基于信任机制下概率矩阵分解的用户评分预测

来源：软件学报杂志2018年第12期北京时间：

作者：杜东舫,徐童,鲁亚男,管楚,刘淇,陈恩红

单位：杜东舫，大数据分析与应用安徽省重点实验室(中国科学技术大学), 安徽 合肥 230027;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002711,徐童，大数据分析与应用安徽省重点实验室(中国科学技术大学), 安徽 合肥 230027;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002702,鲁亚男，大数据分析与应用安徽省重点实验室(中国科学技术大学), 安徽 合肥 230027;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002703,管楚，大数据分析与应用安徽省重点实验室(中国科学技术大学), 安徽 合肥 230027;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002704,刘淇，大数据分析与应用安徽省重点实验室(中国科学技术大学), 安徽 合肥 230027;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002705,陈恩红，大数据分析与应用安徽省重点实验室(中国科学技术大学), 安徽 合肥 230027;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002706

摘要：互联网的蓬勃发展，在为用户提供便利的同时，其海量信息也为用户选择造成了困难，基于用户理解的信息推荐服务正成为应时之需.相较于面向单个用户信息的传统推荐技术，基于社交信息的推荐技术通过引入影响力建模，可以更真实地还原用户属性及行为.然而，已有的社交推荐技术往往停留于对用户影响的笼统归纳，并没有对其内在机制进行清晰分类和量化.针对这一问题，通过对用户评分行为中的信任关系进行分析，着重研究了信任用户间接影响用户偏好和直接影响用户评分两种不同机制，进而提出了基于用户间信任关系融合建模的概率矩阵分解模型TPMF，从而实现对上述两种机制的有效融合.在此基础之上，针对不同用户受两种机制影响权重不同的问题，通过借助评分相关性对用户进行聚类并映射到相应权重，实现了用户模型参数的个性化选择.公开数据集的多项实验结果表明：提出的TPMF及其衍生算法在各项指标上优于现有代表性算法，验证了所提出的影响机制及技术框架的有效性.

关键词：聚类分析;概率矩阵分解;推荐系统;信任关系

基金资助：国家杰出青年科学基金（61325010）；国家自然科学基金（U1605251，61703386，61403358）；安徽省自然科学基金（1708085QF140）；中央高校基本科研业务费专项资金（WK2150110006）