基于信任机制的电子商务个性化推荐算法研究文献综述(全)

基于信任机制的电子商务个性化推荐算法研究文献综述一、引言互联网技术的迅猛发展把我们带进了信息爆炸的时代。

海量信息的同时呈现，用户很难从中发现自己感兴趣的部分，传统的搜索算法只能呈现给所有的用户一样的排序结果，无法针对不同用户的兴趣爱好提供相应的服务。

信息的爆炸使得信息的利用率反而降低。

同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也编的更加复杂，用户常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。

个性化推荐，被认为是当前解决信息系统超载问题最有效的工具之一。

推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。

准确、高效的推荐系统可以挖掘用户的偏好和兴趣，从而成为发现用户潜在的消费倾向，为其提供个性化服务。

在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。

但是推荐系统存在各种缺陷，Rashmi等人提出，相对于使用推荐系统来说，人们更愿意从自己认识的朋友或者熟悉的人那边获取推荐信息[1]。

这体现了在互联网环境下，人们更加倾向于从自己信任的人获取推荐信息。

本文对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及信任概念、信任模型。

二、个性化推荐系统概述个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。

电子商务个性化推荐系统的正式定义由Resniek&Varian在1997年给出：电子商务个性化推荐系统是利用电子商务网站向用户提供产品信息和相关建议，帮助用户决定购买什么产品，通过模拟销售人员帮助用户完成购物过程的系统。

这个定义现在已经被广泛的应用。

推荐系统的使用者是用户(电子商务活动中的用户)，推荐的对象是项目。

项目是推荐系统提供给用户的产品和服务，也即最终的推荐内容。

个性化推荐系统是指根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。

1995年3月，卡内基 梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统Web-Watcher，斯坦福大学的Marko Balabanovic 等人在同一次会议上推出了个性化推荐系统LIRA。

同年8月，麻省理工学院的Henry Liberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Letizia。

这三个系统被公认为是个性化服务发展初期最近经典的系统，标志着个性化推荐服务的开始。

2000年，我国正式开始了个性化推荐的研究，清华大学的陆海明等提出了基于Agent多混合智能实现个性化推荐；2001年清华大学的冯翱等人提出了基于Agent的个性化信息过滤系统Open Bookmark；南京大学的潘金贵等人设计并实现了个性化信息搜集智能体DOLTRL-Agent。

近几年来，个性化信息推荐服务逐渐从理论走向实践，从探索走向完善，逐步成为商业界的焦点。

三、常用的个性化推荐系统算法分析下面对常用的个性化推荐系统的算法进行简要的分析。

根据算法的不同，当前已有的个性化推荐系统大致可以分为以下几类：基于内容的推荐；基于关联规则的推荐；协同过滤推荐；基于人口统计的推荐；基于效用的推荐；基于知识的推荐以及混合式推荐。

1、基于内容（Content-based）的推荐基于内容的推荐起源于信息检索领域，它利用资源和用户兴趣的相似性来过滤信息。

首先分析项目的内容，根据用户评价过的项目建立用户的兴趣模型，即用户描述文件。

根据用户描述文件的不同又可以分为基于向量空间模型的推荐、基于关键词分类的推荐、基于领域分类的推荐和基于潜在语义索引的推荐。

基于内容的算法的优点是直接、简单，推荐结果易于解释。

但也存在一定的局限：首先，特征提取能力有限，它仅适用于产品特征容易抽取的领域，当项目特征很难被一组关键词来清晰描述时，基于内容的推荐算法就显得苍白无力了。

其次，推荐范围狭窄，这种算法只能推荐与用户已有偏好或购买记录相似的项目，不能为用户发现新的感兴趣项目。

2、基于关联规则（Association Rule-based）的推荐关联规则挖掘是数据挖掘领域的一个重要分支。

对于基于关联规则的推荐算法来说，其作用机理就是：首先统计得到挖掘出的规则前件，然后针对目标客户的历史购买行为，向顾客推荐规则后件。

该算法的优点是容易理解，研究基础广泛且成熟，支持其实现的软件丰富，有较好的实践条件；缺点是随着事务的增多，规则的发现将非常耗时，并且规则难以解释。

3、协同过滤（Collaborative filtering）推荐协同过滤是目前应用研究的最为广泛最成熟的个性化推荐技术。

主要分为基于用户的协同过滤系统和基于项目的协同过滤系统。

其核心思想是：首先，基于系统中已有评分数据，计算给定用户（或项目）之间的相似性；然后根据计算得到的相似性，寻找目标用户（或项目）的最近邻居集合；最后使用最近邻居集合中的用户（或项目）的评分情况来预测目标用户对目标项目的评分值。

协同过滤的推荐系统主要优点有：（1）对内容信息不易抽取的项目能产生完全自动化的推荐；（2）能根据项目的质量和用户的品味产生推荐；（3）能为用户发现新的兴趣。

当然，协同过滤推荐系统也存在一些弊端：（1）数据稀疏性问题，这也是协同过滤系统目前存在的最普遍的问题，由于用户一般只能给很少的项目打分，使得评分矩阵非常稀疏，稀疏使得寻找相似用户非常困难（2）冷启动问题，推荐系统中对用户的分类是依据目标用户与其它用户的比较，这种比较主要基于不断累积的用户评价，如果一个新用户从未对系统中的项目进行评价，则系统无法获知他的兴趣点，也就无法对他进行推荐（3）“黑匣子”问题，推荐系统对用户来说是个黑匣子，在出现推荐结果错误时，用户难以理解为什么出现了该推荐结果以及如何修正该推荐结果，所以很多时候他就干脆放弃使用该推荐系统了（4）“托”攻击问题，恶意用户通过输入编造的用户概貌信息来改变推荐的结果，使竞争对手的书不被推荐。

