POI recommendation by incorporating trust-distrust relationship in LBSN

POI (point of interest) recommendation is an important personalized service in the LBSN (location-based social network) which has wide applications such as popular sights recommendation and travel routes planning.Most existing collaborative filter algorithms make recommendation according to user similarity and location similarity,they don’t consider the trust relationship between users.And trust relationship is helpful to improve recommendation accuracy,robustness and user satisfaction.Firstly,the propagation property of trust and distrust relationship was analyzed.Then,the measurement and computation method of trust were given.Finally,a hybrid recommendation system which combined user similarity,geographical location similarity and trust relationship was proposed.The experiments results show that the hybrid recommendation is obviously superior to the traditional collaborative filtering in terms of results accuracy and user satisfaction.     

融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法

推荐系统可以方便地帮助人们做出决策,然而,目前很少有研究考虑到剔除不相关噪声用户的影响,保留少量核心用户做推荐。该文提出基于信任关系和兴趣相似度的核心用户抽取的新方法。首先计算所有用户对之间的信任度和兴趣相似度并且排序,然后根据用户在最近邻列表中出现的频率和位置权重两种策略选择候选核心用户集合,最后利用用户的推荐能力筛选出最终的核心用户并且做推荐。实验表明利用核心用户做推荐的有效性,并且证明了利用20%的核心用户做推荐,可以达到超过90%的准确性,而且利用核心用户做推荐能很好地抵御托攻击对推荐系统造成的负面影响。     

基于随机游走和多样性图排序的个性化服务推荐方法

针对传统服务推荐算法由于数据稀疏性而导致推荐准确性不高,以及推荐结果缺乏多样性等缺陷,提出基于随机游走和多样性图排序的个性化服务推荐方法（PRWDR）.在分析直接相似关系稀疏性的基础上提出带权重的随机游走模型,通过在用户网络上进行随机游走来挖掘更多的相似关系;基于所有相似用户预测服务的QoS值,并给出服务图模型构建方法,以过滤大量性能过低的候选服务;提出最优节点集合选取策略,利用贪婪算法得到兼具推荐准确性和功能多样性的服务推荐列表.在公开发布的数据集上进行实验,并与多个经典算法进行比较,验证了本算法的有效性.     

基于混杂社会网络的个性化Web服务推荐方法

为了缓解Web服务推荐中存在的冷启动和数据稀疏问题,以及满足用户个性化的需求,本文提出了基于混杂社会网络的Web服务推荐框架及算法.该网络加入了服务提供者这一元素,可提供更多的真实信息,有助于缓解冷启动问题.根据提出的服务推荐框架,设计了用户-候选服务信任值预测算法（Computing Trust Value,CTV）,以及服务推荐算法（Recommend Queue,RQ）.在真实数据集上建立实验,结果表明本文提出的方法在预测准确率MAE、RMSE,推荐准确率MAP、NDCG,以及填充率和覆盖率上都有所提高,有助于提升个性化推荐的性能.     

基于k-距离与重加权M-估计量的鲁棒协同推荐算法(英文)

The existing collaborative recommendation algorithms have lower robustness against shilling attacks.With this problem in mind,in this paper we propose a robust collaborative recommendation algorithm based on k-distance and Tukey M-estimator.Firstly,we propose a k-distancebased method to compute user suspicion degree(USD).The reliable neighbor model can be constructed through incorporating the user suspicion degree into user neighbor model.The influence of attack profiles on the recommendation results is reduced through adjusting similarities among users.Then,Tukey M-estimator is introduced to construct robust matrix factorization model,which can realize the robust estimation of user feature matrix and item feature matrix and reduce the influence of attack profiles on item feature matrix.Finally,a robust collaborative recommendation algorithm is devised by combining the reliable neighbor model and robust matrix factorization model.Experimental results show that the proposed algorithm outperforms the existing methods in terms of both recommendation accuracy and robustness.     

