余永红 高 阳 王 皓 孙栓柱

1(南京邮电大学通达学院 南京 210003)

2(计算机软件新技术国家重点实验室(南京大学) 南京 210023)

3(江苏省软件新技术与产业化协同创新中心(南京大学) 南京 210023)

4(江苏方天电力技术有限公司 南京 211100)

(yuyh.nju@gmail.com)

随着互联网技术的不断发展，从海量数据中找到有价值的相关信息变得越来越困难.推荐系统[1]通过分析用户的历史活动数据，挖掘用户的潜在偏好，为用户提供个性化的推荐服务，成为解决信息过载问题的有效手段，近年来受到学术界和工业界的广泛关注.推荐系统的典型应用包括Amazon和淘宝的商品推荐、Netflix的电影推荐、Last.fm的音乐推荐、LinkedIn的朋友推荐、Google News的新闻推荐等.这些互联网应用或者电商平台通过部署推荐系统，一方面满足了用户的个性化需求，减轻了信息过载的问题；另一方面提高了用户的忠诚度，增加了企业的营业收入.

在推荐系统的研究中，协同过滤算法是目前应用最广泛的推荐技术.协同过滤算法通过分析用户的历史反馈信息，预测用户未来的偏好.由于协同过滤算法仅需要用户的反馈信息，不需要用户的概要信息和项目的描述信息，因此协同过滤的方法独立于具体的应用领域，可以泛化到不同的应用领域中.然而，协同过滤算法存在数据稀疏、冷启动等问题.数据稀疏导致协同过滤算法不能准确地根据用户的评分数据计算用户或者项目之间的相似性，从而严重影响协同过滤推荐算法的准确性.冷启动指由于与新注册用户和新加入系统项目相关的评分数据较少，协同过滤推荐算法不能准确地找到相似用户或者项目，因而不能为新注册用户提供个性化推荐，或者将新加入系统的项目推荐给感兴趣的用户.

随着社交网络的出现，越来越多的推荐算法利用社交网络提供的丰富信息来改进传统推荐算法的性能，特别是解决传统协同过滤方法中的冷启动问题.基于社交网络的推荐算法一般假设社交网络中用户的偏好受到朋友的影响，并且朋友之间具有相似的偏好.典型的基于社交网络的推荐算法如SoRec[2],RSTE[3],SocialMF[4],TrustMF[5],TrustSVD[6]等.然而，已有的基于社交网络的推荐算法忽略了2个事实：1)在不同的领域中，用户信任不同的朋友；2)用户不仅在不同领域中受到不同朋友的影响，而且不同用户受朋友影响的程度不同.例如在某个社交网络中，用户u信任用户v，用户v在餐饮方面是权威，但是在电子产品方面是入门者.用户u往往会接受用户v在餐饮方面的建议；相反，在电子产品方面则不会接受用户v的推荐，而会转向在电子产品领域的权威朋友征询意见.另外，当用户v向用户u推荐餐饮方面的产品时，如果用户u自身不精通餐饮方面的知识，或者说在餐饮方面具有较低的社会地位，那么用户u受到用户v的影响程度较大；相反，如果用户u对餐饮方面的知识也非常精通，换句话说，用户u在餐饮方面具有较高的社会地位，那么用户u受到用户v的影响程度则较小.因此，在推荐系统中，针对不同的领域，考虑用户在不同领域的社会地位可以更加准确地反映实际的推荐过程，从而有效地改进推荐算法的性能.

为了解决以上的问题，本文提出了融合用户社会地位的矩阵分解推荐算法.首先结合整体社交网络和用户的评分反馈信息，利用用户评分和用户信任关系共现的原则来推导特定领域的用户社交网络结构；然后利用PageRank[7]算法计算每个特定领域内用户的社会地位；最后以用户社会地位来约束矩阵分解过程.在真实数据集上的实验结果表明，本文提出融合用户社会地位的矩阵分解推荐算法的性能优于传统的基于社交网络推荐算法.

1 相关研究工作

本节主要介绍2类典型的推荐算法，包括协同过滤推荐算法和基于社交网络的推荐算法.

1.1 协同过滤推荐算法

协同过滤推荐算法仅需分析用户的历史活动记录(一般为用户-项目评分矩阵)来进行推荐，不需要分析用户概要信息和项目描述信息，避免了复杂的自然语言处理过程，是目前应用最广泛的推荐技术.协同过滤推荐算法主要分为基于内存的协同过滤推荐算法、基于模型的协同过滤算法和混合推荐算法三大类[1].

