基于用户信任评分调节

个性化推荐服务的基本步骤一般分为两步或者三步:首先，计算用户之间的相似性；其次，根据用户之间的相似性来预测目标用户对某个项目的打分情况；最后，依据一定的条件向用户进行项目推荐，或者省略第二步直接根据用户之间的相似性来进行用户推荐，后者在社交网络环境中比较常见。

本节在实际操作过程中将用户对博文的偏好转换成一元评分，即如果用户明确“推荐”(网站中用户对博文的一种行为)某篇博文，那么用户对该博文的评分为1，否则为0。这样我们得到所有用户对博文的打分情况。显然，在将用户对博文的偏好转变成一元评分后，不能利用以往计算相似性的方法(如余弦距离、皮尔逊相关系数等)来获得用户之间的相似性。然而，具体分析用户的打分情形时，不难发现，当用户在面对不同作者的博文时，即使是给予相同的分数，分数所代表的意义依然不同。比如，用户阅读并推荐知名作者及其作品的几率要更大。所以，本节在用户对博文基本评分的基础上，加入用户对作者的认同感，以此来调节用户对博文的打分值。这里将用户对作者的认同感归为单方面的信任。

(1)用户间的信任

知识网络社区中，用户因为一定的目的而产生互动。这种互动积累到一定的程度，必然由用户对信息内容的认可，转化为对作者本身的认可。本节将这种基于知识认可基础上对人的认可，定义为用户间的信任。具体表现为用户对博文所产生的实名推荐行为。信任可以分为依赖性信任和决定性信任:依赖性信任可以将信任看成是一种主观的概率，而决定性信任是在相对安全的环境中，尽管可能产生不好的后果但依然形成的信任关系。本节所指的信任即用户因为长期的行为积累所形成的依赖性的信任。为了方便描述，这里将发表博文的用户称为作者，而一般的推荐者称为用户。实际情形中，一个用户既可以是作者，也可以是推荐者。

考虑到一位用户不可能喜欢同一位作者的所有博文，而一篇博文也不可能被所有用户喜爱，因此本节提出公式(6-11)来衡量用户对作者的信任。这里将用户基于对博文的推荐而表现出来的对用户的信任通过所有相关用户的最大化值来进行规范化，从而具有可比较性。用户ui对作者uj的信任tui，uj见公式(6-11)。

其中，sup(ui，uj)表示用户ui推荐作者uj的博文的篇数；max[sup(ui，uj)ui]表示用户ui推荐某一作者最多的次数；max[sup(ui，uj)uj]表示作者uj被某一用户推荐最多的次数。注意，一位用户对一篇博文仅有一次推荐的机会。这样根据公式(6-11)获得用户之间的信任值tui，uj，范围在[0，1]之间。(www.xing528.com)

(2)评分调节

根据用户之间的信任对打分进行调节，见公式(6-12)。

其中rui，n为原先用户ui对博文n的打分。

将公式(6-11)代入公式(6-12)，获得同一用户对不同博文的打分情况，以及不同用户对同一博文的打分情况。本节调节后的评分范围为[0，1]。