一種基于社交網(wǎng)絡(luò)輿論影響的推薦算法

李 霞 李守偉

1(濱州醫(yī)學(xué)院網(wǎng)絡(luò)信息中心 山東 濱州 256603)2(江蘇大學(xué)管理學(xué)院 江蘇 鎮(zhèn)江 212013)

一種基于社交網(wǎng)絡(luò)輿論影響的推薦算法

李 霞1李守偉2

1(濱州醫(yī)學(xué)院網(wǎng)絡(luò)信息中心 山東 濱州 256603)2(江蘇大學(xué)管理學(xué)院 江蘇 鎮(zhèn)江 212013)

社交網(wǎng)絡(luò)中的朋友間信任度是影響用戶決策的重要因素之一?；谏缃痪W(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和相鄰節(jié)點間的信任度，構(gòu)建推薦模型，給出推薦算法，并進(jìn)行理論分析和仿真模擬。研究結(jié)果顯示，社交網(wǎng)絡(luò)結(jié)構(gòu)和信任度在社會交往的作用下會對用戶的產(chǎn)品預(yù)期產(chǎn)生較大的影響。社交網(wǎng)絡(luò)中單個產(chǎn)品的推薦者數(shù)量隨時間呈S型曲線變化。推薦系統(tǒng)中產(chǎn)品推薦等級序列呈尾部截斷的冪律分布。該研究不但分析了用戶對產(chǎn)品預(yù)期的形成機(jī)理，而且推薦算法在一定程度上提高了推薦的效率。

社交網(wǎng)絡(luò) 網(wǎng)絡(luò)輿論 信任度 推薦算法

0 引 言

隨著互聯(lián)網(wǎng)和信息技術(shù)的發(fā)展，信息收集、網(wǎng)上購物和網(wǎng)絡(luò)社交等活動已成為人們?nèi)粘Ｉ畹闹匾M成部分。因此，人們在網(wǎng)絡(luò)上的活動和互動不但為研究人員提供了研究的數(shù)據(jù)基礎(chǔ)，而且也提出了新的技術(shù)需求。傳統(tǒng)的“軟科學(xué)”研究，如社會學(xué)、經(jīng)濟(jì)學(xué)等，依靠這些大量的新提供的數(shù)據(jù)集，在最近幾年中有了快速的增長[1-2]。在過去的十年中，基于長期的經(jīng)驗與數(shù)據(jù)驅(qū)動的研究，物理學(xué)家在金融學(xué)[3]、網(wǎng)絡(luò)理論[4]以及社會動力學(xué)[5]等方面展開了深入的研究。其中，推薦系統(tǒng)和信息過濾的研究已經(jīng)引起眾多學(xué)者的關(guān)注，初步取得了較為豐富的研究成果[6]。

在線交易和電子商務(wù)的成功很大程度上取決于產(chǎn)品推薦機(jī)制的有效設(shè)計。在眾多電子商務(wù)系統(tǒng)中，用戶面對數(shù)以百萬計的可選產(chǎn)品。在如此巨大的產(chǎn)品空間中，搜索到用戶滿意產(chǎn)品的過程不但耗時，而且是不可控的，因此個性化推薦的技術(shù)需求應(yīng)運而生[7]。隨著社交網(wǎng)絡(luò)技術(shù)和平臺的蓬勃發(fā)展，大多數(shù)電子商務(wù)企業(yè)都建立了自己的社交網(wǎng)絡(luò)，構(gòu)建了社交化電子商務(wù)系統(tǒng)。在社交網(wǎng)絡(luò)與電子商務(wù)系統(tǒng)的不斷耦合發(fā)展過程中，社交網(wǎng)絡(luò)在偏好相似性、推薦信任和社會關(guān)系的基礎(chǔ)上不斷演化成推薦者系統(tǒng)[22]，可以為用戶提供更加精準(zhǔn)的個性化推薦。例如，亞馬遜、Netflix、YouTube等網(wǎng)站的成功在很大程度上依賴其推薦者系統(tǒng)。

