黃武漢 孟祥武 王立才

(北京郵電大學(xué)智能通信軟件與多媒體北京市重點(diǎn)實(shí)驗(yàn)室 北京 100876)

(北京郵電大學(xué)計(jì)算機(jī)學(xué)院 北京 100876)

1 引言

隨著移動(dòng)通信技術(shù)的飛速發(fā)展，移動(dòng)設(shè)備逐漸成為人們獲取信息的主要平臺(tái)之一。與傳統(tǒng)互聯(lián)網(wǎng)終端相比，移動(dòng)設(shè)備擁有移動(dòng)性強(qiáng)、上下文感知能力強(qiáng)、可攜帶性好、入網(wǎng)方便等特點(diǎn)，使得人們可以隨時(shí)隨地獲取移動(dòng)網(wǎng)絡(luò)服務(wù)和信息內(nèi)容[1]。然而，隨著移動(dòng)多媒體技術(shù)和移動(dòng)信息承載、傳輸能力的提升，尤其是移動(dòng)社交網(wǎng)絡(luò)的興起，大量豐富多彩的移動(dòng)服務(wù)和信息內(nèi)容日益涌現(xiàn)，為人們帶來嚴(yán)重的移動(dòng)信息過載問題。此外，移動(dòng)網(wǎng)絡(luò)資源有限，移動(dòng)設(shè)備也存在輸入輸出能力弱、電池續(xù)航能力弱等缺點(diǎn)，如何從浩瀚的移動(dòng)信息海洋中發(fā)現(xiàn)用戶真正感興趣的內(nèi)容，以提升移動(dòng)用戶的個(gè)性化服務(wù)體驗(yàn)，成為面向移動(dòng)通信網(wǎng)絡(luò)的個(gè)性化服務(wù)領(lǐng)域亟待解決的技術(shù)難題。傳統(tǒng)推薦系統(tǒng)在解決互聯(lián)網(wǎng)信息過載問題方面取得較大進(jìn)展，成為輔助人們信息過濾和決策的主要工具之一。由于移動(dòng)通信網(wǎng)絡(luò)與傳統(tǒng)桌面互聯(lián)網(wǎng)相比，有自身的特點(diǎn)，而且移動(dòng)信息傳遞也頗受上下文信息、移動(dòng)社會(huì)化網(wǎng)絡(luò)的影響，所以傳統(tǒng)推薦系統(tǒng)的各種模型和算法并不能完全適用于移動(dòng)通信網(wǎng)絡(luò)中的數(shù)據(jù)建模與推薦。目前，國內(nèi)外研究人員也開始研究如何將傳統(tǒng)推薦系統(tǒng)的模型和算法應(yīng)用于移動(dòng)通信網(wǎng)絡(luò)環(huán)境，并取得一定進(jìn)展[2]。

本文面向移動(dòng)通信網(wǎng)絡(luò)中的信息過載問題，利用移動(dòng)通信行為構(gòu)建初步的移動(dòng)社會(huì)化網(wǎng)絡(luò)，并深入挖掘潛在的用戶社會(huì)化關(guān)系，然后將其應(yīng)用于協(xié)同過濾算法，幫助移動(dòng)用戶發(fā)現(xiàn)與其興趣最相似的近鄰用戶，并進(jìn)行移動(dòng)用戶偏好預(yù)測(cè)，最終提出一種移動(dòng)通信網(wǎng)中基于用戶社會(huì)化關(guān)系挖掘的改進(jìn)協(xié)同過濾算法。本文第2節(jié)介紹了協(xié)同過濾算法、相似性計(jì)算方法、移動(dòng)推薦系統(tǒng)等方面的相關(guān)工作；第3節(jié)提出移動(dòng)通信網(wǎng)中基于用戶社會(huì)化關(guān)系挖掘的協(xié)同過濾算法；第4節(jié)給出仿真實(shí)驗(yàn)分析和利用公開數(shù)據(jù)集展開的實(shí)驗(yàn)，結(jié)果表明了該方法的有效性和合理性；最后給出結(jié)論。

