基于双层网络结构综合考虑社交关系与偏好相似性的电影推荐方法

doi:10.16381/j.cnki.issn1003-207x.2023.0773

摘要/Abstract

摘要：

当前电影推荐方法缺乏对用户间多种关联关系的考虑，导致用户好友关系稀疏，推荐效果不佳。为此，本文基于双层网络结构提出一种综合考虑社交关系与偏好相似性的电影推荐方法。首先，根据不同关系类型对电影网站用户社交关系和偏好相似关系进行分层处理，通过用户间的关注关系构造社交网络。接着，基于用户评价电影集合的相似性度量用户偏好相似性，构造偏好相似网络，继而构建综合考虑用户社交关系与偏好相似关系的双层网络结构。最后，利用Louvain社区发现方法对大群体用户进行降维分析，基于邻居用户影响力对社群用户进行个性化推荐。经豆瓣数据实验分析，本文所提方法能够有效缓解用户社交关系稀疏性问题，高效识别用户感兴趣社群，并基于社区邻居评价信息为目标用户提供更具新颖度的推荐列表。

关键词: 双层网络, 社交关系, 偏好相似性, 电影推荐

Abstract:

The research on movie recommendation algorithms developed rapidly because of the generation of new technologies such as Web 2.0， Big data， and cloud computing. Most recommendation systems operate based on preference similarity or social distance. However， current movie recommendations still face sparse issues on item ratings and social relationships. According to sociological theory， preference similarity is one of the important factors in the formation of social relationships， and social relationships also contribute to the emergence of similar preferences. Thus， considering multiple association relationships between users and the interaction between these relationships is the key to accurately capturing user needs and improving recommendation accuracy. A double-layer network-based recommendation model is proposed that simultaneously considers users’ social relationships and preference similarity. The social network is obtained based on the "follow" relationship and the preference similarity network is built based on similar reviews. Based on the single-layer processing of the double-layer network， the Louvain method is used to reduce the dimension of a large group of users. Then， the influence of intra-class users is calculated based on multi-level relationships and the personalized recommendation is provided for target users. Three main contributions are made by this paper. Firstly， the sparsity problem of users’ evaluation of the target movie is improved by extending the target movie to a collection of similar movies. Secondly， the sparsity of users’ social relationships is alleviated by preference similarity. Thirdly， considering the double-layer relationships， the needs of target users and recommendation lists can be accurately predicted. This paper takes Douban data （including 384548 users， 269469 movies， and the Top 250 movie list in 2022） as an example to verify the effectiveness of the recommendation model. Through experimental analysis， the sparsity problem of user relationships is effectively alleviated， the communities that users are interested in are efficiently identified， and more novel items are recommended to target users. Additionally， this method is also suitable for predicting missing information and identifying similar preference communities， providing data support for a more comprehensive understanding of user preferences.

Key words: double-layer network, social relationships, preference similarity, movie recommendation

中图分类号:

武恒,武彤. 基于双层网络结构综合考虑社交关系与偏好相似性的电影推荐方法[J]. 中国管理科学, 2024, 32(3): 248-256.

Heng Wu,Tong Wu. A Movie Recommendation Method Considering Social Relationships and Preference Similarity Based on A Double-Layer Network Structure[J]. Chinese Journal of Management Science, 2024, 32(3): 248-256.

