• Home
  • Improving Precision of Recommender Systems using Time-, Location- and Context-aware Trust Estimation Based on Clustering and Beta Distribution

Share To

Article Url


Manuscript ID : 1401031838021 Visit : 2611 Page: 58 - 66

20.1001.1.16823745.1402.21.1.16.7

Article Type: Original Research

Improving Precision of Recommender Systems using Time-, Location- and Context-aware Trust Estimation Based on Clustering and Beta Distribution

Subject Areas : electrical and computer engineering

Samaneh Sheibani 1 , Hassan Shakeri 2 , Reza Sheybani 3

1 - Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran
2 - Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran
3 - Mashhad branch, Islamic Azad University, Mashhad, IRAN

Received: 2022-06-09 Accepted : 2022-11-14 Published : 2023-07-01

Keywords: Recommender systems, Trust, Beta Distribution, Clustering, context-aware recommendation,

Abstract :

Calculation and applying trust among users has become popular in designing recommender systems in recent years. However, most of the trust-based recommender systems use only one factor for estimating the value of trust. In this paper, a multi-factor approach for estimating trust among users of recommender systems is introduced. In the proposed scheme, first, users of the system are clustered based on their similarities in demographics information and history of ratings. To predict the rating of the active user into a specific item, the value of trust between him and the other users in his cluster is calculated considering the factors i.e. time, location, and context of their rating. To this end, we propose an algorithm based on beta distribution. A novel tree-based measure for computing the semantic similarity between the contexts is utilized. Finally, the rating of the active user is predicted using weighted averaging where trust values are considered as weights. The proposed scheme was performed on three datasets, and the obtained results indicated that it outperforms existing methods in terms of accuracy and other efficiency metrics.

References:

1. Yao, L., Xu, Z., Zhou, X., & Lev, B., Synergies Between Association Rules and Collaborative Filtering in Recommender System: An Application to Auto Industry. Data Science and Digital Business, 2019: p. 16.
2. Rubens, N., et al., Active learning in recommender systems, in Recommender systems handbook. 2015, Springer. p. 809-846.
3. Li, Y.-M., C.-T. Wu, and C.-Y. Lai, A social recommender mechanism for e-commerce: Combining similarity, trust, and relationship. Decision Support Systems, 2013. 55(3): p. 740-752.
4. Savage, N.S., et al., I’m feeling loco: A location based context aware recommendation system, in Advances in Location-Based Services. 2012, Springer. p. 37-54.
5. Bączkiewicz, A., et al., Methodical Aspects of MCDM Based E-Commerce Recommender System. Journal of Theoretical and Applied Electronic Commerce Research, 2021. 16(6): p. 2192-2229.
6. Elahi, M., et al., User Preference Elicitation, Rating Sparsity and Cold Start. 2018.
7. Antolić, G. and L. Brkić. Recommender system based on the analysis of publicly available data. in 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). 2017. IEEE.
8. Wangwatcharakul, C. and S. Wongthanavasu, A novel temporal recommender system based on multiple transitions in user preference drift and topic review evolution. Expert Systems with Applications, 2021. 185: p. 115626.
9. Nilashi, M., O. Ibrahim, and K. Bagherifard, A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques. Expert Systems with Applications, 2018. 92: p. 507-520.
10. Zheng, X.-L., et al., A hybrid trust-based recommender system for online communities of practice. IEEE Transactions on Learning Technologies, 2015. 8(4): p. 345-356.
11. Sani, N.S. and F.N. Tabriz, A new strategy in trust-based recommender system using k-means clustering. International Journal of Advanced Computer Science And Applications, 2017. 8(9): p. 152-156.
12. Nobahari, V., M. Jalali, and S.J.S. Mahdavi, ISoTrustSeq: a social recommender system based on implicit interest, trust and sequential behaviors of users using matrix factorization. Journal of Intelligent Information Systems, 2019. 52(2): p. 239-268.
13. AlBanna, B., et al., Interest aware location-based recommender system using geo-tagged social media. ISPRS International Journal of Geo-Information, 2016. 5(12): p. 245.
14. Celdrán, A.H., et al., Design of a recommender system based on users’ behavior and collaborative location and tracking. Journal of Computational Science, 2016. 12: p. 83-94.
15. Khazaei, E. and A. Alimohammadi, An automatic user grouping model for a group recommender system in location-based social networks. ISPRS international journal of geo-information, 2018. 7(2): p. 67.
16. Gao, H., et al. Content-aware point of interest recommendation on location-based social networks. in Twenty-ninth AAAI conference on Artificial Intelligence. 2015.
17. Tahmasbi, H., M. Jalali, and H. Shakeri. Modeling temporal dynamics of user preferences in movie recommendation. in 2018 8th International Conference on Computer and Knowledge Engineering (ICCKE). 2018. IEEE.
18. Kefalas, P. and Y. Manolopoulos, A time-aware spatio-textual recommender system. Expert Systems with Applications, 2017. 78: p. 396-406.
19. Fard, K.B., et al., Recommender System Based on Semantic Similarity. International Journal of Electrical & Computer Engineering (2088-8708), 2013. 3(6).
20. Urena, R., et al., A review on trust propagation and opinion dynamics in social networks and group decision making frameworks. Information Sciences, 2019. 478: p. 461-475.
21. Ghavipour, M. and M.R. Meybodi, A dynamic algorithm for stochastic trust propagation in online social networks: Learning automata approach. Computer Communications, 2018. 123: p. 11-23.
22. Xue, H., et al., Content-aware trust propagation toward online review spam detection. Journal of Data and Information Quality (JDIQ), 2019. 11(3): p. 1-31.
23. Ying, H., et al., Time-aware metric embedding with asymmetric projection for successive POI recommendation. World Wide Web, 2019. 22(5): p. 2209-2224.
24. Rafailidis, D. and A. Nanopoulos, Modeling users preference dynamics and side information in recommender systems. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2015. 46(6): p. 782-792.
25. Adomavicius, G. and A. Tuzhilin, Context-aware recommender systems, in Recommender systems handbook. 2011, Springer. p. 217-253.
26. Lathia, N., et al. Temporal diversity in recommender systems. in Proceedings of the 33rd international ACM SIGIR conference on Research and development in information retrieval. 2010.
27. Xiong, L., et al. Temporal collaborative filtering with bayesian probabilistic tensor factorization. in Proceedings of the 2010 SIAM international conference on data mining. 2010. SIAM.
28. Roy, F., A Comparative Analysis of Different Trust Metrics in User-User Trust-Based Recommender System. 2020.
29. Bedi, P., Combining trust and reputation as user influence in cross domain group recommender system (CDGRS). Journal of Intelligent & Fuzzy Systems, 2020. 38(5): p. 6235-6246.
30. Richa and P. Bedi, Trust and Distrust based Cross-domain Recommender System. Applied Artificial Intelligence, 2021. 35(4): p. 326-351.
31. El Yebdri, Z., et al., Context-aware recommender system using trust network. Computing, 2021: p. 1-19.
32. Asani, E., H. Vahdat-Nejad, and J. Sadri, Restaurant recommender system based on sentiment analysis. Machine Learning with Applications, 2021. 6: p. 100114.
33. Cardoso, I.M.G., Vulcont: A Recommender System based on Contexts History Ontology. 2017.
34. Seo, Y.-D. and Y.-S. Cho, Point of interest recommendations based on the anchoring effect in location-based social network services. Expert Systems with Applications, 2021. 164: p. 114018.
35. Milias, V. and A. Psyllidis, Assessing the influence of point-of-interest features on the classification of place categories. Computers, Environment and Urban Systems, 2021. 86: p. 101597.
36. Han, P., et al., Point-of-interest recommendation with global and local context. IEEE Transactions on Knowledge and Data Engineering, 2021.
37. Agrawal, S., D. Roy, and M. Mitra, Tag embedding based personalized point of interest recommendation system. Information Processing & Management, 2021. 58(6): p. 102690.
38. Fang, W., et al., A resilient trust management scheme for defending against reputation time-varying attacks based on BETA distribution. Science China Information Sciences, 2017. 60(4): p. 1-11.
39. Moe, M.E., B.E. Helvik, and S.J. Knapskog. Comparison of the beta and the hidden markov models of trust in dynamic environments. in IFIP International Conference on Trust Management. 2009. Springer.
40. Wu, X., et al., BLTM: beta and LQI based trust model for wireless sensor networks. IEEE Access, 2019. 7: p. 43679-43690.
41. Wu, Z. and M. Palmer. V Verbs semantics and lexical selection. in Proceedings of the 32nd annual meeting on Association for Computational Linguistics. 1994.
42. Yelp Challenge Dataset. 2018.
43. Liu, Y., et al., An experimental evaluation of point-of-interest recommendation in location-based social networks. Proceedings of the VLDB Endowment, 2017. 10(10): p. 1010-1021.
44. Cho, E., S.A. Myers, and J. Leskovec. Friendship and mobility: user movement in location-based social networks. in Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining. 2011.
45. Ardissono, L. and N. Mauro, A compositional model of multi-faceted trust for personalized item recommendation. Expert Systems with Applications, 2020. 140: p. 112880.
Full-Text:
معرفي يک روش جديد خوشه‌يابي خودکار