社交網(wǎng)絡(luò)不但包含用戶個體偏好、活躍度等信息，而且包含用戶之間的鏈接以及鏈接上的互動行為。社交網(wǎng)絡(luò)的無標(biāo)度和小世界特征分別影響網(wǎng)絡(luò)鏈接的異質(zhì)性分布和信息擴(kuò)散的路徑與距離。同時，個體行為以及用戶之間的互動，又使社交網(wǎng)絡(luò)涌現(xiàn)出復(fù)雜的群體行為。社交網(wǎng)絡(luò)的這些特征從用戶個體、關(guān)系互動以及系統(tǒng)動力學(xué)等三個層次上為社交化電子商務(wù)系統(tǒng)的推薦算法設(shè)計提供了新的思路。

推薦系統(tǒng)的主要任務(wù)是依據(jù)用戶喜好的歷史數(shù)據(jù)，預(yù)測未來用戶可能出現(xiàn)的喜好。通常，推薦系統(tǒng)是由用戶、項目(產(chǎn)品或者服務(wù))以及用戶對于項目的評分等三個部分構(gòu)成。每個用戶對某些項目進(jìn)行評分，以表明該項目的實用價值。由于每個用戶只是體驗了小部分的項目空間，推薦系統(tǒng)的目標(biāo)是要為未體驗用戶推薦一組項目，使其在不久的將來可能購買它們，并且是滿意的[8]?；诖丝蚣芟?，各種推薦算法已被提出，主要有基于相關(guān)性的算法(如基于用戶和基于項目的協(xié)同過濾[9-10])、頻譜分析技術(shù)[11]和概率模型(如潛在語義模型[12]，貝葉斯網(wǎng)絡(luò)和Markov鏈模型[13]等)。

但是，在推薦系統(tǒng)的研究領(lǐng)域仍然有許多挑戰(zhàn)性的研究工作[14]。其中，一個關(guān)鍵的問題就是如何理解用戶對項目的評價機(jī)制。顯然，這個評價機(jī)制受到多方面因素的影響，其中同儕壓力是影響因素之一。社會互動與同齡人的決策在一定程度上給予個體相關(guān)建議，從而有利于個體的決策[15]。因此，身邊人的看法是影響用戶對項目評價的因素之一。本文提出一個基于社交網(wǎng)絡(luò)輿論影響的用戶對項目的預(yù)期模型，并在社交網(wǎng)絡(luò)上構(gòu)建推薦系統(tǒng)。

1 社會交往對用戶預(yù)期的影響

在日常生活中，人們的決策往往受到各種信息擴(kuò)散渠道的影響，比如電視廣告、社會交往等。假設(shè)市場上剛剛推出的一個新產(chǎn)品。在上市前后各種廣告、營銷措施等活動不斷開展，以吸引顧客。這些活動影響著顧客對該產(chǎn)品的購買意向(或預(yù)期)。顯然，這個購買預(yù)期可能是由多個方面組成的，包括產(chǎn)品的內(nèi)在質(zhì)量，也包括身邊朋友圈的建議。Li等人研究發(fā)現(xiàn)，個人交流和非正式的信息交換不但影響著消費行為的決策，而且還塑造了用戶對產(chǎn)品或服務(wù)的預(yù)期[22]。

社會個體成員及其社會聯(lián)系構(gòu)成了信息交換的社交網(wǎng)絡(luò)，這個網(wǎng)絡(luò)是社會關(guān)系網(wǎng)絡(luò)的局域子網(wǎng)。對于各種不同的信息主題(如食品或電影)，每個局域子網(wǎng)的相關(guān)特性(如聚集密度、連接強(qiáng)度、拓?fù)浣Y(jié)構(gòu)等)具有很大的不同。本文所研究的社交網(wǎng)絡(luò)是對一般意義的網(wǎng)絡(luò)進(jìn)行建模，不局限于特定的網(wǎng)絡(luò)結(jié)構(gòu)，可以適用于隨機(jī)網(wǎng)絡(luò)、無標(biāo)度網(wǎng)絡(luò)和小世界網(wǎng)絡(luò)。

