融合用户关系和时间因素的主题模型推荐算法高茂庭

融合用户关系和时间因素的主题模型推荐算法高茂庭 计算机工程Computer EngineeringISSN1000-3428,31-1289/TP计算机工程网络首发论文题目融合用户关系和时间因素的主题模型推荐算法作者高茂庭，王吉DOI10.19678/j.issn.1000-3428.0054096网络首发日期2019-06-06引用格式高茂庭，王吉融合用户关系和时间因素的主题模型推荐算法J/OL计算机工程.s:/doi/10.19678/j.issn.1000-3428.0054096网络首发在部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。 录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。 排版定稿指录用定稿按照期刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。 整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。 录用定稿网络首发稿件内容必须符合出版管理条例和期刊出版管理规定的有关规定；学术研究成果具有创新性、科学性和先进性，符合部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊、出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。 为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，只可基于规范进行少量文字的修改。 出版确认纸质期刊部通过与中国学术期刊（光盘版）电子杂志社有限公司签约，在中国学术期刊（网络版）出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。 因为中国学术期刊（网络版）是国家新闻出版广电总局批准的网络连续型出版物（ISSN2096-4188，11-6037/Z），所以签约期刊的网络版上网络首发论文视为正式出版。 基金项目国家自然科学基金资助项目 （61202022）作者简介高茂庭(1963)，男，江西九江人，教授，博士，CCF高级会员，主要研究方向智能信息处理、数据库与信息系统;王吉(1996)，男，安徽宿州人，硕士研究生，主要研究方向数据挖掘、推荐算法.E-mail wangji921x163.融合用户关系和时间因素的主题模型推荐算法高茂庭，王吉（上海海事大学信息工程学院，上海市xx06）摘要用户的行为偏好往往会受到社交关系、时间因素等多种因素影响，只考虑单一因素会导致构建的用户兴趣模型比较片面，从而难以准确地产生推荐。 为此，提出一种融合用户社交关系和时间因素的主题模型推荐算法。 首先利用主题模型对用户打标签的行为进行主题建模，得到用户-物品概率矩阵；然后根据用户标注物品的时间计算用户标注行为的时间权重，再将时间权重与用户的标注行为权重相结合，计算基于时间的用户相似度；并利用用户的社交关系与基于时间的用户相似度进行加权处理得到用户的权重；最后根据用户权重，考虑其它用户的影响，得到用户对物品最终的偏好权重，根据排名产生推荐。 在Last.fm数据集上对比实验表明，该算法能更全面地考虑用户特征，从而有效提高推荐的质量。 关键词社交关系；标签行为；时间权值；主题模型；推荐算法开放科学标识码Topic model remendation bininguser social relationships and time factorsGao Maoting,Wang Ji(College ofInformation Engineering,Shanghai MaritimeUniversity,Shanghaixx06,China)【Abstract】The users behaviorpreferences areaffected bymany factors,such as,social relationships,time,etc.However,only consideringa certainfactor wouldlead toa one-sided parisonof the user interestmodel,and makeit difficult to produceremendations