隐式信任网络与推荐方法提升了推荐系统的鲁棒性：基于MATLAB的开源ITNRM

软件影响12（2022）100242原始软件出版物推荐系统中的隐式信任网络构造方法和Reza Barzegar Nozari，Hamidreza KoohiShomal大学计算机工程系，伊朗自动清洁装置保留字：推荐方法信任和一致意见相似性和置信度协同过滤MATLAB开源代码元数据A B标准为了提高推荐系统的预测精度和推荐质量，本文采用了隐式信任网络方法和推荐方法。隐式信任网络提高了系统对用户偏好预测的准确性。建议方法提高了建议的质量。将隐式信任网络和推荐方法相结合，提出了一种新的鲁棒推荐系统--基于隐式信任网络的推荐方法（ITNRM）。MATLAB的一个开源ITNRM已经准备好了，没有外部依赖性可以使用或进一步扩展。当前代码版本V1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-1Reproducible Capsule的永久链接https://codeocean.com/capsule/8763904/tree/v1法律代码许可证MIT许可证使用MATLAB R2020a创建的代码版本控制系统使用MATLAB的软件代码语言、工具和服务编译要求、操作环境依赖性如果可用，请链接到ITNRM的开发人员文档/手册问题支持电子邮件barzegar@shomal.ac.ir1. 介绍今天，任何企业，特别是像亚马逊和Net-Prix这样的电子商务，都应用推荐系统（RS）来发现客户的需求。他们使用RS，以尽可能快的时间提供与客户需求相匹配的合适服务。这将提高客户的忠诚度和满意度[1]。众所周知，RS可以帮助用户从众多项目中选择最接近他们兴趣的合适项目（例如，一部电影或一本书）。在大多数问题中，RS旨在预测用户因此，RS基本上采用了一个数据集，其中包括一些用户对项目的评级，以预测未知项目的评级。在文献[3]中介绍了各种RS方法RS传统上可以分为三种类型-协同过滤，基于内容和混合[1]。协同过滤方法通过与活跃用户相似的用户的偏好（评级）来推荐项目。协同过滤是最常用的技术，而不是基于内容的方法和混合另一方面，基于内容的方法推荐与活跃用户感兴趣的项目相关的项目。混合方法是通过将协同过滤和基于内容的方法。因此，它推荐项目的活跃用户使用的协同过滤和基于内容的机制。此外，还可以向个人和/或团体提供建议。因此，RS分为个性化RS和群组RS两大类。当然，RS是个性化的，并单独向用户推荐项目。在某些特殊情况下（例如，在旅游和电影领域，可以被认为是一个组活动），组RS被开发为向一群将联合执行活动的用户推荐项目[4]。RS组还可以本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址：barzegar@shomal.ac.ir（R. Barzegar Nozari），koohi@shomal.ac.ir（H.Koohi）。https://doi.org/10.1016/j.simpa.2022.100242接收日期：2022年1月4日;接收日期：2022年1月18日;接受日期：2022年1月21日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsR. Barzegar Nozari和H.库希软件影响12（2022）1002422Fig. 1. ITNRM方案可以分为三种类型的协同过滤，基于内容的，和混合。2. ITNRM这项工作提出了一种开源的基于信任的协作过滤方法，该方法最近发表在[5]中，可应用于任何协作过滤技术（CF），旨在提高RS性能。建 议 的 信 任 为 基 础 的 CF 命 名 为 隐 式 信 任 网 络 为 基 础 的 推 荐 方 法（ITNRM）。它主要由两个部分组成：隐式信任网络的构建和推荐方法。在隐式信任网络构建部分，ITNRM隐式地为主动用户构建一个为此，它采用了三个标准相似性，信心和相同的观点。注意，为了仔细构建隐式信任网络，在新的统计方程中重新定义了相似度、置信度和相同意见度量中的每一个。在推荐方法方面，提出了一种基于隐式信任网络的ITNRM融合推荐方法。 首先，使用Resnick公式预测未知项目评分。接下来，使用[5]中定义的模糊方程对项目进行评分。然后，利用基于预测和评分的新的组合排序方法对每个项目进行排序。