4、基于用人口统计的推荐（Demographic-based）的推荐基于人口统计的推荐方法(Demographic-based)根据个人特征对用户进行分类，再对类中的用户进行推荐(Lang,1997)。

基于人口统计的推荐系统最大的优点是不要求有一个历史的用户数据，系统不需要用户对商品进行评价，也没有“新用户”问题。

但是搜集必需的个人统计信息却是这种推荐系统所面临的最大问题。

随着个人隐私问题越来越敏感，用户在Web上可能拒绝对系统透露、甚至是虚构用来预测用户偏好的、极为关键的个人信息。

5、基于效用（Utility-based）的推荐基于效用的推荐(Utility-based)(Burke,2002;余力,2004b)是建立在对用户使用项目的效用情况上计算的，其核心问题是怎么样为每一个用户去创建一个效用函数，因此用户概貌模型很大程度上是由系统所采用的效用函数决定的，系统在用户概貌和可选集之间进行最佳匹配。

这种方法的优点是能在效用函数中考虑如卖主的可靠性、产品的可获得性等非产品因素。

6、基于知识（Knowledge-based）的推荐基于知识的推荐(Knowledge-based)使用用户知识和产品知识，通过推理什么产品能满足用户需求来产生推荐。

基于知识的推荐系统所使用的知识可以有许多种形式。

Google用了两个网页之间的链接去推断出某网页的流行度和权威度。

7、混合式（Hybrid）推荐系统基于规则的、基于内容的以及协同过滤的推荐算法由于自身的特点，在实际应用中都存在一些缺陷，因此就提出了把多种不同算法结合起来形成混合算法的解决方案。

但这些通过多种推荐方法简单组合的方式加重了计算的复杂性。

四、信任及信任模型概述关于信任的概念至今没有统一认识。

1998年罗素等人提出了一个信任的广义定义：信任是建立在对另一方意图和行为评估基础上的不设防的心理状态。

Mayer et al(1995)提出的信任定义成为了当代电子商务信任研究中引用最为频繁的定义之一：信任是不管乙方对另一方的监控和控制能力如何，他总是认为另一方将按照他重要的行为方式行事，从而愿意将自己置于另一方的行为而容易受到攻击（承担风险）的状态。

一些专门针对网络商业信任的研究表明，有多重因素在消费者信任的形式过程中有影响作用。

比如Mayer(1995)发现商务活动中产生信任的主要因素是能力（Ability）、诚实（Integrity）和善意(Benevolence)。

Genfen(2002)通过对美国310名MBA学生的研究也证明了网络交易的信任形成主要依赖于卖方的能力、善良和忠诚品质，并对购买决策产生决定性的影响。

此外鲁耀斌（2007）证明，卖方销售的产品品牌、种类、可靠性、质量、定制、类型、广告、价格差异和有效性等都能影响消费者对网上购物的信任。

李沁芳和刘仲英指出消费者评价对用户的交易可靠性的信任信念有着正向影响。

谭春辉把影响B2C网站信任度分解为网站结构信任度、网站服务信任度和网络影响信任度三个方面。

目前国内外已经有一些电子商务网站开始建立SNS社区，让用户同自己的好友（朋友、同事、同学、家人等）保持联系，及时了解他们的最新状况与动态信息，获得更可靠的购物经验与建议，使得原本陌生的用户之间建立联系，产生信任，然而，现在的电子商务网站并没有充分利用人们之间的信任关系，熟人的评价也没有发挥出应有的导向作用。

对于信任的研究，P2P领域已经有很多优秀的算法和模型，如Kamvar等人提出的EigenRep信任模型、Song等人提出的FuzzyTrust模型、陈海宝等人提出的基于关系强度的交互信任计算模型、李勇军等人归纳总结了信任模型和信任推理方法的最新研究成果。

然而目前社会性网络中信任的研究还处于起步阶段，研究成果较少，Jennifer等人提出利用FOAF在基于Web的社交网络中计算没有直接联系用户之间的信任度关系，但是其信任度仅有两种取值（0表示不信任，1表示信任）使其很难用于现实的环境中；Wang等人基于电子商务中卖家的交易记录并使用社交网络中两个指标k-core和center weights来预测出有交易风险的卖家，但是这种方法必须要求有交易记录存在，也不适用于计算普通用户之间的信任度；Bhuiyan等人提出了在基于地理位置的社会性网络中结合信任与社会声誉来决策推荐的机制，该机制没有给出社会声誉的具体计算方法；雷环等人提出结合声誉与主观逻辑来为用户推荐产品或服务，分析了SNS中恶意主体信任度的变化，其计算方法来源于P2P领域，是建立在SNS网络中存在有恶意行为的主体，并且其它主体可以对其恶意行为评分的基础之上，并不适用于一般的SNS 中用户间信任度计算的需求。