基于信任的群体见解预测

• 作 者: 陈肃
• 机 构: 中国科学院大学
• 出 处: 中国科学院研究生院 中国科学院大学
• 发表日期: 2010年期

群体见解预测通过挖掘网络社区用户的关联性,以及对该用户群体在某事物上的观点的计算,推断出他们中的个体对该事物的态度或看法。这种智能化的运算对在线信息服务、商业定向广告和产品口碑分析等质量的提升都有着重要理论指导意义和应用价值。　　
由于协同过滤理论方法能够在计算用户历史评分的相似性基础上产生个性化的预测结果,它已成为解决群体见解预测问题的主要手段。研究表明,这种方法可行性的基本假设是信息来源可靠,而实际系统环境中往往存在人为的噪声数据。针对在提高预测准确性同时也能有效克服噪声数据影响的这一难题,本文探索利用用户信任关系来建立一种新的群体见解预测理论方法。　　
论文工作的重要结论是建立在对国内外著名评论网站近30万用户数据的定量分析之上。实验观察和分析结果揭示了信任网络中节点的距离与用户见解的相似性负相关、信任度与相似性正相关的统计规律。根据此发现,我们提出了两种基于信任的群体见解预测算法,以比较不同的信任度量策略对预测准确性的影响。实验结果证明了信任度量策略与预测结果的无关性。为了进一步提升预测准确性,我们构建了拟合信任与相似性的贝叶斯模型,并提出一个基于二阶马尔可夫随机走动模型的预测算法,以解决相似性度量中的数据稀疏问题。通过实验,我们验证了新方法的预测准确性和覆盖率优于典型协同过滤算法。最后,为分析基于信任的预测算法过滤噪声数据的能力,我们建立了一个鲁棒性分析框架。采用此框架的仿真结果揭示了影响该类算法鲁棒性的关键因素,并证实了诚实用户的反馈能够帮助算法从攻击中自愈。我们还从应用层面给出了改善算法鲁棒性的两项策略。　　
论文工作的理论成果、预测算法和鲁棒性分析框架,既具备应用价值,也为该领域的后继研究工作提供了基本依据和一种通用的评估方法。