67                                                                                              نشریه مهندسی برق و مهندسی کامپیوتر ایران، ب- مهندسی کامپیوتر، سال 21، شماره 1، بهار 1402

مقاله پژوهشی

بهبود دقت سیستم‏های پیشنهاددهنده با تخمین اعتماد آگاه از زمان، مکان و زمینه بر اساس خوشه‏بندی و توزیع بتا

سمانه شیبانی، حسن شاکری و رضا شیبانی

 

 

1 

چکیده: در دهه‏هاي اخير، رويکرد محاسبه و اعمال اعتماد بين کاربران در طراحي سيستم‏هاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد فقط از يک فاکتور براي تخمين مقدار اعتماد استفاده مي‏کنند. در اين مقاله يک رويکرد چندفاکتوري براي تخمين اعتماد بين کاربران سيستم‏هاي پيشنهاددهنده ارائه مي‏گردد که در طرح پيشنهادي، ابتدا کاربران سيستم بر اساس شباهت مبتني بر مشخصات و تاريخچه ارزشيابي‏ها خوشه‏بندي مي‏شوند. براي تخمين ارزشيابي کاربر فعال به يک آيتم خاص، مقدار اعتماد بين او و ساير کاربران هم‏خوشه‏اش با درنظرگرفتن فاکتورهاي زمان، مکان و زمينه ارزشيابي محاسبه مي‏شود. براي اين منظور، ما الگوريتمي مبتني بر توزيع بتا معرفي مي‏کنيم و يک معيار مبتني بر درخت جديد براي محاسبه شباهت معنايي بين زمينه‏ها مورد استفاده قرار مي‏گيرد. در نهايت،‌ ارزشيابي کاربر فعال با استفاده از ميانگين‏گيري وزني تخمين زده مي‏شود که مقادير اعتماد به عنوان وزن در ميانگين‏گيري منظور مي‏شوند. طرح پيشنهادي 
بر روي سه مجموعه داده مطرح اجرا شده و ارزيابي و مقايسه نشان مي‏دهد که اين طرح، نتايج بهتري را از نظر ملاک‏هاي دقت و کارآمدي نسبت به روش‏هاي موجود ارائه مي‏کند.

 

کلیدواژه: اعتماد، پيشنهاد آگاه از زمينه، توزيع بتا، خوشه‏بندي، سيستم‏هاي پيشنهاددهنده.

1-       مقدمه

در دهه‏هاي اخير، توسعه و استفاده از سيستم‏هاي پيشنهاددهنده گسترش يافته است. اين سيستم‏ها به کاربران کمک مي‏کنند تا اقلام و خدمات مورد علاقه خود را در حوزه‏هاي کاربردي مختلف پيدا و انتخاب کنند. سيستم‏هاي پيشنهاددهنده از تکنيک‏هاي مبتني بر هوش مصنوعي بهره مي‏برند تا حدس بزنند که يک کاربر احتمالاً به چه اقلامي علاقه‌مند خواهد بود و سپس اين اقلام را به کاربر پيشنهاد مي‏کنند. همچنين اين سيستم‏ها با دنبال‏کردن واکنش و بازخورد کاربران نسبت به اقلام پيشنهادي در مورد ترجيحات کاربران ياد مي‏گيرند.

پالايش مشارکتي (CF)، يک رويکرد متداول مورد استفاده در سيستم‏هاي پيشنهاددهنده است. ايده اصلي در CF آن است که بر اساس شباهت‏هاي کاربر- کاربر و آيتم- آيتم، اقلامي به کاربر پيشنهاد شود [1] تا [5]. سيستم‏هاي پيشنهاددهنده مبتني بر پالايش مشارکتي بر اساس رفتار گذشته کاربر هدف و ساير کاربران، يک مدل مي‏سازند و سپس از اين مدل براي پيش‏بيني علايق کاربر استفاده مي‏کنند. اما به دليل مشکلات خلوتي داده‏ها و شروع سرد، رويکرد CF يک راه حل بي‏عيب و بدون نقص براي ارائه توصيه‏هاي دقيق نيست [6] تا [9].

راه حل‏هاي مختلفي براي حل اين مشکلات توسط پژوهشگران پيشنهاد شده است. يکي از موفق‏ترين تکنيک‏ها در اين زمينه، واردکردن استنتاج اعتماد در رويکرد پالايش مشارکتي سنتي است [10] تا [12]. با وجود اين، اغلب سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد فقط از يک فاکتور براي تخمين مقدار اعتماد استفاده مي‏کنند.

از طرف دیگر، پیشرفت‏های اخیر در فناوری‏های موبایل و ردیابی موقعیت مکانی، امکان توسعه سیستم‏های پیشنهاددهنده مبتنی بر مکان را فراهم آورده‌اند. به عنوان نمونه در چند کار تحقیقاتی مختلف، راهکارهایی مبنی بر درنظرگرفتن مکان کاربر، اطلاعات جغرافیایی و حرکت کاربر 
پس از دریافت پیشنهادها به منظور بهبود صحت توصیه‏های سیستم‏های پیشنهاددهنده و حل مشکل شروع سرد ارائه شده است [13] تا [16].

یک زمینه تحقیقاتی دیگر در حوزه سیستم‏های پیشنهاددهنده، درنظرگرفتن پارامتر زمان برای شناسایی علایق کاربر است. در مدل ارائه‏شده برای اعمال پویایی زمانی ترجیحات کاربران از یک چارچوب تجزیه تنسور برای مدل‏سازی استفاده شده است [17]. در این مدل، وزن ترجیحات و ارزشیابی‏های کاربر در گذشته بر مبنای یک ضریب فرسایش مبتنی بر زمان کاهش می‏یابد. همچنین در پژوهش دیگری، مؤلفان دو مدل را برای پیشنهاد POI ارائه کرده‏اند و هر دو فاکتور مکان و زمان را در نظر گرفته‏‏اند [18].

همچنین برخی از کارهای تحقیقاتی اخیر از اعمال مفهوم زمینه و دسته (رده) اقلام و رابطه و شباهت بین زمینه‏ها به عنوان یک رویکرد کارآمد برای دستیابی به توصیه‏های دقیق‏تر استفاده می‏کنند. به عنوان نمونه در مدل ارائه‏شده برای سیستم پیشنهاددهنده مبتنی بر روابط معنایی [19]، یک معیار شباهت معنایی برای یافتن همسایه‏های کاربر هدف و اقلام مورد علاقه وی پیشنهاد شده است.

کارآمدي و دقت سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد با درنظرگرفتن پارامترهاي مختلف در تخمين اعتماد مي‏تواند بهبود يابد. مشخصاً درنظرگرفتن تأثير فاصله مکاني،‌ زماني و زمينه‏اي در محاسبه اعتماد در اين راستا مي‏تواند مفيد باشد. در اين مقاله، يک رويکرد چندفاکتوري براي تخمين اعتماد بين کاربران سيستم‏هاي پيشنهاددهنده معرفي مي‏شود. در طرح پيشنهادي، ابتدا کاربران سيستم بر اساس شباهت‏هاي  آنها  از  نظر  مشخصات  و  تاريخچه  ارزشيابي‏ها،  خوشه‏بندي 

img0 

شکل 1:  یک شبکه اعتماد نمونه.

 

مي‏شوند. براي تخمين ارزشيابي کاربر فعال به يک آيتم خاص، مقدار اعتماد بين او و ساير کاربران واقع در خوشه او با درنظرگرفتن فاکتورهاي زمان، مکان و زمينه ارزشيابي‏ها محاسبه مي‏شود. براي اين منظور ما يک الگوريتم مبتني بر توزيع بتا ارائه مي‏کنيم. در آخرين مرحله، امتياز کاربر فعال با ميانگين‏گيري وزني و با درنظرگرفتن مقادير اعتماد به عنوان وزن تخمين زده مي‏شود.

مهم‏ترين نوآوري‏هاي اين مقاله به شرح زير است:

•        درنظرگرفتن فاکتورهاي زمان،‌ مکان و زمينه در تخمين اعتماد

•        ارائه يک روش بهبوديافته مبتني بر توزيع بتا براي محاسبه اعتماد

•        بهره‏گيري از يک معيار جديد مبتني بر درخت براي محاسبه شباهت معنايي بين زمينه‏ها در طرح پيشنهادي

در ادامه و در بخش 2 کارهاي مرتبط در زمينه سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد را بررسي مي‏کنيم. سپس در بخش 3 بيان مسأله مطرح مي‏شود. در بخش 4 رويکرد پيشنهادي را براي ارائه توصيه‏ها با اعمال اعتماد چندفاکتوري مبتني بر توزيع بتا ارائه و توصيف مي‏کنيم. بخش 5 به ارائه و تحليل نتايج آزمايش‏ها و ارزيابي روش پيشنهادي در مقايسه 
با چند روش موجود اختصاص دارد و نهايتاً در بخش 6 نتيجه‏‏گيري و پيشنهادها براي کارهاي آينده ارائه مي‏شود.

