推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于信任扩展和列表级排序学习的服务推荐方法

更新时间:2019-12-27 12:34:10 大小:733K 上传用户:IC老兵查看TA发布的资源 标签:信任扩展 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

针对传统基于信任网络的服务推荐算法中信任关系稀疏以及通过Qo S预测值排序得到的服务推荐列表不一定最符合用户偏好等问题,提出基于信任扩展和列表级排序学习的服务推荐方法(TELSR)。在分析服务排序位置信息的重要性后给出概率型用户相似度计算方法,进一步提高相似度计算的准确性;利用信任扩展模型解决用户信任关系稀疏性问题,并结合用户相似度给出可信邻居集合构建方法;基于可信邻居集合,利用列表级排序学习方法训练出最优排序模型。仿真实验表明,与已有算法相比,TELSR在具有较高推荐精度的同时,还可有效抵抗恶意用户的攻击。


部分文件列表

文件名 大小
基于信任扩展和列表级排序学习的服务推荐方法.pdf 733K

部分页面预览

(完整内容请下载后查看)
39 卷第 1 期  
2018 1 月  
Vol.39 No.1  
January 2018  
Journal on Communications  
基于信任扩展和列表级排序学习的服务推荐方法  
方晨 1,2,张恒巍 1,2,张铭 1,2,王晋东 1,2  
1. 信息工程大学三院,河南 郑州 4500012. 数字工程与先进计算国家重点实验室,河南 郑州 450001)  
摘 要对传统基于信任网络的服务推荐算法中信任关系稀疏以及通过 QoS 预测值排序得到的服务推荐列表不  
一定最符合用户偏好等问题,提出基于信任扩展和列表级排序学习的服务推荐方法(TELSR在分析服务排序  
位置信息的重要性后给出概率型用户相似度计算方法,进一步提高相似度计算的准确性;利用信任扩展模型解决  
用户信任关系稀疏性问题,并结合用户相似度给出可信邻居集合构建方法;基于可信邻居集合,利用列表级排序  
学习方法训练出最优排序模型仿真实验表明已有算法相比TELSR 在具有较高推荐精度的同时可有效  
抵抗恶意用户的攻击。  
关键词:服务推荐;排序学习;概率型用户相似度;信任关系  
中图分类号TP393  
文献标识码A  
doi: 10.11959/j.issn.1000-436x.2018007  
Trust expansion and listwise learning-to-rank  
based service recommendation method  
FANG Chen1,2, ZHANG Hengwei1,2, ZHANG Ming1,2, WANG Jindong1,2  
1. The Third College, Information Engineering University, Zhengzhou 450001, China  
2. State Key Laboratory of Mathematical Engineering and Advanced Computing, Zhengzhou 450001, China  
Abstract: In view of the problem of trust relationship in traditional trust-based service recommendation algorithm, and  
the inaccuracy of service recommendation list obtained by sorting the predicted QoS, a trust expansion and listwise  
learning-to-rank based service recommendation method (TELSR) was proposed. The probabilistic user similarity compu-  
tation method was proposed after analyzing the importance of service sorting information, in order to further improve the  
accuracy of similarity computation. The trust expansion model was presented to solve the sparseness of trust relationship,  
and then the trusted neighbor set construction algorithm was proposed by combining with the user similarity. Based on  
the trusted neighbor set, the listwise learning-to-rank algorithm was proposed to train an optimal ranking model. Simula-  
tion experiments show that TELSR not only has high recommendation accuracy, but also can resist attacks from mali-  
cious users.  
Key words: service recommendation, learning-to-rank, probabilistic user similarity, trust relationship  
择困境。因此,服务推荐技术在服务计算领域获得  
1 引言  
了广泛的关注Web 服务的服务质量(QoS, quality  
of service)包括服务失效率、响应时间、成本、吞  
吐量等[1],是用户进行服务选取时需要考虑的重要  
属性之一。而由于 Web 服务广泛地分布在网络中,  
