本站原创摘 要：针对电子商务平台中出现的信息“超载”问题,通过采用用户聚类划分和节点信任值计算分析的方法建立电子商务信任社区,并结合商品自身评价信息,构建电子商务推荐模型.该模型根据用户最信任的若干邻居对商品的评价信息,预测用户对未购买的商品的评分值,将预测评分值较高的商品推荐给用户,并且在推荐算法设计过程中考虑了推荐的时间效应,为用户提供有效的商品推荐服务.
关 键 词：电子商务；信任社区；推荐模型；信任推荐
1引言
随着互联网应用普及率日益提高,电子商务行业飞速发展,但同时信息“超载”问题越发严重,用户往往需要花大量时间来甄别符合自己需求的商品,大大增加了搜索成本.为了帮助消费者快速、准确挑选出需要的商品,不少电商网站根据用户的商品评分,并结合评分相似性为用户推荐其感兴趣的商品.早期研究集中在改进推荐算法提高推荐准确率,当前则更倾向于利用用户模型描述信息来改善推荐方法.但将具有相似兴趣、喜好的用户进行聚类推荐的研究较少.
本文提出一种基于信任社区的电子商务推荐方法,将用户划分到不同的用户社区,计算社区用户间的信任度,进而帮助用户找到若干信任邻居.最后根据用户信任邻居对商品的评价及商品自身的评价预测用户对未购买商品的评分,将预测评分较高的商品推荐给用户.
2信任社区构建
将电子商务平台中的每一位用户看作一个节点,双方之间的兴趣相似性和信任关系看作节点之间的连接,这就形成一种用户信任社区.在其构建过程中,首先根据每位用户的行为日志和兴趣相似性将用户进行聚类划分,然后计算相应聚类中各个节点间信任值,并据此为用户找到最信任的邻居集合,如图1所示.
2.1用户聚类
而ι的取值与交互的次数有关.当请求节点计算出服务节点的信任值后与预设的交互可靠性最低阈值Tmin比较,满足Tobject>Tmin的节点生成一个信任值列表,将信任值最大的n个用户作为目标用户的top_n最信任邻居集.
3电子商务推荐模型
为帮助用户找到符合自身需求且可靠的商品,本模型将通过分析目标商品获得的所有评价信息和目标用户在信任社区中的信任邻居对目标商品的评价信息,经过运算分析后给出商品的最终推荐得分.具体的计算公式如下所示：
为线性遗忘函数,α、b为常数,（其中du,i表示用户u访问商品与其对商品i进行评价的时间差值,T为时间间隔的基本单位）.该函数为单调递减函数,值域为（0,1],反映出不同时间段的用户给出的商品评分对推荐值计算结果的重要性.i为用户查看的商品,P（i）为商品获得的评价得分,Pc（i）为信任邻居对商品的评价得分,m为商品获得评价的数量,n为信任邻居的数量
4实证分析
为验证该电子商务推荐模型的有效性,本文代入MovieLens（历史最悠久的电影推荐系统）中的指标数据进行实证分析,以推荐预测值和MovieLens平台的真实推荐得分之间的绝对误差（MeanAbsoluteError,MAE）来度量模型的有效性.
提取570部电影数据分别代入基于信任社区的推荐模型和基于协同过滤的推荐模型,然后将前者的推荐得分（R-value）和后者的推荐得分（C-value）与真实推荐得分（M-value）进行比较,得出平均绝对误差,如图4所示.误差越小,推荐结果越准确.初始阶段,后者推荐准确性优于前者,但随参与电影量提升,前者的推荐准确性更高.
为检验推荐模型抵御虚假评价的能力,对数据集中一些指标的评分进行改变,并重新进行计算与比较,得到新的平均绝对误差（R-M*）,并与先前的结果比较,如图5所示,该模型起初受到的影响较大,使得R-M*比之前有所增加,不过随着参与电影量提升,受到的影响逐渐降低,最终两者的差距控制在相对合理的范围内.因此,可以说明该模型具备一定的抵御虚假评价的能力.
5结论
通过上述实验结果可以得出如下结论：本文提出的基于信任社区的电子商务推荐模型相对于现有的基于协同过滤的推荐模型用着更好的推荐准确性,并且还具备了更加良好的抵御虚假评价的能力,能够为用户提供可靠、有效的商品推荐服务.不过本模型没有考虑冷启动问题,无法对新上架的和消费者从未购买过的商品进行推荐,因此还需进一步的改进.
[参考文献]
[1]王强,储昭.依赖、信任和承诺对第三方物流整合及其绩效的影响：基于中国的实证研究[J].中国软科学,2012,（2）：117-121.
[2]张少中,方朝曦.基于社会网络的电子商务信任社区聚类模型[J].浙江大学学报：工学版,2013,42（5）：725-730.
[3]TANGWei.DesignandimplementofC2Ce-mercetrustmodel[J].ComputerEngineeringandApplications,2012,48（1）：94-97.