第11卷第3期 智能系统学报 Vol.11 No.3 2016年6月 CAAI Transactions on Intelligent Systems Jun.2016 D0I:10.11992/is.201603042 网络出版地址：http://www.enki..net/kcms/detail/23.1538.TP.20160513.0920.016.html 基于影响力控制的热传导算法 雷震，文益民2，王志强，缪裕青2 (1.桂林电子科技大学计算机与信息安全学院，广西桂林541004；2.桂林电子科技大学广西可信软件重点实验室， 广西桂林541004) 摘要：因特网上信息严重过载，使得用户不容易从纷繁的信息中找到适合自己的内容。如何准确地向用户推荐他 们想要的信息成为急待解决的问题。热传导算法(HC)被广泛地应用于个性化推荐领域，但是它的热量传播机制不 利于经历丰富的用户喜欢的流行物品得到更多的热量。因此，本文提出了基于影响力控制的热传导算法(THC)。 THC引入两个参数控制度数大的用户喜欢的度数大的物品对目标用户推荐的影响。另外，本文提出利用用户对景 点的各项评分及评论的情感极性来判断用户是否喜欢一个景点，还提出了一个新的指标bui以度量度数大的用户 喜欢的度数大的物品出现在推荐列表中的比例。实验结果表明：适度增大的度数大的用户喜欢的度数大的物品的 影响，有助于推荐出目标用户喜欢的物品，从而有助于提升推荐效果。 关键词：热传导：个性化推荐：用户偏好：情感极性：二部网络：信息过载：物品流行度；用户影响力 中图分类号：TP391文献标志码：A文章编号：1673-4785(2016)03-0328-08 中文引用格式：雷震，文益民，王志强，等.基于影响力控制的热传导算法[J].智能系统学报，2016,11(3)：328335. 英文引用格式：LEI Zhen,WEN Yimin,WANG Zhiqiang,etal.Heat conduction controlled by the influence of users and items[J]. CAAI transactions on intelligent systems,2016,11(3):328-335. Heat conduction controlled by the influence of users and items LEI Zhen',WEN Yimin'2,WANG Zhiqiang',MIAO Yuqing'.2 (1.School of Computer Science and Information Security,Guilin 541004,China;2.Guangxi Key Laboratory of Trusted Software,Guil- in University of Electronic Technology,Guilin 541004,China) Abstract:The overload of information on the Internet can lead to users feeling hopeless about finding the informa- tion they are seeking.Making accurate recommendations to users about the information they truly need is an urgent problem that must be addressed.The heat conduction (HC)algorithm has recently been applied in personalized recommendation technology,but its mechanism weakens the heat generated from the larger-degree itemsliked by the larger-degree users.To solve this problem,we propose an improved HC algorithm that is based on user influence control (THC).THC introduces two tunable parameters to better control the influence of larger-degree users'pref- erences for larger-degree items on target users.We also consider a user's comment scores and the sentiment polarity of a comment in a given scenario to accurately judge whether the user truly likes the given scenario.We also pro- pose a new index,called a buir,which measures the ratio of the larger-degree items that are liked by larger-degree users on the recommendation list.Experimental results show that appropriately promoting the influence of larger-de- gree items that are liked by larger-degree users helps in making recommendations to target users regarding items in which they are truly interested,thereby improving the performance of the recommendation. Keywords:heat conduction;personalized recommendation;user's preference;sentiment polarity;bipartite net- work;information overload;item popularity;user's influence 收稿日期：2016-03-19.网络出版日期：2016-05-13. 随着互联网的迅速发展，用户越来越喜欢到相 基金项目：国家自然科学基金项目(61363029)：广西省科学研究与技术开发 关网站上寻找自己想要的信息。以旅游领域为例， 项目（桂科攻14124005-2-1）：湖南省博土后科研专项计划项目 (2011RS4073):广西信息科学中心项目(YB408). 有机构预计2016年中国在线旅游市场规模将达到 通信作者：文益民.E-mail:ymwen2004@aliyun.com
第 １１ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．３ ２０１６ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６０３０４２ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１６０５１３．０９２０．０１６．ｈｔｍｌ 基于影响力控制的热传导算法 雷震１ ，文益民１，２ ，王志强１ ，缪裕青１，２ （１．桂林电子科技大学 计算机与信息安全学院，广西 桂林 ５４１００４； ２． 桂林电子科技大学 广西可信软件重点实验室， 广西 桂林 ５４１００４） 摘 要：因特网上信息严重过载，使得用户不容易从纷繁的信息中找到适合自己的内容。 如何准确地向用户推荐他 们想要的信息成为急待解决的问题。 热传导算法（ＨＣ）被广泛地应用于个性化推荐领域，但是它的热量传播机制不 利于经历丰富的用户喜欢的流行物品得到更多的热量。 因此，本文提出了基于影响力控制的热传导算法（ＴＨＣ）。 ＴＨＣ 引入两个参数控制度数大的用户喜欢的度数大的物品对目标用户推荐的影响。 另外，本文提出利用用户对景 点的各项评分及评论的情感极性来判断用户是否喜欢一个景点，还提出了一个新的指标 ｂｕｉｒ 以度量度数大的用户 喜欢的度数大的物品出现在推荐列表中的比例。 实验结果表明：适度增大的度数大的用户喜欢的度数大的物品的 影响，有助于推荐出目标用户喜欢的物品，从而有助于提升推荐效果。 关键词：热传导；个性化推荐；用户偏好；情感极性；二部网络；信息过载；物品流行度；用户影响力 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０３⁃０３２８⁃０８ 中文引用格式：雷震，文益民，王志强，等．基于影响力控制的热传导算法［Ｊ］． 智能系统学报， ２０１６， １１（３）： ３２８⁃３３５． 英文引用格式：ＬＥＩ Ｚｈｅｎ， ＷＥＮ Ｙｉｍｉｎ， ＷＡＮＧ Ｚｈｉｑｉａｎｇ， ｅｔ ａｌ． Ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ｃｏｎｔｒｏｌｌｅｄ ｂｙ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｕｓｅｒｓ ａｎｄ ｉｔｅｍｓ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１６，１１（３）： ３２８⁃３３５． Ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ｃｏｎｔｒｏｌｌｅｄ ｂｙ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｕｓｅｒｓ ａｎｄ ｉｔｅｍｓ ＬＥＩ Ｚｈｅｎ １ ， ＷＥＮ Ｙｉｍｉｎ １，２ ， ＷＡＮＧ Ｚｈｉｑｉａｎｇ １ ， ＭＩＡＯ Ｙｕｑｉｎｇ １，２ （ １．