郑 鹏, 王应明

(福州大学 经济与管理学院,福州 350108)

引言

互联网的高速发展以及电子商务的迅速崛起,有力地促进了推荐系统的研究发展. 其中,协同过滤(Collaborative Filtering,CF)推荐算法是推荐系统中应用最广泛、最成功的推荐技术之一[1]. 虽然协同过滤推荐算法取得了一些成果,但是它同时也存在数据稀疏性、冷启动和扩展性等一系列问题[2].

现实生活中,人们更愿意相信好友推荐的物品,因此推荐系统如果结合用户的信任关系信息,则能够进一步提高推荐精度. 随着在线社会网络的普及,利用社会网络中用户之间的信任关系来缓解传统协同推荐存在问题的信任感知推荐系统(TARS)成为推荐领域新的研究热点[3-5]. Massa等[6]提出使用信任度取代相似度的TARS系统,根据信任网络传播来估计一个信任度的权值,该方法增加了覆盖范围(可预测的评分总数),并未降低精确度(预测误差),但需要用户的显式信任声明. Yuan等[7]根据隐含信任网络的小世界特性,提出一种基于用户相似度的隐含信任感知推荐系统(ITARS),该方法虽然不需要用户提前对自己在整个信任网络中的信任关系做出声明,但是该方法需要根据用户之间的相似度构建隐含的信任网络,并估算信任网络的平均路径长度. 郭艳红等[8]提出以用户的评价个数和为他人提供推荐的次数为要素的可计算的信任模型推荐算法. 该算法改变传统推荐过程中,用户之间的相似度唯一决定预测结果的现状,提高了推……