融合社交信息和用户评分行为的可信推荐算法研究

Recommendation system has been widely used in various fields, and has achieved great success. At the same time, it faces serious reliable problems: the openness of the system, the involving of users and the inherent weaknesses of recommendation algorithm, lead to the recommendation results are vulnerable to malicious interference and manipulation. Some bad businesses try to reap huge profits through manipulating the recommendation results. Based on this, this project will study the reliable recommendation service comprehensively. First of all, the project will study the characteristics of e-commerce website users’ behaviors, and extract the universal rules of user behaviors. Secondly, based on the universal characteristics of user rating behavior, we will design a fasle-user detection algorithm which is independent of specific attack model. Thirdly, the project will compare the short and long term impacts of various false user models for e-commerce sites, and also make sure the relationships between free parameters and the extent of interference. Finally, the project will focus on the user's trustness in the recommendation system, and strive to design a precise reliable recommendation algorithm based on user's rating behaviors and social information. From theoretical point of view, this project will consummate the researches of reliable recommendation. In practice, this project aims at improving the harmony and health of e-commerce websites’ ecosystem.

尽管推荐系统已经被广泛应用于各个领域，并且取得了巨大的成功，但同时也面临着严峻的可信问题：系统的公开性、用户的介入性以及推荐算法本身存在的弱点导致推荐结果容易被恶意干扰和操纵，有些不良商户试图通过操纵推荐结果来牟取暴利。基于此，本项目利用网络分析方法，对可信推荐服务进行全面、系统地研究。首先，将系统研究电子商务网站用户的行为，提取用户行为的一般性规律。其次，针对虚假用户的识别问题，基于用户评分行为的时间特性、文本信息和数据分布，设计不依赖于特定场景的高效识别方法。第三，项目还将系统对比各类虚假用户对于电子商务网站的短期和长期影响，明确伪造模型中各参数对于攻击危害程度的关系。最后，项目将关注于推荐系统中用户的信任度，通过耦合用户的评分行为和社交信息设计精准的可信推荐算法。该研究不仅能完善可信推荐问题的理论研究，而且能维持电子商务网站生态系统的和谐健康。

社交网络是被用来研究许多社会现象的重要方式之一。传播动力学过程是基于社交网络研究的一个重要组成部分，譬如传染病在人群中的爆发、信息/意见在社交网络上的散播。目前传播动力学相关研究已经成为复杂网络研究领域的一个热点和重点方向，尤其是今年新冠疫情的爆发。以往的研究大都集中在模型相关的改进，然而针对含权网络传播模型中异质性接受阈值的相关研究却相对贫乏。我们提出了一个异质性的含权复杂传播模型，其中每个个体都有不同的接受阈值。在此模型下构建了基于边权划分的数学模型，发现信息传播概率和最终感染节点之间的关系从混合相变转变为二级相变的趋势。同时通过分岔分析发现改变边权分布的异质性程度不会改变相变类型。以上结论的数学解析解和程序模拟结果都吻合的很好。此外，不少研究人员将物理领域的热传导及物质扩散算法引入到基于用户社交信息的电子商务的推荐算法领域并设计相应了推荐算法，而且最优推荐效果出现在基于热传导和物质扩散算法的综合算法达到平衡时。然而我们发现不同特性之间的相似度冗余会导致相似度估计误差偏大，基于此我们提出了混合算法，在真实数据集上的结果显示新算法能够提升推荐准确率，多样性和新颖性。