moreaurately.A topic modelremendation algorithm bininguser relationships andtimefactors proposed.Firstly,LDA isused tomodel the users taggingbehavior,and obtainusers preferenceprobability matrix.Secondly,the time weight is calculated bythe timewhen userslabel theitem,and the users similarityiscalculatedby biningthe timeweight andusers labelingbehavior weight.Thirdly,theusers weightis obtainedby biningtheusers socialrelationshipsand the time-weighted usersimilarity.Finally,theusers finalpreference weightis obtainedby users weightand theinfluence ofother usersin aount,andtheremendation isgenerated based on preferencerankings.Contrast experimentson Last.fms datashow thatthe newalgorithm couldconsider users featuresmore prehensivelyand improvethe qualityof remendationeffectively.【Key words】socialrelationship;label behavior;timeweight;topicmodel;remendationalgorithmDOI:10.19678/j.issn.1000-3428.0054096.计算机工程Computer EngineeringTP301.60引言进入Web2.0时代后，互联网上产生的大量数据进一步加剧了信息过载问题。 推荐系统作为解决信息过载问题的一种有效手段，可以更好地过滤网上不断产生的“噪声”，方便人们更有效地获取有用的信息。 推荐系统的核心是推荐算法，协同过滤是目前最流行和应用最广泛的推荐算法，其主要分为两类基于近邻的协同过滤和基于模型的协同过滤1。 协同过滤算法仍有许多问题要解决，比如冷启动问题、数据稀疏性问题等。 近年来，为解决上述问题，基于多信息融合的社会化推荐成为推荐算法的热门研究领域之一2-4。 网络首发时间2019-06-0609:53:18网络首发地址kns.ki./kcms/detail/31.1289.TP.20190605.1420.004.html2计算机工程一方面，随着社会化标签系统（Social TaggingSystem,STS）的快速发展，每个人都可以在网络上表达自己的想法，用户在系统中自由创建的关键词语又被称为标签。 社会标签在一定程度上不仅反映了用户的兴趣行为偏好，也代表着物品本身所具有的特性。 因此，许多学者开始将标签信息融入到推荐系统中。 结合社会化标签信息的推荐系统主要有三类协同过滤、基于排序的推荐和基于内容的推荐。 Yang等人5通过使用标签信息来扩展用户和物品的信息，提出基于标签扩展的个性化推荐技术。 蔡强等6提出了基于标签和协同过滤的算法，利用标签信息计算用户对资源的偏好程度和资源相似度，得到用户偏好矩阵，然后根据排名产生推荐结果。 孔欣欣等7通过用户自身的反馈来更新标签的权重，然后重新产生用户的个性化推荐列表。 以上算法虽然考虑了标签信息，但是忽略了标签本身的语义问题。 潜在Dirichlet分布8（Latent DirichletAllocation,LDA）被证明可以很好地建立标签的主题模型。 文俊浩等9使用LDA主题模型挖掘标签的语义特征，并根据物品的评分信息计算物品相似度，结合两者可以有效地提高推荐的质量。 另一方面，人们在做选择时往往会更依赖朋友的建议10。 社交网络的发展让人们的社交朋友关系数据的获取变得更容易，社交网络系统不仅有向用户进行推荐的需要11，而且在社会化标签系统中利用社交关系也能有效提高推荐的质量。 Wang等12将用户之间的信任和相似度融合在一起，增强了用户领域的计算，通过矩阵分解方法处理后产生推荐。 