2 相關(guān)工作

推薦系統(tǒng)[3]作為緩解“信息過載”的重要手段，已得到廣泛研究。從信息過濾的角度，可以將其分為：協(xié)同過濾、基于內(nèi)容的過濾和混合式過濾[3]。其中，協(xié)同過濾源于“集體智慧”的思想，首先根據(jù)部分用戶對(duì)項(xiàng)目的偏好信息或者評(píng)分信息計(jì)算用戶之間或者項(xiàng)目之間的相似性，然后利用相似用戶或者相似項(xiàng)目的用戶偏好來預(yù)測(cè)未知的潛在用戶偏好，最后按照偏好排序結(jié)果生成推薦。

協(xié)同過濾中的相似性計(jì)算方法主要有3種。第1種為余弦相似度公式[4]，定義如下：

其中sim(x,y)表示用戶x與y的相似度，rx,s表示用戶x對(duì)項(xiàng)目s的偏好度，Sxy表示x與y共同評(píng)分的項(xiàng)目集合。

第 2種為 Pearson相關(guān)系數(shù)計(jì)算公式[5]，表示用戶x對(duì)已評(píng)分項(xiàng)目的平均評(píng)分值，定義如下：sim(x,y)=

第3種算法為修正的Pearson相關(guān)系數(shù)計(jì)算公式[5]，rmid表示修正中值， 定義如下：

近年來，研究人員針對(duì)移動(dòng)通信網(wǎng)絡(luò)環(huán)境和移動(dòng)用戶的特點(diǎn)，提出“移動(dòng)推薦系統(tǒng)”的概念。文獻(xiàn)[6]提出可以通過分析移動(dòng)通信網(wǎng)下的服務(wù)內(nèi)容，并結(jié)合用戶使用的反饋信息等，為用戶推薦其更喜歡的服務(wù)。文獻(xiàn)[7]則認(rèn)為要結(jié)合移動(dòng)終端的可移動(dòng)性特點(diǎn)，利用一些便攜式的傳感器設(shè)備，捕獲用戶在日常服務(wù)體驗(yàn)中的直接情感表達(dá)信息，從而為用戶提供其所喜愛的服務(wù)。相對(duì)互聯(lián)網(wǎng)而言，針對(duì)移動(dòng)通信網(wǎng)中以社會(huì)化推薦方式進(jìn)行用戶評(píng)分預(yù)測(cè)的研究相對(duì)較少。文獻(xiàn)[8]提出了一種基于社會(huì)化網(wǎng)絡(luò)的混合推薦算法，該算法將傳統(tǒng)的協(xié)同過濾與社會(huì)化網(wǎng)絡(luò)中的人際關(guān)系結(jié)合，但并未陳述如何衡量社會(huì)化網(wǎng)絡(luò)中的信任關(guān)系，而且并沒有考慮如何利用移動(dòng)通信行為構(gòu)建社會(huì)化網(wǎng)絡(luò)關(guān)系及其進(jìn)一步挖掘。文獻(xiàn)[9]直接以互聯(lián)網(wǎng)下的郵件系統(tǒng)為例子，介紹了如何利用用戶日常的郵件交互行為建立一個(gè)互聯(lián)網(wǎng)下的社會(huì)化網(wǎng)絡(luò)，以此來進(jìn)行偏好預(yù)測(cè)，同樣未考慮移動(dòng)通信網(wǎng)絡(luò)環(huán)境下的移動(dòng)社會(huì)化網(wǎng)絡(luò)與推薦系統(tǒng)之間的結(jié)合。

本文針對(duì)移動(dòng)通信網(wǎng)中的個(gè)性化推薦問題，提出了一種基于移動(dòng)用戶社會(huì)化關(guān)系挖掘的協(xié)同過濾算法。首先對(duì)余弦相似度公式進(jìn)行了改進(jìn)，使得共同評(píng)分項(xiàng)目較少的用戶間也能進(jìn)行相似度計(jì)算，擴(kuò)大推薦數(shù)據(jù)源；其次，通過挖掘移動(dòng)社會(huì)化網(wǎng)絡(luò)中存在的直接及其潛在關(guān)系，獲得與用戶喜好密切相關(guān)的用戶數(shù)據(jù)，將這些重要的用戶偏好信息作為填充初始推薦數(shù)據(jù)源的數(shù)據(jù)之一進(jìn)行評(píng)分預(yù)測(cè)，在一定程度上緩解了數(shù)據(jù)稀疏性問題。

