一、基本信息
論文題目：《TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings》
發表時間：AAAI 2015
論文作者及單位：
論文地址：https://aaai.org/ocs/index.php/AAAI/AAAI15/paper/view/9313
二、摘要
協同過濾存在數據稀疏和冷啓動等問題，極大地降低了推薦性能。爲了解決這些問題，我們提出了一種基於信任的矩陣分解技術trustsvd。通過對四個現實數據集的社會信任數據的分析，我們得出結論：在推薦模型中，不僅要考慮評級和信任的顯性影響，還要考慮其隱性影響。因此，我們建立在最先進的推薦算法SVD++的基礎上，通過進一步整合受信任用戶對活動用戶項目預測的顯式和隱式影響，該算法固有地涉及評級項目的顯式和隱式影響。據我們所知，本文的工作是第一個用社會信任信息擴展SVD++的工作。對四組數據的實驗結果表明，我們的方法trustsvd比其他十組數據具有更好的精度，能夠更好地處理相關問題。
三、主要內容與工作
1、在本文中，我們提出了一種新的基於信任的推薦模型trustsvd。我們的方法建立在最先進的SVD++模型之上（Koren 2008），在該模型中，用戶項目評級的顯式和隱式影響都會產生預測。據作者所知，我們的工作是第一個用社會信任信息擴展SVD++的工作。具體來說，一方面，信任的隱含影響（信任誰）可以通過擴展用戶建模自然地添加到SVD++模型中。另一方面，信任的顯式影響（信任值）被用來約束特定於用戶的向量應該符合他們的社會信任關係。這確保了用戶特定的向量可以從他們的信任信息中學習，即使給出了幾個或沒有評級。這樣可以更好地緩解數據稀疏和冷啓動問題。因此，我們的新模型融合了項目評級的顯性和隱性影響以及用戶信任。此外，採用加權-λ-正則化技術進一步避免了模型學習的過度擬合。對四個真實數據集的實驗結果表明，我們的方法比其他基於信任的對應方法以及其他評級良好的模型（總共10種方法）獲得了顯著的準確性，並且更能夠應對冷啓動情況。
2、已有的研究表明，信任信息有助於提高推薦的效果。
3、通過對數據集的觀察得到兩個結論：
- 信任信息非常稀疏，但與評級信息是互補的。
- 在信任相似關係的概念下，用戶的評分與社交鄰居的平均值呈弱正相關，在信任關係的概念下，用戶的評分與社交鄰居的平均值呈強正相關。
4、關於TrustSVD的詳細推導過程
5、實驗流程步驟與結果分析
四、總結
本文提出了一種新的基於信任的矩陣因子分解模型，該模型融合了評級信息和信任信息。我們對四個現實數據集的信任分析表明，信任和評級是相互補充的，兩者對於更準確的建議都至關重要。我們的新方法，trustsvd，在預測未知項目的評級時，考慮了評級和信任信息的顯性和隱性影響。採用加權-λ-正則化技術，進一步對用戶和項目特定的潛在特徵向量進行正則化。綜合實驗結果表明，在不同的測試視圖和不同信任度的用戶中，我們的方法trustsvd在預測準確性方面優於基於信任和評級的方法。在今後的工作中，我們打算通過同時考慮委託人和受託人的影響，進一步改進所提出的模型。