基于信任机制的在线学习协同过滤推荐方法研究.docVIP

基于信任机制的在线学习协同过滤推荐方法研究 　　摘要：为了解决协同过滤推荐方法中的数据稀疏性与冷启动问题，提出了一个新的方法叫“基于信任机制的在线学习协同过滤推荐方法”，把学习者信任的学习者的评价也合并补充进来以代表该学习者的偏好，同时也可以找到其他具有相似偏好的学习者。 　　关键词：协同过滤；信任；在线学习；推荐 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）03-0177-03 　　1 概述 　　对学习推荐系统而言，提供高品质的学习建议用来帮助学习者从过多的学习内容中选择出自己需要的内容是非常重要的。协同过滤推荐方法是一种被广泛接受的推荐方法，它是基于相似的学习内容而生成的一种推荐。同时，它又存在着几个固有的问题，如数据的稀疏性与冷启动问题。为了解决这些问题，我们提出了一个新的方法叫“基于信任机制的在线学习协同过滤推荐方法”。简单说，就是由把学习者信任的学习者的评价也合并补充进来以代表该学习者的偏好，同时也可以找到其他具有相似偏好的学习者。 　　2 相关研究 　　Web2.0应用的出现，极大地改变了用户的网络学习风格，从有哪些信誉好的足球投注网站和浏览转换为交互和分享，大数据的到来使可用的选择呈指数增长，但这也给学习者在有哪些信誉好的足球投注网站有用的信息时带来了挑战，这就是众所周知的超载信息问题。协同过滤（CF）是最熟知的常用推荐技术之一。它的原理是基于相似学习兴趣的学习者评价的学习内容也会得到其他学习者的认可。然而，CF存在几个固有的问题，如数据稀疏性和冷启动。前者的问题是学习者一般只根据部分学习内容评价，而后者是根据少部分评价来判断学习者的喜好是非常困难的。 　　为了更准确地解决这些问题并模拟学习者偏好，我们将其他来源的附加信息纳入到协同过滤（CF）方法进行研究。在本文中，提出了信任机制。信任是指一个活跃学习者对他人提供的与自己喜好相关的精准评价。基于此，我们提出了一个新颖的基于信任的方法叫做基于信任机制的在线学习协同过滤推荐方法，旨在提高推荐的整体性能并且能够改善协同过滤（CF）中数据稀疏性与冷启动的问题。具体来说，我们根据受信任的学习者与活跃学习者的相似程度将他们对学习内容所做的评价做平均运算合并起来，然后合并的评价集就可以用来表示学习者的喜好并且可以去发现基于此喜好的新的学习者，最后，合并方法被并入到常规协同过滤（CF）中去生成建议。 　　3 核心算法 　　基于合并信任的协同过滤学习推荐方法的基本原理是将受信任学习者的评价补充进来并代表活跃学习者的喜好，因此采取三个措施来做出推荐。首先，发现和汇总受活跃学习者信任的学习者。第二，将信任学习者的评价合并，使得每个学习内容至少被一个信任学习者评价过，从而每个学习内容都有一个单一的值，由此，形成一个新的评价文件，来代表活跃学习者的喜好。第三，基于所合并的评价分布文件，相似的用户将被探测，然后再和常规的CF方法一样，生成推荐。 　　3.1 合并过程 　　我们引入了一些符号来建立推荐问题的模型。具体而言，我们用U、I、R分别表示所有的学习者、所有的学习内容、所有学习评价。我们用符号u，v表示某个学习者，用i，j表示学习内容。然后用[ru，i]表示学习者u对学习内容i给予的评价，在一定的评价范围取一个值，如从1到5的整数（通过推荐系统预定义的）。因此，一个推荐系统的任务可以建模为：给定一组学习评价[u，i，ru，i]，为学习者u对一个未知的学习容j提供一个最好的预测。预测的评价表示为[ru，j]，在基于信任机制的推荐系统中，学习者u已经定义了一个信任用户集[TNu]，对于集合[TNu]中的每个受信任的学习者v，学习者u也定义了一个信任值[tu，v]在[0，1]之间，表示学习者u对学习者v的精准推荐能力的信任程度。我们假定学习者u总是信任他自己提供的准确评价。因此学习者u也被包括到TN中，此时[tu，u=1]。 　　此外，[Iu=i|ru，i∈R，i∈I]表示?W习者U评价过的学习内容集合，[Ui=u|ru，i∈R，u∈U]表示对学习内容i做出评价的所有学习者集合。因此，建议问题可以重新描述为：给定一个评价集合[u，i，r（u，i）]和一个学习者信任集合[u，i，t（u，v）]，活跃学习者u对于目标学习内容j做出的最好预测[u，j，Uj]。我们最关心的是：和真实的喜好相比，我们评价预测的精度，以及可以被预测的目标学习内容的覆盖范围。 　　3.1.1 聚集信任的学习者 　　冷淡学习者通常被定义为评价学习内容不到五个的学习者。因此，为了更好的模拟学习者的喜好，附加信息被采用。由于冷淡学习者通常都不太活跃，他们可能不会有大量值得信赖的学习者，具体来说，多数冷淡学习者只有几个信任学习者，少数冷淡用户有许多信任学习者。因此，虽然社会信任可以被视为一个模拟学习者喜