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，對人們?nèi)粘Ｉ町a(chǎn)生了深遠影響。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，改進組合規(guī)則，建立改進置信推薦模型，選取Epinions評分數(shù)據(jù)進行測試，并對不同改進模型的準(zhǔn)確度進行檢驗。

關(guān)鍵詞：推薦系統(tǒng);證據(jù)理論：不確定評分

中圖分類號：TP393 文獻標(biāo)識碼：A

文章編號：1009-3044（2019）35-0207-03

網(wǎng)絡(luò)平臺中的購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)果中往往會包含一些用戶不期望的冗余信息。個性化推薦在這種需求背景下應(yīng)運而生，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濾系統(tǒng)，用于預(yù)測用戶對物品的“評分”或“偏好”。推薦的物品包括：電影、音樂、新聞、書籍、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，引入軟評分方法，用軟評分機制度量用戶對物品評價的不確定性，結(jié)合K鄰近算法計算用戶的近鄰用戶圈，用改進證據(jù)組合規(guī)則將圈中用戶的商品評分進行融合，建立改進證據(jù)組合規(guī)則的置信協(xié)同推薦模型，最后將融合后評分高的物品推薦給目標(biāo)用戶。最后用數(shù)據(jù)Epinions驗證改進模型的有效性。

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A的信任程度。對空集中分配的基本信度代表了辨識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是辨識框架Q下的兩個證據(jù)E1和E2相對應(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是辨識框架Q下的兩個證據(jù)E1和E2相對應(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是辨識框架Q下的兩個證據(jù)E1和E2相對應(yīng)的BBA，焦元分別為A1和A2，則合成規(guī)則為：

2 基于改進證據(jù)組合規(guī)則的置信協(xié)同推薦算法

近年來，許多研究表明，在利用D-S合成規(guī)則進行證據(jù)推理時，會出現(xiàn)不符合常識的結(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物品的評分，改進合成規(guī)則，引入DP合成規(guī)則和Smets合成規(guī)則，建立改進證據(jù)組合規(guī)則的置信協(xié)同推薦算法。其步驟如下：

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

2）社區(qū)挖掘：通過用戶關(guān)系網(wǎng)利用標(biāo)簽傳播算法（LPA）對用戶進行社區(qū)分類，在各社區(qū)中分別計算用戶的相似度，利用改進的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分進行融合，將融合后評分高的物品推薦給待推薦的用戶。

3 實例分析

本文選取Epinions數(shù)據(jù)集，其中包含硬評分和用戶關(guān)系兩個部分組成。在硬評分部分，評分值由低到高為1到5，步長為1，每個用戶都至少評價了20個物品，并且在用戶關(guān)系網(wǎng)中，每個用戶至少認識10位其他用戶。該測試的數(shù)據(jù)集一共有40163位用戶，評價了139738件物品，一共產(chǎn)生了664824條評分記錄。這40163位用戶的信任關(guān)系有487183層。

3.1 D-S合成規(guī)則下的推薦過程

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

利用D-S證據(jù)理論對各個物品的評分進行融合，得到表2物品推薦表。

計算平均絕對誤差（DS-MAE）和混淆矩陣（DS-Recall）值評價推薦模型的準(zhǔn)確度。DS-MAE值越小說明出錯的概率越小，也就是測評的結(jié)果越好，準(zhǔn)確度越高。在實驗結(jié)果中，期望較高的回收率，DS-Recall值越大時，說明準(zhǔn)確度越高。

先將數(shù)據(jù)分為10組，再分別計算出結(jié)果準(zhǔn)確度，10個測試組的平均絕對誤差（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)則下改進推薦算法的結(jié)果對比

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

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，這說明整體的準(zhǔn)確度也會增高。

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，這說明通過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)研究的熱點和難點。本文在證據(jù)理論框架下，引入軟評分系統(tǒng)，結(jié)合了社團識別算法和K近鄰算法，提出ECR算法，對物品進行推薦并對數(shù)據(jù)的靈敏度進行檢驗?？紤]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來提高推薦準(zhǔn)確度。在這些算法的研究基礎(chǔ)上，對數(shù)據(jù)集Epinions進行測試并評估測試準(zhǔn)確度，結(jié)果表明改進的合成規(guī)則推薦模型的準(zhǔn)確率得到提高。

參考文獻：

[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].計算機科學(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].計算機工程與應(yīng)用，2013，49（11）：114-117.

【通聯(lián)編輯：唐一東】

收稿日期：2019-08-20

基金項目：陜西省教育廳專項科學(xué)研究計劃（19JK0330）

作者簡介：馬麗娜（1986-），女，研究生學(xué)歷，西安財經(jīng)大學(xué)行知學(xué)院，講師，研究領(lǐng)域為統(tǒng)計數(shù)據(jù)分析。