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅｃｕｒｉｔｙ， Ｇｕｉｌｉｎ ５４１００４， Ｃｈｉｎａ； ２． Ｇｕａｎｇｘｉ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｔｒｕｓｔｅｄ Ｓｏｆｔｗａｒｅ， Ｇｕｉｌ⁃ ｉｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ， Ｇｕｉｌｉｎ ５４１００４， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｏｖｅｒｌｏａｄ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｏｎ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｃａｎ ｌｅａｄ ｔｏ ｕｓｅｒｓ ｆｅｅｌｉｎｇ ｈｏｐｅｌｅｓｓ ａｂｏｕｔ ｆｉｎｄｉｎｇ ｔｈｅ ｉｎｆｏｒｍａ⁃ ｔｉｏｎ ｔｈｅｙ ａｒｅ ｓｅｅｋｉｎｇ． Ｍａｋｉｎｇ ａｃｃｕｒａｔｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｔｏ ｕｓｅｒｓ ａｂｏｕｔ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｔｈｅｙ ｔｒｕｌｙ ｎｅｅｄ ｉｓ ａｎ ｕｒｇｅｎｔ ｐｒｏｂｌｅｍ ｔｈａｔ ｍｕｓｔ ｂｅ ａｄｄｒｅｓｓｅｄ． Ｔｈｅ ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ （ＨＣ） ａｌｇｏｒｉｔｈｍ ｈａｓ ｒｅｃｅｎｔｌｙ ｂｅｅｎ ａｐｐｌｉｅｄ ｉｎ ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ， ｂｕｔ ｉｔｓ ｍｅｃｈａｎｉｓｍ ｗｅａｋｅｎｓ ｔｈｅ ｈｅａｔ ｇｅｎｅｒａｔｅｄ ｆｒｏｍ ｔｈｅ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｉｔｅｍｓｌｉｋｅｄ ｂｙ ｔｈｅ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｕｓｅｒｓ． Ｔｏ ｓｏｌｖｅ ｔｈｉｓ ｐｒｏｂｌｅｍ， ｗｅ ｐｒｏｐｏｓｅ ａｎ ｉｍｐｒｏｖｅｄ ＨＣ ａｌｇｏｒｉｔｈｍ ｔｈａｔ ｉｓ ｂａｓｅｄ ｏｎ ｕｓｅｒ ｉｎｆｌｕｅｎｃｅ ｃｏｎｔｒｏｌ （ＴＨＣ）． ＴＨＣ ｉｎｔｒｏｄｕｃｅｓ ｔｗｏ ｔｕｎａｂｌｅ ｐａｒａｍｅｔｅｒｓ ｔｏ ｂｅｔｔｅｒ ｃｏｎｔｒｏｌ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｕｓｅｒｓ′ ｐｒｅｆ⁃ ｅｒｅｎｃｅｓ ｆｏｒ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｉｔｅｍｓ ｏｎ ｔａｒｇｅｔ ｕｓｅｒｓ． Ｗｅ ａｌｓｏ ｃｏｎｓｉｄｅｒ ａ ｕｓｅｒ′ｓ ｃｏｍｍｅｎｔ ｓｃｏｒｅｓ ａｎｄ ｔｈｅ ｓｅｎｔｉｍｅｎｔ ｐｏｌａｒｉｔｙ ｏｆ ａ ｃｏｍｍｅｎｔ ｉｎ ａ ｇｉｖｅｎ ｓｃｅｎａｒｉｏ ｔｏ ａｃｃｕｒａｔｅｌｙ ｊｕｄｇｅ ｗｈｅｔｈｅｒ ｔｈｅ ｕｓｅｒ ｔｒｕｌｙ ｌｉｋｅｓ ｔｈｅ ｇｉｖｅｎ ｓｃｅｎａｒｉｏ． Ｗｅ ａｌｓｏ ｐｒｏ⁃ ｐｏｓｅ ａ ｎｅｗ ｉｎｄｅｘ， ｃａｌｌｅｄ ａ ｂｕｉｒ， ｗｈｉｃｈ ｍｅａｓｕｒｅｓ ｔｈｅ ｒａｔｉｏ ｏｆ ｔｈｅ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｉｔｅｍｓ ｔｈａｔ ａｒｅ ｌｉｋｅｄ ｂｙ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｕｓｅｒｓ ｏｎ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｌｉｓｔ． Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ａｐｐｒｏｐｒｉａｔｅｌｙ ｐｒｏｍｏｔｉｎｇ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｌａｒｇｅｒ⁃ｄｅ⁃ ｇｒｅｅ ｉｔｅｍｓ ｔｈａｔ ａｒｅ ｌｉｋｅｄ ｂｙ ｌａｒｇｅｒ⁃ｄｅｇｒｅｅ ｕｓｅｒｓ ｈｅｌｐｓ ｉｎ ｍａｋｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｔｏ ｔａｒｇｅｔ ｕｓｅｒｓ ｒｅｇａｒｄｉｎｇ ｉｔｅｍｓ ｉｎ ｗｈｉｃｈ ｔｈｅｙ ａｒｅ ｔｒｕｌｙ ｉｎｔｅｒｅｓｔｅｄ， ｔｈｅｒｅｂｙ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ； ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ； ｕｓｅｒ′ｓ ｐｒｅｆｅｒｅｎｃｅ； ｓｅｎｔｉｍｅｎｔ ｐｏｌａｒｉｔｙ； ｂｉｐａｒｔｉｔｅ ｎｅｔ⁃ ｗｏｒｋ； ｉｎｆｏｒｍａｔｉｏｎ ｏｖｅｒｌｏａｄ； ｉｔｅｍ ｐｏｐｕｌａｒｉｔｙ； ｕｓｅｒ＇ｓ ｉｎｆｌｕｅｎｃｅ 收稿日期：２０１６⁃０３⁃１９． 网络出版日期：２０１６⁃０５⁃１３． 基金项目：国家自然科学基金项目（６１３６３０２９）；广西省科学研究与技术开发 项目（桂科攻 １４１２４００５－２－１）；湖南省博士后科研专项计划项目 （２０１１ＲＳ４０７３）；广西信息科学中心项目（ＹＢ４０８）． 通信作者：文益民．Ｅ⁃ｍａｉｌ： ｙｍｗｅｎ２００４＠ ａｌｉｙｕｎ．ｃｏｍ． 随着互联网的迅速发展，用户越来越喜欢到相 关网站上寻找自己想要的信息。 以旅游领域为例， 有机构预计 ２０１６ 年中国在线旅游市场规模将达到
第3期 雷震，等：基于影响力控制的热传导算法 ·329· 4440亿元。游客访问旅游网站，寻找他们感兴趣的 散(MD)算法，是一种类似于HC的推荐算法，它能 旅游信息，确定他们想去游玩的景点山。但是，旅 带来较高的准确率。文献[17]认为MD算法与HC 游网站上信息过载严重，游客不容易从纷繁的旅游 算法分别在准确率和多样性上有优势，他们分析了 信息中选择合适自己需求的信息。进入Web2.0时 不同度的物品在传播过程中的影响并引入一个参数 代，搜索和推荐为减轻用户寻找符合自己需要信息 控制影响程度，提出了一种混合算法。文献[18]认 的困难提供了可能，其中利用用户的历史信息来预 为用户从不同流行度的物品上获得的热量应该不 测用户选择的个性化推荐系统成为一种解决信息过 同，它们利用一个参数来调控物品流行度对用户获 载问题的有效工具2。现今，商家广泛使用个性 得热量的影响并提出了非平衡热传导推荐算法。文 化推荐系统来对潜在的消费者进行物品、服务或信 献[19]发现，HC算法中所有不同度的物品和用户 息的推荐。例如，亚马逊使用基于物品的协同过滤 都被同等看待。因此，他们利用边连接的用户与物 系统[6进行个性化书本推荐：Google利用用户的点 品的度来衡量边的权重，并提出了基于权重的HC 击行为数据建立了新闻推荐系统[]：百度开发了 算法(WHC):但是该算法将用户和物品的度对权重 Q&A社区的推荐系统[劉等。 的影响程度视为相同。文献[5]认为HC算法的准 近些年，根据物理动力学原理设计的HC算法， 确率较低是由于它倾向于推荐度数小的物品。为降 已经被成功地应用到了推荐领域。HC算法将用户 低度数小的物品对目标用户推荐的影响，他们提出 与物品的关系用一个二部网络来表示。但是，HC 了基于偏向的热传导算法(BHC)。BHC算法通过 算法也存在一些不足。在HC算法中，目标用户喜 降低度数小的物品的影响，来优先推荐度数大的物 欢的物品产生的热量在两步传播过程中被分别除以 品，但是削弱了度数大的用户对目标用户的影响。 了用户的度和物品的度，所以它削弱了度数大的用 相对于WHC算法而言，THC算法将用户与物品的 户喜欢的度数大的物品对目标用户选择物品时的影 度对目标用户选择物品的影响区别对待：相对于 响。事实上，目标用户对物品的选择往往受到与他 BHC算法而言，THC算法不仅考虑到了物品的度对 关联的经历丰富的用户（度数大的用户）喜欢的流 目标用户选择物品的影响，还考虑到了用户的度对 行物品（度数大的物品）较大的影响。以旅游推荐 目标用户的影响。 为例，如果某用户不是很清楚什么样的旅游产品适 合自己，他会愿意听取旅游经历丰富的游客的意见， 2热传导算法 而旅游经历丰富的游客一般会推荐该用户自己喜欢 假设一个推荐系统中包含m个物品和n个用 的而且比较流行的景点（度数大的景点）。 户，物品集合0={01,02，…，0m},用户集合U= 本文主要做了如下研究：一是增大与目标用户 {41,42,…,4n},那么一个推荐系统中用户与物品的 关联的经历丰富的用户以及这些用户喜欢的流行物 关系就可以用一个包含m+n个节点的二部网络表 品对目标用户选择物品的影响，从而提出了HC的 示，如图1(a)。其中，当且仅当一个用户喜欢一个 改进算法THC:二是在旅游领域为了更准确地判断 物品时，这个物品与这个用户间才有边。任意两个 用户是否喜欢一个景点，采用了综合评价的方法。 物品间的边和任意两个用户间的边都是不允许存在 本文根据用户对景点的整体评分、风景评分、趣味评 的。这个结构也能用一个A={aam}m,m的矩阵表示， 分、性价比评分以及用户对景点评论的情感极性来 其中当且仅当用户山，喜欢物品0。时am=1,反之 判断用户是否真的喜欢该景点，从而提出了旅游推 aw=0。 荐领域的用户态度判断算法。 HC算法中，物品与物品间的热量是按如下方 1相关工作 式传导的：用向量∫代表网络中的以各用户作为目 标用户时的初始热量赋值向量构成的矩阵，通过 迄今为止，众多的推荐系统研究者已经提出很 多算法，如基于协同过滤的方法[6、基于内容分析 了=W来重新分配网络中的热量，其中W是一个代 的方法[o、链接预测方法2]及混合方法[)。文 表热量传播过程的m×m概率矩阵；w,。代表热量从 献[14]发现协同过滤算法(CF)推荐的TOP-n个物 物品0。到物品0，的传导率；k:是用户i的度，k,是 品更倾向于流行的物品，但是较少关注用户可能潜 物品Y的度：∫：是∫的第i列，表示重新分配热量后 在感兴趣的物品)。为了克服CF的弱点，文献 对应于目标用户i的热量向量。将目标用户i没有 [13]提出了热传导(HC)算法来解决推荐系统中的 表达喜欢意向的物品根据热量向量了，中各元素的 准确性-多样性两难问题。文献[16]提出的物质扩 值进行降序排序。最终获得热量最多的TOP-n个