图/表 8

图1

图2

表1

表2

表3

表4

表5

表6

参考文献 32

1	杨雨娇，袁勤俭. 个性化推荐的隐忧：基于扎根理论的信息茧房及其前因后果探析［J］. 情报理论与实践. 2023， 46（3）： 117-126.
	Yang Y J， Yuan Q J. The threat of personalized recommendation： a study based on grounded theory about the information cocoons and its antecedents and outcomes［J］. Information Studies： Theory & Application， 2023， 46（3）： 117－126.
2	Hallinan B， Striphas T. Recommended for you： thenetflix prize and the production of algorithmic culture［J］. New Media & Society， 2016， 18（1）： 117-137.
3	Thakker R . Patel R . Shah M. A comprehensive analysis on movie recommendation system employing collaborative filtering［J］. Multimedia Tools and Applications，2021，80（19）：28647-28672.
4	Sahu S. Kumar R. Mohdshafi P，et al. A hybrid recommendation system of upcoming movies using sentiment analysis of youtube trailer reviews［J］. Mathematics，2022，10（9）：1568.
5	Gan M X， Cui H F. Exploring user movie interest space： a deep learning based dynamic recommendation model［J］. Expert Systems with Applications， 2021， 173： 114695.
6	Yuan T， Cheng J， Zhang X， et al. How friends affect user behaviors？ An exploration of social relation analysis for recommendation［J］. Knowledge-Based Systems， 2015， 88： 70-84.
7	Zhao Z， Yang Q F， Lu H Q， et al. Social-aware movie recommendation via multimodal network learning［J］. IEEE Transactions on Multimedia， 2018， 20（2）： 430-440.
8	朱志国，周雨禾，王谢宁. 移动商务中融合签到位置与用户间相似性的兴趣点精准推荐［J］. 系统工程理论与实践， 2020， 40（2）： 462-469.
	Zhu Z G， Zhou Y H， Wang X N.Recommendation of POI by integrating user similarity and location information in mobile commerce［J］．Systems Engineering－Theory & Practice，2020，40（2）：462－469．
9	姜霖，张麒麟. 基于评论情感分析的个性化推荐策略研究—以豆瓣影评为例［J］. 情报理论与实践， 2017： 40（8）： 99-104.
	Jiang L， Zhang Q L.Research on personalized recommendation strategy based on sentimental analysis of the reviews［J］．Information studies：Theory & Application，2017，40（8）：99－104．
10	Tang M C， Liao I H. Preference diversity and openness to novelty： scales construction from the perspective of movie recommendation［J］. Journal of the Association for Information Science and Technology， 2022， 73（9）： 1222-1235.
11	Zhao W， Wang B Y， Yang M， et al. Leveraging long and short-term information in content-aware movie recommendation via adversarial training［J］.IEEE Transactions on Cybernetics， 2020， 50（11）： 4680-4693.
12	Khan E M， Mukta M S H， Ali M E，et al. Predicting users' movie preference and rating behavior from personality and values［J］. ACM Transactions on Interactive Intelligent Systems，2020，10（3）：1-25.
13	陈素白，章怡成，高诗劼. 锚定效应在网络口碑领域中的考察：以豆瓣电影在线评分为例［J］. 国际新闻界， 2016， 38（3）： 34-48.
	Chen S B， Zhang Y C， Gao S J. An empirical study of on anchoring effect in the field of online word-of-mouth： take douban movie`s online rating system as example［J］. Chinese Journal of Journalism & Communication， 2016， 38（3）： 34－48.
14	Liu H F， Jing L P， Yu J， et al. Social recommendation with learning personal and social latent factors［J］. IEEE Transactions on Knowledge and Data Engineering， 2021， 33（7）： 2956-2970.
15	胡春华，邓奥，童小芹，等. 社交电商中融合信任和声誉的图神经网络推荐研究［J］. 中国管理科学， 2021， 29（10）： 202-212.
	Hu C H， Deng A， Tong X Q， et al. A graph neural network recommendation study combining trust and reputation in social e-commerce［J］. Chinese Journal of Management Science， 2021， 29（10）： 202－212.
16	周欢，刘嘉，王欢芳. 基于图神经网络和标签可重叠社区的社会化影视推荐模型［J］. 情报理论与实践， 2021， 44（6）： 164-170.
	Zhou H， Liu J， Wang H F. A social movie recommendation model based on graph neural network and tag overlapping community［J］. Information studies： Theory & Application，2021， 44（6）： 164－170.
17	Eirinaki M. Gao J. Varlamis I，et al. Recommender systems for large-scale social networks： a review of challenges and solutions［J］. Future Generation Computer Systems，2018，78：413-418.
18	孙开伟，刘松，杜雨露. 基于属性图注意力网络的电影推荐模型［J］. 计算机科学， 2022， 49（S2）： 294-301.
	Sun K W， Liu S， Du Y L. Movie recommendation model based on attribute graph attention network［J］. Computer Science， 2022， 49（S2）： 294－301.
19	Ziegler C N， Golbeck J. Investigating interactions of trust and interest similarity［J］. Decision Support Systems， 2007， 43（2）： 460-475.
20	Cencetti G， Battiston F. Diffusive behavior of multiplex networks［J］. New Journal of Physics， 2019， 21： 035006.
21	冯勇徐文韬，王嵘冰，等. 电商异构网络中基于多层信息融合的用户社区划分算法［J］. 数据分析与知识发现， 2022， 6（5）： 89-98.
	Feng Y， Xu W T， Wang R B， et al. User community parition based on multi-layer information fusion in e-commerce heterogeneous network［J］. Data Analysis and Knowledge Discovery， 2022， 6（5）： 89－98.
22	王纲金，吴昊钰，谢赤. 基于多层关联网络的投资组合优化研究［J］.系统工程理论与实践，2022， 42（4）：937-957.
	Wang G J， Wu H Y， Xie C. Portfolio optimization based on multilayer connectedness networks［J］. Systems Engineering-Theory & Practice， 2022， 42（4）： 937-957.
23	Wang Z S， Xia C Y， Chen Z Q， et al. Epidemic propagation with positive and negative preventive information in multiplex networks［J］. IEEE Transactions on Cybernetics， 2021， 51（3）： 1454-1462.
24	Wu T， Liu X W， Qin J D， et al. Trust-consensus multiplex networks by combining trust social network analysis and consensus evolution methods in group decision-making［J］. IEEE Transactions on Fuzzy Systems， 2022， 30（11）： 4741-4753.
25	Yang Z S， Cheng J Y. Recommendation algorithm based on attributed multiplex heterogeneous network［J］. Peerj Computer Science， 2021（7）： e822.
26	Chen J R， Wang B， Ouyang Z P， et al. Dynamic clustering collaborative filtering recommendation algorithm based on double-layer network［J］. International Journal of Machine Learning and Cybernetics， 2021， 12（4）： 1097-1113.
27	Tang H， Zhao G S， Bu X X， et al. Dynamic evolution of multi-graph based collaborative filtering for recommendation systems［J］. Knowledge-Based Systems， 2021， 228： 107251.
28	陈晋音，吴洋洋，林翔. 基于图过滤的快速密度聚类双层网络推荐算法［J］. 控制理论与应用， 2019， 36（4）： 542-552.
	Chen J Y， Wu Y Y， Lin X.Double layered recommendation algorithm based on fast density clustering with graph-based filtering & applications［J］．Control Theory & Applications，2019，36（4）：542－552．
29	Bianconi G. Multilayer networks： structure and function［M］. Oxford University Press， 2018.
30	Halu A， Mondragón R J， Panzarasa P， et al. Multiplex pagerank［J］. PloS one， 2013， 8（10）： e78293.
31	Herlocker J L， Konstan J A， Terveen L G， et al. Evaluating collaborative filtering recommender systems［J］.ACM Transactions on Information Systems， 2004， 22（1）： 5-53.
32	Blondel V D， Guillaume J L， Lambiotte R， et al. Fast unfolding of communities in large networks［J］. Journal on Statistical Mechanics-Theory and Experiment， 2008（10）： 105-168.

