 李颖，“基于物联网的智能旅游推荐系统设计与实现”，信息系统工程，第23卷，第2期。5，第159-173页，2018。视图:出版商的网站|谷歌学术搜索
8. N. Hasanzadeh和Y. Forghani，“提高准确性米-基于距离的最近邻推荐系统，使用评级方差，Ingénierie Des Systèmes D信息，第24卷，第2期2，第131-137页，2019。视图:出版商的网站|谷歌学术搜索
9. J. B. Schafer, D. Frankowski, J. Herlocker等人，“协同过滤推荐系统”，刊于自适应网络，计算机科学讲义， vol. 4321, pp. 291-324, Springer-Verlag，柏林，德国，2007。视图:谷歌学术搜索
10. M. J. Pazzani和D. Billsus，“基于内容的推荐系统”自适应网络，计算机科学讲义， vol. 4321, pp. 325-341, Springer-Verlag，柏林，德国，2007。视图:谷歌学术搜索
11. 马斯洛夫和y - c。从知识网络中提取隐藏信息，物理评论快报，第87卷，第2期24，页248701-248705,2001。视图:出版商的网站|谷歌学术搜索
12. K. Goldberg, T. Roeder, D. Gupta，和C. Perkins，《Eigentaste:一种恒定时间的协同过滤算法》信息检索，第4卷，第4期。2，页133-151,2001。视图:出版商的网站|谷歌学术搜索
13. M. J. Pazzani，“合作的框架。基于内容和人口统计的过滤，”人工智能审查，第13卷，第2期5/6，第393-408页，1999。视图:出版商的网站|谷歌学术搜索
14. K. Yoshii, M. Goto, K. Komatani, T. Ogata，和H. G. Okuno，“一个使用增量可训练概率生成模型的高效混合音乐推荐系统，”《IEEE音频、语音和语言处理汇刊》，第16卷，第2期，第435-447页，2008年。视图:出版商的网站|谷歌学术搜索
15. 孙国平，曹南等，“基于多关系社交网络的协同过滤推荐算法”，计算机，材料和Continua，第60卷，第2期2，第659-674页，2019。视图:出版商的网站|谷歌学术搜索
16. j . M . .胡晓林，“基于用户社会化资源词汇三部分图的推荐算法设计与实现”，情报学：理论与应用第39卷第3期3, pp. 130-134, 2016。视图:谷歌学术搜索
17. W.Li，J.Qi，Z.Yu和D.Li，“基于信任传播和奇异值分解的社会推荐方法，”智能与模糊系统学报，第32卷，第2期1, pp. 807-816, 2017。视图:出版商的网站|谷歌学术搜索
18. B.Beirami和M.Mokhtarzade，“用于高光谱图像分类的空间光谱随机斑块网络，”Traitement Du信号第36卷第2期5，页399-406,2019。视图:出版商的网站|谷歌学术搜索
19. 基于深度学习的在线社交网络图像快速识别算法Traitement Du信号第36卷第2期6，第575-580页，2019。视图:出版商的网站|谷歌学术搜索
20. G. Sun和S. Bin，“多关系在线社交网络中一种新的意见领袖检测算法”，多媒体工具及应用第77期4, pp. 4295-4307, 2018。视图:出版商的网站|谷歌学术搜索
21. 孙国平，“基于多子网复合复杂网络模型的路由器级网络拓扑演化模型”，互联网技术杂志第18卷第2期6, pp. 1275-1283, 2017。视图:出版商的网站|谷歌学术搜索
22. “智能铁路系统中无线传感器网络的最优能源分配方法”，传感器，第20卷，第2期。2，第482页，2020。视图:出版商的网站|谷歌学术搜索
23. 孙国平，“基于区块链的社会网络舆情传播模型研究”，计算机，材料和Continua，第60卷，第2期3, pp. 1015-1027, 2019。视图:出版商的网站|谷歌学术搜索
24. A. Bellogín, I. P. Castells和I. Cantador，《推荐系统的信息检索度量的统计偏差》，信息检索期刊，第20卷，第2期。6, pp. 606-634, 2017。视图:出版商的网站|谷歌学术搜索
25. 周涛，库斯克，j.g。刘美多，韦克林，杨志强。“解决推荐系统明显的多样性-准确性困境”，美国国家科学院院刊，第107卷，第10期，第4511-4515页，2010年。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2020田光来等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。