基于内存的协同过滤推荐算法使用整个用户-项目评分矩阵进行推荐.它的基本假设为：与当前活动用户(active user)爱好相似用户喜欢的项目，当前活动用户可能也喜欢；或者，与当前活动用户喜欢的项目相似的项目，用户也可能喜欢.协同过滤推荐算法首先通过某种相似度度量指标找到与当前活动用户或者目标项目相似的用户或者相似的项目；然后利用相似用户对目标项目评分的权重平均或当前活动用户对相似项目评分的权重平均来预测当前活动用户对目标项目的评分.典型的基于内存协同过滤算法包括基于用户的协同过滤算法[8]和基于项目的协同过滤算法[9-10].

与基于内存协同过滤算法不同，基于模型的协同过滤算法使用统计和机器学习技术从用户-项目评分矩阵中学习一个预测模型，预测模型刻画用户的行为模式，然后利用预测模型进行推荐.典型的基于模型的协同过滤算法包括：基于贝叶斯网络推荐算法[11]、基于聚类模型推荐算法[12-14]、基于潜在语义分析推荐算法[15-16]、基于关联规则推荐算法[17]、基于深度学习推荐算法[18-20].

基于内存协同过滤算法虽然易于实现而且预测质量较高，但是存在严重的可扩展性问题.随着用户数量和项目数量的不断增长，较差的在线预测性能使得基于内存协同过滤推荐算法越来越不适应大规模的电子商务平台.基于模型的协同过滤算法的响应速度往往比基于内存的协同过滤算法快，但是使用的理论模型复杂，有时并不能准确地拟合实际的数据，另外模型的线下学习和更新过程时间较长.

自Netflix竞赛以来，由于在处理大规模数据方面良好的可扩展性和准确的预测能力，基于矩阵分解的推荐算法[21]受到学术界和工业界的广泛关注.基于矩阵分解的推荐算法认为仅有少量的隐藏因子影响用户的偏好和刻画项目的特征.因此，基于矩阵分解的推荐算法将用户和项目的特征向量同时映射到低维的隐藏因子空间中.在低维的隐藏因子空间中，由于用户偏好和项目特征之间的相关性可以直接计算，矩阵分解的推荐算法利用用户和项目的低维特征向量的内积来预测用户对项目的评分.典型的基于矩阵分解的推荐算法包括SVD++[22]，NMF[23]，MMMF[24]，PMF[25]，NPCA[26]等.

由于用户-项目评分矩阵极度稀疏，导致协同过滤算法存在严重的冷启动问题.如，当活动用户的评分信息较少时，基于用户协同过滤推荐算法[8]很难根据评分信息找到偏好相似的用户.类似地,基于项目的协同过滤推荐算法[9-10]也不能准确地找到与目标项目相似的其他项目；基于矩阵分解的推荐算法很难准确地学习新注册用户或者新加入系统的项目的隐藏特征向量.

1.2 基于社交网络的推荐算法

传统协同过滤算法认为用户之间是独立的，忽略了用户的社会属性，即用户总是存在于一个社交圈子中，与社交圈子内的其他用户相互影响.社交网络的出现为解决协同过滤推荐算法中的数据稀疏和冷启动问题带了契机.基于社会学中的同质理论[27]和社交影响理论[28]，研究人员提出了几种典型的基于社交网络的推荐算法,如SoRec[2],RSTE[3],SocialMF[4],TrustMF[5],TrustSVD[6]等.

Ma 等人[2]提出了基于概率矩阵分解模型的推荐算法 SoRec.SoRec集成了用户的评分信息和用户的社交网络信息，并通过用户评分信息和用户社交网络信息之间共享用户隐藏特征矩阵的方式来融合2种不同类型的信息源.为了更加准确直观地对推荐过程进行建模，Ma等人[3]进一步提出了基于社交网络的推荐算法RSTE.RSTE推荐算法假设用户的最终决策是用户自身偏好和朋友偏好的折中权衡，并通过集成参数来融合用户自身偏好和朋友的偏好.在文献[4]中，Jamali 等人提出了SocialMF推荐算法.SocialMF推荐算法在矩阵分解模型中集成了信任的传递机制来改进推荐算法的准确性.在SocialMF中，信任传递机制对于处理推荐系统中的冷启动问题特别有效，因为新注册用户的隐藏特征向量依赖于此用户最相似邻居们的特征向量，而邻居们的特征向量可以从他们的评分信息中学习，所以，一定程度上确保了新注册用户的隐藏特征向量可以被学习到.在文献[5]中，Yang等人集成用户评分信息和用户信任关系信息，提出了TrustMF推荐算法.TrustMF认为用户一方面受到信任朋友的评分信息和评论的影响;另一方面，用户自身的评分信息和评论也会影响其他用户的决定.TrustMF通过在信任关系矩阵上执行矩阵分解，将用户映射到2个不同的隐藏特征空间：信任特征空间和被信任特征空间.因此，在TrustMF中，每个用户同时由信任特征向量和被信任特征向量描述.在文献[6]中，Guo等人提出了基于社交网络的推荐算法TrustSVD.TrustSVD扩展了SVD++算法，在SVD++算法的基础上，综合考虑了评分和信任值的显式和隐式影响，使用已评分项目的隐藏特征向量和信任朋友的隐藏特征向量来表示用户的隐藏特征向量.在文献[29]中，郭弘毅等人提出了融合社区结构和兴趣聚类的协同过滤算法.上述提及推荐算法的实验结果表明，社交网络信息有助于改进传统协同过滤推荐算法的性能，特别是减轻冷启动问题.