社区发现结果	社区1	社区2	社区3
用户人数	187	185	22
观看电影数（总量）	1278	3196	214
观看电影数（去重）	581	1144	165
电影总评分均值	[7.52, 8.09]	[6.89, 7.82]	[7.22, 8.01]
群体用户评分均值	[3.99, 4.27]	[3.72, 4.16]	[3.86, 4.53]

用户类型	用户代号	用户评分	用户类内重要性	用户归一化重要性
目标用户	201	4	0.0018	-
邻居用户	95	5	0.0006	0.0130
邻居用户	91	5	0.0006	0.0130
邻居用户	261	5	0.0018	0.0394
邻居用户	193	缺失	0.0006	-
邻居用户	121	5	0.0006	0.0130
非邻居用户	189	4	0.0020	-
邻居用户	107	3	0.0005	0.0098
邻居用户	34	4	0.0020	0.0444
邻居用户	48	5	0.0024	0.0521
邻居用户	25	3	0.0009	0.0195
邻居用户	304	4	0.0060	0.1301
邻居用户	43	4	0.0016	0.0358
邻居用户	114	3	0.0020	0.0444
邻居用户	385	5	0.0018	0.0394
邻居用户	99	4	0.0060	0.1301
邻居用户	77	5	0.0009	0.0195
邻居用户	282	5	0.0023	0.0499
邻居用户	33	3	0.0006	0.0130
邻居用户	393	5	0.0008	0.0163
邻居用户	72	5	0.0009	0.0195
邻居用户	288	4	0.0017	0.0361
邻居用户	52	4	0.0029	0.0638
邻居用户	324	4	0.0006	0.0130
邻居用户	275	3	0.0060	0.1301
非邻居用户	285	3	0.0060	-
邻居用户	268	5	0.0006	0.0130
邻居用户	103	4	0.0019	0.0416

Top10	电影综合评分	邻居用户平均评分	推荐值
我不是药神	9	2.5000	3.5000
小武	8.5	2.2968	3.2734
浅田家！	8.3	2.2968	3.2234
驴得水	8.3	2.1290	3.1395
西游记之大圣归来	8.3	2.1290	3.1395
金都	7.7	2.2968	3.0734
大护法	7.8	2.1290	3.0145
八佰	7.5	2.2968	3.0234
又见奈良	7.4	2.2968	2.9984
第十一回	7.2	2.2968	2.9484

用户类型	邻居代号	用户评分	用户类内归一化重要性	预测评分
目标用户	285	3	-	3.5918
邻居用户	25	3	0.0918	-
邻居用户	121	5	0.0612	-
邻居用户	275	3	0.6122	-
邻居用户	282	5	0.2347	-

用户类型	邻居代号	用户评分	用户类内归一化重要性	预测评分
目标用户	285	3	-	4.3560
邻居用户	25	3	0.0220	-
邻居用户	121	5	0.0220	-
邻居用户	282	5	0.2860	-
邻居用户	393	5	0.3700	-