3 算法設(shè)計(jì)

3.1 建立原始數(shù)據(jù)模型

移動(dòng)通信網(wǎng)中存在著大量的用戶交互數(shù)據(jù)，主要包括電話、短信等通信記錄及用戶使用移動(dòng)通信網(wǎng)服務(wù)的一些評(píng)價(jià)信息。這些信息對(duì)于分析移動(dòng)網(wǎng)絡(luò)用戶需求和構(gòu)建移動(dòng)社會(huì)化網(wǎng)絡(luò)具有重要價(jià)值。本文建立的數(shù)據(jù)模型包括4個(gè)數(shù)據(jù)集：

(1)用戶集合，即所有移動(dòng)通信網(wǎng)用戶集合，使用U表示。

(2)移動(dòng)網(wǎng)絡(luò)服務(wù)集合，即需要處理的所有移動(dòng)網(wǎng)絡(luò)服務(wù)集合，使用S表示。

(3)用戶社會(huì)化關(guān)系矩陣，即集合U中的用戶間的交互行為，這種行為是雙向的，本文使用F'來表示最初的通信關(guān)系矩陣，對(duì)這個(gè)矩陣中的數(shù)據(jù)本文將按一定的規(guī)則進(jìn)行挖掘，計(jì)算出好友關(guān)系矩陣F,F是一個(gè)不對(duì)稱矩陣，即用戶x認(rèn)為用戶y是可以信任的好友并不代表y也認(rèn)為x是可以信任的，在交互行為中，表現(xiàn)為x聯(lián)系了y，那就表示x信任y。

(4)用戶對(duì)服務(wù)的評(píng)分矩陣，即集合U中用戶對(duì)集合S中服務(wù)的評(píng)分矩陣，這些數(shù)據(jù)來源于用戶對(duì)所使用業(yè)務(wù)的反饋、評(píng)價(jià)等記錄。如用戶連續(xù)訂閱了某個(gè)業(yè)務(wù)，就認(rèn)為該用戶喜歡這個(gè)業(yè)務(wù)；在一段時(shí)間內(nèi)訂閱，則表明用戶對(duì)這個(gè)業(yè)務(wù)感興趣等，結(jié)合用戶的使用反饋及網(wǎng)上評(píng)分來修正這些數(shù)值，就可以挖掘出原始的評(píng)分矩陣，使用R表示。

在上述兩個(gè)矩陣中，用fx→y表示F中存在用戶x信任y的記錄，rx,s表示用戶x對(duì)于服務(wù)s的評(píng)分值。

3.2 好友關(guān)系挖掘

將F'中的短信與通話數(shù)據(jù)進(jìn)行如下處理，來確定F。

步驟 1 將數(shù)據(jù)中的通信主體抽取出來，判斷是否是所需要預(yù)測(cè)的目標(biāo)，如果不是，則刪除數(shù)據(jù)，形成矩陣F1，這一步是為了刪除一些廣告及網(wǎng)外用戶號(hào)碼的無用數(shù)據(jù)。

步驟 2 以用戶x為例，將F1中由x充當(dāng)發(fā)送方的短信數(shù)據(jù)提取出，統(tǒng)計(jì)短信總數(shù)c及各個(gè)充當(dāng)接受方的用戶i和對(duì)應(yīng)短信數(shù)ci；將F1中由x充當(dāng)主叫方的通話數(shù)據(jù)提取出，統(tǒng)計(jì)用戶x通話總時(shí)間t，通話總次數(shù)q及各個(gè)充當(dāng)被叫方的用戶i與用戶x通話的總時(shí)間ti，通話總次數(shù)qi。定義p為x對(duì)用戶i的信任程度，則

本文認(rèn)為，在F1中的所有通信組合中，x僅與其通信對(duì)象中的 80%用戶是好友關(guān)系，所以取p最高的 80%用戶，將這些用戶定義為x信任的對(duì)象即好友，并將信任程度p作為數(shù)值加入矩陣F2中。

