物联网环境下基于情景的社会化信任感知推荐系统模型研究

物联网正在成为继计算机、互联网之后的第三次世界信息产业浪潮，它在给人们的生活带来极大便利的同时也带来了新的挑战：在物联网中，由于物物广泛相连，必将存在大量提供相同或相似服务的物体，产生大量的服务冗余，如何向用户推荐最符合其心意的个性化可靠服务至关重要。此方面研究属于推荐系统领域范畴，而目前物联网环境下关于推荐系统的研究尚不存在，故急待开展。本项目拟基于热门的信任感知推荐系统，结合物联网特有的情景信息及信任网络的社会化拓扑结构，为用户提供快速可靠的个性化推荐，主要研究包括三个方面：快速可靠的有效推荐者搜索策略，不公平推荐值尤其是不公平洪泛推荐值的过滤，以及影响推荐性能的属性信息挖掘及融合。本项目的研究成果对物联网的发展将起到积极的促进作用。

本项目题为物联网环境下基于情景的社会化信任感知推荐系统模型研究，旨在为物联网用户提供快速可靠的个性化推荐服务。已有信任感知推荐系统尚远不能达到物联网环境的要求，主要体现在：（1）推荐者搜索效率较低，无法适应大规模动态的物联网环境；（2）暂无不公平推荐值过滤机制，无法保证信任感知推荐系统的可靠性；（3）尚未充分挖掘与推荐相关的属性信息，无法满足物联网环境下用户动态的推荐需求。为解决以上问题，本项目基于信任网络的社会化拓扑结构及物联网独有的情景信息，开展了适用于高度动态物联网环境的信任感知推荐系统模型研究。按照申请项目书原定计划，本项目顺利完成了三方面的研究：(1)推荐者搜索策略的开发。本项目基于信任网络的小世界性设置符合信任网络规模的用户信任半径，并基于信任网络的无标度性开发了快速推荐者搜索模型，可使信任感知推荐系统中的用户以极小的计算复杂度获得极大的预测覆盖率。（2）不公平推荐值过滤算法的开发。使用增强型神经网络学习用户的推荐值及给出推荐值时的情景信息以获得用户的推荐准则，并基于此推荐准则纵向比较推荐者的行为历史以发现并过滤不公平推荐值，此方法可有效应对个别不公平推荐值及洪泛不公平推荐值问题。（3）影响推荐性能的属性挖掘。本项目主要研究了与信任网络社会化拓扑结构相关的两个属性对推荐性能的影响：（1）入度。节点的入度表示其在信任网络中被信任的程度，但本项目研究发现信任网络中节点的入度与推荐准确性并无必然的联系，入度较高的推荐者给出的推荐值并不更准确。（2）K-shell值。节点的k-shell值表示其在网络中的影响力，本项目研究发现信任网络中具有较高k-shell值的节点给出的推荐值更加准确。本项目按计划达到了预期目标，共发表科技论文37篇（SCI检索的期刊论文9篇，EI检索的期刊及会议论文35篇），图书章节一篇。