2-       کارهای مرتبط

در اين بخش، کارهاي مرتبط در زمينه سيستم‏هاي پيشنهاددهنده مبتني بر اعتماد، زمان، مکان و زمينه را بررسي و تحليل مي‏کنيم. الگوريتم‏هاي توصيه متعددي از سطح اعتماد بين کاربران براي مقابله 
با چالش‏هاي خلوتي داده‏ها و بهبود پيشنهادها استفاده مي‏کنند. اعمال اعتماد مي‏تواند فرايند تصميم‏گيري را براي سيستم پيشنهاددهنده تسهيل کند. روابط اعتماد بين افراد در يک جامعه معمولاً با يک شبکه اعتماد نشان داده مي‏شود که يک گراف جهت‏دار است که رأس‏هاي آن، افراد جامعه و يال‏هاي آن، روابط اعتماد بين افراد را نشان مي‏دهند. معمولاً يال‏ها با مقادير اعتماد (اغلب، اعداد حقيقي در بازه [1،0]) برچسب‏گذاري مي‏شوند. شکل 1 يک شبکه اعتماد نمونه را نشان مي‏دهد.

برخي از کارهاي تحقيقاتي از مدل‏هاي اعتماد پويا استفاده مي‏کنند که يکي از اين مدل‏ها مدل FJ ناميده مي‏شود [20]. در اين مدل، نحوه تغییر و تحول نظرات افراد بر اساس نظرات قبلی آنها بررسی می‏شود. این بررسی بر اساس این فرض صورت می‏گیرد که افراد، نظراتشان را از طریق ترکیبی از نظرات خودشان و نظرات دیگران به‌روزرسانی می‏کنند و در این ترکیب، وزن هر نظر به صورت خودکار توسط فرد و با توجه به پاسخ‏ او به نظرات سایر افراد تعیین می‏شود. بیان ریاضی ایده فوق در (1) ارائه شده است

img0        (1)

رابطه فوق براي تخمين نظرات اعتماد فرد در يک لحظه زماني خاص ارائه شده که در آن img0 بردار نشان‏دهنده نظرات افراد در لحظه زمانی img0، img0 قابلیت کنشگرها برای نفوذهای بین فردی و img0 ماتریس همانی img0 است. منظور از کنشگرها افرادی هستند که نظرات آنها بر روی نظر فرد مورد بررسی تأثیر دارد و img0 اهمیت نسبی کنشگرها را بر روی ترجیحات هر کاربر نشان می‏دهد. به بیان دقیق‏تر، مقدار img0 میزان اهمیتی است که فرد img0 برای نظر مطرح‏شده توسط فرد img0 قائل می‏شود. مقادیر عناصر ماتریس img0 به صورتی تنظیم می‏گردد که مجموع عناصر هر سطر ماتریس برابر با 1 است.

در برخی منابع برای درنظرگرفتن پویایی روابط اعتماد از یک گراف با برچسب‏های یال متغیر با زمان برای بازنمایی شبکه اعتماد استفاده شده است [21]. الگوریتم پیشنهادی در این مرجع که DyTrust نامیده می‏شود از یک رویکرد پویا برای محاسبه مقدار اعتماد غیرمستقیم بین دو کاربر بهره می‏برد؛ به‏گونه‏ای که در هر لحظه خاص، مسیرهای اعتماد قابل اتکا را شناسایی و انتشار اعتماد را بر اساس این مسیرها اعمال می‏کند.

در مدل انتشار اعتماد برای تشخیص هرزنامه [22]، روابط بین نظرات یک کاربر درباره جنبه‏های مختلف رضایت از یک آیتم هدف در نظر گرفته می‏شود. این رویکرد می‏تواند به نوعی یک روش انتشار اعتماد مبتنی بر زمینه تلقی گردد. البته هیچ روش یا معیار مشخصی برای اندازه‏گیری سطح روابط بین نظرات کاربران ارائه نشده است.

کارهای تحقیقاتی مختلفی با هدف بررسی تأثیر روابط اجتماعی، زمان، مکان و زمینه بر کارایی سیستم‏های پیشنهاددهنده انجام شده است. به عنوان نمونه در یکی از کارهای تحقیقاتی در این زمینه، یک الگوریتم توصیه مبتنی بر مکان برای ارتقای صحت اقلام پیشنهادی بر اساس یادگیری با توجه به تحلیل پروفایل کاربر در شبکه‏های اجتماعی و موقعیت مکانی وی ارائه شده است [4]. اگرچه این الگوریتم، نوعی زمینه را در نظر می‏گیرد ولی تلقی آن از مفهوم زمینه با آنچه در مدل پیشنهادی ما مد نظر است، متفاوت می‌باشد. در واقع در مدل مذکور، اصطلاح زمینه به شرایط و حس و حال کاربر اطلاق می‏شود؛ در حالی که در مدل پیشنهادی ما منظور از زمینه، حوزه و دامنه اقلام پیشنهادی به کاربر است.

الگوریتم پیشنهاد POI [23] دو خاصیت زیر را برای پیشنهادهای POI بعدی در نظر می‏گیرد:

1)        احتمال‏های پیشرو و پسرو بین یک جفت POI که به صورت متوالی توسط کاربر مورد بازدید قرار می‏گیرند، نامتقارن هستند.

2)        کاربران معمولاً POIهای متوالی مختلفی را در زمان‏های مختلف ترجیح می‏دهند.

در پژوهشی دیگر، یک مدل گروه‏بندی کاربران ارائه شده تا اطلاعاتی در مورد کاربران از طریق یک شبکه اجتماعی مبتنی بر مکان (LBSN) به دست آید [15]. ترجیحات این کاربران، نزدیکی موقعیت مکان‏های بازدیدشده توسط کاربران، روزهای فراغت کاربران و روابط اجتماعی بین آنها به صورت خودکار از سابقه مکان کاربران و پروفایل‏های آنها در شبکه اجتماعی استخراج می‏شود. با ترکیب این فاکتورها شباهت بین کاربران تعیین می‏گردد و کاربران به گروه‏هایی دسته‏بندی می‏شوند.

در رویکرد مدل‏سازی پویایی، ترجیحات کاربر در سیستم‏های پیشنهاددهنده بر اساس چارچوب تجزیه تنسور زوجی [17] ترجیحات گذشته کاربر وزن‏دهی می‏شوند و اهمیت آنها به تدریج بر اساس یک فاکتور موسوم به ضریب فرسایش زمانی فردی کاهش می‏یابد. مقدار این فاکتور به نرخ پویایی ترجیحات کاربر بر اساس [24] وابسته است که به صورت زیر محاسبه می‏شود

img0        (2)

که img0 و img0 به ترتیب مجموعه‏های ژانرهای فیلم‏هایی است که کاربر در دوره زمانی گذشته و حال با آنها تعامل داشته است. همچنین مدل مذکور از مشخصات کاربران و شباهت‏های بین آنها به عنوان دانش پیشین درباره پویایی ترجیحات کاربر استفاده می‏کند.

در تحقیقی دیگر، دو مدل برای ارائه توصیه‏های نظرات و مکان‏ها با درنظرگرفتن فاکتورهای مکانی، متنی و زمانی نظرات کاربران و نیز تأثیر سابقه بازدید کاربران از مکان‏ها و نفوذ اجتماعی نظرات کاربران پیشنهاد شده [24] که هر دو برای انتخاب مرتبط‏ترین کاربران از پیش‏پالایش اطلاعات [25] استفاده می‏کنند. بر اساس تحقیقات صورت‏گرفته [26] و [27]، چهار دلیل اصلی تغییر ترجیحات کاربران یعنی کشف مکان‏های جدید، تجربه کاربر، محبوبیت و نفوذ اجتماعی در نظر گرفته شده‏اند.

در مدل‏سازی ترجیحات کاربر [24]، مدل پالایش مبتنی بر آیتم به دو روش توسعه می‏یابد: 1) اعمال فاکتور تقریب در محاسبه شباهت بین دو کاربر و 2) درنظرگرفتن تاریخچه نظرات فقط کاربران نزدیک به جای کلیه نظرات.

در مرور مفهومی رویکردهای سیستم‏های پیشنهاددهنده مبتنی بر اعتماد [28]، مطالعات اخیر بر روی این سیستم‏ها و همچنین تحلیلی از ملاک‏های اعتماد مورد استفاده در این حوزه ارائه گردیده است. مؤلفان نتیجه می‏‏گیرند که در ساختن ملاک اعتماد باید زمان ارزشیابی همراه با اطلاعات ارزشیابی آیتم در نظر گرفته شود تا ملاک‏های پویایی اعتماد، باکیفیت‏تر شود. آنها همچنین پیشنهاد می‏کنند که اطلاعات زمینه‏ای و رفتاری کاربران و اقلام در ملاک‏های اعتماد در نظر گرفته شوند تا معیارهای وابسته به زمینه تعیین گردند.