李卫疆等13使用用户的社交关系网络计算信任关系矩阵，并结合用户评分矩阵产生推荐。 上述推荐算法在考虑用户社交关系的影响后，有效提高了推荐的准确率。 再一方面，用户的兴趣是随着时间一直变化的，用户对物品打标签的时间越近，则表明该行为能更准确地反映用户对该物品的喜好程度，而打标签行为的时间越久远，则其反映用户对该物品的喜好程度就越低。 因此，结合上下文时间信息构建用户兴趣模型也成为一个新的研究热点14-16。 Rafailidis等17通过计算每个用户当前偏好的转移速率来衡量时间对用户的影响，并通过使用用户的侧面数据来提高基于矩阵分解的推荐准确性。 窦羚源等18在基于近邻的协同过滤算法中考虑了评分的时间上下文影响，降低预测误差。 上述对推荐算法的改进大多是根据某 一、两种信息计算用户或者物品的相似度，然后根据协同过滤思想产生推荐。 由于标签主题语义、朋友社交关系以及时间因素都会对用户行为产生影响，对这三种因素综合考虑，则可以更加全面地构建用户的兴趣偏好模型，提高推荐的质量。 因此，本文在基于上述研究的基础上进行改进，提出一种结合用户社交关系和时间加权的主题模型推荐算法，使用LDA主题模型来发现标签之间潜在的语义关系，以此得到用户对物品的偏好概率，再结合时间权重和用户标签行为计算用户相似度，结合用户社交关系和基于时间的用户相似度对用户偏好概率进行处理，从而更全面地反映用户对物品的真实偏好。 1相关工作1.1相似度计算相似度的计算是传统协同过滤算法的重要步骤，它可以直接影响准确性和性能19，常用的相似度计算方法有余弦相似度、改进的余弦相似度和皮尔逊相似度三种。 相关实验20表明，在基于用户的推荐系统中，皮尔逊相似度仅考虑了用户评价物品交集的标准差，比其他相似度度量方法效果更好。 1.2LDA主题模型LDA模型由Blei等8在xx年提出，该模型是一个具有3层结构的贝叶斯概率模型，它可以将文档集中每篇文档的主题以概率分布的形式表现，从而得到文档的主题分布。 在LDA建模过程中，使用条件概率()|p zd表示一篇文档d中的主题z分布概率，使用条件概率()|p wz表示每个主题z中一个单词w的分布概率，则单词w在文档d中的分布概率公式如式 (1)()()()1|Ki iip w dpwp dz z=? (1)式 (1)中，K表示主题的个数；不同的主题个数会对整个LDA模型产生影响。 2结合用户关系和时间加权的主题模型推荐本文使用LDA主题模型对用户-标签-物品信息进行处理，得到基于标签的主题模型，然后考虑时间因素和用户社交关系，提出一种融合用户社交关系和时间加权的主题模型推荐算法（UTLDA）。 该算法分为四部分 （1）将用户类比为文档，用户使用过的标签类比为文档中的单词，得到用户-标签矩阵；然后将标签类比为文档，标签所标记的物品类比为文档中的单词，得到标3计算机工程签-物品矩阵；通过使用LDA主题模型处理以上两个矩阵，挖掘标签潜在的语义，分别得到用户-标签概率矩阵和标签-物品概率矩阵，然后计算用户-物品概率矩阵； （2）考虑时间对用户兴趣的影响，使用用户-物品矩阵，结合时间因素计算用户之间的相似度； （3）考虑用户社交网络上的关系，结合用户的社交朋友关系对用户相似度进行处理，得到用户间的权重； （4）考虑每个用户之间的潜在影响和用户对每个物品的潜在偏好，结合用户权重矩阵和概率矩阵，得到最终的用户-物品偏好权重矩阵，根据偏好矩阵产生Top-N推荐。 算法流程如图1所示。 LDA主题分析条件概率计算用户-物品概率矩阵标签处理用户-标签矩阵标签-物品矩阵用户-标签概率矩阵标签-物品概率矩阵标签个数统计用户-物品权重矩阵用户时间权重皮尔逊相似度计算用户相似度(时间)用户亲密度(社交)加权相加用户权重矩阵时间处理社交关系处理用户权重加权处理用户偏好矩阵推荐邻近用户加权处理用户偏好物品图1结合用户关系和时间因素的主题模型推荐算法流程图标签、时间以及社交关系因素处理三个部分属于数据处理部分，可以离线完成；最后一部分为在线推荐部分。 2.1基于标签信息的用户-物品概率矩阵计算在STS中，用户使用一种标签代表用户的一种行为，用户使用标签的频率反映用户对该标签的喜爱程度，用户对物品标注标签的次数反映用户对该物品的喜爱程度。 使用四元组(),U IT TS代表用户对物品打标签的行为，其中，U代表用户，I代表物品，T代表标签，TS代表用户对物品打标签的时间。 假设用户集合()12,nU u uu=，n代表用户总数，物品集合()12,mI i i i=，m代表物品总数，标签集合()12,lT ttt=，l代表标签总数。 