最后，将排名高的项目推荐给活跃用户。ITNRM的方案可以在图中观察到。1.一、在下文中，将讨论应用于ITNRM的新颖性。ITNRM的基本新颖性在于定义了相似性、置信度和一致性的标准，这些标准可在[5]中详细回顾。相似性和置信度的度量比相同的观点更能发现最近邻，提高预测精度。这使得相同的意见比ITNRM中的相似性和信心更具体。这些提出的新的指标显示出更好的效率比其他国家的艺术在提高CF。关于[5]中的比较和结果，每个提出的相似性，置信度和相同意见的标准都减少了预测的误差并提高了覆盖率。上述标准已与类似的传统指标进行了比较，包括PCC，Jaccard，置信度指标和类比意见[6]。ITNRM最初的主要新颖之处是隐式信任网络。ITNRM隐式地为活跃用户构建信任网络，新方法该算法利用信任网络作为邻居用户，准确预测未知项目的评分隐性信任网络的构建过程在第一阶段，构建了一个初期的信任网络。为此，用户的信任量直接确定的基础上提出的标准（相似性，信心，和相同的意见）。接着，在用户之间传递直接信任以估计用户的传播信任量。最后，结合直接信任和传播信任建立初始信任网络。在第二阶段，远程信任网络的基础上建立的初期信任网络的评估。因此，测量初始信任网络的精度以进行预测。然后，初始信任网络的值被重新加权的基础上计算出的精度值最后，利用新的权值对初始信任网络进行重构，构建远程信任网络。请注意，在ITNRM方法中，有定义的阈值来构建信任网络。此外，构建隐式信任网络（ITN）的步骤可以在[5]中详细回顾。ITN评估通过测量MAE、RMSE、覆盖率和灵敏度来证明其与最先进的 方 法 （ 如 CPD [7] 、 BA-TRS [8] 、 TrustANLF [9] 、 ITCM [6] 、TrustSVD [10]、SocialMF [11]和其他许多人.关于[5]中给出的结果，ITN显著改善了预测误差，MAE降低了约13%它还将覆盖率提高了约5%至12%。此外，ITN导致灵敏度提高约5%至14%。为了证明ITN识别受托人用户，它已被评估的措施命名为与最先进的方法相比，应用ITN可以ITNRM随后的主要创新之处在于它的推荐策略。推荐策略采用基于Resnick预测方法和一种新的评分方法的组合排序方法。评分方法被定义为一个模糊方程的特权项目。推荐策略利用评分和预测值对项目进行排序和推荐。考虑到[5]中提出的结果，推荐策略对于提高推荐性能是有用的。随后，IT-NRM已被评估为检查推荐性能的精度，召回率和F-措施。所取得的结果表明，ITNRM的优越性相比，许多国家的最先进的方法。ITNRMR. Barzegar Nozari和H.库希软件影响12（2022）1002423表1ITNRM的简要实验结果实验结果预测结果推荐平均结果MovieLens1 M 0.481 0.597 90.1 86.9 90.5 44.81 59.72019 - 04 - 28 0.571 90.84 89.62 92.83 63.94FilmTrust 0.44 0.57 91.9 88.7 90.97 50.01 63.71已经成功地提高了精确度，召回率和F-测量约8%至35%。此外，ITNRM的预测和建议的简要实验结果见表1。可查阅实验结果的补充资料 在[5]中。ITNRM在各种评估中取得了成功。因此，希望能对各种CF软件的开发过程有所帮助，提高系统3. 如何利用ITNRMITNRM已在MATLAB中实现。该模块为每个应用的数据集提供了三个主要脚本。该软件获取以下四个输入文件。• 数据集文件：在MovieLens的情况下，它包含用户ID、项目ID、评级值和时间戳，而在Ciao和FilmTrust的情况下，除了所提到的信息之外，它们还包括呈现显式信任声明的数据。• 应用数据集中的用户数。• 应用的数据集中的项数。• Top-K建议的K数。设置上述四个输入后，即可运行应用程序。应用程序自动创建一个用户项目矩阵，该矩阵显示用户对每个项目的评分。然后，它将矩阵分解为训练集和测试集以执行ITNRM。最后，在测试数据中输出用户的两个U×N推荐向量和U×N考虑这个版本的ITNRM代码是ITNRM如何在MATLAB中逐步工作的简单演示此代码仅用于扩展学习和研究。4. 研究和工业影响ITNRM本质上是为了增强基于CF的RS的预测和推荐而开发的。ITNRM包含三个新颖的部分：(1) 为相似性、置信度和一致意见的度量定义新的计算方法。