４ ４４０ 亿元。 游客访问旅游网站，寻找他们感兴趣的 旅游信息，确定他们想去游玩的景点［１］ 。 但是，旅 游网站上信息过载严重，游客不容易从纷繁的旅游 信息中选择合适自己需求的信息。 进入 Ｗｅｂ ２．０ 时 代，搜索和推荐为减轻用户寻找符合自己需要信息 的困难提供了可能，其中利用用户的历史信息来预 测用户选择的个性化推荐系统成为一种解决信息过 载问题的有效工具［２⁃５］ 。 现今，商家广泛使用个性 化推荐系统来对潜在的消费者进行物品、服务或信 息的推荐。 例如，亚马逊使用基于物品的协同过滤 系统［６］ 进行个性化书本推荐；Ｇｏｏｇｌｅ 利用用户的点 击行为数据建立了新闻推荐系统［７］ ；百度开发了 Ｑ＆Ａ 社区的推荐系统［８］等。 近些年，根据物理动力学原理设计的 ＨＣ 算法， 已经被成功地应用到了推荐领域。 ＨＣ 算法将用户 与物品的关系用一个二部网络来表示。 但是，ＨＣ 算法也存在一些不足。 在 ＨＣ 算法中，目标用户喜 欢的物品产生的热量在两步传播过程中被分别除以 了用户的度和物品的度，所以它削弱了度数大的用 户喜欢的度数大的物品对目标用户选择物品时的影 响。 事实上，目标用户对物品的选择往往受到与他 关联的经历丰富的用户（度数大的用户）喜欢的流 行物品（度数大的物品）较大的影响。 以旅游推荐 为例，如果某用户不是很清楚什么样的旅游产品适 合自己，他会愿意听取旅游经历丰富的游客的意见， 而旅游经历丰富的游客一般会推荐该用户自己喜欢 的而且比较流行的景点（度数大的景点）。 本文主要做了如下研究：一是增大与目标用户 关联的经历丰富的用户以及这些用户喜欢的流行物 品对目标用户选择物品的影响，从而提出了 ＨＣ 的 改进算法 ＴＨＣ；二是在旅游领域为了更准确地判断 用户是否喜欢一个景点，采用了综合评价的方法。 本文根据用户对景点的整体评分、风景评分、趣味评 分、性价比评分以及用户对景点评论的情感极性来 判断用户是否真的喜欢该景点，从而提出了旅游推 荐领域的用户态度判断算法。 １ 相关工作 迄今为止，众多的推荐系统研究者已经提出很 多算法，如基于协同过滤的方法［６⁃９］ 、基于内容分析 的方法［１０］ 、链接预测方法［１１⁃１２］ 及混合方法［１３］ 。 文 献［１４］发现协同过滤算法（ＣＦ）推荐的 ＴＯＰ⁃ｎ 个物 品更倾向于流行的物品，但是较少关注用户可能潜 在感兴趣的物品［１５］ 。 为了克服 ＣＦ 的弱点，文献 ［１３］提出了热传导（ＨＣ）算法来解决推荐系统中的 准确性－多样性两难问题。 文献［１６］提出的物质扩 散（ＭＤ）算法，是一种类似于 ＨＣ 的推荐算法，它能 带来较高的准确率。 文献［１７］认为 ＭＤ 算法与 ＨＣ 算法分别在准确率和多样性上有优势，他们分析了 不同度的物品在传播过程中的影响并引入一个参数 控制影响程度，提出了一种混合算法。 文献［１８］认 为用户从不同流行度的物品上获得的热量应该不 同，它们利用一个参数来调控物品流行度对用户获 得热量的影响并提出了非平衡热传导推荐算法。 文 献［１９］发现，ＨＣ 算法中所有不同度的物品和用户 都被同等看待。 因此，他们利用边连接的用户与物 品的度来衡量边的权重，并提出了基于权重的 ＨＣ 算法（ＷＨＣ）；但是该算法将用户和物品的度对权重 的影响程度视为相同。 文献［５］认为 ＨＣ 算法的准 确率较低是由于它倾向于推荐度数小的物品。 为降 低度数小的物品对目标用户推荐的影响，他们提出 了基于偏向的热传导算法（ＢＨＣ）。 ＢＨＣ 算法通过 降低度数小的物品的影响，来优先推荐度数大的物 品，但是削弱了度数大的用户对目标用户的影响。 相对于 ＷＨＣ 算法而言，ＴＨＣ 算法将用户与物品的 度对目标用户选择物品的影响区别对待；相对于 ＢＨＣ 算法而言，ＴＨＣ 算法不仅考虑到了物品的度对 目标用户选择物品的影响，还考虑到了用户的度对 目标用户的影响。 ２ 热传导算法 假设一个推荐系统中包含 ｍ 个物品和 ｎ 个用 户，物 品 集 合 Ｏ ＝ ｏ１ ，ｏ２ ，…，ｏｍ { } ， 用 户 集 合 Ｕ ＝ ｕ１ ，ｕ２ ，…，ｕｎ { } ，那么一个推荐系统中用户与物品的 关系就可以用一个包含 ｍ＋ｎ 个节点的二部网络表 示，如图 １（ａ）。 其中，当且仅当一个用户喜欢一个 物品时，这个物品与这个用户间才有边。 任意两个 物品间的边和任意两个用户间的边都是不允许存在 的。 这个结构也能用一个 Ａ ＝ ａθｌ { } ｍ，ｎ的矩阵表示， 其中当且仅当用户 ｕｌ 喜欢物品 ｏθ 时 ａθｌ ＝ １，反之 ａθｌ ＝ ０。 ＨＣ 算法中，物品与物品间的热量是按如下方 式传导的：用向量 ｆ 代表网络中的以各用户作为目 标用户时的初始热量赋值向量构成的矩阵，通过 ＾ ｆ ＝Ｗｆ来重新分配网络中的热量，其中 Ｗ 是一个代 表热量传播过程的 ｍ×ｍ 概率矩阵；ｗγθ代表热量从 物品 ｏθ 到物品 ｏγ 的传导率；ｋｉ 是用户 ｉ 的度，ｋγ 是 物品 γ 的度； ＾ ｆ ｉ是 ＾ ｆ 的第 ｉ 列，表示重新分配热量后 对应于目标用户 ｉ 的热量向量。 将目标用户 ｉ 没有 表达喜欢意向的物品根据热量向量 ＾ ｆ ｉ中各元素的 值进行降序排序。 最终获得热量最多的 ＴＯＰ⁃ｎ 个 第 ３ 期 雷震，等：基于影响力控制的热传导算法 ·３２９·
·330· 智能系统学报 第11卷 物品被推荐给目标用户i。 用户喜欢的物品被激活，被赋值热量1，其余的物品 被赋值热量0：图1(b)每个用户得到的热量是他喜 (1) 欢的所有物品的热量均值：图1(c)每个物品得到的 图1中给出了HC算法的示例。图1(a)目标 热量是所有喜欢该物品的用户的热量均值。 (a)用户喜欢的物品被激活 (b)热量从物品到用户 (©)热量从用户到物品 图1用户-物品二部网络中的热传导 Fig.1 Heat conduction in user-item bipartite network 3基于影响力控制的热传导算法 导算法中的传导率。当入和B从1到0变化时，度 数大的用户喜欢的度数大的物品对目标用户的推荐 在推荐领域，目标用户对物品的选择与其相关 的影响程度会越来越大。 联的经历丰富的用户有关。以旅游领域为例，比如： 从用户角度来分析，假设度为k:的用户i与度 一个游客近期想准备一次旅游，由于他掌握的旅游 为k的用户j(k:≥k)均接收到1个单位的热量。 信息有限，所以他很可能不太清楚去哪里游玩比较 在引入参数入之前，用户i得到热量为1/k:,用户j 合适。他一般会咨询旅游经历丰富的朋友，了解他 得到的热量为 此时用户i与用户j得到的热量 们曾经玩过的哪些景点比较好。这些旅游经历丰富 的用户一般会建议他去游玩自己去过并且喜欢的一 些流行的景点，该游客然后会综合他们的意见，从中 比就为。引入参数A后，他们得到的热量比就变 选择自己想要去的景点。受到以上的启发，本文试 图优先推荐与目标用户有关联的经历丰富的用户喜 经过简单的分析可知： 这说 欢的度数大的物品。 明引入参数入后，用户i与用户j得到热量的比增大 基于上述考虑，本文提出了THC算法。与HC 了。而又由式(2)可知：引入参数入后，所有用户接 算法不同的是：用户i接收到热量后不除以他自己 收到的热量都会增加。因此，度数大的用户得到的 的度k而是除以：物品y接收到热量后不除以它 热量的增加程度更大。由指数函数的性质可知，当 自己的度k,而是除以。因此，物品0。到物品0， 底数为0~1时，函数单调递减。因此当入从1到0 的传导率就变成： 变化时，这种增加程度会越来越大。同样可以知道， (2)》 引入参数B后所有物品接收到的热量都会增加，但 是度数大的物品得到的热量的增加程度会更大。当 式中入和B分别用来控制度数大的用户喜欢的度 B从1到0变化时，这种增加程度会越来越大。由 数大的物品对目标用户影响的程度，它们的取值范 以上分析可知：利用入和B可以控制热传导过程中 围都是0~1。当入=B=1时，w就变成了基本热传 的传导率和热量的分配，也就是说：入和B的引入可
物品被推荐给目标用户 ｉ。 ｗγθ ＝ １ ｋγ ∑ ｎ ｉ ＝ １ ａγｉａθｉ ｋｉ （１） 图 １ 中给出了 ＨＣ 算法的示例。 图 １（ ａ） 目标 用户喜欢的物品被激活，被赋值热量 １，其余的物品 被赋值热量 ０；图 １（ｂ）每个用户得到的热量是他喜 欢的所有物品的热量均值；图 １（ｃ）每个物品得到的 热量是所有喜欢该物品的用户的热量均值。 图 １ 用户－物品二部网络中的热传导 Ｆｉｇ．１ Ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ｉｎ ｕｓｅｒ⁃ｉｔｅｍ ｂｉｐａｒｔｉｔｅ ｎｅｔｗｏｒｋ ３ 基于影响力控制的热传导算法 在推荐领域，目标用户对物品的选择与其相关 联的经历丰富的用户有关。 以旅游领域为例，比如： 一个游客近期想准备一次旅游，由于他掌握的旅游 信息有限，所以他很可能不太清楚去哪里游玩比较 合适。 他一般会咨询旅游经历丰富的朋友，了解他 们曾经玩过的哪些景点比较好。 这些旅游经历丰富 的用户一般会建议他去游玩自己去过并且喜欢的一 些流行的景点，该游客然后会综合他们的意见，从中 选择自己想要去的景点。 受到以上的启发，本文试 图优先推荐与目标用户有关联的经历丰富的用户喜 欢的度数大的物品。 基于上述考虑，本文提出了 ＴＨＣ 算法。 与 ＨＣ 算法不同的是：用户 ｉ 接收到热量后不除以他自己 的度 ｋｉ 而是除以 ｋ λ ｉ ；物品 γ 接收到热量后不除以它 自己的度 ｋγ ，而是除以 ｋ β γ 。 因此，物品 ｏθ 到物品 ｏγ 的传导率就变成： ｗγθ ＝ １ ｋ β γ ∑ ｎ ｉ ＝ １ ａγｉａθｉ ｋ λ ｉ （２） 式中 λ 和 β 分别用来控制度数大的用户喜欢的度 数大的物品对目标用户影响的程度，它们的取值范 围都是 ０～１。 当 λ ＝ β ＝ １ 时，ｗγθ就变成了基本热传 导算法中的传导率。 当 λ 和 β 从 １ 到 ０ 变化时，度 数大的用户喜欢的度数大的物品对目标用户的推荐 的影响程度会越来越大。 从用户角度来分析，假设度为 ｋｉ 的用户 ｉ 与度 为 ｋｊ 的用户 ｊ（ ｋｉ ≥ｋｊ ） 均接收到 １ 个单位的热量。 在引入参数 λ 之前，用户 ｉ 得到热量为 １ ／ ｋｉ，用户 ｊ 得到的热量为 １ ｋｊ 。 此时用户 ｉ 与用户 ｊ 得到的热量 比就为 ｋｊ ｋｉ 。 引入参数 λ 后，他们得到的热量比就变 为 ｋｊ ｋｉ æ è ç ö ø ÷ λ 。 经过简单的分析可知： ｋｊ ｋｉ æ è ç ö ø ÷ λ ≥ ｋｊ ｋｉ 。 这说 明引入参数 λ 后，用户 ｉ 与用户 ｊ 得到热量的比增大 了。 而又由式（２）可知：引入参数 λ 后，所有用户接 收到的热量都会增加。 因此，度数大的用户得到的 热量的增加程度更大。 由指数函数的性质可知，当 底数为 ０～１ 时，函数单调递减。 因此当 λ 从 １ 到 ０ 变化时，这种增加程度会越来越大。 同样可以知道， 引入参数 β 后所有物品接收到的热量都会增加，但 是度数大的物品得到的热量的增加程度会更大。 当 β 从 １ 到 ０ 变化时，这种增加程度会越来越大。 由 以上分析可知：利用 λ 和 β 可以控制热传导过程中 的传导率和热量的分配，也就是说：λ 和 β 的引入可 ·３３０· 智 能 系 统 学 报 第 １１ 卷