用户-标签矩阵X是一个n l?的矩阵，第i行第j列的元素ijx定义如式 (2)所示0ijwx?=?用户i使用过标签j用户i未使用过标签j (2)式 (2)中，w代表用户i使用过标签j的次数。 标签-物品矩阵Y是一个l m?的矩阵，第i行第j列的元素ijy定义如式 (3)所示i j0i jijwy?=?标签标记过物品标签未标记过物品 (3)式 (3)中，w代表标签i标记过物品j的次数。 LDA常用的求解方法有Gibbs采样算法和变分推断EM算法；本文采用的求解方法是Gibbs采样算法。 首先利用LDA模型对用户-标签矩阵X进行LDA建模处理，得到用户的主题分布概率矩阵()|p zu和每个主题下的标签概率分布矩阵()|p tz，根据式 (1)可以求得用户-标签概率矩阵()|p t u；然后利用LDA模型对标签-物品矩阵Y进行LDA建模处理，得到标签的主题分布概率矩阵()|p zt和每个主题下的物品概率分布矩阵()|p iz，同样根据式 (1)可以求得标签-物品概率矩阵()|p it。 利用用户使用某个标签的概率()|kp tu乘以这个标签标注一个物品的概率()|kp it，就可以得到在这个标签下，用户对该物品的偏好概率，考虑所有的标签，将每个标签下得到的偏好概率累加，就可以得到用户对该物品完整的偏好概率。 用户-物品偏好概率矩阵计算公式如式 (4)()()()1|lk kkp i upit ptu=? (4)式 (4)中，l是标签的总数量。 2.2结合时间因素的用户相似度矩阵计算传统协同过滤算法直接使用用户对物品的历史行为来计算用户之间的相似度，没有考虑用户的兴趣也会随着时间而发生变化，从而导致用户相似度有偏差，比如，用户1标注了物品1，一年后用户2和用户3同时标注了物品1，则用户1和用户2间的相似度应该小于用户2和用户3间的相似度。 本节考虑时间因素的基本思想是，用户对最近标注的资源应该有较大的偏好，而对过去标注的资源的偏好应该偏小。 假设当前时间点为tn，,u its表示用户u对物品i进行标注的时间点，利用时间权重函数进行处理后得到用户u对物品i进行标注的时间权重,u itw。 时间权重函数公式如下()?,expu iu itwtn ts=? (5)式 (5)中，?表示权重参数。 在计算用户相似度时考虑到用户标注物品的时间权重，将会减少用户相似度的误差。 用户对物品的评分使用用户对物品标注的次数来代替。 根据皮尔逊相似度计4计算机工程算公式，结合时间因素的用户相似度计算公式如式 (6)()()()()()()()-,(,)22,tw twr r rru iv iui viiu vI uvsim u vrr twrrtwv u vi viui u iiI iIuv uv?=? (6)式 (6)中，(),sim uv表示用户u和用户v之间考虑时间因素后的相似度，,u itw是由式 (5)得到的用户u对物品i进行标注的时间权重。 uir表示用户u对物品i的标记次数。 2.3结合社交关系和时间因素的用户权重矩阵计算使用用户的社交关系可以计算每个用户与其他用户之间的亲密度，若用户之间是朋友关系，则用户之间的亲密度为1，否则使用用户社交关系来计算用户的余弦相似度，以相似度衡量用户间的亲密度。 用户亲密度计算公式如式 (7)1(,)inti uvs?=?用户u和用户v是好友用户u和用户v不是好友 (7)式 (7)中，s表示用户u和用户v之间的余弦相似度，该相似度由用户社交关系计算得到。 比起陌生人，自己朋友的建议让人更愿意相信，基于朋友关系的推荐让人更有可能接受，推荐结果也更具有解释性。 在本文所提出的算法中，若用户有朋友，则优先考虑用户朋友的影响，否则就把用户当成普通用户处理。 结合用户的社交关系矩阵以及用户之间的相似度矩阵，得到用户的权重矩阵Q，计算公式如式 (8)(),(,)u vqsim uv inti uv=+ (8)式 (8)中，(),simuv表示用户u和用户v的相似度，(),intiuv表示用户u和用户v的亲密度。 2.4根据用户-物品偏好矩阵产生推荐结合用户u自身对物品i的偏好程度和其他用户对物品i的偏好程度，计算得到用户u对物品i的最终偏好程度。 比如，使用用户u和用户ju之间的权重值juuq乘以用户ju对物品i的偏好概率juuq，得到在用户ju的影响下用户u对物品i的喜好程度。 考虑到有N个用户，则用户u对物品i的最终偏好值预测uipre计算公式如式 (9)1j jNuiuiuujpre pq=? (9)根据以上得到的用户偏好矩阵，按用户最终偏好值对物品进行排序，然后取排名靠前的N个物品推荐给用户。 