另外，为了建模信任关系的多面性，Yang等人[30]提出基于社交网络圈的推荐算法.基于社交网络圈的推荐算法首先从评分数据和社交网络数据中推导特定领域的社交信任关系;然后在每个领域内应用SocialMF算法学习用户隐藏特征向量和项目隐藏特征向量.Tang等人[31]认为用户可能向社交网络中朋友或者全局具有较高声誉的用户寻求建议，他们同时利用局部和全局的社交关系，提出了LOCABAL推荐算法.不同于Yang等人[30]提出基于社交网络圈的推荐算法，本文提出的方法不仅考虑了不同领域的社交网络圈，还考虑了不同社交网络圈内用户的社会地位存在差异，不同社会地位的用户受到同一个领域内朋友的影响程度不同.LOCABAL利用PageRank算法在整个社交网络中计算用户的信誉值，但是未考虑不同领域内，用户的信誉值是不同的.在一个包含多个领域项目的推荐系统中，来自于多种领域的社交关系混合在一起，这种方法不符合实际情况.与LOCABAL不同点在于，本文提出的方法考虑了用户的信誉值或者社会地位在不同领域是不同的.

2 推荐问题描述及矩阵分解

2.1 推荐问题的形式化描述

基于社交网络的推荐系统往往包含2种不同类型的数据源：用户-项目评分矩阵和社交网络信息.用户-项目评分矩阵RN×M由2种实体集合组成：N个用户集合U={u1,u2,…,uN}和M个项目集合I={i1,i2,…,iM}.RN×M中的每项ru i是用户u对项目i的评分.原则上，评分数据ru i可以为任意的实数，但通常情况下，评分数据为整数，而且ru i∈{0,1,2,3,4,5}，其中0值表示用户未对此项目进行评分.评分值越高意味着用户对当前项目越满意.用户u评过分的项目集合表示为Iu(Iu⊆I).由于用户通常只对少量的项目进行评分，用户-项目评分矩阵RN×M通常非常的稀疏.例如MovieLens100K 和 MovieLens1M数据集中分别有93%和95%的评分项缺失，Netflix数据集评分缺失项更高达99%.用户-项目评分矩阵的稀疏性是影响推荐准确性的重要因素.

社交网络信息通常表示为有向社会关系图G=(U,E)，其中U是用户集合，边集合E表示用户之间的社交信任关系.Tu,v∈[0,1]表示用户u和用户v之间信任权重，Tu,v=0意味着用户u和用户v之间没有建立信任关系.推荐系统中所有用户之间的信任关系组成信任关系矩阵T.需要注意的是:由于用户之间信任关系往往不是相互的，所以信任关系矩阵T通常是非对称的.

2.2 矩阵分解

由于在处理大规模用户-项目评分矩阵R方面的有效性，矩阵分解技术在推荐系统中被广泛采用.矩阵分解的目标是通过分析用户-项目评分矩阵R，学习用户的隐藏特征矩阵P和项目隐藏特征矩阵Q，然后利用P和Q预测R中的缺失项.形式化地，设用户的隐藏特征矩阵和项目隐藏特征矩阵分别为P∈K×N和Q∈K×M(K≪min(N,M))，其中K为隐藏特征向量的维数，矩阵分解的方法将用户-项目评分矩阵R分解为2个低维的隐藏特征矩阵P和Q，然后用P和Q的乘积来近似评分矩阵R，即：

(1)

(2)

矩阵分解通过最小化误差平方和损失函数来学习隐藏特征矩阵P和Q,即：

(3)

一般使用梯度下降或者随机梯度下降的算法求解式(3)定义的目标函数的局部最优解.另外，从贝叶斯的角度出发，上述描述的矩阵分解算法等价于概率矩阵分解算法(PMF)[25].

本文扩展了上述矩阵分解方法，特别是在其中融合了用户社会地位信息.

