[论文解读] A Distributed Method for Trust-Aware Recommendation in Social Networks

Mohsen Jamali|arXiv (Cornell University)|Nov 10, 2010

Access Control and Trust参考文献 5被引用 5

一句话总结

本文提出了一种分布式、信任感知的推荐方法，通过在用户网络中采用局部化、迭代式方法传播信任值，提升了推荐准确率。通过仅关注可信邻居并利用阻尼因子控制信任传播，该方法相比TidalTrust将推荐误差降低了41%，同时显著降低了查询开销，但因过滤低信任用户而减少了覆盖率。

ABSTRACT

This paper contains the details of a distributed trust-aware recommendation system. Trust-base recommenders have received a lot of attention recently. The main aim of trust-based recommendation is to deal the problems in traditional Collaborative Filtering recommenders. These problems include cold start users, vulnerability to attacks, etc.. Our proposed method is a distributed approach and can be easily deployed on social networks or real life networks such as sensor networks or peer to peer networks.

研究动机与目标

• 为解决传统协同过滤在冷启动用户和易受攻击方面的局限性，通过在推荐过程中整合用户信任信息。
• 设计一种可扩展的分布式推荐系统，适用于社交网络、传感器网络或对等环境等缺乏全局知识的场景。
• 通过局部化、迭代式计算最小化数据库查询，降低信任传播的计算开销。
• 通过过滤低信任用户并仅关注信任网络中的可信邻居，提升推荐准确率。

提出的方法

• 该方法采用分布式、迭代的信任传播算法，每个用户仅基于其可信邻居计算信任值，避免全局计算。
• 采用阻尼因子（λ = 0.8）控制间接信任路径的影响，防止信任评分过度膨胀。
• 通过邻居传入的信任值加权平均迭代更新信任值，并设置用户定义的信任阈值（设为0.7）以过滤低信任用户。
• 该算法设计为可并行化，每个用户仅使用本地信息独立运行，适用于去中心化网络。
• 通过递归、深度受限的传播方式计算从源用户到目标用户的信任，但通过缓存本地信任值避免重复数据库查询。
• 采用广度优先遍历策略，从源用户开始逐层计算信任水平，确保信任传播的一致性与稳定性。

实验结果

研究问题

• RQ1 如何有效将信任整合到协同过滤中，以提升推荐准确率与鲁棒性？
• RQ2 在分布式环境中，过滤低信任用户时，推荐准确率与覆盖率之间的权衡如何？
• RQ3 完全分布式的、局部化的信任传播方法能否在显著降低查询开销的前提下，实现与集中式方法相当或更优的性能？
• RQ4 阻尼因子在稀疏或噪声较大的信任网络中，如何影响信任传播的稳定性与推荐质量？

主要发现

• 所提方法将平均绝对误差（MAE）从TidalTrust的0.92降低至0.54，推荐准确率提升41%。
• 用户覆盖率从TidalTrust的75.6%下降至本方法的31.2%，表明因过滤低信任邻居而存在准确率与覆盖范围之间的权衡。
• 评分召回率从19.36%降至11.43%，但该损失具有实际意义，反映了非可信信息（可能具有误导性）的剔除。
• 与TidalTrust相比，每条推荐的平均数据库查询次数大幅减少，后者在深度9时需超过100,000次查询，表明性能显著提升。
• 该方法在每个用户平均仅需1,663个可信邻居的情况下即实现高准确率，表明在实际应用中存储与通信开销极低。
• 结果证实，聚焦于可信邻居可显著提升推荐质量，即使覆盖率下降，也验证了基于信任过滤的核心假设。