摘要：针对农业信息用户群，提出一种基于信任的个性化农业信息推荐方法。通过情境感知搜索一组偏好相似的推荐用户，并通过皮尔逊相关系数计算用户的评价相似度，引入信任机制，使用户之间的相似度计算更加准确，从而为目标用户提供更好的推荐结果，使推荐信息更为可信。
关键词：农业信息；推荐技术；个性化；信任机制
中图分类号：TP391.1 文献标识码：A 文章编号：0439-8114（2018）03-0094-03
DOI：10.14088/j.cnki.issn0439-8114.2018.03.023
Abstract： For agricultural information users，a recommendation method for personalized agricultural information based on trust is proposed，and calculate the similarity of users by pearson correlation coefficient，introduce mechanism of trust，the similarity between users is more accurate，better recommendation results for the target user are provided.
Key words： agricultural information； recommendation technology； inspaniduation； mechanism of trust
目前，家对农业信息技术日益重视，对农业信息技术的支持不断加大，传统的农业信息服务，面对信息过载等问题不能有效利用和处理海量农业信息，难以满足农业从业者多方位的需求。在计算机技术、网络技术和智能技术的推动下，个性化农业信息服务应运而生。个性化信息服务能根据用户模糊的、潜在的需求转化为明确的、现实的需求，通过对环境、用户习惯、个性的分析，进而向用户主动提供其可能需要的信息。推荐系统是一种典型个性化信息服务，可以为用户推荐感兴趣的信息，相对农业用户而言，极大地简化了用户获得所需要信息的方式。
大部分推荐系统采用了协同过滤算法[1]来提高推荐质量（如淘宝网），这种推荐系统并不分析信息之间的相似性，而是学习用户之间获取信息行为的相似性，从而根据相似用户获得推荐结果。研究指出，优点是用户可以发现新的感兴趣的信息而不需要考虑信息本身。缺点是如果用户对信息的评价矩阵非常稀疏，这样得到用户间的相似性可能不准确，存在“稀疏问题”；如果一直没有用户对某一信息进行评价，则这个信息就不可能被推荐，存在“冷开始问题”[2]。为此，提出了基于信任模型的协同过滤推荐算法[3]，然而在农业信息推荐领域，由于客户群体的差异，以上2个问题更为普遍，本研究借鉴电子商务领域的做法，在协同过滤推荐算法中引入信任机制的同时加入了农业情境个性化感知，使目标用户获得更优的最近邻居集，进而获得更好的推荐效果。
1 农业情境个性化感知
如果一个新用户从未对系统中的信息项目进行评价，就无法获知其兴趣点，无法找到相似用户，也就不知道推荐什么信息项目给该用户。一般采用新用户进入系统前，先注册个人用户信息来解决新用户问题，但是如果需要输入的信息过多，用户就会放弃使用推荐系统。由于农业用户群体，整体来讲，信息获取能力较低，信息素质不高，不善于网络信息的交互，基本上只是被动获取信息。因此，本研究提出了一种农业情境感知的个性化信息服务方法，利用现代网络技术和智能技术自动感知用户的情境信息，在尽可能减少输入信息的条件下，预测用户的偏好，通过建立农业信息资源分类方法，及时地、有针对性地向用户主动推荐所需内容，更高效地满足不同农业用户的个性化需求，提供更灵活、更简单的信息服务。
农业情境信息通常包括空间信息、时间信息、气象信息、用户行为等[4]，通过感知技术使之能影响业务逻辑和页面显示，主要分2种类型：一种是基本情境信息，用于描述用户工作环境的情境信息；一种是时序情境信息，用于描述用户在服务系统中与时间紧密相关所进行的一系列操作。
目前，大部分农业用户采用移动终端和PC机获取信息，分别运用GPS定位和IP定位方式获得地理位置信息，通过服务端的系统信息可获得详细的时间分布信息，再利用Web Service技术获得气象等相关信息。用户只需输入少量简单的注册用户信息，通过智能情境感知，可获得具有个性化的用户信息，建立更全面的用户档案，作为推荐的基础，有效地减少了协同过滤推荐技术中经常出现的2个问题。
2 基于信任的推荐方法
与传统推荐系统不同，基于信任的推荐系统通过增加用户间的评分数据，把推荐系统中的用户联系起来，自然地形成一个社会网络，形成用户之间的信任关系。大部分用户，尤其是农业用户群体更相信朋友的推荐。
2.1 相似度计算
基于协同过滤算法采用比较当前用户与其他用户的评分，使用皮尔逊相似度方法计算相似度[5]。其中，ra，i表示用户a对项i的评分；m是a、b两个共同评分过的项的数目；ra表示用户a的平均评分。
2.2 预测评分