步驟 3 對(duì)于U中的每一個(gè)用戶，都執(zhí)行步驟2，并把好友關(guān)系及信任程度p寫入矩陣F2中，則F2就是從通信記錄中挖掘出的直接好友關(guān)系矩陣。

由通信記錄確定的直接好友關(guān)系比較稀疏，不利于推薦，而且現(xiàn)實(shí)中，也不是所有的好友間都有通信行為，因而從通信記錄中無法全面地獲取用戶間的好友關(guān)系，所以需要通過矩陣F2挖掘更多有用的信息。對(duì)于任意兩個(gè)好友而言，他們的好友集合或多或少會(huì)存在交集。用fx表示x的好友集合，如果x與y是好友關(guān)系，則fx與fy將存在交集，基于此本文認(rèn)為：當(dāng)fx∩fy中的元素在fx中的比例達(dá)到某個(gè)閾值α(如50%)時(shí)，x信任y，即y是x的好友。所以進(jìn)一步做如下處理：

步驟 4 以用戶x為例，將F2中的fx取出，與U中x的非好友關(guān)系用戶在F2中的好友集合進(jìn)行比較，用fy表示y的好友集合，當(dāng)滿足條件式(5)時(shí)，將y定義為x的好友。

步驟 5 由于集合fx∩fy確定了y與x的好友關(guān)系，因此x對(duì)y的信任程度也應(yīng)由此集合確定，用p表示集合x對(duì)fx∩fy所有用戶信任程度的平均值，即

其中pi表示x對(duì)用戶i的信任程度。使用式(7)計(jì)算py：

將好友關(guān)系及對(duì)應(yīng)的信任程度p寫入矩陣F3中。顯然，這里的信任程度只是對(duì)以單個(gè)用戶為中心的社交網(wǎng)絡(luò)關(guān)系的描述，在全局網(wǎng)絡(luò)中不具有可比性。

步驟 6 對(duì)F2中每一個(gè)有好友的用戶都重復(fù)步驟4，步驟5，將這種間接好友關(guān)系及信任程度寫入矩陣F3。

步驟 7 由F2與F3最終確定好友關(guān)系矩陣F，如式(8)所示，其中F2代表直接好友關(guān)系矩陣，F(xiàn)3代表間接好友關(guān)系矩陣。

3.3 基于評(píng)分?jǐn)?shù)據(jù)的用戶相似度計(jì)算

對(duì)于U中的任意用戶組合x與y，用其共同評(píng)分項(xiàng)目來計(jì)算他們之間基于業(yè)務(wù)評(píng)分的相似度，從而得到相似度集合SM。

其中sim(x,y)表示x與y的相似度，用rmax表示R中所定義的最大評(píng)分值，rmin表示最小評(píng)分值，相似度計(jì)算公式如式(10)所示。

3.4 用戶偏好預(yù)測(cè)

用SMx表示x與集合U中其他用戶的相似度集合，mx表示x與好友的相似度集合，用nx表示x與非好友的相似度集合，其中mx中的各個(gè)用戶與x還存在著通過社會(huì)化關(guān)系而得到的信任程度關(guān)系，顯然，

數(shù)據(jù)選取方式可以根據(jù)3種不同方法進(jìn)行。

方法1：選取SMx中相似度大小為前50的用戶數(shù)據(jù)。

方法2：選取mx中相似度大小在前t%的用戶數(shù)據(jù)。

方法3：選取nx中相似度大小為前50的用戶數(shù)據(jù)與mx中相似度大小在前t%的用戶數(shù)據(jù)。

第1種是傳統(tǒng)的協(xié)同過濾算法中的數(shù)據(jù)選取方式(Traditional Data Selection,TDS)；第2種是建立在好友關(guān)系的數(shù)據(jù)選擇方式(Data Selection Based on Friends,DSBF)；第3種是本文所提出的基于用戶社會(huì)化關(guān)系挖掘的混合數(shù)據(jù)選擇方式(Data Selection Based on the Combination of Tradition and Friends,DSBCTF)。