در رویکرد بین دامنه‏ای برای سیستم‏های پیشنهاددهنده گروهی [29]، پیشنهادهای ارائه‏شده توسط کاربران قابل اعتماد و خوش‏نام در گروه، پذیرش توصیه‏ها را نسبت به پیشنهادهای سایر افراد گروه بهبود می‏دهد. سیستم به گونه‏ای طراحی شده که اطلاعات زیردامنه‏های مختلف دامنه گردشگری را در نظر می‏گیرد.

سیستم پیشنهاددهنده بین دامنه‏ای (CDRS) [30] از داده‏های چندین دامنه برای کاهش مشکل خلوتی استفاده می‏کند. این سیستم اطلاعات اعتماد و بی‏اعتمادی را برای بهبود قابلیت اعتماد پیشنهادهای تولیدشده در نظر می‏گیرد.

در تحقیقی دیگر، یک رویکرد پس‏پالایش مبتنی بر اعتماد آگاه از زمینه برای غلبه بر مشکلات خلوتی داده‏ها و شروع سرد در سیستم‏های پیشنهاددهنده پیشنهاد گردیده است [31] که از میانگین اختلاف نسبی بین زمینه‏ها استفاده می‏کند. مؤلفان در ابتدا میانگین امتیاز را برای هر شرایط زمینه‏ای محاسبه می‏کنند و همه ارزشیابی‏ها را بر اساس وضعیت زمینه‏ای هر چندگانه متوازن می‏نمایند. آنها همچنین از مفهوم اطمینان برای حذف کاربران غیرقابل اطمینان از شبکه اعتماد قبل از تولید پیش‏بینی‏ها استفاده می‏کنند.

در سيستم پيشنهاددهنده آگاه از زمينه [32]، يک رويکرد معنايي براي پيشنهاد رستوران متناسب با علايق کاربر معرفي گردیده است. براي اين منظور، نام غذاهاي استخراج‏شده از نظرات کاربران خوشه‏بندي شده و احساسات آنها در مورد غذاها مورد تحليل قرار گرفته است. زمان کار رستوران‏ها و ترجيحات کاربر، مؤلفه‏هاي اصلي اطلاعات زمينه‏اي هستند که در توصيه‏ها مورد استفاده قرار مي‏گيرند.

رویکردهای مختلفی براي رفع مشکل تغييرات در ترجيحات کاربر در تحقیقات ارائه شده است؛ از جمله سيستم پيشنهاددهنده آگاه از زمان [32] از يک فاکتور چندگذره و يک تابع زماني فراموشي براي درنظرگرفتن تغييرات علايق کاربر استفاده مي‏کند. سيستم مذکور همچنين از نظرات متني بهره مي‏گيرد و به صورت خودکار، فاکتورهاي مخفي در هر دوره زماني را دسته‏بندي مي‏کند و روش گذار را براي عنوان نظرات مرتبط در نظر مي‏گيرد.

سيستم پيشنهاددهنده مبتني بر آنتولوژي سابقه زمينه [33]، شباهت سابقه زمينه را با استفاده از روابط مترادف‏بودن و روابط مبتني بر مفهوم کلاس اندازه‏گيري مي‏کند. اين سوابق، امکان ارائه پيشنهادهاي شخصي‏تر را با توجه به ترجيحات ازپيش‏تعريف‏شده فراهم مي‏آورند.

اعمال فاکتورهاي زمان و مکان و زمينه به‏ويژه در حوزه پيشنهاد POI بسيار کارامد و در ارائه توصيه‏هاي مناسب مؤثر است. در اين راستا چندين رويکرد در پژوهش‏هاي اخير معرفي شده که از جمله مي‏توان به تخصيص پنهان ديريکله (LDA) مبتني بر اثر لنگري [34]، طبقه‏بندي نوع مکان‏ها [35]، درنظرگرفتن اطلاعات زمينه‏اي جغرافيايي در سطح سراسري [36] و درج برچسب [37] اشاره کرد.

از طرف ديگر، برخي از طرح‏هاي مديريت اعتماد براي ارزيابي مقدار اعتماد بين دو گره از توزيع بتا استفاده مي‏کنند. اميد رياضي مقدار توزيع بتا با استفاده از رابطه زير به دست مي‏آيد

img0        (3)

برخي از کارهاي تحقيقاتي، مقدار اعتماد را بر اساس رابطه فوق محاسبه مي‏کنند؛ به اين ترتيب که img0 و img0 را به عنوان تابعي از تعداد تعاملات همکارانه و غيرهمکارانه در نظر مي‏گيرند [38] تا [40]. براي اين منظور رابطه زير پيشنهاد شده است [39]

img0        (4)

که در آن img0 و img0 به ترتيب تعداد تعاملات خوب و بد در مرحله img0 را نشان مي‏دهند. اعتماد به عنوان اميد رياضي img0 در نظر گرفته مي‏شود و بنابراين داريم

img0        (5)

توزیع بتا به دلیل تطبیق‏پذیری و سادگی و در عین حال پایه قوی آماری آن به طور گسترده در تحلیل تعاملات بین افراد بر اساس مدارک و شواهد مورد استفاده قرار می‏گیرد [38]. به کمک این توزیع بر اساس تعداد تعاملات همکارانه و غیرهمکارانه یک فرد می‏توان احتمال مشاهده رفتار همکارانه از فرد را محاسبه کرد. در تحقیقات ثابت گردیده که شهرت2 
یا خوش‏نامی یک فرد از تابع توزیع بتا تبعیت می‏کند [39] و [40]. در ساده‏ترین حالت، اگر تعداد تعاملات همکارانه و غیرهمکارانه یک فرد img0 به ترتیب با img0 و img0 نشان داده شود، شهرت فرد مذکور برابر با مقدار img0 تخمین زده می‏شود. با وجود این، مدل‏های موجود برای محاسبه شهرت بر مبنای توزیع بتا عموماً تعاملات فرد مورد ارزیابی را به صورت دنباله‏ای از عملکردها در نظر می‏گیرند که ارزش دودویی (خوب  یا  بد  و  به  عبارت  دیگر  رضایت‌بخش  یا  غیررضایت‏بخش)  دارند 

img0 

شکل 2:  طرح كلي روش پيشنهادي.

 

[39]. در حالی که در اغلب کاربردها از جمله در مبحث سیستم‏های پیشنهاددهنده، ارزشیابی‏ها به صورت چندسطحی (مثلاً پنج‏سطحی) در دسترس هستند. به همین دلیل مدل ارائه‏شده در این مقاله، راهکاری را برای محاسبه اعتماد بر مبنای بازخوردهای چندسطحی پیشنهاد می‏کند.

مؤلفان مقاله حاضر در سال 1395 یک مدل لایه‏ای اعتماد آگاه از اطمینان را برای بهبود دقت توصیه‏ها در سیستم‏های پیشنهاددهنده ارائه کرده‏اند [41]. مدل مذکور از چهار لایه ارزشیابی، اعتماد مستقیم، اعتماد غیرمستقیم و پیشنهاد تشکیل شده و برای تخمین سطح اعتماد از ترکیب اعتماد ضمنی و صریح بر اساس مدل منطق ذهنی استفاده می‏کند. اگرچه مدل مذکور، پارامتر زمان را برای محاسبه سطح اطمینان به اعتماد محاسبه‏شده مورد توجه و استفاده قرار می‏دهد، اما پارامترهای مکان و زمینه در آن در نظر گرفته نشده است. به همین دلیل در این مقاله، مدل جدیدی ارائه می‏کنیم که این دو پارامتر را هم در ارزیابی اعتماد اعمال می‏کند. نوآوری دیگر این مدل جدید و وجه تمایز آن با مدل قبلی [41]، رویکرد خوشه‏بندی کاربران بر اساس مشخصات و تاریخچه ارزشیابی‏ها و همچنین استفاده از توزیع بتا برای محاسبه اعتماد چندفاکتوری است.

3-       بیان مسأله

در این بخش، تعریفی فرمال از مسأله، ارائه و نمادهای مورد استفاده در ادامه مقاله تعریف می‏شود. به صورت فرمال، مسأله این تحقیق را می‏توان به صورت زیر بیان کرد:

ورودی

•        img0: شناسه کاربر فعال، یعنی کاربری که قرار است امتیاز او به آیتم هدف تخمین زده شود.

•        img0: شناسه آیتم هدف، یعنی آیتمی که پیش‏بینی امتیاز برای آن قرار است انجام شود.

•        img0: زمان فعلی

•        img0: موقعیت مکانی کاربر فعال

خروجی

•        img0: مقدار تخمین‏زده‏شده برای امتیاز کاربر فعال img0 به آیتم هدف img0 در لحظه زمانی کنونی img0 و موقعیت مکانی فعلی img0 که به عنوان مقدار تابع img0 نشان داده می‏شود.

