一、基本信息

论文题目：《A Matrix Factorization Technique with Trust Propagation for Recommendation in Social Networks》

发表时间：RecSys 2010

论文作者及单位：

论文地址：https://dl.acm.org/citation.cfm?id=1864736

 

二、摘要

        推荐系统正在成为为给定用户选择相关的在线信息的工具。协同过滤是构建推荐系统最常用的方法，在许多场景中得到了成功应用。随着在线社交网络的兴起，基于社交网络的推荐方法应运而生。这种方法假定用户之间存在社交网络，并根据与给定用户有直接或间接社会关系的用户的评级为用户提供建议。作为其主要好处之一，基于社交网络的方法已被证明可以减少冷启动用户的问题。本文利用矩阵分解技术，探索了一种基于模型的社交网络推荐方法。在前面的工作中，我们将信任传播机制引入到模型中。信任传播是社会科学、社会网络分析和基于信任的推荐中的一个重要现象。我们已经在两个现实数据集上进行了实验，公共领域epinions.com数据集和一个更大的数据集——最近从flixster.com上爬取得到。我们的实验表明，建模信任传播会显著提高推荐的准确性，特别是对于冷启动用户。

 

三、主要内容与工作

1、memory-based模型不需要，但预测起来很慢。而Model-based刚好相反。

2、一些基于记忆的方法已被推荐用于社会评级网络[11][3][5][16]。这些方法通常探索社交网络，找到用户信任（直接或间接）的用户邻居，并通过汇总他们的评级来执行建议。这些方法利用信任的传递性，将信任传播给社会网络中的间接邻居。由于他们必须探索社交网络，基于记忆的方法在测试阶段比基于模型的方法慢。最近，社会评级网络中基于模型的推荐方法已经被研究[9][10]。这些方法利用矩阵分解技术，从观察到的评分中学习用户和项目的潜在特征。实验结果表明，与目前最先进的基于内存的方法相比，该方法具有更好的性能。然而，这些方法并不考虑信任的传播。本文还提出了一种基于矩阵分解的社会评级网络推荐模型socialmf。我们将信任的传播纳入我们的模型，以提高推荐的质量。为了在我们的模型中注入社会影响，我们使每个用户的特征依赖于他在社交网络中的直接邻居的特征向量。利用这一思想，间接连接到社交网络中的用户的潜在特征将是依赖性的，从而传播信任。

3、本文的主要贡献有以下几点：

• 在矩阵分解方法中引入了一种新的基于信任传播的SocialMF模型。
• SocialMF显著降低了推荐误差（RMSE），特别是对于冷启动用户。
• 我们对来自epinons.com和flixster.com的两个真实数据集进行了实验，后者是我们为研究目的而爬行和准备的。

4、对以往相关的工作如矩阵分解、嵌入社交关系的矩阵分解进行了总结。

5、提出了自己的SOCIALMF MODEL，并进行了复杂度分析。随后在epinons.com和flixster.com的两个真实数据集进行了实验。

 

四、总结

        推荐系统正在成为为给定用户选择相关的在线信息的工具。协同过滤是构建推荐系统最常用的方法，在许多场景中得到了成功应用。随着在线社交网络的出现，利用隐藏在社交网络中的信息来预测用户的行为变得非常重要。
        本文提出了一种新的基于模型的社交网络推荐方法。我们的模型是基于矩阵分解的方法。与[9]中提出的ste模型类似，socialmf学习用户和项目的潜在特征向量。与STE不同，每个用户的特征向量依赖于其在社交网络中的直接邻居的特征向量。
这使得socialmf能够处理信任和信任传播的传递性，而ste模型并没有捕捉到这种传递性。信任传播是社会科学、社会网络分析和基于信任的推荐中的一个重要现象。此外，如果用户没有表示任何评分，只要他通过社交关系连接到社交网络，就可以学习他的特征向量。因此，socialmf比现有的方法更好地处理冷启动用户。请注意，如果冷启动用户没有连接到社交网络，那么基于社交网络的方法就没有其他信息来提高该用户的推荐质量。
        对epinions和flixster两个现实数据集的实验表明，socialmf优于现有的基于社交网络的推荐方法。这项工作为今后的工作提出了几个有趣的方向。我们希望扩展模型来处理负面信任关系，因为一些社交网络允许用户对其他用户表示不信任。本文对不同范围的λt进行了实验研究。作为今后的工作，我们研究了自动调谐λt的可能性。最后，本文还没有对冷启动项目进行讨论，将来应该探讨如何扩展模型，从而有效地学习冷启动项目的特征向量。