初始預(yù)期是由除社會交往影響外的多個來源所形成的，如媒體廣告、產(chǎn)品質(zhì)量說明書或用戶自身體驗等，是用戶對產(chǎn)品的一種看法或意見。在形成初始預(yù)期之后，用戶才能與其鄰接用戶就評價對象展開討論并交換意見，即意見交換的社會交往。

目標(biāo)預(yù)期是在初始預(yù)期的基礎(chǔ)上，受到社交網(wǎng)絡(luò)輿論的影響而形成的。在社交網(wǎng)絡(luò)的局部，一個用戶與多個直接聯(lián)系的鄰接點發(fā)生社會交往，如果一部分鄰接點已經(jīng)體驗了產(chǎn)品和服務(wù)，或者對產(chǎn)品有了明確的評價，那么這些社會交往將可能會改變這個用戶對特定對象(產(chǎn)品或服務(wù))的預(yù)期。進(jìn)而，這個目標(biāo)預(yù)期將影響用戶對產(chǎn)品的決策(消費等)。

另外，在推薦技術(shù)與方法的研究中，朋友間的信任度也備受關(guān)注[16]。Sinha等(2001)的研究結(jié)果顯示，與家庭成員相比,朋友會對人的行為和發(fā)展產(chǎn)生更深遠(yuǎn)的影響[17]。McKnight等(1996)研究發(fā)現(xiàn)，朋友間的信任關(guān)系對提高推薦系統(tǒng)的性能有非常重要的作用[18]。因此，在本文的推薦模型中，引入了鄰接點之間的信任度γ。

對于用戶j和產(chǎn)品i，aij表示用戶j對產(chǎn)品i的初始預(yù)期值，則在一次社會交往后，用戶j對產(chǎn)品i的預(yù)期值的變化滿足公式：

(1)

從式(1)可以看出，信任水平γ與用戶鄰接點正負(fù)意見密切相關(guān)，影響著用戶對產(chǎn)品的預(yù)期偏移。如果用戶強(qiáng)烈地信任鄰接點(γ→1)，那么只需要少量的正負(fù)意見的差值(ρ→0)，就能使用戶對產(chǎn)品的預(yù)期有較大的偏移；反過來，如果社交網(wǎng)絡(luò)中的信任水平較低(γ→0)，那么需要較大的正負(fù)意見的差值(ρ→1)，才能使用戶對產(chǎn)品的預(yù)期有較大的偏移。γ與ρ之間的關(guān)系可以用圖1中的等高線來表示。

圖1 信任水平γ與網(wǎng)絡(luò)輿論ρ對于用戶預(yù)期偏移的影響

圖1中等高線上的數(shù)字為用戶在社會交往后的預(yù)期偏移大小，同一曲線上的不同點表明在ρ和γ的不同組合情況下得到相同的用戶預(yù)期偏移。

2 推薦算法

2.1 推薦算法的構(gòu)成

根據(jù)前面的分析，用戶對產(chǎn)品的預(yù)期是在兩個階段上形成的：(1) 基于各種外部信息和自身體驗，每個用戶產(chǎn)生自己的初始預(yù)期；(2) 基于社交網(wǎng)絡(luò)上的社會交往，在輿論的影響下，用戶的目標(biāo)預(yù)期在初始預(yù)期的基礎(chǔ)上形成。