將通過社會(huì)化關(guān)系挖掘出的好友關(guān)系及其信任程度與傳統(tǒng)的基于項(xiàng)目評(píng)分的相似度結(jié)合，進(jìn)行評(píng)分預(yù)測(cè)，具體如式(12)。

與傳統(tǒng)協(xié)同過濾算法相比，本文算法增加了通過社會(huì)化關(guān)系挖掘出的好友關(guān)系及其信任程度對(duì)推薦結(jié)果的影響，而且當(dāng)預(yù)測(cè)用戶無評(píng)分項(xiàng)目即=0 時(shí)，采用與預(yù)測(cè)用戶及其相關(guān)用戶的其他間接評(píng)分無關(guān)的預(yù)測(cè)公式，使得推薦結(jié)果更加符合實(shí)際。公式中C表示上述提到的3種不同的用戶集合，表示x已知評(píng)分的平均值，py表示x對(duì)y的信任程度，當(dāng)y不是x好友時(shí)：py=0 。對(duì)于 3種數(shù)據(jù)選取方式，本文將用實(shí)驗(yàn)的方法確定最優(yōu)解；其中t% 的取值，將在4.2節(jié)中確定。通過計(jì)算，便可以得到x對(duì)未知評(píng)分業(yè)務(wù)的評(píng)分值。若無法預(yù)測(cè)，將用0代替。

4 實(shí)驗(yàn)

本文實(shí)驗(yàn)環(huán)境為：2 GB內(nèi)存，2.93 GHz雙核CPU,Windows XP2操作系統(tǒng)，Java1.6開發(fā)語言，Eclipse3.5集成環(huán)境，Mysql5.0數(shù)據(jù)庫。實(shí)驗(yàn)將分成兩個(gè)部分：(1)使用仿真數(shù)據(jù)集展開實(shí)驗(yàn)表明本算法的可行性和有效性；(2)使用公開數(shù)據(jù)集來研究相關(guān)參數(shù)的選擇方法以及與其他基準(zhǔn)算法的性能比較。

4.1 基于模擬數(shù)據(jù)集的實(shí)驗(yàn)

4.1.1 模擬數(shù)據(jù)集介紹實(shí)驗(yàn)所需要生成的模擬數(shù)據(jù)包括移動(dòng)用戶列表，移動(dòng)業(yè)務(wù)列表，移動(dòng)用戶的關(guān)系列表和移動(dòng)用戶對(duì)移動(dòng)業(yè)務(wù)的原始評(píng)分列表，其中移動(dòng)用戶的關(guān)系列表只是直接的好友關(guān)系，實(shí)驗(yàn)中，將根據(jù)這個(gè)列表進(jìn)一步挖掘潛在的社會(huì)化關(guān)系。為了使實(shí)驗(yàn)更加簡(jiǎn)便，直接規(guī)定：對(duì)單個(gè)用戶而言，他對(duì)所有好友的信任程度相等，并且等于直接參與評(píng)分預(yù)測(cè)的好友數(shù)的倒數(shù)。

這里用實(shí)際的900個(gè)移動(dòng)手機(jī)號(hào)碼代表用戶，將用戶分成3個(gè)集合，假定每個(gè)集合中的用戶在業(yè)務(wù)評(píng)分上相似，不同集合中的用戶業(yè)務(wù)評(píng)分差異較大；移動(dòng)業(yè)務(wù)數(shù)為90，這些業(yè)務(wù)分為3個(gè)集合，分別代表電話套餐、短信套餐和GPRS套餐業(yè)務(wù)。另外隨機(jī)確定一些好友關(guān)系組合，其中每個(gè)用戶平均有10-30個(gè)好友。這些好友分布在不同的3個(gè)集合中，本集合成員(自己除外)占有 80%的比例，其余兩個(gè)集合成員占有20%的比例，形成最初的用戶關(guān)系矩陣。