融合多权重因素的低秩概率矩阵分解推荐模型

针对个性化推荐精度较低、对冷启动敏感等问题,该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型MWFPMF。模型利用给定的社交网络构建信任网络,借助Page rank算法和信任传递机制求取用户间信任度;基于Page rank计算用户社会地位,利用活动评分和评分时间修正用户间关系权重;引入词频-逆文本频率技术(TF-IDF)求取用户标签,通过标签相似性表征用户间同质性;将用户间信任度、用户社会地位影响力和用户同质性3因素融入低秩概率矩阵分解中,从而使用户偏好和活动特征映射到同一低秩空间,实现用户-活动评分矩阵的分解,在正则化约束下,最终完成低秩特征矩阵对用户评分缺失的有效预测。利用豆瓣同城北京和Ciao数据集确定各模块的参数设置值。通过仿真对比实验可知,本推荐模型获得了较高的推荐精度,与其他5种传统推荐算法相比,平均绝对误差至少降低了6.58%,均方差误差至少降低了6.27%,与深度学习推进算法相比,推荐精度基本接近;在冷启动用户推荐上优势明显,与其他推荐算法相比,平均绝对误差至少降低了0.89%,均方差误差至少降低了3.01%。     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-PMF),通过用户评分数据计算用户间的偏好信任度时,使用了共同项目平衡因子和热门项目惩罚因子进行改进;计算社交网络中的信任度时,考虑了社交活跃度与用户信任度的关系,并将社交活跃度作为惩罚因子,修正用户信任度.将偏好信任度和社交网络中的信任度以动态组合的方式得到最终的信任度,将最终的信任度与概率矩阵模型相结合,实现推荐.实验证明,改进的算法均优于现有的推荐算法,有效提高了推荐质量.     

自动建立信任的防攻击推荐算法研究

 随着互联网中信息资源的日益增多,个性化推荐技术作为缓解"信息过载"的有效手段,得到了越来越多的研究者的关注.由于互联网天然的开放性,在商业利益的驱动下,部分恶意用户通过伪造虚假数据来影响系统的推荐结果,从而达到盈利的目的.本文提出一个自动建立信任的防攻击推荐算法,在考虑了用户评分相似性的基础上,引入适当的信任机制,通过为目标用户动态建立和维护有限数量的信任对象来获得可靠的推荐.大量基于真实数据集的实验表明,提出的算法能大大提高推荐系统的鲁棒性和可靠性,并在一定程度上提高了推荐的精准度.     

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

基于归一化方法的协同过滤推荐算法

针对传统的协同过滤推荐算法没有考虑用户向量维度以及评价值差异的问题,提出了一种基于归一化方法的协同过滤推荐算法。算法在计算用户或项目相似度之前首先将用户对每一项目的评分值归一化到一个统一的值域范围,然后再计算用户向量空间的相似性并进行预测推荐。实验结果显示该算法能够准确地找到相似的邻居用户或项目,预测及推荐测性能有较大提高。     

融合偏置的动态专家信任推荐算法

针对协同过滤推荐算法中数据稀疏、冷启动与噪声用户对推荐质量的严重影响,该文将用户-项目评分数据与用户信任关系数据相结合;提出一种融合偏置的动态专家信任推荐算法(BDETA),首先根据用户信任关系数据进行社区划分,获取用户间显式信任值;其次从社区中用户-项目评分数据获取可信度、隐式信任值;通过结合用户间可信度、显式信任值、隐式信任值动态确定专家信任因子,根据用户的推荐能力为每个社区确定专家数据集;最后结合用户不同评分标准进行评分预测。在真实数据集FilmTrust的实验结果中,能够有效地解决协同过滤中冷启动与数据稀疏问题,可更好地满足用户的个性化推荐需求,并且在推荐系统常用评价指标MAE与RMSE中有着不错的表现。     

基于霍克斯过程的社交网络用户关系强度模型

社交网络节点之间的关系强度建模是研究信息传播、实现推荐服务等社交网络服务的关键.传统关系强度模型主要研究简单二元关系与静态关系,未考虑用户交互影响及其动态衰减.本文提出一种基于霍克斯过程的社交网络用户关系强度模型,将用户关系强度视为潜在因子,用户相似性与历史交互行为分别视为潜在因子诱因与表象,并使用霍克斯过程刻画历史交互行为与用户关系强度之间的关系,解决了已有模型未考虑用户历史交互影响及其动态衰减的问题.采用微博社交网络数据对模型进行的评估表明,本模型可以提高用户关系强度预测精度以及基于关系强度排序Top-N邻居节点的覆盖率.     

使用正态分布函数修正推荐系统相关相似性

为提高协同过滤推荐系统寻找最近邻居集合的准确程度，在传统的相关相似性基础上，提出了一种利用正态分布函数作为修正函数的相关相似性计算方法，该方法依据双方共同评分的项目进行用户相似性评价，利用正态分布函数来修正用户之间评分项目数差距对相关相似性计算产生的负面影响，能够较好地体现用户的相似程度。实验结果表明，在相同条件下，该方法与传统的相关相似性计算方法，在一定程度上提高了寻找最近邻居用户集合的准确度。     