考虑到冷启动问题，对于推荐系统中的新用户，则推荐热门物品。 2.5UTLDA时间复杂度分析设用户数为n，物品数为m，标签数为l，LDA迭代次数为g，主题数为t，用户对物品进行标记的行为数为h。 对于算法处理标签信息的部分(2.1)，由于两次LDA建模的时间复杂度分别为()O nlgt和()O lmgt，而物品数一般是远大于用户数，故LDA主题建模部分的时间复杂度为()O lmgt。 式 (4)计算用户的偏好概率矩阵主要是根据LDA模型得到的两个语义概率矩阵，相当于矩阵相乘，其时间复杂度为()O nmt。 于是，2.1部分的时间复杂度为()O lmgtnmt+。 对于算法处理时间信息的部分(2.2)，根据时间信息计算用户时间权值的时间复杂度为()O h，利用时间信息计算用户相似度矩阵时间复杂度为()2O n m；故2.2部分的时间复杂度为()2O nm h+；对于算法处理用户社交信息的部分（2.3），利用用户社交关系计算用户相似度的时间复杂度为()2O nm，计算用户亲密度矩阵的时间复杂度为()2O n；故2.3部分的时间复杂度为()2O nm。 因此，离线部分时间复杂度为()2O lmgtnmh+。 对于在线推荐部分即2.4，根据偏好矩阵产生推荐相当于先查找后排序，其时间复杂度为()2logO nn。 对比文献6,9中所提出的算法，本文算法由于考虑的因素比较多，所以在离线部分本文算法的时间复杂度高于这两种算法，但在在线部分，三种算法都是在根据计算得到的偏好矩阵的基础上产生推荐，其时间复杂度均为()2logO nn。 3实验结果及分析3.1实验数据与实验环境本文实验所采用的数据集是last.fm-2k数据集。 该数据集在第二届推荐系统国际研讨会上发布，包含社交网络、标签标记和音乐艺术家收听信息。 具体包括用户双向的朋友关系、用户收听艺术家（物品）信息、用户对艺术家的标签信息、艺术家标签信息。 具体数据情况如表1所示。 表1Last.fm数据集信息表数据集用户数物品数标签数用户-项目Last.fm-2K18921763211946186479在进行实验之前，先对数据进行预处理。 为了减少噪声数据对推荐结果的影响，首先删除数据集中标注物品数小于20的用户。 然后根据时间对数据集进行排序，找到位于数据集前20%的时间点，将该时间点之前的数据作为测试集，然后在剩余数据中随机选取80%的数据作为训练集，进行多次实验后计算平均值。 本文实验环境为Windows10操作系统，Intel Corei7处理器，16GB内存，实验主要用Python语言实现。 3.2实验评估指标5计算机工程Herlocker等21给出了准确度衡量标准，主要有分类准确率、预测准确度和排名准确性等。 本文采用分类准确率，包括准确率、召回率和F1衡量指标。 准确率表示的是项目物品被成功推荐的比例，其计算公式如式 (10)uuhitsprecisionrecset= (10)式 (10)中，uhits表示在推荐物品中，用户u标注过的物品总数，urecset表示推荐给用户u的物品集合的总数。 召回率表示命中物品数在理论上可达到的最大值中所占的比例，其计算公式如式 (11)uuhitsrecalltestset= (11)式 (11)中，utestset表示用户u在测试集中标注过的物品总数，也就是命中数理论上可以达到的最大值。 F1衡量指标能够有效地平衡准确率和召回率之间的误差，其计算公式如式 (12)21precision recallFprecisionrecall?=+ (12)式 (12)中，precision表示准确率，recall表示召回率。 F1值越大，模型的效果越好。 3.3实验结果分析本文需要确定的参数包括LDA建模的主题数目和Top-N推荐时排名前N的物品数。 根据实验经验，本文将LDA主题模型中的超参数?和?分别设置为0.1和0.01，迭代次数设置为500次。 3.3.1确定最优的推荐物品数N为了确定合适的推荐物品数目N，分别将数目N设置为35,40,75进行实验，并且为了消除LDA主题数对算法效果的影响，实验过程中将主题数目分别设置为20,30,40,90，共进行8组实验。 实验结果如图2所示。 400.0840.0820.0800.0780.0760.074607050Top-NT=20T=30T=40T=50T=60T=70T=80T=90F1图2不同N值下F1值的变化从图2中可以看出，无论LDA模型的主题数是多少，UTLDA算法的F1衡量指标随着N值变化的趋势基本相同，随着N值增加，F1值总体上呈现出先增后降的趋势。 