社會(huì)網(wǎng)絡(luò)博弈論方法下的推薦激勵(lì)策略研究.pdf

1、隨著時(shí)代的變遷，人們的日常生活已經(jīng)無(wú)法脫離網(wǎng)絡(luò)，用戶的生活變得更加便利，獲得知識(shí)的途徑更加多樣化，購(gòu)物也變得省時(shí)省力。然而，網(wǎng)絡(luò)中隨之而來(lái)的呈指數(shù)增長(zhǎng)的信息導(dǎo)致的“信息過(guò)載”使得用戶無(wú)法從眾多信息中選擇自己感興趣的內(nèi)容，增加了用戶體驗(yàn)的時(shí)間。因此，用于篩選信息的推薦系統(tǒng)得以產(chǎn)生。推薦技術(shù)的出現(xiàn)大大減少了用戶查找信息的時(shí)間，并且提供給用戶更好的項(xiàng)目體驗(yàn)。基于信任網(wǎng)絡(luò)的推薦方法主要依靠用戶之間的信任關(guān)系與用戶興趣之間的關(guān)聯(lián)性來(lái)進(jìn)行推薦，但是

2、用戶之間的信任數(shù)據(jù)是稀疏的，推薦系統(tǒng)的覆蓋率較低。
　　本文圍繞用戶的評(píng)論行為研究如何改善推薦系統(tǒng)中存在的用戶—項(xiàng)目評(píng)分矩陣稀疏、用戶信任矩陣稀疏、團(tuán)體用戶的共謀推薦和新用戶的推薦問(wèn)題。本文依據(jù)社會(huì)網(wǎng)絡(luò)中信任用戶之間具有相似興趣的特性，將用戶的信任作為預(yù)測(cè)評(píng)分的權(quán)重，結(jié)合用戶對(duì)項(xiàng)目的評(píng)分，從而有效提高推薦的準(zhǔn)確率。用戶評(píng)分的動(dòng)機(jī)來(lái)源于用戶的利益傾向，只有通過(guò)評(píng)分獲得了更多的利益時(shí)才會(huì)選擇評(píng)分的策略，因此本文提出促使用戶理性積極評(píng)分

3、的激勵(lì)策略。本文主要工作如下：
　　1.提出了改進(jìn)的基于信任網(wǎng)絡(luò)的推薦方法。本文通過(guò)對(duì)原有基于信任的推薦中信任網(wǎng)絡(luò)構(gòu)建方法的研究，從不同用戶對(duì)同一項(xiàng)目評(píng)論標(biāo)準(zhǔn)不一致的觀點(diǎn)出發(fā)，構(gòu)建信任模型。本文信任模型包括用戶設(shè)定信任用戶所形成的顯性信任和通過(guò)用戶評(píng)分構(gòu)建的隱性信任，將兩種信任結(jié)合得到用戶的信任矩陣，并根據(jù)用戶的信任矩陣構(gòu)建用戶的反饋信任。本文利用Epinion數(shù)據(jù)對(duì)提出的信任模型的預(yù)測(cè)評(píng)分進(jìn)行預(yù)測(cè)準(zhǔn)確率和覆蓋率仿真實(shí)驗(yàn)。實(shí)驗(yàn)表明

4、，與基于顯性信任的推薦模型和原始的基于信任的推薦模型相比，本文構(gòu)建的信任模型在一定條件下對(duì)評(píng)分預(yù)測(cè)的準(zhǔn)確率有所提高。
　　2.提出用戶評(píng)分的激勵(lì)策略。研究用戶選擇項(xiàng)目評(píng)價(jià)的動(dòng)機(jī)，構(gòu)建用戶的激勵(lì)函數(shù)。根據(jù)其他信任用戶關(guān)于項(xiàng)目的評(píng)分設(shè)計(jì)用戶評(píng)分的固定激勵(lì)，并根據(jù)用戶推薦后得到的反饋信任構(gòu)建用戶推薦的動(dòng)態(tài)激勵(lì)，將兩部分激勵(lì)函數(shù)相結(jié)合作為激勵(lì)用戶評(píng)分的激勵(lì)函數(shù)。最后，基于博弈論的原理，分析在無(wú)激勵(lì)函數(shù)和給與用戶激勵(lì)函數(shù)的不同前提下，不同屬

5、性的用戶選擇評(píng)論行為的概率。分析表明，隨著時(shí)間的推移，給與激勵(lì)函數(shù)的策略與無(wú)激勵(lì)函數(shù)的策略相比，用戶為了獲得更多的利益，傾向于選擇評(píng)論策略，而對(duì)于共謀屬性的用戶參與評(píng)分后，用戶無(wú)法獲得最大的利益，隨著時(shí)間的推移用戶不得不選擇不評(píng)分策略。因此，激勵(lì)函數(shù)能夠促進(jìn)網(wǎng)絡(luò)中用戶評(píng)分，從而得到更多的項(xiàng)目評(píng)分。
　　3.提出了基于權(quán)威用戶的新用戶的推薦方法，將收益最大的用戶作為權(quán)威用戶，將權(quán)威用戶評(píng)分高的項(xiàng)目作為為新用戶推薦的項(xiàng)目。利用Epin