假定3個(gè)集合的用戶對(duì)3種不同的套餐業(yè)務(wù)評(píng)分差異很大并預(yù)先規(guī)定了這些評(píng)分矩陣的不同取值范圍，具體如表1所示，表中U_S1表示用戶對(duì)電話套餐業(yè)務(wù)集合的評(píng)分值范圍，U_S2表示用戶對(duì)短信套餐業(yè)務(wù)集合的評(píng)分值范圍，U_S3表示用戶對(duì)GPRS套餐業(yè)務(wù)集合的評(píng)分值范圍。根據(jù)這個(gè)規(guī)則和設(shè)定的評(píng)分覆蓋率（這里為30%），形成原始評(píng)分矩陣。

4.1.2 評(píng)價(jià)方法本文使用兩種度量標(biāo)準(zhǔn)來衡量實(shí)驗(yàn)結(jié)果：首先借鑒信息檢索領(lǐng)域廣泛使用的查準(zhǔn)率[10]，查準(zhǔn)率(Precise)，又稱“準(zhǔn)確率”，用來衡量系統(tǒng)的查準(zhǔn)率。定義如下：

表1 評(píng)分范圍限定

其中Th表示可預(yù)測(cè)結(jié)果中，符合表1所述規(guī)則的數(shù)據(jù)量，T表示可預(yù)測(cè)結(jié)果的總數(shù)據(jù)量。

然后，使用MAE[10]公式的另一種形式的絕對(duì)誤差率|，來評(píng)價(jià)實(shí)驗(yàn)結(jié)果，定義如下：

其中N表示可預(yù)測(cè)數(shù)據(jù)量，ri表示預(yù)測(cè)結(jié)果中不符合表1的評(píng)分值，ti表示與ri對(duì)應(yīng)的在表1中應(yīng)該所處的范圍的臨界值。rmax與rmin表示數(shù)據(jù)集中的最大與最小評(píng)分值，本實(shí)驗(yàn)中rmax=10,rmin=0。

4.1.3 實(shí)驗(yàn)描述及結(jié)果分析首先我們從模擬生成的初始好友矩陣中挖掘出更多的社會(huì)化關(guān)系，其中間接好友關(guān)系挖掘閾值α定為50%。而后將數(shù)據(jù)作為輸入，代入本文所提的DSBCTF數(shù)據(jù)選擇算法中進(jìn)行評(píng)分預(yù)測(cè)，其中t%定為70%，在預(yù)測(cè)評(píng)分階段，數(shù)據(jù)集中的好友信任程度，由參與計(jì)算的好友數(shù)的倒數(shù)確定。

經(jīng)過計(jì)算，將得到了一個(gè)預(yù)測(cè)的評(píng)分表。利用4.1.2節(jié)中的評(píng)價(jià)標(biāo)準(zhǔn)衡量實(shí)驗(yàn)結(jié)果，結(jié)果顯示：本文算法的準(zhǔn)確率P=8 0.74%，絕對(duì)誤差率|E|=5.56%。

處于同一個(gè)社交網(wǎng)絡(luò)的用戶，由于在生活中頻繁的交流，使得他們的業(yè)務(wù)喜好相近。通過周圍好友的偏好數(shù)據(jù)，能夠更加準(zhǔn)確且合理的預(yù)測(cè)出用戶偏好。試驗(yàn)結(jié)果表明，本文所提出的移動(dòng)網(wǎng)絡(luò)用戶社會(huì)化關(guān)系挖掘算法在實(shí)踐中是可行的，理論上通過對(duì)用戶社會(huì)化關(guān)系的挖掘可以使推薦結(jié)果更加準(zhǔn)確。

4.2 基于公開數(shù)據(jù)集的實(shí)驗(yàn)

