推荐系统模型 [基于DSmTrust信任模型的推荐系统]
时间：2019-05-13 03:24:22 来源：柠檬阅读网 本文已影响 人 
摘要：随着Internet的发展，信息过量的问题越来越严重，推荐系统可以根据用户的偏好为用户提供个性化的服务。介绍了一种基于DSmTrust信任模型的推荐系统，通过建立信任网络建立用户间的信任关系，再使用DSmT算法计算用户对产品的预测评价从而实现个性化的推荐。
关键词：DSmTrust信任推荐系统信息过量
中图分类号：TP39文献标识码：A文章编号：1007-3973（2012）004-078-02
随着因特网的飞速发展，人们摆脱了长久以来的信息匮乏问题，却又遇到了信息过量的新问题。对于这个问题，搜索引擎是—个解决方案，用户通过输入感兴趣的关键词来搜索想要的信息，这实际上是一个“拉”取信息的思路。相反地，推荐系统则采用了“推”的解决方案，即软件自动为用户推荐用户可能感兴趣的信息。为此本文提出了基于DSMTrust信任模式下的推荐系统，为用户提供一种满意度更高的推荐系统。
2推荐系统简介
推荐系统是一种基于网络环境的专家系统，其能够从有限信息中学习用户的偏好，进而从备选项目中向用户做出个性化的推荐。推荐系统主要分为以下三类：基于内容过滤的推荐系统、基于关联规则的推荐系统、基于协同过滤技术的推荐系统。
3基于DSmTrust信任模式下的推荐系统
3.1基于信任模式下的推荐系统原理
传统的协同过滤推荐系统首先是要计算出用户之间的相似性，然而，由于“稀疏性”问题，很多用户对产品的评分很少，这样就无法计算用户之间的相似性，也就无法给出推荐。基于信任的推荐系统利用用户之间的信任关系来代替用户相似性计算。将用户信任度作为用户对产品评分的权重（Weight），从而将当前用户信任的邻居评分比较高的产品推荐给当前用户。用户之间信任关系形成一个信任网络（Web-of-Trust），通过信任的传播，可以计算未进行信任评论的用户之间的信任关系，从而有效解决评论矩阵的稀疏性问题。
图1中的下半部分是协同过滤推荐系统框架,该系统输入的是用户对产品的评分矩阵,经过相似度模型计算,从而得到用户相似度矩阵。而在上半部分的信任感知的推荐系统中，输入是信任评分矩阵，经过信任模型的转化与信任传递的计算．得到用户之间的信任矩阵。信任矩阵和评分矩阵作为输入提供给评分预测模型，最终计算出预测评分矩阵。与协同过滤不同的是它采用计算用户之间的信任，用来代替协同过滤中用户相似度的作用。
3.2DSmTrust信任模式
在上图信任感知推荐系统中，信任模型是该系统成功的关键，信任模型能将信任评分矩阵转化为用户之间的信任矩阵，基于DSmTrust的信任模型能很好的完成这项任务。DSmTrust是一种基于DSmT(Dezert-Smarandahce Theory)理论的信任模型，该模型信任表达能力很强，能够整合不确定的，不精确的，失真的甚至是荒谬的信息。
DSmT是DST的一种扩展,它以DSm模型和DSm组合规则为基础，并将鉴别框架的超幂集作为信息融合空间。DST(Dempster-Shafer Theory)可以看成是概率论的一种扩充，是由Dempster于20世纪60年代首先提出，并由他的学生Shafer进一步发展起来的一种不确定推理理论，已广泛应用于信息融合和不确定推理等理论，具有坚实的数学基础，能在不需要先验概率的条件下，以简单的推理形式得出较好的融合结果，为不确定信息的表达和合成提供了自然强有力的方法。
3.2.1DSmT算法基础
(1)超幂集（hyper-power set）
设是一个由n个完备假设组成的广义鉴别框架，超幂集是由以下几个规则定义的集合：
1) 。
2)如果，那么 。
3)除了规则1)和2)得到的元素外， 不包含其它元素。
超幂集是在普通集合上定义的一种特殊的集合，在该集合中，元素更加多元化，允许元素之间有重叠关系，甚至包含模糊，矛盾的元素，这样使得信任模型适用范围更加广泛。
(2)广义基本信度分配函数(Generalized belief functions)
令为一个广义鉴别框架，如果函数m： 满足如下条件：
（2）
则m称为广义基本信度分配函数。
(3)融合规则（rules of combination）
