基于證據(jù)理論的網(wǎng)絡(luò)數(shù)據(jù)不確定推薦方法

摘要：隨著互聯(lián)網(wǎng)與數(shù)據(jù)處理技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)信息的與日俱增，增加了用戶從網(wǎng)絡(luò)中快速獲取有用信息的難度，而個(gè)性化推薦可以根據(jù)用戶的自身屬性與歷史行為數(shù)據(jù)，為其推薦可能感興趣的信息或商品，對(duì)人們?nèi)粘Ｉ町a(chǎn)生了深遠(yuǎn)影響。本文在基于證據(jù)理論的置信協(xié)同推薦算法的基礎(chǔ)上，改進(jìn)組合規(guī)則，建立改進(jìn)置信推薦模型，選取Epinions評(píng)分?jǐn)?shù)據(jù)進(jìn)行測(cè)試，并對(duì)不同改進(jìn)模型的準(zhǔn)確度進(jìn)行檢驗(yàn)。

關(guān)鍵詞：推薦系統(tǒng);證據(jù)理論：不確定評(píng)分

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）35-0207-03

網(wǎng)絡(luò)平臺(tái)中的購(gòu)物推薦搜索引擎為用戶提供可能感興趣的商品，但海量信息存在使得搜索結(jié)果中往往會(huì)包含一些用戶不期望的冗余信息。個(gè)性化推薦在這種需求背景下應(yīng)運(yùn)而生，它為人們提供了一種全新的獲取信息模式。推薦方法是一種信息過(guò)濾系統(tǒng)，用于預(yù)測(cè)用戶對(duì)物品的“評(píng)分”或“偏好”。推薦的物品包括：電影、音樂(lè)、新聞、書(shū)籍、學(xué)術(shù)論文、搜索查詢以及其他產(chǎn)品。本文基于證據(jù)理論的置信協(xié)同推薦算法，引入軟評(píng)分方法，用軟評(píng)分機(jī)制度量用戶對(duì)物品評(píng)價(jià)的不確定性，結(jié)合K鄰近算法計(jì)算用戶的近鄰用戶圈，用改進(jìn)證據(jù)組合規(guī)則將圈中用戶的商品評(píng)分進(jìn)行融合，建立改進(jìn)證據(jù)組合規(guī)則的置信協(xié)同推薦模型，最后將融合后評(píng)分高的物品推薦給目標(biāo)用戶。最后用數(shù)據(jù)Epinions驗(yàn)證改進(jìn)模型的有效性。

1 相關(guān)理論基礎(chǔ)

定義1設(shè)Θ={θ1，θ2，…θn}表示X所有可能取值的完備集合，且Θ內(nèi)的所有元素是兩兩互斥的，稱Θ為X的辨識(shí)框架。證據(jù)理論是建立在冪集2Θ={A：A∈Θ}上的。

定義2設(shè)Θ是X的辨識(shí)框架，則從集合2Θ到[0，1]的映射m為2Θ上的基本信度分配（BBA）函數(shù)，如果滿足：

式中m（A）是事件A的信度分配，表示對(duì)A的信任程度。對(duì)空集中分配的基本信度代表了辨識(shí)框架的不一致性和不完整性。

定義3（D-S證據(jù)組合規(guī)則）設(shè)m1和m2是辨識(shí)框架Q下的兩個(gè)證據(jù)E1和E2相對(duì)應(yīng)的BBA，焦元為A，∈Θ，則合成規(guī)則為：

定義4（Dubois和Prade合成規(guī)則）設(shè)m1和m2是辨識(shí)框架Q下的兩個(gè)證據(jù)E1和E2相對(duì)應(yīng)的BBA，焦元分別為Ai和Bj，則合成規(guī)則為：

定義5（Smets合成規(guī)則）設(shè)m1和m2是辨識(shí)框架Q下的兩個(gè)證據(jù)E1和E2相對(duì)應(yīng)的BBA，焦元分別為A1和A2，則合成規(guī)則為：

2 基于改進(jìn)證據(jù)組合規(guī)則的置信協(xié)同推薦算法

近年來(lái)，許多研究表明，在利用D-S合成規(guī)則進(jìn)行證據(jù)推理時(shí)，會(huì)出現(xiàn)不符合常識(shí)的結(jié)論，直接影響推理決策的正確性和可靠性。為了更好地融合不同用戶對(duì)物品的評(píng)分，改進(jìn)合成規(guī)則，引入DP合成規(guī)則和Smets合成規(guī)則，建立改進(jìn)證據(jù)組合規(guī)則的置信協(xié)同推薦算法。其步驟如下：

1）軟評(píng)分生產(chǎn)機(jī)制：根據(jù)偏概率模型（Partial probabilitymodels）和冪集方法（Power set approach），將傳統(tǒng)“硬評(píng)分”數(shù)據(jù)轉(zhuǎn)換成“軟評(píng)分”。

2）社區(qū)挖掘：通過(guò)用戶關(guān)系網(wǎng)利用標(biāo)簽傳播算法（LPA）對(duì)用戶進(jìn)行社區(qū)分類，在各社區(qū)中分別計(jì)算用戶的相似度，利用改進(jìn)的KNN算法篩選近鄰用戶。