第3期 雷震，等：基于影响力控制的热传导算法 ·331· 以控制度数大的用户喜欢的度数大的物品对目标用 输入用户对该景点的整体评分，；用户对该 户推荐的影响。THC算法如下： 景点的风景评分s;用户对该景点的趣味评分s:用 输入用户-物品对数据集T,推荐物品个数 户对该景点的性价比评分s。;用户对该景点的评论 L,目标用户u: 信息C; 输出top-L个物品。 输出tue,用户喜爱该景点：false,用户不喜欢 1)目标用户喜欢的物品被激活，被赋值热 该景点。 量1： 1)利用ICTCLAS对C进行分词，去掉停用词， 2)热量按式(2)的传播方式从物品传到用户： 利用词性标注来去掉中性词： 3)热量按式(2)的传播方式从用户传到物品： 2)对C中的其余词，判断其是否是情感词： 4)物品按照其上面的热量按降序排序后，推荐 3)对每一个否定词0：，找出与其最近的情感词 给目标用户utop-L个物品。 并且将其情感值从s变成-5： 4旅游评价中的用户态度判断算法 4)对每一个程度副词，找出与其最近的情感词 并且用程度副词对应的系数α乘以情感词的情 在推荐领域，有时仅凭一个单独的评分并不足 感值； 以确定用户是否真的喜欢当前物品。以旅游领域为 5)利用如下公式计算评论C的情感极性值： 例，如图2所示，某用户对某景点的整体评分为3， 可以认为该用户喜欢该景点。但是，进一步观察发 s.-axs. i=1 现：用户对当前景点的景色评分为4，对景点的趣味 式中，S。与S.分别代表评论C与情感词w:的情感 性、性价比的评分均为1。这说明用户对这个景点 值；m是评论中的词语个数； 也有不满意的地方。用户对景点的态度也会体现在 6)计算所有评分的均值S。: 其对该景点的评论中。图2给出的评论中出现了 (s:+5g+s:+sn) ‘马达声吵死了’，‘大杀（煞）风景'及·没有想象中 S。= 4 的轻舟已过万重山的感觉'等文字。从评论中可以 7)如果S,≥3且S。≥0，返回true;否则返回 看出用户对这次旅游的体验并不满意。 falseo 感色：4愿：1信价批：1 258出n日 5实验与结果 在兴H情同头上相的，冠果发玩系肌的的是汽的，马达声珍死了，限个物垃机的，大风显未来姓往几十两，阻 家也修完成任野一样，定行时指上挡下，京日一个件左右收钱走人，德吃了个快餐一样.设有想像中轻马已过万重山的画 5.1数据集 桂林是全国乃至世界知名的旅游目的地。本文 从http://www.ctrip.com上抓取了关于桂林市旅游 的数据来验证提出的算法。数据包含了用户对景点 图2用户对景点评价和评论实例 的评分和评论，评分包含了4个方面：用户对景点的 Fig.2 An example of a user's evaluation and comment 整体评分、用户对景点的景色评分、用户对景点的趣 on a scenery spot 味性评分以及用户对景点的性价比评分（如图2）。 因此本文设计了确定用户是否喜欢某景点的算 本文采集了包含18151个用户对143个景点的18 法，即旅游评价中的用户态度判断算法。设计理由 304条评分及评论记录。为了有效验证算法，对数 如下：如果用户真的喜欢当前景点，那么该用户对当 据集进行了预处理。删除评价景点数量少于2条的 前景点的各项评分应该都比较高，则所有评分的均 用户，删除没有用户评分的景点，再利用旅游评价中 值也应该比较大。因此，计算各项评分的均值s。,让 的用户态度判断算法计算用户是否喜欢某景点。数 均值大小作为判断用户是否喜欢该景点的依据之 据集包含1164个用户对143个景点的5672条评 一。另外，如果用户真的喜欢当前景点，该用户对当 分及评论信息。 前景点评论的情感一定会是非负向的。算法中，评 为了对提出算法的有效性进行更可靠的验证， 论的情感极性计算方法采用文献[20]中的情感提 本文还使用了电影评分的数据集[2进行对比实验。 取算法。以图2为例，通过分析可知，根据整体评分 删除对电影评分数目少于2条的用户，删除没有用 会认为用户喜欢该景点，但用态度判断算法可以确 户评分的电影，最终得到370个用户对578部电影 定该用户对该景点并不是很满意，因为s。<3且评论 的9331条评分记录。 的情感极性为负。使用旅游评价中的用户态度判断 每组实验中，数据集被分为2部分，其中随机挑 算法能较为准确地判断用户是否喜欢某景点。用户 选出用户-物品二部网络中20%的边作为测试集， 态度判断算法如下。 其余80%的边为训练集[。每组实验都重复50
以控制度数大的用户喜欢的度数大的物品对目标用 户推荐的影响。 ＴＨＣ 算法如下： 输入 用户－物品对数据集 Ｔ，推荐物品个数 Ｌ，目标用户 ｕ； 输出 ｔｏｐ⁃Ｌ 个物品。 １） 目标用户 ｕ 喜欢的物品被激活，被赋值热 量 １； ２）热量按式（２）的传播方式从物品传到用户； ３）热量按式（２）的传播方式从用户传到物品； ４）物品按照其上面的热量按降序排序后，推荐 给目标用户 ｕ ｔｏｐ⁃Ｌ 个物品。 ４ 旅游评价中的用户态度判断算法 在推荐领域，有时仅凭一个单独的评分并不足 以确定用户是否真的喜欢当前物品。 以旅游领域为 例，如图 ２ 所示，某用户对某景点的整体评分为 ３， 可以认为该用户喜欢该景点。 但是，进一步观察发 现：用户对当前景点的景色评分为 ４，对景点的趣味 性、性价比的评分均为 １。 这说明用户对这个景点 也有不满意的地方。 用户对景点的态度也会体现在 其对该景点的评论中。 图 ２ 给出的评论中出现了 ‘马达声吵死了’，‘大杀（煞）风景’及‘没有想象中 的轻舟已过万重山的感觉’等文字。 从评论中可以 看出用户对这次旅游的体验并不满意。 图 ２ 用户对景点评价和评论实例 Ｆｉｇ．２ Ａｎ ｅｘａｍｐｌｅ ｏｆ ａ ｕｓｅｒｓ ｅｖａｌｕａｔｉｏｎ ａｎｄ ｃｏｍｍｅｎｔ ｏｎ ａ ｓｃｅｎｅｒｙ ｓｐｏｔ 因此本文设计了确定用户是否喜欢某景点的算 法，即旅游评价中的用户态度判断算法。 设计理由 如下：如果用户真的喜欢当前景点，那么该用户对当 前景点的各项评分应该都比较高，则所有评分的均 值也应该比较大。 因此，计算各项评分的均值 ｓａ ，让 均值大小作为判断用户是否喜欢该景点的依据之 一。 另外，如果用户真的喜欢当前景点，该用户对当 前景点评论的情感一定会是非负向的。 算法中，评 论的情感极性计算方法采用文献［２０］ 中的情感提 取算法。 以图 ２ 为例，通过分析可知，根据整体评分 会认为用户喜欢该景点，但用态度判断算法可以确 定该用户对该景点并不是很满意，因为 ｓａ＜３ 且评论 的情感极性为负。 使用旅游评价中的用户态度判断 算法能较为准确地判断用户是否喜欢某景点。 用户 态度判断算法如下。 输入 用户对该景点的整体评分 ｓｔ； 用户对该 景点的风景评分 ｓｇ；用户对该景点的趣味评分 ｓｉ；用 户对该景点的性价比评分 ｓｐ ；用户对该景点的评论 信息 Ｃ； 输出 ｔｒｕｅ，用户喜爱该景点；ｆａｌｓｅ，用户不喜欢 该景点。 １）利用 ＩＣＴＣＬＡＳ 对 Ｃ 进行分词，去掉停用词， 利用词性标注来去掉中性词； ２）对 Ｃ 中的其余词，判断其是否是情感词； ３）对每一个否定词 ｗｉ，找出与其最近的情感词 并且将其情感值从 ｓｗｉ＋１变成－ｓｗｉ＋１ ； ４）对每一个程度副词，找出与其最近的情感词 并且用程度副词对应的系数 α 乘以情感词的情 感值； ５）利用如下公式计算评论 Ｃ 的情感极性值； Ｓｃ ＝ ∑ ｍ ｉ ＝ １ α × Ｓｗｉ 式中，Ｓｃ 与 Ｓｗｉ分别代表评论 Ｃ 与情感词 ｗｉ 的情感 值； ｍ 是评论中的词语个数； ６）计算所有评分的均值 Ｓａ ： Ｓａ ＝ ｓｔ ＋ ｓｇ ＋ ｓｉ ＋ ｓｐ ( ) ４ ７） 如果 Ｓａ ≥３ 且 Ｓｃ ≥０，返回 ｔｒｕｅ；否则返回 ｆａｌｓｅ。 ５ 实验与结果 ５．１ 数据集 桂林是全国乃至世界知名的旅游目的地。 本文 从 ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｔｒｉｐ．ｃｏｍ 上抓取了关于桂林市旅游 的数据来验证提出的算法。 数据包含了用户对景点 的评分和评论，评分包含了 ４ 个方面：用户对景点的 整体评分、用户对景点的景色评分、用户对景点的趣 味性评分以及用户对景点的性价比评分（如图 ２）。 本文采集了包含 １８ １５１ 个用户对 １４３ 个景点的 １８ ３０４ 条评分及评论记录。 为了有效验证算法，对数 据集进行了预处理。 删除评价景点数量少于 ２ 条的 用户，删除没有用户评分的景点，再利用旅游评价中 的用户态度判断算法计算用户是否喜欢某景点。 数 据集包含 １ １６４ 个用户对 １４３ 个景点的 ５ ６７２ 条评 分及评论信息。 为了对提出算法的有效性进行更可靠的验证， 本文还使用了电影评分的数据集［２１］ 进行对比实验。 删除对电影评分数目少于 ２ 条的用户，删除没有用 户评分的电影，最终得到 ３７０ 个用户对 ５７８ 部电影 的 ９ ３３１ 条评分记录。 每组实验中，数据集被分为 ２ 部分，其中随机挑 选出用户－物品二部网络中 ２０％的边作为测试集， 其余 ８０％ 的边为训练集［５］ 。 每组实验都重复 ５０ 第 ３ 期 雷震，等：基于影响力控制的热传导算法 ·３３１·