4.2.1 公開數(shù)據(jù)集介紹公開數(shù)據(jù)集使用Filmtipset[11],Filmtipset是瑞士最大的電影推薦社區(qū)，它擁有超過90000位注冊(cè)用戶和兩千萬以上的電影評(píng)分?jǐn)?shù)據(jù)。這個(gè)數(shù)據(jù)集包含：用于 Weekly Recommendation的訓(xùn)練集、用于圣誕周推薦任務(wù)測(cè)試集和評(píng)測(cè)集、用于奧斯卡周推薦任務(wù)的測(cè)試集和評(píng)測(cè)集；用于社會(huì)化推薦任務(wù)的訓(xùn)練集、測(cè)試集和評(píng)測(cè)集。本文選擇其中有關(guān)1000個(gè)用戶與500部電影的數(shù)據(jù)集合，并選取了這1000個(gè)用戶的關(guān)系矩陣和1000個(gè)用戶對(duì)500部電影的評(píng)分集。對(duì)于這些評(píng)分?jǐn)?shù)據(jù)按照不同的訓(xùn)練集和測(cè)試集比劃分，形成15組測(cè)試數(shù)據(jù)，每組測(cè)試數(shù)據(jù)包含1個(gè)訓(xùn)練集和1個(gè)測(cè)試集。

4.2.2 評(píng)價(jià)方法本實(shí)驗(yàn)使用4.1.2節(jié)中介紹的絕對(duì)誤差率||來評(píng)價(jià)試驗(yàn)結(jié)果，對(duì)于式(17)中的參數(shù)，N表示預(yù)測(cè)結(jié)果數(shù)據(jù)量，ri表示由訓(xùn)練集中數(shù)據(jù)經(jīng)本文算法預(yù)測(cè)得到的評(píng)分值，ti表示與ri對(duì)應(yīng)的測(cè)試集評(píng)分值，rmax與rmin表示數(shù)據(jù)集中的最大與最小評(píng)分值，本實(shí)驗(yàn)中rmax=10,rmin=0。

4.2.3 實(shí)驗(yàn)描述及結(jié)果分析

(1)基于參數(shù)t%的交叉實(shí)驗(yàn) 使用本文提出的DSBCTF數(shù)據(jù)選取方式，將4.2.2節(jié)中的15組訓(xùn)練集數(shù)據(jù)隨機(jī)抽取10組分別代入本文的算法進(jìn)行計(jì)算，使用改進(jìn)的余弦相似度計(jì)算方法，間接好友關(guān)系挖掘閾值α定為50%，當(dāng)好友選取比例分別為20%,50%和70%時(shí)，||值比較如圖1所示。

圖1 不同好友數(shù)據(jù)選取比例的平均誤差率比較

對(duì)于挖掘出的好友關(guān)系，僅表明他們之間的信任程度很高，但是他們的業(yè)務(wù)喜好也有可能差異很大，所以不能將這些關(guān)系全部用于預(yù)測(cè)業(yè)務(wù)評(píng)分。從這些好友關(guān)系中通過他們之間基于業(yè)務(wù)評(píng)分的相似性大小來選取部分?jǐn)?shù)據(jù)，將使得推薦更加合理。選取比例決定了選取的好友數(shù)量，當(dāng)參與預(yù)測(cè)的數(shù)量過少時(shí)，有可能忽略掉某些關(guān)鍵數(shù)據(jù)的影響，通過試驗(yàn)發(fā)現(xiàn)：當(dāng)好友選取比例為70%時(shí)，平均誤差率比較小，所以本文將參數(shù)t%定為70%。

(2)TDS、DSBF、DSBCTF對(duì)比實(shí)驗(yàn) 將4.2.2節(jié)中的15組訓(xùn)練集數(shù)據(jù)隨機(jī)抽取10組代入本文算法進(jìn)行偏好預(yù)測(cè)，其中t%的取值定為70%，間接好友關(guān)系挖掘閾值α定為50%，當(dāng)選用3種不同的數(shù)據(jù)選取方式時(shí)，||值比較如圖2所示。

3種算法中，從直接參與評(píng)分預(yù)測(cè)的數(shù)據(jù)量上看，DSBCTF方法所選取的數(shù)據(jù)量最多，它包含了傳統(tǒng)基于項(xiàng)目評(píng)分相似性及社會(huì)化關(guān)系挖掘的用戶信息，TDS,DSBF則僅有部分?jǐn)?shù)據(jù)；從數(shù)據(jù)的推薦意義上看，TDS缺少了來自社會(huì)化關(guān)系挖掘的好友數(shù)據(jù)，而DSBF缺少了來自傳統(tǒng)基于項(xiàng)目評(píng)分相似性的用戶數(shù)據(jù)，與DSBCTF相比，這兩種方法都不能較全面地預(yù)測(cè)用戶項(xiàng)目評(píng)分。實(shí)驗(yàn)結(jié)果也表明：本文提出的基于用戶社會(huì)化關(guān)系挖掘的混合數(shù)據(jù)選取算法(DSBCTF)性能最好，誤差率最小。