(2) 通过定义一些新的公式，设计了一种新的隐式信任网络构建过程(3) 设计了一种考虑信任网络的推荐方法。关于[5]中给出的实验结果，与最先进的方法相比，此外，每部小说部分ITNRM在实验中表现出了显著的效率。虽然ITNRM被定义为CF方法，其新颖的部分可以很容易地推广到其他类型的RS。考虑到上述所有内容，ITNRM期望因其适用性而引起关注作为最后一点，提供新的解决方案，具有更高的精度和更低的成本是作者在未来的主要关注竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]J. Bobadilla，F. Ortega，A. Hernando，A. Gutiérrez，推荐系统调查，Knowl. - 46（2013）109 http://dx.doi.org/10.1016/j.knosys.2013。03.012。[2] C. Panagiotakis，H. Papadakis，A. Papagrigoriou，P. Fragopoulou，DTEC：推 荐 系 统 的 双 训 练 错 误 校 正 方 法 ， Softw 。 影 响 9 （ 2021 ） 100111 ，http://dx.doi.org/10.1016/J.SIMPA.2021.100111。[3] M.戈尔戈廖内大学Panniello，A.涂志林，个性化应用中的推荐策略，Inform。经理。（2019）http://dx.doi.org/10.1016/J。IM.2019.01.005网站。[4] R. Barzegar Nozari，H. Koohi，基于成员影响力和领导者影响力的新型群组推荐系统http://dx.doi.org/10.1016/j.knosys.2020.106296[5] R. Barzegar Nozari，H. Koohi，新颖的基于隐式信任网络的验证方法，专家系统应用186（2021）http://dx.doi.org/10.1016/j。eswa.2021.115709。[6] R. Barzegar Nozari，H. Koohi，E. Mahmodi，基于用户评级改进推荐的新型信任计算方法，Int.J.Eng.Trans.CAspects33（2020）377http://dx.doi.org/10.5829/ije.2020.33.03c.02[7] M.M. Azadjalal，P. Moradi，A. Abdollahpouri，M. Jalili，基于Pareto优势和置信 度 概 念 的 信 任 感 知 推 荐 方 法 ， 基 于 知 识 的 系 统 。 116 （ 2017 ） 130http://dx.doi.org/10.1016/j.knosys.2016.10。025[8] S. Yadav，V. Kumar，S.辛哈陈文，基于群智能的推荐系统，北京：计算机科学出版社。Sci. 28（2018）180 http://dx.doi.org/10。1016/j.jocs.2018.09.007。[9] H. Parvin，P. Moradi，S. Esmaeili，TCFACO：基于蚁群优化的信任感知协同过滤方法，ExpertSyst.Appl.118（2019）152http://dx.doi.org/10.1016/j.eswa.2018.09.045[10] G. Guo，J. Zhang，N.约克-史密斯，TrustSVD：协同过滤与用户信任和项目评级的显 式和 隐 式影 响 ，在 ： 第 二十 九 届AAAI 人 工智 能 会议 论 文集 ，2015 年 ，pp.123https://dl.acm.org/doi/10.5555/2887007.2887025[11]M. Jamali，M. Ester，A matrix factorization technique with trust propagationforrecommendationin社交网络网络，在：RecSys135http://dx.doi.org/10.1145/1864708.1864736MaeRMSE覆盖灵敏度精度召回F-measureMovieLens 100K0.410.52695.790.1494.7250.5565.74