·332· 智能系统学报 第11卷 次，最终的实验结果是这50次实验结果的平均值。 diversity:一个推荐算法应该给不同的用户推荐 5.2评价指标 不同的物品。式(6)给出了多样性的计算方法： 为了评判提出的想法是否达到了预期效果，即 Q(L) 度数大的用户喜欢的度数大的物品是否被推荐出 Ha=1- (6) L 来。本文提出了一个大度用户大度物品率指标 式中：L是推荐列表长度，Q(L)是用户山，、山推荐列 (buir),用来衡量推荐出的度数大的用户喜欢的度 表中相同物品的个数，H表示推荐算法给用户“：、山 数大的物品出现在推荐列表中的比例。式(3)给出 两者推荐结果间的多样性。求出测试集中任意两个 了目标用户i的该指标计算方法。 用户的推荐结果间的多样性值的平均值，就可以得 ROT 到一个推荐算法的多样性值。多样性值越大意味着 buir;= (3) L 一个推荐算法给不同的人推荐结果越不一样。 式中：T是用户i的推荐列表中物品构成的集合，L coverage:推荐算法的覆盖率是指算法能推荐的 是推荐列表长度。R是与目标用户i关联的度数大 物品种类占所有物品种类的比例。式(7)给出了覆 的用户喜欢的度数大的物品集合。任意一个用户， 盖率的计算方法： 如果他与用户i有共同喜欢的物品，则将该用户称 为与用户i有关联的用户，所有这样的用户构成的 Cov=n (7) 集合称为与用户i关联的用户集合AU。将AU中 式中：n是算法给全体用户推荐的不同物品的 的所有用户按照其度进行降序排序，并取排在前1/ 数量，V是物品总数。覆盖率越大意味着算法能推 3的用户，将这些用户构成的集合称为与用户i关联 荐出的不同物品的数量越多。 的度数大的用户集合BU。对BU中的每一个用户 5.3实验方案 j,将用户j喜欢的物品按其度进行降序排序，并取排 为了观察buir指标随参数入和B的变化情况 在前1/3的物品，将这些物品称为用户j喜欢的度 以及它对其他指标的影响，实验提供了THC算法分 数大的物品。将与用户i关联的度数大的用户集合 别在旅游数据集和电影数据集上推荐列表长度分别 BU中的所有用户喜欢的度数大的物品构成集合， 为5、8、10、12时，各指标随参数变化的情况图。图 称之为与用户i关联的大度用户喜欢的大度物品集 分为8组，每组5张，共计40张。由于每组图的变 合，即R:。对测试集中的所有用户的大度用户大度 化情况类似，本文只提供了推荐列表L=10时THC 物品率取平均就可以得到该算法的大度用户大度物 算法在旅游数据集上的结果，以分析buir与其他指 品率。 标的关系。各指标的变化分别如图3~7所示。为 为了分析提出算法的效果，本文采用了以下4 了进一步分析THC方法的有效性，分别使用旅游数据 个指标[)：排序得分(ranking score)、新颖性(novel- 集和电影评分数据集对BHC[)、WHC18],、MD6],HC) ty)、多样性(diversity)及覆盖率(coverage)。 及THC在推荐列表的长度分别为5、8、10、12时的排序 ranking score(RS):一个好的推荐算法应该将 得分进行比较。实验结果如图8、9所示。需要说明的 用户喜欢的物品排在前面。测试集中，如果物品α 是：某用户对某电影喜爱的条件是该用户对该电影的 被目标用户i喜欢，物品α位于用户i的推荐列表 评分大于或等于3。某用户对某景点是否喜爱的判断 中排序为r的位置，那么物品α的排序得分为 是利用旅游评价中的用户态度判断算法计算得出。 15."m (4) BHC和WHC中的参数变化范围为0~1。 式中：m是训练集中物品总数，k:是训练集中用户i 1.0 喜欢的物品总数。每个用户的排序得分，是所有推 0.8 荐给他并且他的确喜欢的物品的排序得分均值。对 06言 测试集中所有用户的排序得分求平均值，就可以得 0.4 02 到算法的排序得分。 novelty:新颖性被定义为所有被推荐物品度的 平均值。一个推荐算法的新颖性计算如式(5)： ao6o0 Novelty = ∑4 (5) 0020.40.60.81.0 n 式中：k:是物品i的度，n是算法给所有用户推荐的 图3L=10时，THC算法在旅游评价数据集上buir指 物品总数。推荐算法的新颖性值越小，推荐出来的 标随参数变化图 物品越新颖。 Fig.3 The variation of THC's buir index on the travel data set when L=10
次，最终的实验结果是这 ５０ 次实验结果的平均值。 ５．２ 评价指标 为了评判提出的想法是否达到了预期效果，即 度数大的用户喜欢的度数大的物品是否被推荐出 来。 本文提出了一个大度用户大度物品率指标 （ｂｕｉｒ），用来衡量推荐出的度数大的用户喜欢的度 数大的物品出现在推荐列表中的比例。 式（３）给出 了目标用户 ｉ 的该指标计算方法。 ｂｕｉｒｉ ＝ Ｒｉ ∩ Ｔｉ Ｌ （３） 式中：Ｔｉ 是用户 ｉ 的推荐列表中物品构成的集合，Ｌ 是推荐列表长度。 Ｒｉ 是与目标用户 ｉ 关联的度数大 的用户喜欢的度数大的物品集合。 任意一个用户， 如果他与用户 ｉ 有共同喜欢的物品，则将该用户称 为与用户 ｉ 有关联的用户，所有这样的用户构成的 集合称为与用户 ｉ 关联的用户集合 ＡＵ。 将 ＡＵ 中 的所有用户按照其度进行降序排序，并取排在前 １ ／ ３ 的用户，将这些用户构成的集合称为与用户 ｉ 关联 的度数大的用户集合 ＢＵ。 对 ＢＵ 中的每一个用户 ｊ，将用户 ｊ 喜欢的物品按其度进行降序排序，并取排 在前 １ ／ ３ 的物品，将这些物品称为用户 ｊ 喜欢的度 数大的物品。 将与用户 ｉ 关联的度数大的用户集合 ＢＵ 中的所有用户喜欢的度数大的物品构成集合， 称之为与用户 ｉ 关联的大度用户喜欢的大度物品集 合，即 Ｒｉ。 对测试集中的所有用户的大度用户大度 物品率取平均就可以得到该算法的大度用户大度物 品率。 为了分析提出算法的效果，本文采用了以下 ４ 个指标［５］ ：排序得分（ ｒａｎｋｉｎｇ ｓｃｏｒｅ）、新颖性（ ｎｏｖｅｌ⁃ ｔｙ）、多样性（ｄｉｖｅｒｓｉｔｙ）及覆盖率（ｃｏｖｅｒａｇｅ）。 ｒａｎｋｉｎｇ ｓｃｏｒｅ（ＲＳ）：一个好的推荐算法应该将 用户喜欢的物品排在前面。 测试集中，如果物品 α 被目标用户 ｉ 喜欢，物品 α 位于用户 ｉ 的推荐列表 中排序为 ｒ 的位置，那么物品 α 的排序得分为 ＲＳｉα ＝ ｒ ｍ － ｋｉ （４） 式中：ｍ 是训练集中物品总数，ｋｉ 是训练集中用户 ｉ 喜欢的物品总数。 每个用户的排序得分，是所有推 荐给他并且他的确喜欢的物品的排序得分均值。 对 测试集中所有用户的排序得分求平均值，就可以得 到算法的排序得分。 ｎｏｖｅｌｔｙ：新颖性被定义为所有被推荐物品度的 平均值。 一个推荐算法的新颖性计算如式（５）： Ｎｏｖｅｌｔｙ ＝ ∑ ｎ ｉ ＝ １ ｋｉ ｎ （５） 式中：ｋｉ 是物品 ｉ 的度，ｎ 是算法给所有用户推荐的 物品总数。 推荐算法的新颖性值越小，推荐出来的 物品越新颖。 ｄｉｖｅｒｓｉｔｙ：一个推荐算法应该给不同的用户推荐 不同的物品。 式（６）给出了多样性的计算方法： Ｈｉｊ ＝ １ － Ｑｉｊ（Ｌ） Ｌ （６） 式中：Ｌ 是推荐列表长度，Ｑｉｊ（Ｌ）是用户 ｕｉ、ｕｊ 推荐列 表中相同物品的个数，Ｈｉｊ表示推荐算法给用户 ｕｉ、ｕｊ 两者推荐结果间的多样性。 求出测试集中任意两个 用户的推荐结果间的多样性值的平均值，就可以得 到一个推荐算法的多样性值。 多样性值越大意味着 一个推荐算法给不同的人推荐结果越不一样。 ｃｏｖｅｒａｇｅ：推荐算法的覆盖率是指算法能推荐的 物品种类占所有物品种类的比例。 式（７）给出了覆 盖率的计算方法： Ｃｏｖ ＝ ｎ Ｎ （７） 式中：ｎ 是算法给全体用户推荐的不同物品的 数量，Ｎ 是物品总数。 覆盖率越大意味着算法能推 荐出的不同物品的数量越多。 ５．３ 实验方案 为了观察 ｂｕｉｒ 指标随参数 λ 和 β 的变化情况 以及它对其他指标的影响，实验提供了 ＴＨＣ 算法分 别在旅游数据集和电影数据集上推荐列表长度分别 为 ５、８、１０、１２ 时，各指标随参数变化的情况图。 图 分为 ８ 组，每组 ５ 张，共计 ４０ 张。 由于每组图的变 化情况类似，本文只提供了推荐列表 Ｌ ＝ １０ 时 ＴＨＣ 算法在旅游数据集上的结果，以分析 ｂｕｉｒ 与其他指 标的关系。 各指标的变化分别如图 ３ ～ ７ 所示。 为 了进一步分析 ＴＨＣ 方法的有效性，分别使用旅游数据 集和电影评分数据集对 ＢＨＣ ［５］ 、ＷＨＣ ［１８］ 、ＭＤ ［１６］ 、ＨＣ ［５］ 及 ＴＨＣ 在推荐列表的长度分别为 ５、８、１０、１２ 时的排序 得分进行比较。 实验结果如图 ８、９ 所示。 需要说明的 是：某用户对某电影喜爱的条件是该用户对该电影的 评分大于或等于 ３。 某用户对某景点是否喜爱的判断 是利用旅游评价中的用户态度判断算法计算得出。 ＢＨＣ 和 ＷＨＣ 中的参数变化范围为 ０～１。 图 ３ Ｌ＝ １０ 时，ＴＨＣ 算法在旅游评价数据集上 ｂｕｉｒ 指 标随参数变化图 Ｆｉｇ．３ Ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ＴＨＣ’ｓ ｂｕｉｒ ｉｎｄｅｘ ｏｎ ｔｈｅ ｔｒａｖｅｌ ｄａｔａ ｓｅｔ ｗｈｅｎ Ｌ＝ １０ ·３３２· 智 能 系 统 学 报 第 １１ 卷
第3期 雷震，等：基于影响力控制的热传导算法 ·333. 0.09 0.08 1.0 0.07 0.06 0.05 0.04 8 1.0 0.6 0.4 0.8 0 0.2 0.2 06 0.4 0.60.8 0.4 0.2 图4L=10时，THC算法在旅游评价数据集上排序得 0.2 0.4 分指标随参数变化 0.60.8 1.0 Fig.4 The variation of THC's rank score index on the travel data set when L=10 图7L=10时，THC算法在旅游评价数据集上覆盖率 指标随参数变化 200 Fig.7 The variation of THC's coverage index on the travel data set when L=10 150 ×I03 50 4.5 bhc 4.0 ▣md 10 3.5 whc h 3.0 thc 00.2 0.40.60.8 2.5 2.0 5 图5L=10时，THC算法在旅游评价数据集上新颖性 10 0.5 指标随参数变化 Fig.5 The variation of THC's novelty index on the L=5 L=8L=10 L=12 travel data set when L=10 推荐列表长度 图8电影评分数据集上各算法的排序得分对比结果 8 Fig.8 The comparison of rank score index on the mov- .5 ie data set 1.0 ×10 0.8 4.5 4.0 bhe 0.6 3.5 e 0.4 3.0 02 5 0 0.2 0.40.60.81.0 1.0 0.5 图6L=10时，THC算法在旅游评价数据集上多样性 L=5 L=8 L=10L=12 指标随参数变化 推荐列表长度 Fig.6 The variation of THC's diversity index on the 图9旅游评价数据集上各算法的排序得分对比结果 travel data set when L=10 Fig.9 The comparison of rank score index on the travel data set