融合规则指的是当我们获得了新的信息，要更新信任模型中的信任矩阵时，将新的信息整合到原始信息中的方法。DSmT针对不同特点的超幂集可以选择不同的融合规则，对于本文中的推荐系统，将采用经典的DSM融合算法（The classic DSm rule of combination）。
（3）
3.2.2DSmT算法应用
(1) DSmT算法化为DSmTrust模型
1)基本转换
在DSmTrust信任模型中广义鉴别框架 ，其中T表示信任， 表示不信任，由3.2.1（1）规则，可以得到DSmTrust信任模型超幂集为 ，其中表示矛盾， 表示不确定性。由规则3.2.1（2）存在广义基本信度分配函数m，满足：
表示对“信任”的支持程度， 表示对“不信任”的支持程度， 表示对“矛盾”的支持程度， 表示对因为缺少信息而导致的“不确定”的支持程度。
2)实际例子
假设有两个用户，用户甲与用户乙，我们考虑单方向甲对乙的信任。甲的超幂集 ，每次交流（可以是交易，聊天等）我们都可以得到一个广义基本信度分配函数，设甲与乙进行两次交流，广义信度分配函数分别是m1和m2。
我们可以利用3.2.1（3）的融合规则将第二次交流结果融合到第一次中，从而形成用户甲对用户乙的信任，表示甲对乙信任评判矛盾出现可能的概率是0。
利用经典的DSM融合算法，有：
从而得到甲对乙信任的概率是0.38，不信任的概率是0.22，不确定的概率是0.40。
依据上面的方法，我们可以得到直接交流的用户之间的信任矩阵。我们可以设定一定的阀值，将信任概率大于该阀值的用户定义为原用户的邻居，构建信任网络。
(2)信任网络
在分布式系统中，假设每个用户都拥有一些邻居（信任概率大于阀值的用户群），借助邻居或者邻居的邻居，对待测项进行预测，例如，在图2中，用户A拥有B、C、D 3个邻居，对他们的信任依次是 ，B，C，D对K项目的评分依次是 ，据现实经验，越信任的邻居提供的评分越可靠，因此，根据式(4)使用信任权值对邻居的评分进行加权平均，得到用户A对项K的预测评分，其中S={B，C，D}。
（4）
依据式（4）会得到用户A对产品K的预测得分，这样推荐系统可以将预测得分较高产品推荐给用户。
综上，本系统是利用DSmT算法构造出DSmTrust模型，将用户之间的评分转化为用户之间的信任矩阵，利用用户之间的信任矩阵和用户对产品的评分来做出个性化的推荐。用户每次获得推荐或者与其他用户交流后，都可以对用户评分，系统会将新的信息融合进信任矩阵，并且用户之间的信任网络也会改变。
4 本系统的展望及应用
4.1 信任层与商品层的整合
本文提出基于DSmTrust模式的推荐系统主要针对是在用户层（Customer Layer）之间如何形成信任，从而寻找用户之间的相似之处。较早的推荐系统则是过多的而针对产品层(Product Layer),研究产品之间的共同之处。在两层模型中，商品层和用户层之间使用购买记录来衔接。
4.2推荐系统与社交网络的融合
基于DSmTrust信任模式下的推荐系统未来的发展空间十分大，随着网络信息爆炸式的增长，传统的推荐系统却只是给用户简单的推荐，而且随着电子商务的兴起，网上交易越来越频繁，网站推荐的信息越来越不可信，这就需要使用基于信任的推荐系统。随着社交网络QQ，人人，微博等工具广泛使用，我们可以将社交网络的好友作为推荐系统的初始信任网络，在此基础上进行推荐。
参考文献：
[1]王钤,王伟,吴明贵,等.DST与DSmT自适应信息融合算法[J].兵工自动化,20l1,(2).
[2]Jean Dezert and Florentin Smarandache.AN INTRODUCTION TO DSMT IN INFORMATION FUSION BRAIN.Broad Research in Articial Intelligence and Neuroscience,ISSN 2067-3957,Volume 1,October 2010.
[3]Albena Tchamova.Target Tracking with Generalized Data Associationbased on the General DSm Rule of Combination CLPP,Bulgarian Academy of Sciences I-1205/02.