3 融合用户社会地位和矩阵分解的推荐算法

本节详细描述本文提出的融合用户社会地位和矩阵分解的推荐算法.首先描述融合用户社会地位和矩阵分解推荐算法的框架，然后详细介绍此推荐算法的模型和参数学习过程.

3.1 融合用户社会地位和矩阵分解推荐算法框架

融合用户社会地位和矩阵分解的推荐算法框架如图1所示：

Fig. 1 The framework of our proposed recommendation algorithm图1 融合用户社会地位和矩阵分解的推荐算法框架

融合用户社会地位和矩阵分解的推荐算法主要由用户-项目评分数据划分和特定类别用户社交网络的推导、用户社会地位的计算、用户社会地位增强的矩阵分解和评分预测等部分组成.

(4)

2) 用户社会地位的计算.在社交网络中，社交网络的结构一定程度上反映了用户的社会地位.如社会地位高的用户往往可以为其他用户提供有价值的参考信息，因而拥有大量的in-link；社会地位低的用户一般喜欢参考社会地位高的用户的建议，因而具有较多的out-link、较少的in-link.目前有大量的算法根据社交网络的结构计算用户在社交网络中的社会地位，如PageRank[7],HIST[32].本文在Tc基础上，首先采用PageRank算法计算用户在每个类别下的PageRank值.设PRc∈Nc表示所有用户在社交关系矩阵Tc中的PageRank值，Nc表示Tc中用户的数量.用户u在类别c内的PageRank值PRc(u)可以表示为

(6)

4) 评分预测.预测缺失项的评分值：

(7)

3.2 算法模型及参数学习

在社交网络中，不同的用户往往具有不同的社会地位，社会地位低的用户通常会向社会地位高的用户征求意见;反之，社会地位高的用户则较少考虑社会低的用户的建议.换句话说，社会地位高的用户往往受到其他用户的影响小；社会地位低的用户则由于缺乏相关领域的知识，受到其他用户的影响大.因此，本文使用用户社会地位衡量用户评分的重要性，即：

(8)

加上防止过拟合的正则化项后，目标函数定义为

(9)

式(9)仅从社交网络全局的角度考虑用户社会地位对用户评分的影响，但是未考虑用户的行为同时受到朋友的影响，即式(9)未考虑局部的社会影响力.

为了在矩阵分解的过程考虑局部社会影响力对用户行为的影响，本文在由式(9)定义的目标函数基础上，加上正则化项：

(10)

使得用户的隐藏特征向量依赖于其信任用户的隐藏特征向量.这种方法对于处理推荐系统的冷启动问题特别有效.对于新加入系统的用户，由于其评分数据较少，矩阵分解的方法不能准确地根据评分数据学习用户的隐藏特征向量.新用户虽然评分数据较少，但是可能与其他用户建立了信任关系，通过式(10)可以使新加入系统的用户的隐藏特征向量与其信任朋友的隐藏特征向量尽可能地靠近，从而间接地学习新用户的隐藏特征向量.

(11)

(12)

(13)

4 实验与分析

为了验证融合用户社会地位和矩阵分解推荐算法的性能，本文在真实的数据集上与其他流行的推荐算法进行了对比分析.

4.1 数据集介绍

本文选择Epinions数据集验证本文提出推荐算法的性能.Epinions数据集中含有用户评分、社交关系和项目类别等信息.在Epinions中，用户可以浏览其他用户对产品的评分和评论信息，同时用户以评分和评论的方式发表自己的意见.Epinions中的产品按类别分类，如电影类、数字产品类和书籍类等.另外，Epinions中的每个用户维护一个信任用户列表.Epinions中信任关系是有向的，信任值是二值的.

本文使用的Epinions数据集是由文献[27]的作者提供的.此数据集包含922 267条评分记录、22 166个用户和296 277个产品、355 813条信任关系.用户-项目评分矩阵的稀疏度为99.986%，用户评分记录基本符合幂律分布，如图2所示.从图2可以观察，Epinions数据集中大量用户仅提供较少的评分记录.

Fig. 2 The power-law distribution of users for Epinions dataset图2 Epinions数据集的用户评分幂律分布

Epinions中的产品分为27个类别，用户涉及的类别数量分布如图3所示.