3）信息融合：用不同的證據(jù)組合規(guī)則將近鄰用戶的物品評(píng)分進(jìn)行融合，將融合后評(píng)分高的物品推薦給待推薦的用戶。

3 實(shí)例分析

本文選取Epinions數(shù)據(jù)集，其中包含硬評(píng)分和用戶關(guān)系兩個(gè)部分組成。在硬評(píng)分部分，評(píng)分值由低到高為1到5，步長(zhǎng)為1，每個(gè)用戶都至少評(píng)價(jià)了20個(gè)物品，并且在用戶關(guān)系網(wǎng)中，每個(gè)用戶至少認(rèn)識(shí)10位其他用戶。該測(cè)試的數(shù)據(jù)集一共有40163位用戶，評(píng)價(jià)了139738件物品，一共產(chǎn)生了664824條評(píng)分記錄。這40163位用戶的信任關(guān)系有487183層。

3.1 D-S合成規(guī)則下的推薦過(guò)程

利用標(biāo)簽傳播算法（LPA）將40163名用戶劃分為4個(gè)社團(tuán)。不同社團(tuán)的部分用戶展示在表1中。

利用D-S證據(jù)理論對(duì)各個(gè)物品的評(píng)分進(jìn)行融合，得到表2物品推薦表。

計(jì)算平均絕對(duì)誤差（DS-MAE）和混淆矩陣（DS-Recall）值評(píng)價(jià)推薦模型的準(zhǔn)確度。DS-MAE值越小說(shuō)明出錯(cuò)的概率越小，也就是測(cè)評(píng)的結(jié)果越好，準(zhǔn)確度越高。在實(shí)驗(yàn)結(jié)果中，期望較高的回收率，DS-Recall值越大時(shí)，說(shuō)明準(zhǔn)確度越高。

先將數(shù)據(jù)分為10組，再分別計(jì)算出結(jié)果準(zhǔn)確度，10個(gè)測(cè)試組的平均絕對(duì)誤差（DS-MAE）的平均值為0.7748，回收率（DS-Recall）的平均值0.5335。

3.2不同合成規(guī)則下改進(jìn)推薦算法的結(jié)果對(duì)比

對(duì)證據(jù)理論的置信協(xié)同推薦模型進(jìn)行改進(jìn)，引入DP合成規(guī)則和Smets合成規(guī)則，建立改進(jìn)證據(jù)組合規(guī)則的置信協(xié)同推薦模型。在模型改進(jìn)的基礎(chǔ)上分別計(jì)算不同合成規(guī)則下推薦結(jié)果準(zhǔn)確度，并與D-S組合規(guī)則結(jié)果進(jìn)行對(duì)比分析。

利用Smets合成規(guī)則得DS-MAE的平均值為0.680，DS-Recall的平均值為0.547，使用Smets合成規(guī)則以后DS-MAE減少，DS-Recall增加，這說(shuō)明整體的準(zhǔn)確度也會(huì)增高。

DP合成規(guī)則的DS-MAE的平均值為0.477，DS-Recall的平均值為0.577，使用DP合成規(guī)則以后DS-MAE明顯減少，DS-Recall增加，這說(shuō)明通過(guò)DP的合成規(guī)則，推薦的準(zhǔn)確度有了大幅度的提高。

表3展示了使用不同的合成規(guī)則以后得到的DS-MAE值和DS-Recall值，通過(guò)比較可以發(fā)現(xiàn)，使用DP合成規(guī)則之后整體的準(zhǔn)確率得到提高。

4 結(jié)論

社交網(wǎng)絡(luò)的不確定性信息處理方法是推薦系統(tǒng)研究的熱點(diǎn)和難點(diǎn)。本文在證據(jù)理論框架下，引入軟評(píng)分系統(tǒng)，結(jié)合了社團(tuán)識(shí)別算法和K近鄰算法，提出ECR算法，對(duì)物品進(jìn)行推薦并對(duì)數(shù)據(jù)的靈敏度進(jìn)行檢驗(yàn)。考慮到傳統(tǒng)D-S組合規(guī)則的局限性，本文引入新的合成規(guī)則和推薦算法ECR-Sm和ECR-DP來(lái)提高推薦準(zhǔn)確度。在這些算法的研究基礎(chǔ)上，對(duì)數(shù)據(jù)集Epinions進(jìn)行測(cè)試并評(píng)估測(cè)試準(zhǔn)確度，結(jié)果表明改進(jìn)的合成規(guī)則推薦模型的準(zhǔn)確率得到提高。

參考文獻(xiàn)：

[1]Shafer G A.Mathematical Theory of Evidence [M]. Princeton，New Jersey： Princeton University Press，1976.

[2]Wickramarathne TL et al.CoFiDS：A belief-theoretic ap-proach for automated collaborative filtering[J]. IEEE Transac-tions on Knowledge and Data Engineering. 2011，23（2）：175-189.

[3]江濤.基于DS證據(jù)理論的信息融合算、法[J].計(jì)算機(jī)科學(xué)，2013（40）：120-124.

[4]雷蕾，王曉丹.結(jié)合SVM與DS證據(jù)理論的信息融合分類方法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（11）：114-117.

【通聯(lián)編輯：唐一東】

收稿日期：2019-08-20

基金項(xiàng)目：陜西省教育廳專項(xiàng)科學(xué)研究計(jì)劃（19JK0330）

作者簡(jiǎn)介：馬麗娜（1986-），女，研究生學(xué)歷，西安財(cái)經(jīng)大學(xué)行知學(xué)院，講師，研究領(lǐng)域?yàn)榻y(tǒng)計(jì)數(shù)據(jù)分析。