مفروضات

•        پایگاه داده ارزشیابی‏های آگاه از زمان و مکان کاربران در دسترس است و یا در زمان شروع به کار سیستم، امکان ساختن آن از مجموعه ارزشیابی‏های خام کاربران وجود دارد. هر رکورد این پایگاه داده به شکل یک پنج‏تایی img0 است. این پنج فیلد به ترتیب شناسه کاربر، شناسه آیتم، زمان، مکان و مقدار ارزشیابی را نشان می‏دهند. البته مقدار img0 در بسیاری از رکوردهای پایگاه داده تهی (نامعلوم) است.

•        پروفایل کاربران سیستم پیشنهاددهنده در شبکه‏های اجتماعی یا حداقل برخی از فیلدهای پروفایل آنها و نیز شبکه مقادیر اعتماد صریح بین کاربران ممکن است در دسترس باشد که در این صورت، دقت پیش‏بینی‏ها و پیشنهادها افزایش خواهد یافت.

4-       مدل پیشنهادی

در این بخش، مدل پیشنهادی توصیف می‏شود. ابتدا در زیربخش 4-1 توصیف کلی مدل، روندنما و شبه‏کد رویکرد پیشنهادی را برای تخمین ارزشیابی و انتخاب img0 آیتم برتر، ارائه و سپس در زیربخش 4-2 ماژول تخمین ارزشیابی را با جزئیات بیشتر تشریح می‏کنیم.

4-1 توصیف کلی مدل پیشنهادی

طرح کلی مدل پیشنهادی در شکل 2 نشان داده شده است. همان طور که دیده می‏شود، در ابتدای کار مقدار ارزشیابی‏ کاربران به صورت خام در دسترس است. چند گام پیش‏پردازش بر روی این داده‏های خام لازم است تا یک پایگاه داده ارزشیابی ساخت‌یافته ساخته شود. به عنوان نمونه، ارزشیابی‏های خام ممکن است در قالب متن باشند یا حتی ممکن است ارزشیابی‏ها صریحاً در دسترس نباشند؛ بلکه لازم باشد تا ارزشیابی‏های کاربران به صورت ضمنی بر اساس رفتار آنها با آیتم‏ها (مثلاً تعداد دفعات تماشای یک فیلم یا مدت زمان ماندن بر روی یک صفحه وب) تخمین زده شود. از طرف ديگر اگر پروفايل کاربران در دسترس باشد، داده‏هاي پروفايل مي‏تواند مورد پردازش قرار گيرد تا ويژگي‏ها و مشخصات کاربر استخراج شود. اين اطلاعات به عنوان يکي از مهم‏ترين پارامترها براي محاسبه شباهت‏ها بين کاربران و خوشه‏بندي آنها استفاده خواهد شد.

در گام بعدي، کاربران بر مبناي مقدار شباهت استخراج‏شده از پايگاه داده ارزشيابي و داده‏هاي پروفايل کاربر، خوشه‏بندي مي‏شوند. براي اين منظور هر الگوريتم خوشه‏بندي قابل استفاده است و ما از الگوريتم معروف K-means استفاده کرديم. براي تخمين ارزشيابي کاربر فعال به يک آيتم خاص، شناسه‏هاي کاربر و آيتم، زمان جاري و موقعيت مکاني کاربر به عنوان چهار پارامتر img0، img0، img0 و img0 به عنوان ورودي به سيستم وارد مي‏شود. ابتدا در ماژول تخمين اعتماد، مقدار اعتماد بين کاربر فعال و هر يک از کاربران ديگر موجود در خوشه او با درنظرگرفتن سه فاکتور زمان، مکان و زمينه ارزشيابي‏ها محاسبه مي‏شود. براي اين منظور ما يک الگوريتم مبتني بر توزيع بتا را ارائه مي‏کنيم. سپس در ماژول تخمين ارزشيابي، مقدار img0 يعني ارزشيابي کاربر فعال img0 به آيتم img0 در زمان و مکان فعلي با استفاده از ميانگين‏گيري وزني تخمين زده مي‏شود که مقادير اعتماد به عنوان وزن در نظر گرفته مي‏شوند. در بخش بعدي عملکرد اين ماژول‏ها را با جزئيات توصيف مي‏کنيم.

خروجي تابع تخمين ارزشيابي براي به‌روزرساني پايگاه داده ارزشيابي استفاده مي‏شود و نيز به عنوان خروجي الگوريتم (جهت تعيين اين که آيا آيتم img0 در بين img0 آيتم برتر جهت پيشنهاد به کاربر img0 قرار گيرد يا خير) مورد استفاده قرار مي‏گيرد. روندنمای فرايند تخمين اقلام مورد علاقه کاربر فعال در شکل 3 آمده است. همان طور که مشاهده مي‏شود، شناسه کاربر فعال img0، زمان جاری img0 و موقعیت مکانی کاربر img0 به هنگام ورود او به سیستم دریافت می‏گردد. سپس باید اقلام کاندیدا برای ارائه به کاربر  انتخاب  شوند.  این  اقلام  آنهایی  هستند  که  محتمل  است مورد علاقه 

img0 

شکل 3:  روندنمای فرايند استخراج img0 آيتم برتر.

 

کاربر باشند. انتخاب اقلام کاندیدا در کارایی سیستم اهمیت زیادی دارد زیرا اگر قرار باشد که ارزشیابی کاربر به کل اقلام تخمین زده شود، این کار بسیار زمان‏بر خواهد بود. برای انتخاب اقلام کاندیدا پیشنهاد می‏کنیم که اقلام مشابه اقلام انتخاب‏شده توسط کاربر فعال و همچنین اقلامی 
که توسط کاربران مشابه کاربر فعال انتخاب شده‏اند در نظر گرفته شوند. به عبارت دیگر برای تعیین لیست اقلام پیشنهادی img0، ترکیب دو رویکرد کاربر- آیتم- آیتم و کاربر- کاربر- آیتم اعمال می‏شود.

در گام بعدی و در ماژول تخمین ارزشیابی، مقدار img0 برای هر یک از اقلام لیست کاندیدا محاسبه می‏شود و جزئیات بیشتر در مورد این ماژول بعداً در این فصل ارائه می‏گردد. بعد از محاسبه ارزشیابی تخمینی کاربر به اقلام کاندیدا، این ارزشیابی‏ها به عنوان رکوردهای جدید در پایگاه داده ارزشیابی‏ها درج می‏شوند. در مرحله بعد، img0 بر اساس ترتیب نزولی مقادیر ارزشیابی img0 مرتب می‏گردد و بالاخره در آخرین گام، نخستین img0 سطر img0 انتخاب و به عنوان img0 آیتم برتر به کاربر پیشنهاد می‏شود. شبه‌کد الگوریتم پیشنهادی در شکل 4 آمده است.

4-2 تخمين اعتماد و پيش‏بيني ارزشيابي

همان گونه که قبلاً اشاره شد، مهم‏ترین بخش از مدل پیشنهادی، ماژول تخمين اعتماد و پيش‏بيني ارزشيابي است که هدف آن، تخمین مقدار img0 می‌باشد که نحوه عملکرد اين ماژول در ادامه توضیح داده می‏شود.

شبه‌کد الگوريتم تخمين اعتماد و پيش‏بيني ارزشيابي کاربر فعال به يک آيتم مشخص در شکل 5 نشان داده شده است. ورودي‏هاي اين الگوريتم عبارت  هستند  از  شناسه  کاربر  فعال img0‌ و  شناسه  آيتم  مورد  نظر img0.  در 

 

Input img0

img0Set of items close to u's preferences

img0Set of items selected by u's neighbors

img0 

For each item img0

Begin

     Calculate img0

     Insert tuple img0 into rating DB

End

Sort img0 in descending order of the values of img0

Recommend top N items in CL to u

 

شکل 4:  شبه‌كد الگوريتم پيشنهادي.

 

Function PredictRate img0

Begin

     img0

     For each user img0

     Begin

         img0

         img0

          For each item img0

          Begin

              img0

              img0

               If img0 then

                   img0

               If img0 then

                   img0

          End

         img0

         img0

     End

     Return img0

End

 

شکل 5:  شبه‏كد الگوريتم تخمين اعتماد و پيش‏بيني ارزشيابي كاربر فعال به يك آيتم مشخص.

 

اولين گام، اشتراک بين خوشه حاوي کاربر img0 با مجموعه کليه کاربراني که آيتم img0 را ارزشيابي کرده‏اند تعيين و به عنوان مجموعه img0 در نظر گرفته مي‏شود. سپس براي هر کاربر img0 از مجموعه img0، مقدار اعتماد img0 به img0 محاسبه مي‏شود. براي اين منظور، ما يک گونه بهبوديافته از روش ارائه‏شده قبلی [39] را استفاده مي‏کنيم. در ابتدا به پارامترهاي توزيع بتا يعني img0 و img0 مقدار اوليه 1 داده مي‏شود. سپس براي هر آيتم img0 که قبلاً توسط img0 ارزشيابي شده است، ميزان شباهت اقلام img0 و img0 و شرايط ارزيابي آنها به عنوان img0 محاسبه مي‏شود. روش محاسبه شباهت در ادامه بخش توضيح داده مي‏شود.