Fig. 3 Distribution of users for different number of categories for Epinions dataset图3 Epinions数据集的用户涉及项目类别分布

从图3可以观察，用户平均涉及到的项目类别数较少，仅21.7%的用户涉及到的类别数超过10，也就是说，用户并不是对所有的类别都感兴趣，因而不能在所有类别上影响朋友的评分行为.这也表明了本文提出的推荐算法对用户评分数据和社交关系按项目类别分类处理的必要性.本文选取“Movie”,“Home Garden”，“Education”这3个类别的子数据集来验证本文提出的推荐算法.“Movie”,“Home Garden”,“Education”分别代表大、中、小规模的数据集.经过评分数据划分和特定类别的用户社交网络的推导后，3个类别数据集统计信息如表1所示:

Table 1 Statistics of Three Data Sets表1 数据集统计信息

4.2 度量指标

目前，在推荐系统研究领域有很多不同的度量指标被用来度量推荐算法的性能.例如平均绝对值误差(mean absolute error,MAE)、均方根误差(root mean squared error,RMSE)和归一化的平均绝对值误差(normalized mean absolute error,NMAE)等.本文采用RMSE来评价推荐算法的性能.RMSE的定义为

(14)

4.3 实验设置

为了验证本文提出推荐算法的有效性，我们选取如下的推荐算法作为对比方法.

1) PMF.PMF是由Mnih和Salakhutdinov[25]提出，可以看作是 SVD模型的概率扩展，它仅利用用户-项目评分矩阵来生成推荐项.

2) SoRec.SoRec[2]同时分解用户评分矩阵和用户信任关系矩阵，并以用户评分矩阵和用户信任关系矩阵共享用户隐藏特征矩阵的方式来融合评分信息和社交网络信息.不同于PMF，SoRec是一个基于社交网络的推荐算法，它同时利用用户评分信息和社交网络信息来为用户提供推荐服务.

3) RSTE.RSTE[3]在产生推荐项过程中考虑了用户自身偏好和朋友偏好，并通过集成参数来融合用户自身偏好和朋友偏好.RSTE是一种基于社交网络的推荐算法.

4) SocialMF.SocialMF是由Jamali等人[4]提出的一种基于社交网络的推荐算法.SocialMF在PMF中加入信任的传递机制来提高推荐算法的准确性.

5)TrustMF.TrustMF[5]认为用户的行为既受到其他用户评分和评论的影响，同时他的评分和评论也会影响其他用户.TrustMF在用户信任关系矩阵上执行矩阵分解，将用户映射到2个不同隐藏特征空间：信任特征空间和被信任特征空间.

我们随机从用户-项目评分矩阵中抽取80%的数据作为训练集，剩余20%的数据作为测试数据.这种随机抽取独立地执行5次，以5次运行结果的平均值作为最后的运行结果.为了公平对比，我们参照对比算法的相应文献或者实验结果设置不同算法的参数，在这些参数设置下，各对比算法取得最优性能.在PMF中，λU=λV=0.03；在SoRec中，λU=λV=λZ=0.001，λC=1；在RSTE中，λU=λV=0.001,α=0.4；在SocialMF中，λU=λV=0.001，λT=1；在TrustMF中，λ=0.001，λT=1；对于本文提出的方法，λ1=λ2=0.001，λ3在3个数据集上分别设置为0.5,0.1,0.1.另外，我们设置PMF的学习率η=0.05，本文提出的推荐算法的学习率η=0.03，其他基于社交网络推荐算法的学习率η=0.001.

另外，对于SoRec,RSTE,SocialMF，TrustMF，我们使用Epinions中所有的社交关系来训练预测模型，对于本文提出的方法，使用3.1节中推导的特定领域的社交关系来训练预测模型.

实验运行环境为：4核Intel®Xeon®E3-1225 CPU,3.2 GHz主频，8 GB内存，Window7操作系统和J2SE1.7.

4.4 性能对比

在隐藏特征维度值K=10和K=20情况下，所有对比算法在3个数据集上的实验结果如表2～4所示.

Table 2 Performance Comparison on Education 表2 在Education数据集上的性能对比

Table 3 Performance Comparison on Home Garden 表3 在Home Garden数据集上的性能对比

Table 4 Performance Comparison on Movie表4 在Movie数据集上的性能对比

从表2～4可以发现：

1) 基于社交网络的推荐算法的性能优于仅利用用户评分信息的推荐算法,再次验证了社交网络信息有助于改进推荐算法的性能.

2) 在3个数据集上，本文提出的融合用户社会地位的矩阵分解推荐算法的推荐准确度高于其他对比算法，说明了本文提出算法的有效性.在Education，Home Garden，Movie数据集上，K=20时，与PMF,SoRec,RSTE,SocialMF，TrustMF中的最优结果对比，本文提出算法的改进幅度分别为9.2%,1.4%，1.3%.

3) 在3个数据集上，随着K的增加，所有对比算法的性能下降，说明增加隐藏特征向量的维数不能有效提高矩阵分解算法的准确性，这也验证了矩阵分解算法的假设：仅有少量的隐藏因子影响用户的偏好和刻画项目的特征.