图 ４ Ｌ ＝ １０ 时，ＴＨＣ 算法在旅游评价数据集上排序得 分指标随参数变化 Ｆｉｇ．４ Ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ＴＨＣ’ｓ ｒａｎｋ ｓｃｏｒｅ ｉｎｄｅｘ ｏｎ ｔｈｅ ｔｒａｖｅｌ ｄａｔａ ｓｅｔ ｗｈｅｎ Ｌ＝ １０ 图 ５ Ｌ ＝ １０ 时，ＴＨＣ 算法在旅游评价数据集上新颖性 指标随参数变化 Ｆｉｇ．５ Ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ＴＨＣ’ ｓ ｎｏｖｅｌｔｙ ｉｎｄｅｘ ｏｎ ｔｈｅ ｔｒａｖｅｌ ｄａｔａ ｓｅｔ ｗｈｅｎ Ｌ＝ １０ 图 ６ Ｌ ＝ １０ 时，ＴＨＣ 算法在旅游评价数据集上多样性 指标随参数变化 Ｆｉｇ．６ Ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ＴＨＣ’ ｓ ｄｉｖｅｒｓｉｔｙ ｉｎｄｅｘ ｏｎ ｔｈｅ ｔｒａｖｅｌ ｄａｔａ ｓｅｔ ｗｈｅｎ Ｌ＝ １０ 图 ７ Ｌ ＝ １０ 时，ＴＨＣ 算法在旅游评价数据集上覆盖率 指标随参数变化 Ｆｉｇ．７ Ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ＴＨＣ’ ｓ ｃｏｖｅｒａｇｅ ｉｎｄｅｘ ｏｎ ｔｈｅ ｔｒａｖｅｌ ｄａｔａ ｓｅｔ ｗｈｅｎ Ｌ＝ １０ 图 ８ 电影评分数据集上各算法的排序得分对比结果 Ｆｉｇ．８ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｒａｎｋ ｓｃｏｒｅ ｉｎｄｅｘ ｏｎ ｔｈｅ ｍｏｖ⁃ ｉｅ ｄａｔａ ｓｅｔ 图 ９ 旅游评价数据集上各算法的排序得分对比结果 Ｆｉｇ．９ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｒａｎｋ ｓｃｏｒｅ ｉｎｄｅｘ ｏｎ ｔｈｅ ｔｒａｖｅｌ ｄａｔａ ｓｅｔ 第 ３ 期 雷震，等：基于影响力控制的热传导算法 ·３３３·
·334· 智能系统学报 第11卷 5.4实验结果与分析 户推荐其喜欢的物品，从而有助于提升算法的效果。 图3~7中的黑色代表各图中相应指标值较大 另外，还可以发现MD和BHC算法的排序得分在所 的区域，白色代表各图中相应指标值较小的区域，图 有情形下都比HC算法要好，这与文献[5]中的结论 中颜色越黑表示相应指标值越大。由图3可以看 一致：WHC算法在所有条件下都比HC算法的排序 出，当入取值小于0.5，B取值也小于0.5时，此时推 得分好，这与文献[19]中的结论一致。 荐出来的度数大的用户喜欢的度数大的物品较多。 6结束语 图4中相应区域的排序得分较低，这说明度数大的 用户喜欢的度数大的物品一般是大家所喜欢的物 由于HC算法减弱了度数大的用户喜欢的度数 品，与文中开始提出的假设一致：由于此时推荐出来 大的物品对目标用户的影响，本文提出了基于影响 的度数大的物品较多，所以推荐的物品的新颖性较 力控制的热传导算法THC。THC引入2个参数来 低即新颖性值较大，这与图5中相应区域的指标数 控制度数大的用户喜欢的度数大的物品被优先推荐 据是一致的：另外，度数大的用户喜欢的度数大的物 的程度。为了检验提出的想法是否达到预期效果， 品在整个系统的所有物品中占的比例是比较小的， 在电影评分数据集和旅游评价数据集上进行了多项 因为大多数物品都不是流行物品，所以此时多样性 对比实验。本文还提出了旅游评价中的用户态度判 和覆盖率都较低，这与图6和图7中相应区域的指 断算法及一个新指标buir。实验结果表明，当THC 标数据一致。对于图4，数据表明：当入与B分别取 中的2个参数入和B较小时，度数大的用户喜欢的 0.05、0.55时，排序得分取得最优值0.0298，但此时 度数大的物品能被更多的推荐，但这种推荐要有控 buir并不是最大。可以得出这样的结论：虽然目标 制，否则会降低排序得分。实验结果还表明THC算 用户会喜欢度数大的用户喜欢的度数大的物品，但 法在排序得分指标上比BHC、MD、WHC及HC算法 是推荐的量要适度。还可以发现：此时的排序得分 表现更好。未来可考虑结合用户间的朋友关系与信 要比当A=B=1.0时的HC算法的排序得分要好，而 任关系进一步调控度数大的用户喜欢的度数大的物 此时的buir指标也比HC的要高。 品对目标用户推荐的影响。 通过分析各个评价指标变化图，可以得出如下 参考文献： 结论：1)如果要向用户推荐较多度数大的用户喜欢 的度数大的物品，则应该将入与B的取值范围都限 [1]文益民，史一帆，蔡国永，等.个性化旅游推荐研究综 制在0~0.5，因为在此范围中buir的值均较大。2) 述[EB/0L].北京：中国科技论文在线，2014.[2014- 如果要使算法的排序得分取得最大值，2个参数入 07-03 ]http://www.paper.edu.cn/releasepaper/content/ 201407.56. 与B的最优值应该从0~1之间寻找。虽然入与B 2]RESNICK P,VARIAN H R.Recommender systems J] 在0~0.5取值时，度数大的用户喜欢的度数大的物 Communications of the ACM,1997,40(3):56-58. 品更可能被推荐，但是并不一定是推荐得越多，排序 [3]ADOMAVICIUS G,TUZHILIN A.Toward the next genera- 得分越好。3)如果要向用户推荐较多的新颖物品， tion of recommender systems:a survey of the state-of-the-art 则不该将入与B的取值范围都限制在0~0.5，因为 and possible extensions[J].IEEE transactions on knowledge 当buir较大时，推荐出来的度数大的用户喜欢的度 and data engineering,2005,17(6):734-749. 数大的物品较多，此时推荐出来的物品必然不新颖。 [4]FELFERNIG A.GORDEA S,JANNACH D,et al.A short 图8和图9是BHC、MD、WHC、HC及THC在 survey of recommendation technologies in travel and tourism 两个数据集上推荐列表的长度分别为5、8、10、12时 [J].0 EGAI journal,2007,25(7):17-22. 排序得分的对比结果。其中BHC、WHC及THC是 [5]LIU Jianguo,ZHOU Tao,GUO Qiang.Information filtering 取所有不同参数结果中的最优值。通过观察可以发 via biased heat conductionJ.Physical review E,2011, 84(3):037101. 现，本文提出的THC算法，与基本的HC算法相比， [6]LINDEN G,SMITH B,YORK J.Amazon.com recommen- 在所有的情况下排序得分都要好；与MD、WHC、 dations:item-to-item collaborative filtering[J].IEEE inter- BHC算法相比，排序得分也都要好，虽然提升程度 net computing,2003,7(1):76-80. 较小。 [7]DAS A S,DATAR M,GARG A,et al.Google news per- 通过上面的分析可以知道：通过适度的优先推 sonalization:scalable online collaborative filtering [C]// 荐度数大的用户喜欢的度数大的物品，有助于向用 Proceedings of the 16th International Conference on World
５．４ 实验结果与分析 图 ３ ～ ７ 中的黑色代表各图中相应指标值较大 的区域，白色代表各图中相应指标值较小的区域，图 中颜色越黑表示相应指标值越大。 由图 ３ 可以看 出，当 λ 取值小于 ０．５，β 取值也小于 ０．５ 时，此时推 荐出来的度数大的用户喜欢的度数大的物品较多。 图 ４ 中相应区域的排序得分较低，这说明度数大的 用户喜欢的度数大的物品一般是大家所喜欢的物 品，与文中开始提出的假设一致；由于此时推荐出来 的度数大的物品较多，所以推荐的物品的新颖性较 低即新颖性值较大，这与图 ５ 中相应区域的指标数 据是一致的；另外，度数大的用户喜欢的度数大的物 品在整个系统的所有物品中占的比例是比较小的， 因为大多数物品都不是流行物品，所以此时多样性 和覆盖率都较低，这与图 ６ 和图 ７ 中相应区域的指 标数据一致。 对于图 ４，数据表明：当 λ 与 β 分别取 ０．０５、０．５５ 时，排序得分取得最优值 ０．０２９ ８，但此时 ｂｕｉｒ 并不是最大。 可以得出这样的结论：虽然目标 用户会喜欢度数大的用户喜欢的度数大的物品，但 是推荐的量要适度。 还可以发现：此时的排序得分 要比当 λ ＝ β ＝ １．０ 时的 ＨＣ 算法的排序得分要好，而 此时的 ｂｕｉｒ 指标也比 ＨＣ 的要高。 通过分析各个评价指标变化图，可以得出如下 结论：１）如果要向用户推荐较多度数大的用户喜欢 的度数大的物品，则应该将 λ 与 β 的取值范围都限 制在 ０～０．５，因为在此范围中 ｂｕｉｒ 的值均较大。 ２） 如果要使算法的排序得分取得最大值，２ 个参数 λ 与 β 的最优值应该从 ０ ～ １ 之间寻找。 虽然 λ 与 β 在 ０～ ０．