融合数据检测与用户信任的协同过滤算法研究

• 作 者: 白龙
• 出 处: 燕山大学
• 发表日期: 2010年期
• 关键词: 推荐系统 协同过滤 用户信任 恶意攻击 相似性

随着互联网上信息资源的日益增多,用户对个性化服务的要求也不断提高。个性化推荐技术作为电子商务推荐系统的一个重要研究内容,得到了越来越多的研究者的关注。其中,个性化推荐系统中的协同过滤推荐是迄今为止应用最广泛、最成功的推荐技术。但是,随着推荐系统的广泛应用,推荐算法的安全问题日益显现。由于推荐算法自身不能有效去除恶意数据,从而导致推荐系统不能有效获取用户的真实兴趣爱好,产生的推荐项目严重偏离用户的真实兴趣。如何保障个性化协同推荐系统的推荐质量已成为人们关注的主要问题。本文在对国内外研究现状综合分析的基础上,进一步对协同过滤推荐技术进行了深入研究。首先,深入分析了传统的协同过滤推荐算法,针对传统的协同推荐系统因不能有效抵制恶意用户注入的虚假评分数据,导致推荐系统的推荐结果产生严重偏差,提出了一种融入用户信任的协同过滤推荐算法。该算法采用全新的项目相似性度量方法,在考虑了用户评分对项目相似性的影响下,通过引入用户信任机制以抑制恶意数据对推荐系统产生的负面影响,能够有效避免传统方法在推荐项目时出现的推荐精度下降问题。其次,针对用户概貌攻击问题导致推荐系统存在的恶意数据问题,在已有恶意数据检测方法的基础上,引入了项目评分特征的概念,提出一种基于项目相似系数和的恶意数据检测算法,通过对单个项目进行评测,确定项目是否受到恶意数据影响。最后,对提出的算法进行了实验验证,和原有的方法进行了对比,并对今后的研究工作进行了展望。