通常，推薦系統(tǒng)由用戶建模模塊、推薦對象建模模塊以及推薦算法模塊等三個部分構(gòu)成。本文結(jié)合用戶社交網(wǎng)絡(luò)的特點，重點研究推薦算法。因此，基于社交網(wǎng)絡(luò)的推薦算法包括四個部分：一是用戶群體基于各種社交聯(lián)系所形成的社交網(wǎng)絡(luò)G=(N,E)，其中N表示網(wǎng)絡(luò)結(jié)點(即用戶)的集合、E表示網(wǎng)絡(luò)結(jié)點之間邊(即聯(lián)系)的集合。在社交網(wǎng)絡(luò)上，還存在著結(jié)點之間的信任度，即朋友間的信任。二是產(chǎn)品集合。這些產(chǎn)品被用戶購買，或者向用戶推薦。三是用戶對于產(chǎn)品的預(yù)期(即，評分)。在社交網(wǎng)絡(luò)中部分用戶體驗過產(chǎn)品或者對產(chǎn)品有明確的評價，將對其他用戶產(chǎn)生積極或消極的影響；用戶的產(chǎn)品預(yù)期在其最近鄰結(jié)點輿論的影響下發(fā)生偏移，將會形成目標(biāo)預(yù)期。每種產(chǎn)品的預(yù)期值服從相同方差、不同均值的正態(tài)分布。四是臨界閾值。臨界閾值表示用戶對產(chǎn)品推薦與否的分界線。閾值越小，說明產(chǎn)品的吸引力越高，也說明用戶對產(chǎn)品的認(rèn)同度越強(qiáng)。反之，閾值越大，說明產(chǎn)品的吸引力越小，也說明用戶對產(chǎn)品的購買欲望越弱。雖然理論上每種產(chǎn)品的臨界閾值時不同的，但是為了研究的方便，本文在推薦系統(tǒng)中采取同一個閾值。對于給定的閾值，如果用戶的預(yù)期不小于閾值，則其認(rèn)可該產(chǎn)品，意味著其對該產(chǎn)品的推薦。這個用戶的狀態(tài)就用A表示；如果用戶的預(yù)期小于閾值，則其不認(rèn)可該產(chǎn)品，意味著其對拒絕推薦該產(chǎn)品。這個用戶的狀態(tài)就用D表示。除A和D兩類狀態(tài)外，用戶還有可能處于觀望狀態(tài)，無論其預(yù)期值是否大于或小于閾值，這類用戶用S表示。在推薦系統(tǒng)中，用戶的狀態(tài)一旦變成A或者D，其狀態(tài)在以后的社會交往中將不會發(fā)生改變。

在推薦算法中，用戶與產(chǎn)品之間形成了多對多的對應(yīng)關(guān)系，即一個用戶可以同時推薦多個產(chǎn)品，一個產(chǎn)品也可以同時被多個用戶所推薦。對于特定產(chǎn)品而言，依據(jù)臨界閾值與用戶對于產(chǎn)品預(yù)期評分的大小關(guān)系，系統(tǒng)決定用戶的身份狀態(tài)。對于特定用戶來說，其對產(chǎn)品的預(yù)期評分由自身評價與鄰接用戶評價之和所決定。這個鄰接用戶的評價與社交網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)密切相關(guān)。同時，鄰接用戶評價的影響程度受到用戶間的信任度制約?；谏厦娴姆治觯疚慕o出如下基于社交網(wǎng)絡(luò)的推薦算法。

2.2 推薦算法的描述

假定社交網(wǎng)絡(luò)拓?fù)渥兓臅r間范圍比輿論在網(wǎng)絡(luò)上傳播的時間范圍更長，因此在本文中假設(shè)社交網(wǎng)絡(luò)G=(N,E)具有固定的拓?fù)浣Y(jié)構(gòu)，網(wǎng)絡(luò)中共有n個結(jié)點，每個結(jié)點對應(yīng)一個單獨的個體。取推薦對象集合為O，其中有m個產(chǎn)品；假定推薦系統(tǒng)的臨界閾值為Δ。

算法1給出了這個社交網(wǎng)絡(luò)輿論影響的系統(tǒng)動力學(xué)過程。其中概率λ和概率β分別表示用戶在滿足臨界閾值的條件下自愿更新為狀態(tài)A和D的可能性，它們模擬了真實推薦系統(tǒng)中用戶心理因素的影響。產(chǎn)品的初始評價得分ai服從正態(tài)分布，模擬了客觀世界中的真實情況。

算法1 (基于社交網(wǎng)絡(luò)的推薦算法)

1: 給出網(wǎng)絡(luò)參數(shù)：社交網(wǎng)絡(luò)G=(N,E)(含有n個結(jié)點)、產(chǎn)品集O(含有m個對象)、閾值Δ、信任度γ、概率λ和概率β

2: For產(chǎn)品集O中的產(chǎn)品i

3: 生成分布ai∈N(μi,σ)