随着互联网的普及和云计算技术的迅猛发展,  
网络上提供的 Web 服务呈指数级增长户迫切地  
需要一种有效的服务推荐方法来解决其面临的选  
收稿日期2017-04-05修回日期2017-12-26  
通信作者:张恒巍,
基金项目家自然科学基金资助项No.61303074, No.61309013南省科技攻关计划基金资助项No.12210231003)  
Foundation Items: The National Natural Science Foundation of China (No.61303074, No.61309013), Henan Science and Technol-  
ogy Research Project (No.12210231003)  
2018007-1  
·148·  
39 卷  
一些 QoS 属性如响应时间吐量等经常受到网络  
环境动态变化的影响,具有很大的不确定性,这就  
造成了服务推荐可靠性差的问题。  
到最符合用户偏好的服务推荐列表。本文的主要贡  
献有以下 3 点。  
1) 给出概率型用户相似度计算方法,有效利用  
了服务的排序位置信息,提高了相似度计算准确性。  
2) 提出信任扩展模型,充分挖掘了用户信任关  
建出可信邻居集合够抵抗恶意用户的攻击。  
3) 改进列表级排序学习算法输出最符合用  
户兴趣偏好的服务推荐列表。  
为解决此问题,研究者们考虑将协同过滤算法  
应用到服务推荐过程中过预测 QoS 值并以此对  
服务进行排序来实现推荐[2]了提高 QoS 预测的  
准确性,研究者们对传统协同过滤算法做出了一系  
列改进,包括引入用户的信任网络[3]、服务调用模  
[4]、服务的上下文信息[5]等。主要存在的问题为  
1) 没有有效利用服务的排序位置信息;2) 引入的  
信任网络中用户直接信任关系稀疏,难以提供足够  
的辅助信息。  
2 相关工作  
协同过滤最早是由 Goldberg [8]1992 年提  
出的,后来被广泛应用于电子商务领域,并且取得  
了极大的成功。其核心思想是:在用户群中寻找与  
目标用户评分行为相似的邻居用户,然后基于这些  
邻居用户对服务的评分向目标用户做出推荐[9]。目  
前,已有很多学者将协同过滤算法应用到服务推荐  
过程中,并对其做出了一系列的改进。王海艳等[10]  
引入服务的推荐个性属性特征来改进传统的相似  
度计算式,并结合用户之间的信任关系对服务的评  
分值进行预测,进而对用户做出推荐。Liu [11]利  
用服务的流行度特征改进相似度计算,并根据用户  
和服务的地理位置来缩小相似用户的寻找范围,相  
比传统推荐算法更加高效;Hu [12]在寻找相似邻  
居时融入了服务调用的时间信息,并通过线性加权  
的方式综合了基于相似用户和相似服务的 QoS 预  
测结果[10~12]均是通过改进相似度计算来提  
高算法准确性,属于基于近邻的协同过滤算法。此  
外,还有部分研究者利用数学模型来预测服务的  
QoS,并取得了较好的成果。Wei [13]利用矩阵分  
解模型将高维的用户服务矩阵分解为低维的用  
户矩阵和服务矩阵,并将位置属性融入矩阵分解的  
正则项中,有效提高了 QoS 预测精度;胡堰等[14]  
借助隐含类别表示用户指标偏好、用户及服务情境  
三者之间的依赖关系,并建立隐语义概率模型用  
于预测用户在特定服务情境下的个性化指标偏  
后计算出每个候选服务的效用值进行推荐;  
Wang [15]考虑到了 QoS 值在不同时间段的动态变  
化特性QoS 预测值的残差进行零均值拉普拉斯  
先验分布假设QoS 预测问题转化为 Lasso 回归问  
题进行求解[13~15]有效利用了数学模型的精确  
性,属于基于模型的协同过滤算法。可见,上述工作  
的研究重点均集中在提高 QoS 值预测的准确性方面,  
而近年来有研究者发现 QoS 值预测的准确性并不能  
同时着研究的深入分研究者发现QoS  
值预测的准确性并不代表服务推荐的准确性。假设  
某用户对服务 a 和服务 b 的某一 QoS 如可靠  
性)的评价值分别为 2 3,使用不同的协同过滤  
算法来预测 QoS 值可能会得到不同的推荐结果一  
种预测结果是服务 a QoS 值为 2.5b QoS  
值为 3.6一种预测结果是服务 a QoS 值为 2.5、  
服务 b QoS 值为 2.42 种预测结果的平方误差  
均为 0.52 0.62 ,但是,得到的推荐列表中服务 a  
和服务 b 的排序却是相反的。由此说明,仅仅根据  
QoS 预测值排序得到的服务推荐列表并不能非常准  
确地反映用户的偏好。  
近几年来,有研究者考虑将排序学习技术引入  
推荐算法中来,通过直接优化最终的排序列表来提  
高推荐系统的准确性[6]。作为一种强监督性机器学  
习算法,排序学习能够整合大量复杂特征并自动学  
习最优参数,降低了考虑单个因素进行排序的风  
险,且能够通过多种方法来规避过拟合问题,获得  
了学术界越来越多的关注[7]。然而,目前很少有研  
究将传统协同过滤算法与排序学习技术结合起来,  
并应用到服务推荐领域。  
针对上述问题,本文提出基于信任扩展和列表  
级排序学习的服务推荐方法(TELSR, trust expan-  
sion and listwise learning-to-rank based service rec-  
ommendation method方法首先在分析服务排序  
位置信息重要性的基础上,给出概率型用户相似度  
计算方法(PUSC, probabilistic user similarity com-  
putation method提高相似度计算准确性;然后,  
提出信任扩展模型充分挖掘用户信任网络信息,并  
结合用户相似度构建可信邻居集合;最后,利用可  
信邻居集合改进列表级排序学习算法,通过训练得  
2018007-2  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载