در گام بعدي، یک متغیر img0 که یک معیار نرمال‏شده فاصله بین ارزشیابی‏های img0 و img0 به img0 است به صورت زیر محاسبه می‏شود

img0        (6)

که img0 تعداد سطوح ارزشیابی است. سپس مقدار img0 بسته به مثبت یا منفی‏بودن مقدار img0 به img0 یا img0 افزوده می‏شود. لازم به ذکر است که در  این  گام  اگر  مقدار img0 صفر  باشد،  هیچ  اقدامی  صورت  نمی‏گیرد.  از  آنجا 

img0 

شکل 6:  یک درخت زمینه نمونه برای انتشار اعتماد مبتنی بر زمینه در سیستم‏های پیشنهاددهنده PoI.

 

img0 

شکل 7:  نمادگذاری مورد استفاده در معیار شباهت زمینه‏ای WuP [42].

 

که در اغلب سیستم‏های ارزشیابی، تعداد سطوح ارزشیابی img0 برابر با 5 است برای توضیح بیشتر این روال، پارامتر تغییریافته img0 یا img0 و مقدار img0 با فرض img0 (به عنوان نمونه) در جدول 1 نشان داده شده است. با استفاده از این تکنیک، هرچه ارزشیابی‏های img0 و img0 به img0 به هم نزدیک‏تر یا از هم دورتر باشند، مقادیر بزرگ‏تری به ترتیب به img0 یا img0 افزوده می‌گردد که این موضوع به نوبه خود منجر به اعتماد به ترتیب بیشتر یا کمتر بین img0 و img0 خواهد شد زیرا ما از امید ریاضی توزیع بتا بر اساس (3) استفاده می‏‏کنیم. در نهایت، ارزشیابی کاربر فعال img0 به آیتم کاندیدای img0 با استفاده از میانگین‏گیری وزنی با درنظرگرفتن مقادیر اعتماد به عنوان وزن تخمین زده می‏شود

img0        (7)

4-3 محاسبه شباهت

برای محاسبه شباهت بین ارزشیابی‏ها، ما پارامترهای زمان، مکان و زمینه را در نظر می‏گیریم. شباهت مبتنی بر زمان و مکان بر اساس معیار فاصله اقلیدسی محاسبه می‏شود. برای محاسبه شباهت بین زمینه‏ها، پیشنهاد می‏کنیم که روابط بین زمینه‏ها در یک شکل سلسله‏مراتبی با استفاده از درختی به نام درخت زمینه، نمایش داده شود. به عنوان مثال برای سیستم‏های پیشنهاددهنده POI، درخت زمینه می‏تواند به صورت شکل 6 باشد. با استفاده از درخت زمينه شکل 6، اگر اعتماد از يک کاربر img0 به کاربر img0 در يک زمينه مشخص img0 داده شده باشد،‌ براي تخمين مقدار اعتماد در زمينه جاري img0 ابتدا زوج گره متناظر با زمينه‏هاي img0 و img0 در درخت با توجه به نوع POIها (يا در حالت کلي آيتم‏ها) پيدا مي‏شوند. سپس مقدار نزديک‏بودن بين دو زمينه با استفاده از معيار فاصله (يا شباهت) محاسبه مي‏گردد. هرچه زمينه‏هاي img0 و img0 نزديک‏تر باشند، انتشار اعتماد از img0 به img0 قوي‏تر خواهد بود. براي محاسبه شباهت بين دو زمينه  مي‏توان  از  معيار  شباهت  3WUP  [41]  استفاده  کرد.  بر  اساس  اين 

جدول 1: پارامتر مورد تغییر img0 یا img0 و مقدار img0 به ازای img0.

 

img0 

img0 

1

2

3

4

5

1

img0 

img0 

-

img0 

img0 

2

img0 

img0 

img0 

-

img0 

3

-

img0 

img0 

img0 

-

4

img0 

-

img0 

img0 

img0 

5

img0 

img0 

-

img0 

img0 

 

معيار براي تعيين مقدار شباهت بين گره‏هاي img0 و img0 در درخت، ابتدا پايين‏ترين اَبَرمفهوم مشترک (LCS) گره‏هاي img0 و img0 به عنوان img0 تعيين و سپس شباهت زمينه‏اي بين img0 و img0 به صورت رابطه زير محاسبه مي‏شود

img0        (8)

همان طور که در شکل 7 دیده می‏شود، img0 تعداد گره‏های واقع در مسیر از img0 به img0، img0 تعداد گره‏های واقع در مسیر از img0 به img0 و img0 تعداد گره‏های واقع در مسیر از ریشه به img0 است. علاوه بر WUP ما همچنین طول مسیر بین گره‏های img0 و img0 را به عنوان یک معیار شباهت جایگزین امتحان کردیم. برای داشتن یک معیار کارامدتر می‏توان به سطح‏ها و یال‏های درخت زمینه، برچسب‏های وزنی اختصاص داد.

5-       ارزیابی مدل پیشنهادی

در این بخش، نتایج ارزیابی مدل پیشنهادی بر اساس آزمایش‏های مختلف را ارائه و تحلیل می‏کنیم. ابتدا در بخش 5-1 مجموعه داده‏های مورد استفاده را معرفی می‏کنیم. پس از آن در بخش 5-2 معیارهای ارزیابی و الگوریتم‏های مورد مقایسه توصیف می‏شوند. نهایتاً در بخش 
5-3 نتایج ارزیابی رویکرد پیشنهادی را ارائه و با نتایج مربوط به چند روش موجود مقایسه می‏کنیم.

5-1 مجموعه داده‏ها

آزمایش‏ها بر روی سه مجموعه داده عمومی واقعی یعنی Yelp [43]، Foursquare [44] و Gowalla [45] انجام شده‌اند. توصیف این سه مجموعه داده به شرح زیر است:

-        Yelp: این مجموعه داده اطلاعاتی در مورد ارزشیابی‏ها و نظرات کاربران برای کسب‏وکارهایی از 10 شهر را دربردارد.

-        Foursquare: این مجموعه داده، داده‏های حضور کاربران را از 
12 آپریل 2012 تا 16 فوریه 2013 در مکان‏های مورد علاقه در شهر نیویورک دربردارد. ما مانند [23] برای دستیابی به داده‏های کاربردی‏تر POIهایی را انتخاب کردیم که حداقل توسط 5 کاربر بازدید شده و کاربرانی که حداقل از 10 مکان بازدید کرده‏اند.

-        Gowalla: این مجموعه داده، اطلاعات حضور کاربران در شهرهای مختلف در مکان‏های مورد علاقه را در بازه زمانی فوریه 2009 تا اکتبر 2010 ارائه می‏کند. ما مشابه [23] رکوردهای مربوط به POIهای کالیفرنیا را انتخاب کردیم و مکان‏های غیرمحبوب را که توسط کمتر از 15 کاربر بازدید شده‏اند و همچنین کاربرانی را که کمتر از 20 مکان را بازدید کرده‏اند فیلتر کردیم.

اطلاعات آماری پایه در مورد سه مجموعه داده مورد پردازش در 
جدول 2 ارائه شده است.

img0 

(الف)

img0 

(ب)

شکل 8:  تحلیل حساسیت برای مقادیر مختلف img0 بر حسب (الف) دقت و (ب) فراخوانی.

 

جدول 2: اطلاعات آماری مجموعه داده‏های ارزیابی.

 

Dataset

#Users

#POIs

#Check-ins

#Avg. check-ins per user

Yelp

552338

77078

2225204

03/4

Foursquare

1078

2944

71622

44/66

Gowalla

2166

4047

100986

62/46

 

5-2 معیارهای ارزیابی و الگوریتم‏های مورد مقایسه

ما سه معیار متداول را برای ارزیابی رویکرد پیشنهادی و مقایسه صحت و کارامدی آن با چند روش موجود مورد استفاده قرار دادیم:

img0 (دقت): نسبت تعداد آیتم‏های مرتبط در لیست img0 آیتم برتر به img0. به عبارت دیگر این معیار به صورت زیر تعریف می‏شود

img0        (9)

img0 (فراخوانی/ بازخوانی/ یادآور/ یادآوری): نسبت تعداد آیتم‏های مرتبط در لیست img0 آیتم پیشنهادی به تعداد کل آیتم‏های مرتبط. به عبارت دیگر img0 از رابطه زیر تعیین می‏شود

img0        (10)

img0: یک معیار برقراری توازن بین دقت و فراخوانی است که هر دو ملاک را در نظر می‏گیرد. این معیار به درک مصالحه بین صحت و پوشش کمک می‏کند و به صورت رابطه زیر تعریف می‏شود

img0        (11)

ما نتایج مدل پیشنهادی را با پنج کار تحقیقاتی مشابه موجود شامل USSTC [18]، MEAP-T [23]، anchor-LDA [39]، AUC-MF [36] و LOCABAL+ [46] مقایسه کردیم.