4:for用戶j∈N

5: 生成產(chǎn)品評價aij∈ai

6:jstatus←S

7:ifaij≥Δthen以概率λ新狀態(tài)：jstate←A

8: ifaij<Δthen以概率β更新狀態(tài)：jstate←D

9: end for

10: repeat

11: for 具有狀態(tài)S且kj>0的用戶j

16:endfor

17:until|{j|jstate=Sandkj>0}|=0

18:Endfor

3 理論分析與仿真實驗

3.1 社交網(wǎng)絡(luò)中推薦者狀態(tài)演化的理論分析

下面對推薦者在社交網(wǎng)絡(luò)中的分布情況進(jìn)行邏輯推理。

根據(jù)結(jié)點狀態(tài)的轉(zhuǎn)換規(guī)則，由平均場理論[19]，可以得到a(t)、d(t)和s(t)隨時間變化的微分方程組：

(2)

因此對于初值a(0)=a0，有s0=1-a0，d0=0，從而由微分方程組(2)可以得到a(t)的解析解：

(3)

3.2 社交網(wǎng)絡(luò)中推薦者演化的仿真實驗

基于人際交往形成的社交網(wǎng)絡(luò)是典型的小世界網(wǎng)絡(luò)。小世界網(wǎng)絡(luò)最早是由Watts和Strogatz于1998年提出的，他們將具有高集聚系數(shù)和低平均路徑長度等特征的網(wǎng)絡(luò)稱為小世界網(wǎng)絡(luò)。他們在環(huán)形規(guī)則網(wǎng)絡(luò)的基礎(chǔ)上，通過以一定的概率斷開網(wǎng)絡(luò)連接并隨機(jī)連接到網(wǎng)絡(luò)中的其他結(jié)點上的方法構(gòu)造了小世界網(wǎng)絡(luò)模型，一般就稱作WS小世界網(wǎng)絡(luò)模型[21]。小世界網(wǎng)絡(luò)生成的方法有多種，其中WS模型是最典型的小世界網(wǎng)絡(luò)。因此，本文采用Watts和Strogatz的小世界網(wǎng)絡(luò)生成算法，構(gòu)建小世界網(wǎng)絡(luò)，用于個性化推薦算法的仿真。由Matlab和Ucinet軟件可以得到小世界網(wǎng)絡(luò)(如圖2所示)，其中網(wǎng)絡(luò)結(jié)點數(shù)為N=1000，網(wǎng)絡(luò)平均度為degree=6，斷開重連概率為p=0.07。

圖2 小世界網(wǎng)絡(luò)圖

與相同規(guī)模的環(huán)形規(guī)則網(wǎng)絡(luò)(p=0)和隨機(jī)網(wǎng)絡(luò)(p=1)相比，從表1中可以看出WS小世界網(wǎng)絡(luò)具有較高的集聚系數(shù)和較低的平均路徑長度。

表1 規(guī)則網(wǎng)絡(luò)、小世界網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)的對比

基于上述小世界網(wǎng)絡(luò)，假設(shè)推薦系統(tǒng)的評價閾值為0.6，社交網(wǎng)絡(luò)上朋友間的信任度為0.5，在S狀態(tài)下轉(zhuǎn)換成狀態(tài)A的概率為λ=0.5，在S狀態(tài)下轉(zhuǎn)換成狀態(tài)D的概率為μ=0.5。應(yīng)用Matlab對推薦系統(tǒng)對單個產(chǎn)品的推薦進(jìn)行仿真模擬，得到社交網(wǎng)絡(luò)中推薦者數(shù)量的變化曲線，如圖3所示，圖中的橫坐標(biāo)表示遍歷所有網(wǎng)絡(luò)結(jié)點的步數(shù)，縱坐標(biāo)為推薦者占全部網(wǎng)絡(luò)結(jié)點的比例(即密度)，圖中曲線是S型曲線的擬合結(jié)果。從圖3中可以看出，社交網(wǎng)絡(luò)中推薦者數(shù)量的變化近似服從S型曲線，從而驗證了理論分析部分的結(jié)果。

