一种基于用户信任机制的个性化协同过滤推荐算法研究

李明明 马萍萍 代绍庆

摘 要：传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机，不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制，改进传统用户信任度，通过信任度权重因子∞。优化用户综合信任度，以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析，实验结果表明，当∞：。取值在0.5时，推荐准确率和覆盖率较RTCR算法、Trustlmpact MF算法、A&I-Based;算法明显占优。

关键词：用户信任度；个性化；协同过滤；用户相似度；推荐算法

随着线上社交网络的流行，社交网络平台不仅实现了用户随时随地获取、推送网络信息资源，也给用户在网络信息服务、共享和评论方面提供了支撑。移动资源、信息的过度开发，增加了终端用户在移动信息过载、失真等方面的问题[2]。如何将用户感兴趣且真实有效的信息从海量信息中挖掘出来，以实现用户个性化推荐，是下一代在线社交的个性化服务急需解决的技术难题。

传统的基于用户协同式过滤推荐作为社交网络的个性化服务关键之一，如表l所示，主要以用户相似性、用户项目评分方式展开对目标用户的预测评分，但是这一推荐方法仍然在数据稀疏性、用户潜在攻击上存在不足。以用户相似性为向导，以缓解用户数量剧增导致的协同过滤算法的数据稀疏性和安全攻击为目标，是协同过滤推荐研究的重点。

基于用户的协同过滤的服务推荐算法，在社交网络中被广泛应用于过滤推荐。……