論文筆記：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust

一、基本資訊

論文題目：《TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings》

發表時間：AAAI 2015

論文作者及機關：

論文位址：https://aaai.org/ocs/index.php/AAAI/AAAI15/paper/view/9313

二、摘要

        協同過濾存在資料稀疏和冷啟動等問題，極大地降低了推薦性能。為了解決這些問題，我們提出了一種基于信任的矩陣分解技術trustsvd。通過對四個現實資料集的社會信任資料的分析，我們得出結論：在推薦模型中，不僅要考慮評級和信任的顯性影響，還要考慮其隐性影響。是以，我們建立在最先進的推薦算法SVD++的基礎上，通過進一步整合受信任使用者對活動使用者項目預測的顯式和隐式影響，該算法固有地涉及評級項目的顯式和隐式影響。據我們所知，本文的工作是第一個用社會信任資訊擴充SVD++的工作。對四組資料的實驗結果表明，我們的方法trustsvd比其他十組資料具有更好的精度，能夠更好地處理相關問題。

三、主要内容與工作

1、在本文中，我們提出了一種新的基于信任的推薦模型trustsvd。我們的方法建立在最先進的SVD++模型之上（Koren 2008），在該模型中，使用者項目評級的顯式和隐式影響都會産生預測。據作者所知，我們的工作是第一個用社會信任資訊擴充SVD++的工作。具體來說，一方面，信任的隐含影響（信任誰）可以通過擴充使用者模組化自然地添加到SVD++模型中。另一方面，信任的顯式影響（信任值）被用來限制特定于使用者的向量應該符合他們的社會信任關系。這確定了使用者特定的向量可以從他們的信任資訊中學習，即使給出了幾個或沒有評級。這樣可以更好地緩解資料稀疏和冷啟動問題。是以，我們的新模型融合了項目評級的顯性和隐性影響以及使用者信任。此外，采用權重-λ-正則化技術進一步避免了模型學習的過度拟合。對四個真實資料集的實驗結果表明，我們的方法比其他基于信任的對應方法以及其他評級良好的模型（總共10種方法）獲得了顯著的準确性，并且更能夠應對冷啟動情況。

2、已有的研究表明，信任資訊有助于提高推薦的效果。

3、通過對資料集的觀察得到兩個結論：

• 信任資訊非常稀疏，但與評級資訊是互補的。
• 在信任相似關系的概念下，使用者的評分與社交鄰居的平均值呈弱正相關，在信任關系的概念下，使用者的評分與社交鄰居的平均值呈強正相關。

4、關于TrustSVD的詳細推導過程

5、實驗流程步驟與結果分析

四、總結

        本文提出了一種新的基于信任的矩陣因子分解模型，該模型融合了評級資訊和信任資訊。我們對四個現實資料集的信任分析表明，信任和評級是互相補充的，兩者對于更準确的建議都至關重要。我們的新方法，trustsvd，在預測未知項目的評級時，考慮了評級和信任資訊的顯性和隐性影響。采用權重-λ-正則化技術，進一步對使用者和項目特定的潛在特征向量進行正則化。綜合實驗結果表明，在不同的測試視圖和不同信任度的使用者中，我們的方法trustsvd在預測準确性方面優于基于信任和評級的方法。在今後的工作中，我們打算通過同時考慮委托人和受托人的影響，進一步改進所提出的模型。