圖3 推薦系統(tǒng)中推薦者密度的變化

3.3 推薦系統(tǒng)中產(chǎn)品等級的變化

在上述參數(shù)不變的情況下，假設(shè)推薦系統(tǒng)中產(chǎn)品的數(shù)量為300個。在推薦系統(tǒng)的演化過程中，各個產(chǎn)品被不同數(shù)量的推薦者所推薦，形成了不同推薦等級的產(chǎn)品排名(ProductRank)。ProductRank是由推薦者和產(chǎn)品之間的推薦關(guān)系所確定的產(chǎn)品等級，一個產(chǎn)品的推薦等級越高，說明對其進(jìn)行推薦的用戶也就越多。在雙對數(shù)坐標(biāo)的設(shè)置下，圖4給出推薦系統(tǒng)中產(chǎn)品推薦等級排序情況，圖中橫坐標(biāo)表示產(chǎn)品的推薦等級，縱坐標(biāo)表示該推薦等級所對應(yīng)的產(chǎn)品數(shù)量。

圖4 產(chǎn)品推薦等級與產(chǎn)品規(guī)模關(guān)系圖

從圖4中可以看出，產(chǎn)品推薦等級近似服從尾部截斷的冪律分布，表明大部分產(chǎn)品的推薦等級比較小，而少部分產(chǎn)品的推薦等級比較大。對于截斷的尾部而言，這些產(chǎn)品不但數(shù)量少，而且還具有近似相同的推薦等級，就是推薦系統(tǒng)向用戶所推薦的產(chǎn)品集合。

4 結(jié) 語

近年來，隨著社交網(wǎng)絡(luò)的迅猛發(fā)展，用戶不再是單純的內(nèi)容接受者，而是能夠主動地建立用戶之間的關(guān)系。電子商務(wù)系統(tǒng)中的用戶關(guān)系可以在一定程度上解決產(chǎn)品推薦系統(tǒng)所面臨的數(shù)據(jù)稀疏性問題和冷啟動問題。因此，本文可以作為推薦系統(tǒng)。

本文的研究是基于如下的觀點：推薦系統(tǒng)中用戶對產(chǎn)品的評價決策，不但受到產(chǎn)品自身和用戶自身等因素的影響，而且受到來自朋友輿論的影響。研究發(fā)現(xiàn)，朋友對產(chǎn)品的積極或消極評價，將有助于提高或降低用戶對產(chǎn)品的預(yù)期。

通過將用戶對產(chǎn)品的預(yù)期分成兩個部分，并引入朋友信任度和積極與消極意見的對比，本文構(gòu)建了用戶的產(chǎn)品預(yù)期模型。研究發(fā)現(xiàn)，在相同的預(yù)期偏移的情況下，信任度和正反意見對比呈相反方向的變化。但較大的信任度和正反意見對比，都將提高用戶對產(chǎn)品的預(yù)期偏移。

基于推薦算法的理論和實驗分析，本文發(fā)現(xiàn)，推薦系統(tǒng)中單個產(chǎn)品的推薦者數(shù)量隨時間變化近似滿足S型曲線。產(chǎn)品推薦等級近似服從尾部截斷的冪律分布，這表明大部分產(chǎn)品的推薦等級比較小，而小部分產(chǎn)品的推薦等級較高。

本文的不足之處在于沒有考慮用戶對產(chǎn)品評價的權(quán)重，這將是下一步的研究工作之一。

[1] Watts D J. A twenty-first century science[J]. Nature, 2007, 445(7127): 489.

[2] Vespignani A. Predicting the Behavior of Techno-Social Systems[J]. Science, 2009, 325(5939): 425-428.

[3] Bouchaud J P, Potters M. Theory of Financial Risk and Derivative Pricing: From Statistical Physics to Risk Management[M]. Cambridge: Cambridge University Press, 2009.

[4] Newman M, Barabási A L, Watts D J. The Structure and Dynamics of Networks[M]. Princeton: Princeton University Press, 2006.

[5] Castellano C, Fortunato S, Loreto V. Statistical physics of social dynamics[J]. Reviews of Modern Physics, 2009, 81(2): 591-646.

[6] Ricci F, Rokach L, Shapira B, et al. Recommender Systems Handbook: A Complete Guide for Scientists and Practitioners[M]. New York: Springer-Verlag, 2011.

