基于動態(tài)信任模型的協(xié)同過濾推薦算法研究.pdf

1、在互聯(lián)網(wǎng)快速發(fā)展的今天，用戶和網(wǎng)絡規(guī)模都呈現(xiàn)指數(shù)倍的增長。信息資源的大量涌現(xiàn)，使得用戶在數(shù)據(jù)的獲取上面臨巨大的挑戰(zhàn)。盡管搜索引擎技術(shù)能讓用戶進行針對性的信息查找，卻只能提供給用戶相同的搜索信息，不能滿足用戶的個性化服務。個性化推薦系統(tǒng)的出現(xiàn)有效的緩解了信任過載問題。推薦系統(tǒng)不僅幫助用戶進行個性化信息的獲取，還幫助部分商家進行了商品的推廣，帶來了比較顯著的經(jīng)濟效應。在推薦系統(tǒng)中，協(xié)同過濾推薦是應用最廣，最為有效?？墒?，協(xié)同過濾推薦算法也有

2、著自身的缺陷，存在數(shù)據(jù)稀疏問題、冷啟動問題、擴展性差的問題和惡意進攻問題等一系列缺點，影響著系統(tǒng)的推薦準確率。
　　針對協(xié)同過濾推薦中所存在的問題，本文在概率矩陣分解推薦模型中融入了帶時間序列的用戶信任度，提出了一種基于動態(tài)信任模型的改進算法-SequentialTrust MF推薦算法。本文的主要工作如下:
　　(1)設計了一種基于認知的動態(tài)信任模型。在該模型中將信任概括為總的信任，直接信任，間接信任。通過歷史證據(jù)窗口將總

3、的信任度計算轉(zhuǎn)變?yōu)橹苯有湃味然蛘唛g接信任度的計算。在直接信任度計算中引入了時間序列信息，使得該信任模型能動態(tài)的計算用戶間的信任度。間接信任度的計算是在直接信任樹(DirectTrust Tree，DTT)的基礎(chǔ)上，通過構(gòu)建間接信任傳播度的聚合方法來實現(xiàn)的。該模型中信任不再是簡單的二元信任，有了信任強度的區(qū)分。而且最終信任度能夠在一定程度上適應網(wǎng)絡中信任關(guān)系的變化。
　　(2)利用信任模型計算信任度，并將信任度融入到概率矩陣分解模型