4) 在K=10时，对比PMF,SoRec,SocialMF,RSTE，TrustMF，RSTE在Education数据集上取得最优性能，SocialMF 在 Home Garden和Movie数据集上取得最优性能.这可能是由于Movie，Home Garden中的用户平均信任关系数大于Education中的用户平均信任关系数,即在用户平均信任关系数较大时SocialMF的推荐准确性较高，在用户平均信任关系数较小时RSTE的推荐准确性高.

4.5 参数λ3的影响

在本文提出的推荐算法中，参数λ3是一个影响推荐性能的重要参数.较大的λ3值意味着我们在矩阵分解模型中更加依赖社交网络关系.在极端的情况下，如λ3=∞，本文提出的推荐算法将完全依赖社交网络关系来学习用户和项目隐藏特征向量，而忽视用户的评分信息；相反，较小的λ3值意味着我们赋予用户评分信息更多的权重，如λ3=0表示推荐算法完全依赖用户评分信息来学习用户和项目隐藏特征向量.在本节中，我们设置λ3为0,0.01,0.1,0.5,1，5来检验λ3对本文提出推荐算法的影响.在本组实验中，设置隐藏特征向量的维数K=10.实验结果如图4所示.

Fig. 4 The impact of λ3图4 λ3的影响

从图4可以看出，参数λ3确实影响本文提出推荐算法的性能.其次，在3个数据集上，RMSE的值呈现类似的变化趋势：随着λ3的增加，RMSE先降低，推荐准确性提高，到达最优值后，RMSE随λ3的增加而增加，推荐准确性降低.最后，在3个数据集上，本文提出的推荐算法并没有在同一个λ3值下获得最低RMSE,说明数据集不同则本文提出推荐算法对社交网络信息的依赖程度不同.在Movie,Home Garden和 Education上，RMSE分别在λ3=0.5,0.1,0.1时取得最优性能，表示本文提出的推荐算法在Movie数据集上更加依赖社交网络信息.这是由于在Movie类别中，用户平均信任关系数比Home Garden和 Education中的用户平均信任关系数相对大.

4.6 参数K的影响

隐藏特征向量的维数K是影响本文提出融合用户社会地位和矩阵分解推荐算法性能的另一个重要参数.在本节中，我们变化K的值，从5～50，递增步长为5，观察RMSE在3个数据集上的变化情况.参数λ3分别设置为0.5,0.1,0.1.实验结果如图5所示:

Fig. 5 The impact of K图5 K的影响

从图5可以观察到，随着K的递增，RMSE的值先增加，后趋于稳定，整体推荐性能下降.这个观察结果表明：虽然K值增大使得矩阵分解模型可以表示较多的隐藏特征，但是同时会引入一些噪音，降低矩阵分解推荐算法的准确性.这个观察结果再次验证了矩阵分解模型的基本假设：仅有少量的隐藏因子影响用户的偏好和刻画项目的特征.

4.7 模型训练时间对比

在本节中，我们对比不同推荐算法的模型训练时间，以检验本文提出推荐算法的效率.在Movie,Home Garden，Education数据集上，参数λ3分别设置为0.5,0.1,0.1，K=10.其他对比推荐算法的参数设置同4.3节.不同推荐算法在3个数据集上的模型训练时间如表5所示：

Table 5 The Runtime of Model Training (min:sec)表5 模型训练时间(分：秒)

从表5可以观察到，PMF在3个数据集上的模型训练时间最少.这是由于PMF在学习用户和项目隐藏特征向量时，未考虑社交网络关系对用户隐藏特征向量的影响.在基于社交网络的推荐算法中，SoRec和TrustMF在效率方面胜过SocialMF,RSTE和本文提出的推荐算法.就模型训练时间而言，这说明在用户评分矩阵和用户社交关系矩阵中共享用户隐藏特征向量的推荐模型(即SoRec和TrustMF)优于通过社交关系约束用户隐藏特征向量的模型(即SocialMF和RSTE).本文提出的推荐算法在Movie和 Home Garden数据集上，效率高于SocialMF和RSTE算法，在Education数据集上效率优于SoRec,RSTE,SocialMF，TrustMF.

综上所述，从实验结果看出：本文提出的融合用户社会地位和矩阵分解的推荐算法在3个数据集上的推荐准确性优于对比算法，在模型学习的效率方面，与目前主流的基于社交网络推荐算法相当.