5-3 نتایج و تحلیل

اولین آزمایش برای تحلیل حساسیت مدل پیشنهادی از نظر معیارهای دقت  و  فراخوانی  نسبت  به  تغییرات  مقدار img0  برای  پیشنهاد  img0  آیتم  برتر 

جدول 3: مقدار img0 برای مجموعه داده‏های 
Yelp، Foursquare و Gowalla.

 

 

Yelp

Foursquare

Gowalla

USSTC

0275/0

0307/0

0326/0

MEAP-T

0294/0

0336/0

0352/0

LOCABAL+

0317/0

0362/0

0380/0

anchor-LDA

0310/0

0349/0

0514/0

AUC-MF

0211/0

0353/0

0586/0

Proposed method

0324/0

0381/0

0538/0

 

جدول 4: مقدار img0 برای مجموعه داده‏های
 Yelp، Foursquare و Gowalla.

 

 

Yelp

Foursquare

Gowalla

USSTC

194/0

299/0

303/0

MEAP-T

234/0

326/0

330/0

LOCABAL+

296/0

347/0

345/0

anchor-LDA

340/0

227/0

106/0

AUC-MF

049/0

308/0

078/0

Proposed method

507/0

347/0

353/0

 

جدول 5: مقدار img0 برای مجموعه داده‏های 
Yelp، Foursquare و Gowalla.

 

 

Yelp

Foursquare

Gowalla

USSTC

0482/0

0557/0

0589/0

MEAP-T

0522/0

0609/0

0636/0

LOCABAL+

0573/0

0656/0

0685/0

anchor-LDA

0568/0

0605/0

0692/0

AUC-MF

0295/0

0633/0

0669/0

Proposed method

0610/0

0687/0

0934/0

 

انجام شد. شکل 8 نتایج این آزمایش را برای مقادیر مختلف متغیر img0 شامل img0 بر روی سه مجموعه داده مورد استفاده نشان می‏دهد. همان طور که انتظار می‏رود با زیادشدن تعداد POIهای پیشنهادشده، دقت کاهش می‏یابد. این موضوع قابل درک است زیرا با افزایش POIهای بیشتر به کاربر، تعداد حالات منفی کاذب افزایش می‏یابد و از طرف دیگر با افزایش img0، مقدار فراخوانی زیاد می‏شود. این موضوع به آن دلیل است که با پیشنهاد تعداد بیشتر POI، موارد مرتبط بیشتری هم به کاربر پیشنهاد می‏شوند. این موضوع به افزایش تعداد مثبت‏های درست و افزایش مقدار پارامتر دقت می‏انجامد.

آزمایش‏های دیگری برای ارزیابی کارایی روش پیشنهادی و مقایسه آن با روش‏های دیگر انجام شد که در این آزمایش‏ها img0، img0 و img0 اندازه‏گیری گردید. جدول 3 خلاصه نتایج ارزیابی را بر حسب img0 نشان می‏دهد. همان گونه که مشاهده می‏شود، روش پیشنهادی برای مجموعه داده‏های Foursquare و Yelp بهترین نتایج را و در مورد مجموعه داده Gowalla، روش LOCABAL+ بهترین مقادیر دقت را ارائه می‏کند. جدول 4 نتایج img0 روش‏های مورد مقایسه را بر روی مجموعه داده‏های مختلف نشان می‏دهد. با توجه به جدول، روش پیشنهادی بر روی مجموعه داده‏های Yelp و Gowalla بهتر از روش‏های دیگر عمل می‏کند. البته در مورد مجموعه داده Foursquare نتیجه روش پیشنهادی با روش LOCABAL+ برابر است. نهایتاً در جدول 5، مقادیر img0 که بر اساس (11) برای کلیه حالت‏ها محاسبه شده، آمده است. مطابق آنچه که در جدول مشاهده می‏شود، روش پیشنهادی، بهترین عملکرد کلی را بر حسب معیار img0 ارائه می‏کند.

6-       نتیجه‏گیری و کارهای آینده

این مقاله، یک رویکرد جدید را برای تخمین اعتماد بین کاربران سیستم‏های پیشنهاددهنده ارائه می‏دهد. مدل پیشنهادی، 3 پارامتر مختلف شامل مکان، زمان و زمینه را در محاسبه مقدار اعتماد در نظر می‏گیرد. برای محاسبه اعتماد، الگوریتمی را مبتنی بر توزیع بتا ارائه کردیم. مدل ارائه‏شده از یک معیار مبتنی بر درخت برای محاسبه شباهت معنایی بین زمینه‏ها استفاده می‏کند. نهایتاً ارزشیابی کاربر فعال با استفاده از میانگین‏ وزنی تخمین زده می‏شود که مقادیر اعتماد به عنوان وزن در این میانگین‏گیری در نظر گرفته می‏شوند.

برای کارهای آینده قصد داریم تا پارامتر عدم قطعیت را در محاسبه و بهره‏گیری از اعتماد در نظر بگیریم. یک ایده دیگر برای بسط و تکمیل این کار، استفاده یا ارائه معیارهای کارامدتر برای تخمین فاصله/ شباهت زمانی و مکانی است.

مراجع

[1]       L. Yao, Z. Xu, X. Zhou, and B. Lev, "Synergies between association rules and collaborative filtering in recommender system: an application to auto industry," in Data Science and Digital Business, pp. 65-80, 2019.

[2]       N. Rubens, et al., "Active learning in recommender systems," Recommender Systems Handbook, Springer, pp. 809-846, 2015.

[3]       Y. M. Li, C. T. Wu, and C. Y. Lai, "A social recommender mechanism for e-commerce: combining similarity, trust, and relationship," Decision Support Systems, vol. 55, no. 3, pp. 740-752, Jun. 2013.

[4]       N. S. Savage, M. Baranski, N. E. Chavez, and T. Höllerer, "I'm feeling LoCo: a location based context aware recommendation system," Advances in Location-Based Services: 8th Int. Symp. on Location-Based Services, Vienna: Springer Science & Business Media, 2011, pp. 37-54.

[5]       A. Bączkiewicz, et al., "Methodical aspects of MCDM based
E-commerce recommender system," J. of Theoretical and Applied Electronic Commerce Research, vol. 16, no. 6, pp. 2192-2229, 2021.

[6]       M. Elahi, M. Braunhofer, T. Gurbanov, and F.o Ricci, "User Preference Elicitation, Rating Sparsity and Cold Start," in Collaborative Recommendations, Ch.8, pp. 253-294, 2018.

[7]       G. Antolić and L. Brkić, "Recommender system based on the analysis of publicly available data," in Proc. 40th IEEE Int. Conv. on Information and Communication Technology, Electronics and Microelectronics, MIPRO'17, pp. 1379-1384, Opatija, Croatia, 22-26 May 2017.

[8]       C. Wangwatcharakul and S. Wongthanavasu, "A novel temporal recommender system based on multiple transitions in user preference drift and topic review evolution," Expert Systems with Applications, vol. 185, Article ID: 115626, Dec. 2021.

[9]       M. Nilashi, O. Ibrahim, and K. Bagherifard, "A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques," Expert Systems with Applications, vol. 92, 
pp. 507-520, Feb. 2018.

[10]       X. L. Zheng, et al., "A hybrid trust-based recommender system for online communities of practice," IEEE Trans. on Learning Technologies, vol. 8, no. 4, pp. 345-356, Oct./Dec.. 2015.

[11]       N. S. Sani and F. N. Tabriz, "A new strategy in trust-based recommender system using k-means clustering," International J. of Advanced Computer Science and Applications, vol. 8, no. 9, pp. 152-156, Sept. 2017.

[12]       V. Nobahari, M. Jalali, and S. J. S. Mahdavi, "ISoTrustSeq: a social recommender system based on implicit interest, trust and sequential behaviors of users using matrix factorization," J. of Intelligent Information Systems, vol. 52, no. 2, pp. 239-268, Jul. 2018.

[13]       B. AlBanna, "Interest aware location-based recommender system using geo-tagged social media," ISPRS International J. of Geo-Information, vol. 5, no. 12, Article ID: 245, 2016.

[14]       A. H. Celdrán, M. G. Pérez, F. J. García Clemente, and G. M. Pérez, "Design of a recommender system based on users' behavior and collaborative location and tracking," J. of Computational Science, vol. 12, pp. 83-94, Jan. 2016.

[15]       E. Khazaei and A. Alimohammadi, "An automatic user grouping model for a group recommender system in location-based social networks," ISPRS International J. of Geo-Information, vol. 7, no. 2, Article ID: 67, 2018.

[16]       H. Gao, et al., "Content-aware point of interest recommendation on location-based social networks," Proc. 29th AAAI Conf. on Artificial Intelligence, vol. 29, no. 1, pp. 1721-1727, Feb. 2015.