圖2 3種數(shù)據(jù)選取方法的性能比較

5 結(jié)論

基于移動(dòng)社交網(wǎng)絡(luò)服務(wù)現(xiàn)狀，多數(shù)用戶更相信來自真實(shí)社交網(wǎng)絡(luò)中朋友而非系統(tǒng)的推薦信息，且交往密切的用戶在興趣上較為相似。本文面向移動(dòng)通信網(wǎng)，提出一種基于移動(dòng)用戶社會(huì)化關(guān)系挖掘的協(xié)同過濾算法，通過對(duì)移動(dòng)通信網(wǎng)下的社會(huì)化潛在關(guān)系進(jìn)行挖掘，將好友數(shù)據(jù)融入傳統(tǒng)的協(xié)同過濾算法中。在實(shí)驗(yàn)部分，首先通過一個(gè)仿真數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了該方案的可行性和有效性，然后通過公開的Filmtipset數(shù)據(jù)集實(shí)驗(yàn)確定了合理的參數(shù)設(shè)置，并與TDS,DSBF數(shù)據(jù)選取方法進(jìn)行了性能比較。實(shí)驗(yàn)結(jié)果表明，本文算法不僅緩解了評(píng)分矩陣稀疏性問題，而且有效地提高了偏好預(yù)測(cè)和推薦結(jié)果的準(zhǔn)確度。

[1]Jonna H,Albrecht S,Jani M,et al..Context-aware mobile media and social networks.Proceedings of the 11th International Conference on Human-Computer Interaction with Mobile Devices and Services,Bonn,Germany,2009：1-3.

[2]Ricci F.Mobile recommender systems.International Journal of Information Technology and Tourism,2011,12(3)：205-231.

[3]Wang L C,Meng X W,Zhang Y J,et al..New approaches to mood-based hybrid collaborative filtering.Proceedings of the Workshop on Context-Aware Movie Recommendation at the 4th ACM Conference on Recommender Systems (ACM Recsys’10),Barcelona,Spain,2010：28-33.

[4]Gediminas A and Alexander T.Toward the next generation of recommender systems：a survey of the state-of-the-art and possible extensions.IEEE Transactions on Knowledge and Data Engineering,2005,17(6)：152-162.

[5]方娟,梁文燦.一種基于協(xié)同過濾的網(wǎng)格門戶推薦模型.電子與信息學(xué)報(bào),2010,32(7)：1585-1590.Fang Juan and Liang Wen-can.A grid portal recommendation model based on collaborative filtering.Journal of Electronics＆Information Technology,2010,32(7)：1585-1590.

[6]Matthias B and Gernot B.Improving the recommendation of mobile services by interpreting the user’s icon arrangement.Proceedings of the 11th International Conference on Human-Computer Interaction with Mobile Devices and Services,Bonn,Germany,2009：15-18.

[7]Gupta A,Kalra A,Boston D,et al..MobiSoC：a middleware for mobile social computing applications.Mobile Networks and Applications,2009,14(10)：35-52.

[8]Arazy O,Kumar N,and Shapira B.Improving social recommender systems.IT Professional,2009,11(4)：38-44.

[9]Dijiang H and Vetri A.Email-based social network trust.IEEE International Conference on Social Computing /IEEE International Conference on Privacy,Security,Risk and Trust,Boston,USA,2010：363-370.

[10]Herlocker J,Konstan J,Terveen L,et al..Evaluating collaborative filtering recommender systems.ACM Transactions on Information Systems,2004,22(1)：20-21.

[11]Fernando D and Pedro G C.Movie recommendations based in explicit and implicit features extracted from the Filmtipset dataset.Proceedings of the Workshop on Context-Aware Movie Recommendation at the 4th ACM Conference on Recommender Systems (ACM Recsys’10),Barcelona,Spain,2010：45-52.