[7] 譚學(xué)清, 何珊. 音樂個性化推薦系統(tǒng)研究綜述[J]. 現(xiàn)代圖書情報技術(shù), 2014(9):22-32.

[8] 曹高輝, 毛進(jìn). 基于協(xié)同標(biāo)注的B2C電子商務(wù)個性化推薦系統(tǒng)研究[J]. 圖書情報工作, 2008, 52(12): 126-128,38.

[9] Konstan J A, Miller B N, Maltz D, et al. GroupLens: Applying collaborative filtering to usenet news[J]. Communications of the ACM, 1997, 40(3):77-87.

[10] Sarwar B, Karypis G, Konstan J, et al. Item-Based collaborative filtering recommendation algorithms[C]//Proceedings of the 10th International Conference on World Wide Web. New York: ACM Press, 2001: 285-295.

[11] Maslov S, Zhang Y. Extracting hidden information from knowledge networks[J]. Physical Review Letters, 2001, 87(24): 248701.

[12] Hofmann T. Latent Semantic Models for Collaborative Filtering[J]. ACM Transactions on Information Systems, 2004, 22(1): 89-115.

[13] Shani G, Heckerman D, Brafman R I. An MDP-based recommender system[J]. The Journal of Machine Learning Research, 2005, 6: 1265-1295.

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

[15] Kim Y A, Srivastava J. Impact of Social Influence in E-Commerce Decision Making[C]//Proceedings of the ninth International Conference on Electronic Commerce, 2007: 293-301.

[16] 譚學(xué)清，黃翠翠，羅琳. 社會化網(wǎng)絡(luò)中信任推薦研究綜述[J]. 現(xiàn)代圖書情報技術(shù), 2014(11): 10-16.

[17] Sinha R R, Swearingen K. Comparing Recommendations Made by Online Systems and Friends[C]//Proceedings of the Second DELOS Network of Excellence Workshop on Personalization and Recommender Systems in Digital Libraries, Dublin, 2001.

[18] McKnight D H, Chervany N L. The Meaning of Trust[R]. Technical Report MISRC 96-04, Management Information Systems Research Center, University of Minnesota, USA, 1996.

[19] Boudec J Y L, McDonald D, Mundinger J. A generic mean field convergence result for systems of interacting objects[C]//Proceedings of the 4th International Conference on Quantitative Evaluation of Systems (QEST’ 07), 2007: 3-18.

[20] Newman M E J. Spread of epidemic disease on networks[J]. Physical Review E, 2002, 66(1): 016128.

[21] Watts D J, Strogatz S H. Collective dynamics of ‘small-world’ networks[J]. Nature, 1998, 393 (6684): 440-442.

[22] Li Y M, Wu C T, Lai C Y. A social recommender mechanism for e-commerce: Combining similarity, trust, and relationship[J]. Decision Support Systems, 2013, 55(3): 740-752.

A RECOMMENDATION ALGORITHM BASED ON THE INFLUENCE OF SOCIAL NETWORK OPINIONS

Li Xia1Li Shouwei2

1(NetworkCenter,BinzhouMedicalUniversity,Binzhou256603,Shandong,China)2(SchoolofManagement,JiangsuUniversity,Zhenjiang212013,Jiangsu,China)

The trust among friends is an important factor that affects users making decision in social network.Based on the topology of social network and trust degree of neighbor node,the recommendation system is constructed in this paper,and the recommendation algorithm is also presented.Then,some theoretical analysis and simulations have also been made out.The results show that the topology and trust degree in social network will have a great impact on user’s anticipation for product during the process of social communication.The mount of recommender for single product in social network varies with time by following S-curve and the rank of recommended products obeys the power-law distribution with cut-off tail.This research not only analyzes the forming mechanism of user’s anticipate,but also to some extent enhances the efficiency of recommendation by using the recommendation algorithm.

Social network Network opinion Trust degree Recommendation algorithm

2015-10-09。山東省科技發(fā)展計劃項目(2013YD08 003)。李霞，實驗師，主研領(lǐng)域：復(fù)雜網(wǎng)絡(luò)與推薦系統(tǒng)。李守偉，教授。

TP391.3

A

10.3969/j.issn.1000-386x.2017.01.050