在Top-N值为50或55的时候，UTLDA算法的F1衡量指标达到最大值。 而随着主题数目的增加，Top-N为55时，F1衡量指标达到最大值，因此，确定本文算法在Last.fm数据集上合适的Top-N值为55。 3.3.2确定LDA模型的主题数目为了确定合适的LDA模型主题数目，将主题数目T分别设置为10,20,90，并且比较在不同Top-N值下的情况下，算法的F1衡量指标随着主题数目的变化情况。 实验结果如图3所示。 0.0840.0820.0800.0780.0760.07420406080TopicN=35N=45N=55N=75N=65F1图3不同主题数下F1值的变化从图3中可以看出，随着主题数目的变化，算法的F1衡量指标总体上来说是上升的，但一直上下波动。 F1衡量指标在主题数为80的时候基本达到最大值，但LDA模型的建模时间随着主题数目的增长而增加，以Top-N为55为例，算法的运行时间如表2所示。 考虑到建模时间，本文对比算法中使用LDA模型时采用的主题数目统一为60。 表2算法运行时间表主题数2030405060708090时间（s）28.934.842.351.659.667.781.794.33.4算法对比实验为了验证本文算法的有效性，将本文所提出的算法UTLDA与其他算法进行比对分析: （1）传统基于用户的协同过滤推荐算法（UCF）； （2）文献6提出的基于标签的协同过滤推荐算法（TCF），该算法使用了用户的标签信息和物品的标签信息来计算用户对物品的偏好； （3）文献9提出的基于标签主题的协同过滤推荐算法（ColLDA）； （4）基于LDA模型推荐算法； （5）PreLDA表示本文提出的算法在未考虑时间和社交因素的情况下得到的推荐结果；UTLDA表示本文算法。 通过3.3.2实验，本文中各对比算法使用LDA模型时采用的主题数目统一设置为60，参数?和?分别设置6计算机工程为0.1和0.01，迭代次数设置为500次。 各对比算法在不同的推荐数目下的召回率和准确率结果如表3和表4所示。 表3各算法在不同的推荐数目下的召回率（%）N UCF TCF ColLDALDA PreLDAUTLDA356.0637.0687.0176.8677.4388.186406.6827.8898.0747.5598.2348.918457.3268.4528.7418.2918.9589.666507.9139.0719.4008.8949.70610.333558.3719.6269.9639.40010.31710.953608.92610.15610.6239.93910.83211.572659.34410.60711.26610.43811.44312.191709.71411.07311.76510.84011.93412.7867510.13211.55612.22311.32212.36813.309表4各算法在不同的推荐数目下的准确率（%）N UCFTCF ColLDALDA PreLDAUTLDA355.6696.6096.7896.4216.9547.654405.4676.4536.6056.1846.7367.296455.3276.1466.3566.0296.5147.029505.1785.9366.1525.8216.3526.763554.9805.7275.9285.5936.1386.516604.8685.5395.7935.4215.9076.311654.7045.3405.6725.2555.7616.137704.5415.1765.55.0675.5785.977754.4215.0425.3334.9405.3965.807从表3和表4中可以看出，在Last.fm数据集上，各对比算法的召回率都是随着推荐数目Top-N的增加而增大，而准确率则随着推荐数目Top-N的增加而减小。 而且，本文提出算法在召回率和准确率上均高于其他对比算法。 由于召回率和准确率一定程度上相互制约，为了更好地衡量各个算法的效果，进一步使用F1值来衡量推荐的质量。 各对比算法在不同的推荐数目下的F1值如图4所示。 0.0800.0750.0700.0650.0600.0500.05540506070Top-NUCFTCFColLDALDAPreLDAUTLDAF1图4各算法在不同的推荐数目下的F1值从图4可以看出，不同的算法在F1衡量指标上的趋势基本一致。 