５ 取值时，度数大的用户喜欢的度数大的物 品更可能被推荐，但是并不一定是推荐得越多，排序 得分越好。 ３）如果要向用户推荐较多的新颖物品， 则不该将 λ 与 β 的取值范围都限制在 ０ ～ ０．５，因为 当 ｂｕｉｒ 较大时，推荐出来的度数大的用户喜欢的度 数大的物品较多，此时推荐出来的物品必然不新颖。 图 ８ 和图 ９ 是 ＢＨＣ、ＭＤ、ＷＨＣ、ＨＣ 及 ＴＨＣ 在 两个数据集上推荐列表的长度分别为 ５、８、１０、１２ 时 排序得分的对比结果。 其中 ＢＨＣ、ＷＨＣ 及 ＴＨＣ 是 取所有不同参数结果中的最优值。 通过观察可以发 现，本文提出的 ＴＨＣ 算法，与基本的 ＨＣ 算法相比， 在所有的情况下排序得分都要好；与 ＭＤ、 ＷＨＣ、 ＢＨＣ 算法相比，排序得分也都要好，虽然提升程度 较小。 通过上面的分析可以知道：通过适度的优先推 荐度数大的用户喜欢的度数大的物品，有助于向用 户推荐其喜欢的物品，从而有助于提升算法的效果。 另外，还可以发现 ＭＤ 和 ＢＨＣ 算法的排序得分在所 有情形下都比 ＨＣ 算法要好，这与文献［５］中的结论 一致；ＷＨＣ 算法在所有条件下都比 ＨＣ 算法的排序 得分好，这与文献［１９］中的结论一致。 ６ 结束语 由于 ＨＣ 算法减弱了度数大的用户喜欢的度数 大的物品对目标用户的影响，本文提出了基于影响 力控制的热传导算法 ＴＨＣ。 ＴＨＣ 引入 ２ 个参数来 控制度数大的用户喜欢的度数大的物品被优先推荐 的程度。 为了检验提出的想法是否达到预期效果， 在电影评分数据集和旅游评价数据集上进行了多项 对比实验。 本文还提出了旅游评价中的用户态度判 断算法及一个新指标 ｂｕｉｒ。 实验结果表明，当 ＴＨＣ 中的 ２ 个参数 λ 和 β 较小时，度数大的用户喜欢的 度数大的物品能被更多的推荐，但这种推荐要有控 制，否则会降低排序得分。 实验结果还表明 ＴＨＣ 算 法在排序得分指标上比 ＢＨＣ、ＭＤ、ＷＨＣ 及 ＨＣ 算法 表现更好。 未来可考虑结合用户间的朋友关系与信 任关系进一步调控度数大的用户喜欢的度数大的物 品对目标用户推荐的影响。 参考文献： ［１］文益民， 史一帆， 蔡国永， 等． 个性化旅游推荐研究综 述［ＥＢ／ ＯＬ］． 北京： 中国科技论文在线， ２０１４． ［ ２０１４⁃ ０７⁃０３］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｐａｐｅｒ． ｅｄｕ． ｃｎ ／ ｒｅｌｅａｓｅｐａｐｅｒ／ ｃｏｎｔｅｎｔ ／ ２０１４０７⁃５６． ［２］ ＲＥＳＮＩＣＫ Ｐ， ＶＡＲＩＡＮ Ｈ Ｒ． Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ［ Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ， １９９７， ４０（３）： ５６⁃５８． ［３］ＡＤＯＭＡＶＩＣＩＵＳ Ｇ， ＴＵＺＨＩＬＩＮ Ａ． Ｔｏｗａｒｄ ｔｈｅ ｎｅｘｔ ｇｅｎｅｒａ⁃ ｔｉｏｎ ｏｆ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ： ａ ｓｕｒｖｅｙ ｏｆ ｔｈｅ ｓｔａｔｅ⁃ｏｆ⁃ｔｈｅ⁃ａｒｔ ａｎｄ ｐｏｓｓｉｂｌｅ ｅｘｔｅｎｓｉｏｎｓ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｋｎｏｗｌｅｄｇｅ ａｎｄ ｄａｔａ ｅｎｇｉｎｅｅｒｉｎｇ， ２００５， １７（６）： ７３４⁃７４９． ［４］ＦＥＬＦＥＲＮＩＧ Ａ， ＧＯＲＤＥＡ Ｓ， ＪＡＮＮＡＣＨ Ｄ， ｅｔ ａｌ． Ａ ｓｈｏｒｔ ｓｕｒｖｅｙ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ ｔｒａｖｅｌ ａｎｄ ｔｏｕｒｉｓｍ ［Ｊ］． ＯＥＧＡＩ ｊｏｕｒｎａｌ， ２００７， ２５（７）： １７⁃２２． ［５］ＬＩＵ Ｊｉａｎｇｕｏ， ＺＨＯＵ Ｔａｏ， ＧＵＯ Ｑｉａｎｇ． Ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｖｉａ ｂｉａｓｅｄ ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ［ Ｊ］． Ｐｈｙｓｉｃａｌ ｒｅｖｉｅｗ Ｅ， ２０１１， ８４（３）： ０３７１０１． ［６］ＬＩＮＤＥＮ Ｇ， ＳＭＩＴＨ Ｂ， ＹＯＲＫ Ｊ． Ａｍａｚｏｎ． ｃｏｍ ｒｅｃｏｍｍｅｎ⁃ ｄａｔｉｏｎｓ： ｉｔｅｍ⁃ｔｏ⁃ｉｔｅｍ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ［Ｊ］． ＩＥＥＥ ｉｎｔｅｒ⁃ ｎｅｔ ｃｏｍｐｕｔｉｎｇ， ２００３， ７（１）： ７６⁃８０． ［７］ＤＡＳ Ａ Ｓ， ＤＡＴＡＲ Ｍ， ＧＡＲＧ Ａ， ｅｔ ａｌ． Ｇｏｏｇｌｅ ｎｅｗｓ ｐｅｒ⁃ ｓｏｎａｌｉｚａｔｉｏｎ： ｓｃａｌａｂｌｅ ｏｎｌｉｎｅ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ ·３３４· 智 能 系 统 学 报 第 １１ 卷
第3期 雷震，等：基于影响力控制的热传导算法 .335. wide Web.New York,USA,2007:271-280. 推荐算法研究[J].计算机应用研究，2015,32(11)： [8]LIU Qiwen,CHEN Tianjian,CAI Jing,et al.Enlister: 3235-3237. baidu's recommender system for the biggest chinese Q&A HOU Lei,HU Zhaolong,ZHANG Bo,et al.Information website[C]//Proceedings of the Sixth ACM Conference on filtering via non-equilibrium heat conduction with consider- Recommender Systems.New York,USA,2012:285-288. ation of popularity[].Application research of computers, [9]HERLOCKER J L,KONSTAN J A,RIEDL J.Explaining 2015,32(11):3235-3237. collaborative filtering recommendations[C]//Proceedings of [19]LIU Jianguo,GUO Qiang,ZHANG Yicheng.Information the 2000 ACM Conference on Computer Supported Coopera- filtering via weighted heat conduction algorithm[J].Physi- tive Work.New York.USA,2000:241-250. ca A:statistical mechanics and its applications,2011, [10]PAZZANI M J.A framework for collaborative,content- 390(12):2414-2420. based and demographic filtering[J].Artificial intelligence [20]SHI Shaoliang,LI Yunpeng,WEN Yimin,et al.Adding review,1999,13(5-6):393-408. the sentiment attribute of nodes to improve link prediction [11 ZHOU Tao,Lu Linyuan,ZHANG Yicheng.Predicting in social network [C]//Proceedings of the 12th Interna- missing links via local information [J].The european tional Conference on Fuzzy Systems and Knowledge Discov- physical journal B,2009,71(4):623-630. ery.Zhangjiajie,China,2015:1263-1269. [12]Lu Linyuan,ZHOU Tao.Link prediction in weighted net- [20]LIU Jinhu,ZHANG Zike,CHEN Lingjiao,et al.Gravity works:the role of weak ties[J].EOL europhysics let- effects on information filtering and network evolving[J]. tes),2010,89(1):18001. PLoS one,2014,9(3):e91070. [13]ZHOU Tao,KUSCSIK Z,LIU Jianguo,et al.Solving the 作者简介： apparent diversity-accuracy dilemma of recommender sys- 雷震，男，1991年生，硕士研究生 tems[]].Proceedings of the national academy of sciences 主要研究方向为推荐系统与数据挖掘。 of the United States of America,2010,107(10):4511- 4515. [14 ZENG Wei,SHANG Mingsheng,ZHANG Qianming,et al.Can dissimilar users contribute to accuracy and diversi- ty of personalized recommendation[J].International jour- nal of modern physics C,2010,21(10):1217-1227. 文益民，男，1969年生，博士，教授， [15]ZHANG Zike,YU Lu,FANG Kuan,et al.Website-orien- 中国计算机学会高级会员。主要研究 ted recommendation based on heat spreading and tag-aware 方向为机器学习与数据挖掘、极化SAR collaborative filtering[J].Physica A:statistical mechanics 图像处理、社会计算。主持省部级科研 and its applications,2014,399:82-88. 项目8项，获得省部级教学、科研奖励5 [16]ZHOU Tao,REN Jie,MEDO M,et al.Bipartite network 项，发表学术论文30余篇，其中被$C、 projection and personal recommendation[J].Physical re- EI收录18篇，翻译译著1部。 view E,2007,76(4):046115. [17]NIE Dacheng,AN Yahui,DONG Qiang,et al.Information 王志强，男，1991年生，硕士研究 filtering via balanced diffusion on bipartite networks[J]. 生，主要研究方向为数据挖掘、旅游 Physica A:statistical mechanics and its applications, 推荐。 2015,421:44-53. [18]侯磊，胡兆龙，张博，等.基于流行度的非平衡热传导