通过预测评分的高低，向当前用户推荐评分最高的项。邻居定义为与用户a相似度较高的一组用户，其他定义如公式（1）。
这种计算相似度方法，只有在比较多的项目上评分比较相似时，才得出相似度是可信的，但如果用户评分数据极端稀疏，此时得出的相似度并不可靠。因此，在协同过滤推荐算法中引入信任机制，来改进传统相似度计算方法的不足。
2.3 信任度计算
借鉴大型电子商务系统（如eBay），如果2个用户共同对一项目进行了评价，就认为他们之间进行了一次直接交易，通过评价值可以计算两者之间的直接信任度。一般情况，共同评价的项目会比较少，仅仅用直接信任是不准确的，另一种情况，如果2个用户中只有1个用户对项目进行了评价，这样就无法计算2个用户的直接信任度，那么可以先对未评价的用户进行预测项目的评价值，再计算2个用户的间接信任，这种间接信任可有效地提高用户间信任的准确度。用户之间的信任值可通过借鉴社会网络中人之间的信任评价方法进行计算： 2.3.1 直接信任度 如果a、b两个用户共同对1个项目进行了评价，那么就认为a、b两个用户进行了一次交易，a、b两个用户的直接信任可以通过a、b两个用户共同评价项目的相关度反映出来。因此，直接信任度计算如下：
2.3.2 间接信任度 假定Ia为用户a评价的项目集合，Ib为用户b评价的项目集合，用集合Ia-{Ia∩Ib}作为用户a评价但用户b未评价的项目，这种情况，在这些项目上用户a对用户b的直接信任程度无法知道，所以用户b对这些项目需要进行预测。因此，在集合Ia-{Ia∩Ib}项目上，通过用户a的评价值与用户b的预测值，获得用户a和用户b之间的相关度，从而间接地反映用户a对用户b的间接信任度。可以利用公式（2）的方法获得没有评分的项目的预测值，先进行项目之间的相关度计算，得到最近邻居，再通过最近邻居对相关项目的评分来预测未评分项目的评分[6]。计算方法：
2.3.3 预测推荐 可以通过选择用户u最信任的k个用户或信任度值大于指定阀值的用户作为最近邻居集合Nu，再通过用户的最近邻居集合Nu来预测在用户u∈U中未被评价的项目i∈I，计算方法如下：
推荐预测评分值最高的N个项目给目标用户u。其中，ru表示用户u对项目的平均评分、rk分别表示用户k对项目的平均评分；rk，i作
为用户k对项目i的评分。
3 结果与分析
试验时，在TAB=β・Rd+（1-β）Rr公式中选取不同的权重β值以获得不同的推荐效果。通过在不同邻居数的情况下试验，取得当β=0.8时产生较好的推荐结果，说明在基于农业信息的推荐中，直接信任占主导，用户更愿意相信朋友。β=0表示只采用间接信任，β=1表示只采用直接信任，相当于传统协同过滤算法推荐的结果。比较这2种情况发现，采用直接信任推荐质量更好，说明直接信任可信度更高，直接通过朋友的推荐更可信。间接信任度计算因为依赖预测，因此预测的准确度对推荐效果产生了积极的影响。由于本研究引入了情景感知，可以取得更多的项目邻居数，所以准确度更高，推荐效果更好。
将传统的协同过滤算法与本研究提出的算法进行了5次对比试验，如图1所示，结果表明，本研究提出的算法，由于采用了个性化情境感知，又引入了信任机制，因此获得了更好的推荐效果。这里相关度是指用户需求与推荐结果的匹配程度。
4 小结
本研究针对农业用户群的特点，提出了一种基于信任的个性化农业信息推荐方法，通过情景感知和用户注册，获得更为丰富的用户信息，简化了用户操作的方式。加上信任机制的引入，通过用户间的直接信任和间接信任的结合，使用户间的相似度计算更准确，使目标用户能获得更近的邻居集，更好地识别和预测了用户的兴趣偏好，有效地减少了协同过滤推荐技术中经常出现“稀疏问题”和“冷开始问题”，起到了更好的推荐效果。
参考文献：
[1] ADOMAVICIUS G，TUZHILIN A. Toward the next generation of recommender systems：A survey of the state-of-the-art and possible extensions[J].IEEE Transactions on Knowledge and Data Engineering，2005，17（6）：734-749.
[2] 邓爱林，朱杨勇，施伯乐.基于项目评分预测的协同过滤推荐算法[J].软件学报，2003，14（9）：1621-1628.
[3] 夏小伍，王l平.基于信任模型的协同过滤推荐算法[J].计算机工程，2011，37（21）：26-28.
[4] 杨宝祝，刘 妍，吴华瑞，等.基于情境感知的个性化农业信息服务模型研究[J].农机化研究，2012（11）：10-13.
[5] 徐 翔，王煦法.协同过滤算法中的相似度优化方法[J].计算机工程，2010，36（6）：52-54.
[6] DESHPANDE M，KARYPIS G. Item-based Top-n recommendation algorithms[J].ACM Transactions on Information Systems，2004，22（1）：143-177.