各对比算法在相同环境下的运行时间如表5所示。 表5各算法运行时间表（s）算法名称UCFTCFColLDA UTLDA离线部分-12.260.859.6在线部分2.9从表5可以看出传统的协同过滤算法产生推荐的时间比较长，ColLDA和UTLDA因为使用了LDA模型，所以离线部分要比TCF算法的时间要长；ColLDA算法使用物品信息对模型进行处理，而物品信息远大于用户信息，所以在离线部分时间略高于UTLDA；但是在线部分，TCF、ColLDA和UTLDA三种算法都是根据偏好矩阵产生推荐，所以产生推荐的时间基本一样。 对比不同的算法，本文所提出的UTLDA算法在准确率和召回率以及F1值上均优于其他对比算法。 LDA算法构建主题模型，挖掘了用户-物品的潜在信息，相对于传统的协同过滤推荐算法，提高了推荐的质量；TCF算法将用户的标签行为与推荐算法相结合，优化了推荐效果；ColLDA算法使用LDA算法挖掘标签的语义信息，进一步提高了推荐质量。 本文综合使用用户社交关系和时间因素来对主题模型得到的概率矩阵进行处理，可以更加全面地衡量用户对物品的偏好程度，实验结果表明，本文所提出的UTLDA算法能更有效地提高推荐的质量。 4结束语在社会标签系统中，用户的社交的关系以及用户随时间变化的兴趣偏好都会对推荐质量产生影响。 通过将时间因素加入到用户的相似度计算模型中，使用主题模型建立用户的兴趣偏好，考虑用户朋友以及其他用户的影响，能够有效地提高推荐的质量和可解释性。 下一步可以采用自然语言处理技术，对标签进行聚类，减少标签的数量，并结合用户的评论，提取情感关键词，更准确地建立用户的兴趣偏好模型，进一步提高推荐结果的质量。 4参考文献1.Jiang S,Qian X,Shen J,et al.Author TopicModel basedCollaborative Filteringfor PersonalizedPOI RemendationJ.IEEE Transactionson Multimedia,xx,17 (6):907-918.2.Moradi P,Ahmadian S.A reliability-based remendationmethod toimprove trust-aware remender systemsJ.Expert Systemswith Applications,xx,42 (21):7386-7398.3.Ji K,Sun R,Li X,et al.Improving matrixapproximation forremendation viaa clustering-based reconstructivemethodJ.Neuroputing,xx,173:912-920.4.Yang B,Lei Y,Liu J,et al.Social CollaborativeFiltering byTrustJ.IEEE Transactionson PatternAnalysis andMachine Intelligence,xx,39 (8):1633-1647.5.Yang CS,Chen LC.Enhancing personalizedremendation insocial taggingsystems bytag expansionC/International Conference on InformationScience.IEEE,xx.6.蔡强,韩东梅,李海生,et al.基于标签和协同过滤的个性化资源推荐J.计算机科学,xx,41 (1).7.孔欣欣,苏本昌,王宏志,et al.基于标签权重评分的推7计算机工程荐模型及算法研究J.计算机学报,xx (6).8.Blei DM,Ng AY,Jordan MI.Latent dirichlet allocationJ.Journal ofmachine Learningresearch,xx,3(Jan):993-1022.9.文俊浩,袁培雷,曾骏,等.基于标签主题的协同过滤推荐算法研究J.计算机工程,xx,43 (1):247-252.10.Sinha RR,Swearingen K.Comparing remendationsmade byonline systemsand friendsC/DELOS workshop:personalisation andremendersystemsin digitallibraries.xx,106.11.Wang Z