ｗｉｄｅ Ｗｅｂ． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ， ２００７： ２７１⁃２８０． ［８］ ＬＩＵ Ｑｉｗｅｎ， ＣＨＥＮ Ｔｉａｎｊｉａｎ， ＣＡＩ Ｊｉｎｇ， ｅｔ ａｌ． Ｅｎｌｉｓｔｅｒ： ｂａｉｄｕ＇ｓ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍ ｆｏｒ ｔｈｅ ｂｉｇｇｅｓｔ ｃｈｉｎｅｓｅ Ｑ ＆ Ａ ｗｅｂｓｉｔｅ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｉｘｔｈ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙｓｔｅｍｓ． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ， ２０１２： ２８５⁃２８８． ［９］ＨＥＲＬＯＣＫＥＲ Ｊ Ｌ， ＫＯＮＳＴＡＮ Ｊ Ａ， ＲＩＥＤＬ Ｊ． Ｅｘｐｌａｉｎｉｎｇ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０００ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔｅｄ Ｃｏｏｐｅｒａ⁃ ｔｉｖｅ Ｗｏｒｋ． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ， ２０００： ２４１⁃２５０． ［１０］ ＰＡＺＺＡＮＩ Ｍ Ｊ． Ａ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ， ｃｏｎｔｅｎｔ⁃ ｂａｓｅｄ ａｎｄ ｄｅｍｏｇｒａｐｈｉｃ ｆｉｌｔｅｒｉｎｇ［ Ｊ］． Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｒｅｖｉｅｗ， １９９９， １３（５⁃６）： ３９３⁃４０８． ［１１］ ＺＨＯＵ Ｔａｏ， Ｌü Ｌｉｎｙｕａｎ， ＺＨＡＮＧ Ｙｉｃｈｅｎｇ． Ｐｒｅｄｉｃｔｉｎｇ ｍｉｓｓｉｎｇ ｌｉｎｋｓ ｖｉａ ｌｏｃａｌ ｉｎｆｏｒｍａｔｉｏｎ ［ Ｊ ］． Ｔｈｅ ｅｕｒｏｐｅａｎ ｐｈｙｓｉｃａｌ ｊｏｕｒｎａｌ Ｂ， ２００９， ７１（４）： ６２３⁃６３０． ［１２］Ｌü Ｌｉｎｙｕａｎ， ＺＨＯＵ Ｔａｏ． Ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ｗｅｉｇｈｔｅｄ ｎｅｔ⁃ ｗｏｒｋｓ： ｔｈｅ ｒｏｌｅ ｏｆ ｗｅａｋ ｔｉｅｓ ［ Ｊ］． ＥＯＬ （ ｅｕｒｏｐｈｙｓｉｃｓ ｌｅｔ⁃ ｔｅｒｓ）， ２０１０， ８９（１）： １８００１． ［１３］ＺＨＯＵ Ｔａｏ， ＫＵＳＣＳＩＫ Ｚ， ＬＩＵ Ｊｉａｎｇｕｏ， ｅｔ ａｌ． Ｓｏｌｖｉｎｇ ｔｈｅ ａｐｐａｒｅｎｔ ｄｉｖｅｒｓｉｔｙ⁃ａｃｃｕｒａｃｙ ｄｉｌｅｍｍａ ｏｆ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓ⁃ ｔｅｍｓ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｎａｔｉｏｎａｌ ａｃａｄｅｍｙ ｏｆ ｓｃｉｅｎｃｅｓ ｏｆ ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ， ２０１０， １０７（ １０）： ４５１１⁃ ４５１５． ［１４］ ＺＥＮＧ Ｗｅｉ， ＳＨＡＮＧ Ｍｉｎｇｓｈｅｎｇ， ＺＨＡＮＧ Ｑｉａｎｍｉｎｇ， ｅｔ ａｌ． Ｃａｎ ｄｉｓｓｉｍｉｌａｒ ｕｓｅｒｓ ｃｏｎｔｒｉｂｕｔｅ ｔｏ ａｃｃｕｒａｃｙ ａｎｄ ｄｉｖｅｒｓｉ⁃ ｔｙ ｏｆ ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒ⁃ ｎａｌ ｏｆ ｍｏｄｅｒｎ ｐｈｙｓｉｃｓ Ｃ， ２０１０， ２１（１０）： １２１７⁃１２２７． ［１５］ＺＨＡＮＧ Ｚｉｋｅ， ＹＵ Ｌｕ， ＦＡＮＧ Ｋｕａｎ， ｅｔ ａｌ． Ｗｅｂｓｉｔｅ⁃ｏｒｉｅｎ⁃ ｔｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂａｓｅｄ ｏｎ ｈｅａｔ ｓｐｒｅａｄｉｎｇ ａｎｄ ｔａｇ⁃ａｗａｒｅ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ［Ｊ］． Ｐｈｙｓｉｃａ Ａ： ｓｔａｔｉｓｔｉｃａｌ ｍｅｃｈａｎｉｃｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１４， ３９９： ８２⁃８８． ［１６］ＺＨＯＵ Ｔａｏ， ＲＥＮ Ｊｉｅ， ＭＥＤＯ Ｍ， ｅｔ ａｌ． Ｂｉｐａｒｔｉｔｅ ｎｅｔｗｏｒｋ ｐｒｏｊｅｃｔｉｏｎ ａｎｄ ｐｅｒｓｏｎａｌ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ［ Ｊ］． Ｐｈｙｓｉｃａｌ ｒｅ⁃ ｖｉｅｗ Ｅ， ２００７， ７６（４）： ０４６１１５． ［１７］ＮＩＥ Ｄａｃｈｅｎｇ， ＡＮ Ｙａｈｕｉ， ＤＯＮＧ Ｑｉａｎｇ， ｅｔ ａｌ． Ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｖｉａ ｂａｌａｎｃｅｄ ｄｉｆｆｕｓｉｏｎ ｏｎ ｂｉｐａｒｔｉｔｅ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ｐｈｙｓｉｃａ Ａ： ｓｔａｔｉｓｔｉｃａｌ ｍｅｃｈａｎｉｃｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１５， ４２１： ４４⁃５３． ［１８］侯磊， 胡兆龙， 张博， 等． 基于流行度的非平衡热传导 推荐算法研究［ Ｊ］． 计算机应用研究， ２０１５， ３２（ １１）： ３２３５⁃３２３７． ＨＯＵ Ｌｅｉ， ＨＵ Ｚｈａｏｌｏｎｇ， ＺＨＡＮＧ Ｂｏ， ｅｔ ａｌ． Ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｖｉａ ｎｏｎ⁃ｅｑｕｉｌｉｂｒｉｕｍ ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ｗｉｔｈ ｃｏｎｓｉｄｅｒ⁃ ａｔｉｏｎ ｏｆ ｐｏｐｕｌａｒｉｔｙ［Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１５， ３２（１１）： ３２３５⁃３２３７． ［１９］ ＬＩＵ Ｊｉａｎｇｕｏ， ＧＵＯ Ｑｉａｎｇ， ＺＨＡＮＧ Ｙｉｃｈｅｎｇ． Ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｖｉａ ｗｅｉｇｈｔｅｄ ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｐｈｙｓｉ⁃ ｃａ Ａ： ｓｔａｔｉｓｔｉｃａｌ ｍｅｃｈａｎｉｃｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１１， ３９０（１２）： ２４１４⁃２４２０． ［２０］ＳＨＩ Ｓｈａｏｌｉａｎｇ， ＬＩ Ｙｕｎｐｅｎｇ， ＷＥＮ Ｙｉｍｉｎ， ｅｔ ａｌ． Ａｄｄｉｎｇ ｔｈｅ ｓｅｎｔｉｍｅｎｔ ａｔｔｒｉｂｕｔｅ ｏｆ ｎｏｄｅｓ ｔｏ ｉｍｐｒｏｖｅ ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖ⁃ ｅｒｙ． Ｚｈａｎｇｊｉａｊｉｅ， Ｃｈｉｎａ， ２０１５： １２６３⁃１２６９． ［２０］ＬＩＵ Ｊｉｎｈｕ， ＺＨＡＮＧ Ｚｉｋｅ， ＣＨＥＮ Ｌｉｎｇｊｉａｏ， ｅｔ ａｌ． Ｇｒａｖｉｔｙ ｅｆｆｅｃｔｓ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｎｅｔｗｏｒｋ ｅｖｏｌｖｉｎｇ ［ Ｊ］． ＰＬｏＳ ｏｎｅ， ２０１４， ９（３）： ｅ９１０７０． 作者简介： 雷震，男，１９９１ 年生，硕士研究生， 主要研究方向为推荐系统与数据挖掘。 文益民，男，１９６９ 年生，博士，教授， 中国计算机学会高级会员。 主要研究 方向为机器学习与数据挖掘、极化 ＳＡＲ 图像处理、社会计算。 主持省部级科研 项目 ８ 项，获得省部级教学、科研奖励 ５ 项，发表学术论文 ３０ 余篇，其中被 ＳＣＩ、 ＥＩ 收录 １８ 篇，翻译译著 １ 部。 王志强，男，１９９１ 年生，硕士研究 生，主要研究方 向 为 数 据 挖 掘、 旅 游 推荐。 第 ３ 期 雷震，等：基于影响力控制的热传导算法 ·３３５·