[17]       H. Tahmasbi, M. Jalali, and H. Shakeri, "Modeling temporal dynamics of user preferences in movie recommendation," in Proc. 8th Int. Conf. on Computer and Knowledge Engineering, ICCKE'18, pp. 194-199, Mashhad, Iran, 25-26 Oct. 2018.

[18]       P. Kefalas and Y. Manolopoulos, "A time-aware spatio-textual recommender system," Expert Systems with Applications, vol. 78, pp. 396-406, Jul. 2017.

[19]       K. B. Fard, et al., "Recommender system based on semantic similarity," International J. of Electrical & Computer Engineering, vol. 3, no. 6, pp. 751-761, Dec. 2013.

[20]       R. Urena, et al., "A review on trust propagation and opinion dynamics in social networks and group decision making frameworks," Information Sciences, vol. 478pp. 461-475, Apr. 2019.

[21]       M. Ghavipour and M. R. Meybodi, "A dynamic algorithm for stochastic trust propagation in online social networks: learning automata approach," Computer Communications, vol. 123, pp. 11-23, Jun. 2018.

[22]       H. Xue, Q. Wang, B. Luo, H. Seo, and F. Li, "Content-aware trust propagation toward online review spam detection," J. of Data and Information Quality, vol. 11, no. 3, Article ID: 11, 31 pp., 2019.

[23]       H. Ying, et al., "Time-aware metric embedding with asymmetric projection for successive POI recommendation," World Wide Web, vol. 22, no. 5, pp. 2209-2224, Jun. 2019.

[24]       D. Rafailidis and A. Nanopoulos, "Modeling users preference dynamics and side information in recommender systems," IEEE Trans. on Systems, Man, and Cybernetics: Systems, vol. 46, no. 6, pp. 782-792, Jun. 2015.

[25]       G. Adomavicius and A. Tuzhilin, "Context-aware recommender systems," in Recommender Systems Handbook, Springer, pp. 191-226,  2011.

[26]       N. Lathia, S. Hailes, L.Capra, and X. Amatriain, "Temporal diversity in recommender systems," in Proc. of the 33rd Int.l ACM SIGIR Conf. on Research and Development in Information Retrieval, pp. 210-217, Geneva Switzerland, 19-23 Jul. 2010.

[27]       I. Xiong, et al., "Temporal collaborative filtering with bayesian probabilistic tensor factorization," in Proc. of the 2010 SIAM Int. Conf. on Data Mining, pp. 211-222, Columbus, OH, USA, 29 Apr.-1 May 2010.

[28]       F. Roy and Hasan, "Comparative analysis of different trust metrics of user-user trust-based recommendation system," Computer Science, vol. 23, no. 2, pp. 335-373, 2020.

[29]       P. Bedi, "Combining trust and reputation as user influence in cross domain group recommender system (CDGRS)," J. of Intelligent & Fuzzy Systems, vol. 38, no. 5, pp. 6235-6246, 2020.

[30]       A. Richa and P. Bedi, "Trust and distrust based cross-domain recommender system," Applied Artificial Intelligence, vol. 35, no. 4, pp. 326-351, Mar. 2021.

[31]       Z. El Yebdri, S. M. Benslimane, F. Lahfa, M. Barhamgi, and D.Benslimane, "Context-aware recommender system using trust network," Computing, vol. 103, no. 9, pp. 1-19, Sept. 2021.

[32]       E. Asani, H. Vahdat-Nejad, and J. Sadri, "Restaurant recommender system based on sentiment analysis," Machine Learning with Applications, vol. 6, Article ID: 100114, Dec. 2021.

[33]       I. M. G. Cardoso, J. L. V. Barbosa, B. M. Alves, L. P. S. Dias, L. C. Nesi, "Vulcont: A Recommender System based on Contexts History Ontology," IET Software, vol. 16, no. 1, pp. 111-123, Feb. 2022.

[34]       Y. D. Seo and Y. S. Cho, "Point of interest recommendations based on the anchoring effect in location-based social network services," Expert Systems with Applications, vol. 164, Article ID: 114018, Feb. 2021.

[35]       V. Milias and A. Psyllidis, "Assessing the influence of point-of-interest features on the classification of place categories," Computers, Environment and Urban Systems, vol. 86, Article ID: 101597, Mar. 2021.

[36]       P. Han, et al., "Point-of-interest recommendation with global and local context," IEEE Trans. on Knowledge and Data Engineering, vol. 34, no. 11, pp. 5484-5495, Nov. 2021.

[37]       S. Agrawal, D. Roy, and M. Mitra, "Tag embedding based personalized point of interest recommendation system," Information Processing & Management, vol. 58, no. 6, Article ID: 102690, Nov. 2021.

[38]       W. Fang, et al., "A resilient trust management scheme for defending against reputation time-varying attacks based on BETA distribution," Science China Information Sciences, vol. 60, no. 4, pp. 1-11, Apr. 2017.

[39]       M. E. Moe, B. E. Helvik, and S. J. Knapskog, "Comparison of
the beta and the hidden markov models of trust in dynamic environments," in Proc. IFIP Inte. Conf. on Trust Management, pp. 283-297, West Lafayette, IN, USA, 15-19, Jun. 2009.

[40]       X. Wu, et al., "BLTM: beta and LQI based trust model for wireless sensor networks," IEEE Access, vol. 7, pp. 43679-43690, 2019.

[41]       س. شيباني و ح. شاكري، "بهبود سيستم‌هاي پيشنهاددهنده با استفاده از يك مدل لايه‌اي اعتماد آگاه از اطمينان،" مجله فناروي اطلاعات در طراحي مهندسي، سال 9، شماره 2، صص. 73-62، پاييز و زمستان 1395.

[42]       Z. Wu and M. Palmer, "Verbs semantics and lexical selection," in Proc. of the 32nd Annual Meeting on Association for Computational Linguistics, pp. 133-138, Las Cruces, NM, USA, Jun. 1994.

[43]       Yelp, Yelp2018 Challenge Dataset, 2018.

[44]       Y. Liu, T. –A. Nguyen Pham, G. Cong, and Q. Yuan, "An experimental evaluation of point-of-interest recommendation in location-based social networks," Proceedings of the VLDB Endowment, vol. 10, no. 10, pp. 1010-1021, Jun. 2017.

[45]       E. Cho, S. A. Myers, and J. Leskovec, "Friendship and mobility: user movement in location-based social networks," in Proc. of the 17th ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining, pp. 1082-1090, San Diego, CA, USA, 21-24 Aug. 2011.

[46]       L. Ardissono and N. Mauro, "A compositional model of multi-faceted trust for personalized item recommendation," Expert Systems with Applications, vol. 140, Article ID: 112880, Feb. 2020.

 

سمانه شیبانی مدارک كارشناسي و كارشناسي ارشد خود را در رشته مهندسی کامپیوتر به­ترتیب در سال‏های 1392 و 1395 دریافت نمود و هم‏اکنون دانشجوی دکتری رشته مهندسی کامپیوتر دانشگاه آزاد اسلامی مشهد می‏باشد. زمينه‎هاي تحقيقاتي مورد علاقه ايشان عبارتند از سیستم‏های پیشنهاددهنده، مدیریت اعتماد، شهر هوشمند و داده‏کاوی.

 

حسن شاکری مدارک کارشناسی، کارشناسی ارشد و دکتری خود را به ترتیب در سال‏های 1374، 1376 و 1393 از دانشگاه‏های فردوسی مشهد، صنعتی شریف و فردوسی مشهد دریافت کرد و از سال 1377 به عنوان عضو هیأت علمی گروه کامپیوتر در دانشگاه آزاد اسلامی واحد مشهد مشغول به کار است. زمینه‏های تحقیقاتی مورد علاقه ایشان عبارت است از امنیت سیستم‏های کامپیوتری، داده‏کاوی، سیستم‏های پیشنهاددهنده، مدل‏سازی و تحلیل شبکه‏های اجتماعی و مدیریت اعتماد.

 

رضا شیبانی مدرک دکتری خود را در رشته انفورماتیک پزشکی در سال 1395 از دانشگاه علوم پزشکی مشهد دریافت کرد و در حال حاضر عضو هیأت علمی و مدیر گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی مشهد می‏باشد. زمینه‏های تحقیقاتی مورد علاقه ایشان عبارت است از بیوانفورماتیک، سیستم‏های پیشنهاددهنده و داده‏کاوی.

 

 

 

 

 

 

 

 

 

[1] این مقاله در تاریخ 19 خرداد ماه 1401 دریافت و در تاریخ 13 مهر ماه 1401 بازنگری شد.

سمانه شیبانی، گروه مهندسي کامپيوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران، (email: s.sheibani@mshdiau.ac.ir).

حسن شاکری (نویسنده مسئول)، گروه مهندسي کامپيوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران، (email: shakeri@mshdiau.ac.ir).

رضا شیبانی، گروه مهندسي کامپيوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران، (email: sheibani1063@mshdiau.ac.ir).

[2] . Reputation

[3] . Wu & Palmer

 

 


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]