云计算环境下基于评价可信度的动态信任评估模型

针对云用户如何选取可信的云服务提供商问题,提出了基于评价可信度的动态信任评估模型。该模型将云服务提供商的服务能力和云用户所需求的服务能力分别划分等级,有效地解决了云服务提供商服务能力动态变化对模型存在的潜在破坏问题。建立了信任度随时间窗变化的动态信任机制,在计算信誉度时,将用户的评价可信度作为其评价证据的可信权重,通过引入评价可信度和评价相似度提高了计算推荐行为可信度的准确率。仿真结果表明,该模型的评估结果更贴近云服务提供商的真实信任度,同时能有效抵御恶意云用户的攻击。     

基于用户相似度的协同过滤推荐算法简

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容,在电子商务中得到了广泛的应用。然而,当此类算法应用到社交网络时,传统的评价指标与相似度计算的重点发生了变化,从而出现推荐算法效率偏低,推荐准确度下降问题,导致社交网络中用户交友推荐满意度偏低。针对这一问题,引入用户相似度概念,定义社交网络中属性相似度,相似度构成与计算方法,提出一种改进的协同过滤推荐算法,并给出推荐质量与用户满意度评价方法。实验结果表明：改进算法能有效改善社交网络中的推荐准确性并提高推荐效率,全面提高用户满意度。     

Personalized privacy protection method for group recommendation

To address the problem that most of the existing privacy protection methods can not satisfy the user’s personalized requirements very well in group recommendation,a user personalized privacy protection framework based on trusted client for group recommendation (UPPPF-TC-GR) followed with a group sensitive preference protection method (GSPPM) was proposed.In GSPPM,user’s historical data and privacy preference demands were collected in the trusted client,and similar users were selected in the group based on sensitive topic similarity between users.Privacy protection for users who had privacy preferences in the group was realized by randomization of cooperative disturbance to top k similar users.Simulation experiments show that the proposed GSPPM can not only satisfy privacy protection requirements for each user but also achieve better performance.     

Service recommendation method based on context-embedded support vector machine

Combined with contexts and SVM,a service recommendation method based on context-embedded support vector machine (SRM-CESVM) was proposed.Firstly,according to the different contexts,the user rating matrix was modified to make it with embedded contexts.Secondly,the rating vectors with embedded contexts were used as service feature vectors to construct training set,meanwhile the dimension of service feature vector were not increased by the introduction of contexts.Thirdly,a separation hyperplane for active user was acquired based on training set using SVM,and then the SVM prediction model was built.Finally,the distances between the feature vector points representing the active users' unused services and the hyperplane were calculated.Considering the distances and the recommendation of similar users,the service list was recommended.The experimental results further demonstrate that the proposed method has better recommendation accuracy under different rating matrix densities and can reduce recommendation time.     

基于社会网络面向个性化需求的可信服务推荐

在当前服务计算和社会计算背景下,针对难以获取满足用户个性化需求的可信Web服务问题,给出基于社会网络面向个性化需求的可信Web服务推荐模型;设计用户个性化功能需求分解与匹配算法,并利用语义词典提高功能需求语义匹配的准确性;基于个性化功能需求、社会网络节点信任度及服务信任度,设计了一种满足用户个性化需求的可信服务推荐算法,通过对社会网络节点之间、节点与服务之间的信任相关性进行分析,提高服务协同可信推荐性能。算法分析及实验结果表明该方法是有效和可行的。     

分布式环境下信任路径选择性搜索及聚合研究

针对现有基于信誉的信任模型在刻画节点推荐可信度、推荐信任路径搜索及合成算法方面存在的问题,提出基于时间衰减因子、推荐吻合度因子及交互成功率因子的推荐可信度更新算法,进而给出一种新的分布式环境下推荐信任路径选择性搜索算法,该算法以邻居节点间推荐可信度、评分相似度、路径长度等作为控制条件,能直接在搜索过程中规避恶意节点,选择包含有效推荐信息的路径进行搜索并停止对冗余路径的搜索。最后采用一种改进的D-S证据理论合成算法对搜索得到的信任路径进行聚合。仿真实验表明,与已有模型相比,所提模型具有较强的抵制各种恶意节点攻击的能力。     

基于上下文因素的P2P动态信任模型

构建一个基于上下文因素的多维度P2P信任模型,结合考虑时间衰减、交互重要性和交互次数度量实体交互信任,基于Dice相似度给出信任相似度算法,设计一种多链路反馈可信度融合算法,聚合直接交互、评价相似度和信任链传递计算实体的推荐信任,综合直接信任和推荐信任进行实体信任的评估,并提出一种新的信任更新和奖惩机制。实例分析表明,模型较好地体现了上下文因素对信任计算的影响,增强了模型在上下文因素的敏感性。