5 结 论

基于社交网络的推荐算法一般假设社交网络中用户的偏好受到朋友的影响，并且朋友之间具有类似的偏好.然而，在现实生活中，用户在不同的领域往往信任不同的朋友；另外，用户在不同领域具有不同的社会地位，因此，用户在不同的领域内，受朋友的影响程度各不相同.为了解决传统基于社交网络推荐算法中存在的上述问题，本文提出了融合用户社会地位和矩阵分解的推荐算法.首先利用用户评分和社交信任关系共现的原则来推导特定领域内的用户社交网络结构；然后利用PageRank算法计算每个特定领域内用户的社会地位；最后以用户社会地位来约束矩阵分解过程.在真实数据集上的实验结果表明，本文提出融合用户地位信息的矩阵分解推荐算法的性能优于传统的基于社交网络推荐算法.

本文仅考虑以社交网络结构信息来衡量用户的社会地位，而用户的评分信息以及用户的评论信息也在一定程度上反映了用户的社会地位.结合社交网络结构信息、评分信息和评论信息来衡量用户的社会地位是本文未来的研究方向；另外，现实的生活场景中，用户往往只提供隐式的反馈信息，如购买记录、点击记录等，即此时我们面对的是One-Class Collaborative Filtering[33-35]问题.在One-Class Collaborative Filtering推荐场景中，如何学习用户的社会地位值，并将其用于改进推荐算法的性能也是本文未来的研究方向.最后，深度学习技术已经在自然语言处理、计算机视觉等领域表现出强大的潜力，结合深度学习技术来改进现有的推荐算法将是推荐系统研究领域中一个非常有趣的研究方向.

[1] Adomavicius G, Tuzhilin A. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions[J]. IEEE Trans on Knowledge and Data Engineering, 2005, 17(6): 734-749

[2] Ma Hao, Yang Haixuan, Lyu M R, et al. SoRec: Social recommendation using probabilistic matrix factorization[C] //Proc of the 17th ACM Conf on Information and Knowledge Management (CIKM’08). New York: ACM, 2008: 931-940

[3] Ma Hao, King I, Lyu M R. Learning to recommend with social trust ensemble[C] //Proc of the 32nd Int ACM SIGIR Conf on Research and Development in Information Retrieval (SIGIR’09). New York: ACM, 2009: 203-210

[4] Jamali M, Ester M. A matrix factorization technique with trust propagation for recommendation in social networks[C] //Proc of the 4th ACM Conf on Recommender Systems (RecSys’10). New York: ACM, 2010: 135-142

[5] Yang Bo, Lei Yu, Liu Dayou, et al. Social collaborative filtering by trust[C] //Proc of the 23rd Int Joint Conf on Artificial Intelligence (IJCAI’13). Menlo Park, CA: AAAI, 2013: 2747-2753

[6] Guo Guibing, Zhang Jie, Yorke-Smith N. TrustSVD: Collaborative filtering with both the explicit and implicit influence of user trust and of item ratings[C] //Proc of the 29th AAAI Conf on Artificial Intelligence (AAAI’15). Menlo Park, CA: AAAI, 2015: 123-129

[7] Page L, Brin S, Motwani R, et al. The PageRank citation ranking: Bringing order to the Web[R]. Stanford InfoLab. 1999 [2017-02-05]. http://ilpubs.stanford.edu:8090/422/1/1999-66.pdf

[8] Resnick P, Iacovou N, Suchak M, et al. GroupLens: An open architecture for collaborative filtering of netnews[C] //Proc of the 1994 ACM Conf on Computer Supported Cooperative Work. New York: ACM, 1994: 175-186

[9] Sarwar B, Karypis G, Konstan J, et al. Item-based collaborative filtering recommendation algorithms[C] //Proc of the 10th Int Conf on World Wide Web (WWW’01). New York: ACM, 2001: 285-295

[10] Linden G, Smith B, York J. Amazon. com recommenda-tions: Item-to-item collaborative filtering[J]. Internet Computing, 2003, 7(1): 76-80

[11] Breese J S, Heckerman D, Kadie C. Empirical analysis of predictive algorithms for collaborative filtering[C] //Proc of the 14th Conf on Uncertainty in Artificial Intelligence (UAI’98). San Francisco, CA: Morgan Kaufmann, 1998: 43-52

[12] Ungar L H, Foster D P. Clustering methods for collaborative filtering[C] //Proc of the AAAI Workshop on Recommendation Systems. Menlo Park, CA: AAAI, 1998, 1: 114-129

[13] Xue GuiRong, Lin Chenxi, Yang Qiang, et al. Scalable collaborative filtering using cluster-based smoothing[C] //Proc of the 28th Annual Int ACM SIGIR Conf on Research and Development in Information Retrieval (SIGIR’05). New York: ACM, 2005: 114-121

[14] Yu Yonghong, Wang Can, Gao Yang, et al. A coupled clustering approach for items recommendation[C] //Proc of the 17th Pacific-Asia Conf on Knowledge Discovery and Data Mining (PAKDD’13). Berlin: Springer, 2013: 365-376

[15] Hofmann T. Latent semantic models for collaborative filtering[J]. ACM Trans on Information Systems, 2004, 22(1): 89-115

[16] Hofmann T. Collaborative filtering via Gaussian probabilistic latent semantic analysis[C] //Proc of the 26th Annual Int ACM SIGIR Conf on Research and Development in Information Retrieval (SIGIR’03). New York: ACM, 2003: 259-266

[17] Sarwar B, Karypis G, Konstan J, et al. Analysis of recommendation algorithms for e-commerce[C] //Proc of the 2nd ACM Conf on Electronic Commerce. New York: ACM, 2000: 158-167

[18] Wang Hao, Wang Naiyan, Yeung Dit-Yan. Collaborative deep learning for recommender systems[C] //Proc of the 21st ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining (KDD’15). New York: ACM, 2015: 1235-1244

[19] Li Sheng, Kawale J, Fu Yun. Deep collaborative filtering via marginalized denoising auto-encoder[C] //Proc of the 24th ACM Int on Conf on Information and Knowledge Management (CIKM’15). New York: ACM, 2015: 811-820

[20] Liang Huizhi, Baldwin T. A probabilistic rating auto-encoder for personalized recommender systems[C] //Proc of the 24th ACM Int Conf on Information and Knowledge Management (CIKM’15). New York: ACM, 2015: 1863-1866

[21] Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer, 2009,42(8): 30-37

[22] Koren Y. Factorization meets the neighborhood: A multifaceted collaborative filtering model[C] //Proc of the 14th ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining (KDD’08). New York: ACM, 2008: 426-434

[23] Lee D D, Seung H S. Learning the parts of objects by non-negative matrix factorization[J]. Nature, 1999, 401(6755): 788-791

[24] Weimer M, Karatzoglou A, Le Q V, et al. Maximum margin matrix factorization for collaborative ranking[C] //Proc of the 21st Annual Conf on Neural Information Processing Systems (NIPS’07). New York: Curran Associates, 2007: 1-8

[25] Mnih A, Salakhutdinov R. Probabilistic matrix factorization[C] //Proc of the 21st Annual Conf on Neural Information Processing Systems (NIPS’07). New York: Curran Associates, 2007: 1257-1264

[26] Yu Kai, Zhu Shenghuo, Lafferty J, et al. Fast nonparametric matrix factorization for large-scale collaborative filtering[C] //Proc of the 32nd Int ACM SIGIR Conf on Research and Development in Information Retrieval (SIGIR’09). New York: ACM, 2009: 211-218

[27] McPherson M, Smith-Lovin L, Cook J M. Birds of a feather: Homophily in social networks[J]. Annual Review of Sociology, 2001,27: 415-444

[28] Marsden P V, Friedkin N E. Network studies of social influence[J]. Sociological Methods & Research, 1993, 22(1): 127-151

[29] Guo Hongyi, Liu Gongshen, Su Bo, et al. Collaborative filtering recommendation algorithm combining community structure and interest clusters[J]. Journal of Computer Research and Development, 2016, 53(8): 1664-1672 (in Chinese)

(郭弘毅, 刘功申, 苏波, 等. 融合社区结构和兴趣聚类的协同过滤推荐算法[J]. 计算机研究与发展, 2016, 53(8): 1664-1672)

[30] Yang Xiwang, Steck H, Liu Yong. Circle-based recommendation in online social networks[C] //Proc of the 18th ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining (KDD’12). New York: ACM, 2012: 1267-1275

[31] Tang Jiliang, Hu Xia, Gao Huiji, et al. Exploiting local and global social context for recommendation[C] //Proc of the 23rd Int Joint Conf on Artificial Intelligence (IJCAI’13). Menlo Park, CA: AAAI, 2013: 2712-2718

[32] Kleinberg J M. Authoritative sources in a hyperlinked environment[J]. Journal of the ACM, 1999, 46(5): 604-632

[33] Pan Rong, Zhou Yunhong, Cao Bin, et al. One-class collaborative filtering[C] //Proc of the 8th IEEE Int Conf on Data Mining (ICDM’08). Los Alamitos, CA: IEEE Computer Society, 2008: 502-511

[34] Hu Yifan, Koren Y, Volinsky C. Collaborative filtering for implicit feedback datasets[C] //Proc of the 8th IEEE Int Conf on Data Mining (ICDM’08). Los Alamitos, CA: IEEE Computer Society, 2008: 263-272

[35] Zhao Tong, McAuley J, King I. Leveraging social connections to improve personalized ranking for collaborative filtering[C] //Proc of the 23rd ACM Conf on Information and Knowledge Management (CIKM’14). New York: ACM, 2014: 261-270