基于资源分配的推荐算法研究DOI：10.19850/j.cnki.2096-4706.2021.08.036摘要：针对马太效应中过度流行性偏见问题，通过定义新的节点权重来初始化项目资源值，达到降低项目流行性的目的;进一步考虑用户可信度因素，结合统计学中的3σ原则，根据数据统计量筛选出系统中存在的异常用户或欺诈用户。在此基础上给出一个新的推荐算法（UTMT）。在数据集MovieLens_100K上对算法进行试验，并与资源分配中的热传导算法作比较，结果表明，构建的UTMT推荐算法预测结果的准确率较之热传导算法有较大的提升。关键词：二分图;马太效应;用户可信度;资源分配;推荐算法：TP391.3：A：2096-4706（2021）08-0127-03ResearchonRecommendationAlgorithmBasedonResourceAllocationCHILuyang（CollegeofSciences，NortheasternUniversity，Shenyang110004，China）Abstract：AimingattheproblemofexcessivepopularitybiasinMattheweffect，anewnodeweightisdefinedtoinitializetheprojectresourcevalue，soastoachievetheaimofreducingtheprojectpopularity.Furtherconsideringtheusercredibilityfactorandcombiningwiththe3σprincipleofstatistics，theabnormalusersorfraudulentusersexistinginthesystemarefilteredoutaccordingtothedatastatistics.Onthisbasis，anewrecommendationalgorithm（UTMT）isproposed.TestthealgorithmonthedatasetMovieLens_100kandmakeacomparisonwithheatconductionalgorithminresourceallocation.ThefinalresultsshowthattheconstructedrecommendationalgorithmUTMThasabigimprovementintheaccuracyrateofpredictoutcomesthanthatoftheheatconductionalgorithm.Keywords：bipartitegraph;Mattheweffect;usercredibility;resourceallocation;recommendationalgorithm0引言隨着互联网的飞速发展，网络中爆发式增长的资源虽然能满足人们的各项需求，但却突破了人们可以有效利用的范围，严重导致了信息过载问题。这在一定程度上凸显了采用个性化推荐系统的关键性和重要性。近年来，将复杂网络与推荐系统相结合的思想也应运而生。一些研究将网络中节点链接关系预测方法应用到推荐系统中。Zhu等人[1]通过分析共同邻居节点来预测推荐效果。Zhang等人[2]运用似然分析法评估节点之间推荐的可能性。基于二分图的推荐算法[3]可视为一个资源分配的过程，科研人员经常采用单模映射的方法压缩二分图来展示其中复杂的节点关系。通常，最原始的方法是把二分图映射到一个无权图上[4]，如果一个图上只有A节点，那么这就是A的单模映射结果。若映射结果中两个节点存在一条无向边，那么说明两个节点至少有一个共同邻居。无权重的单模映射会导致在资源传递的过程中丢失很多信息，因此需要在映射图中设置每条边的权重。在此基础上，Zhou等人提出了一种计算边权值来解决问题的方法[5]，根据节点权重经过多次迭代得出用户推荐列表。基于二分图的推荐算法的原理是通过对这些连接的边进行分析，预测用户的喜好和倾向，与此同时计算出每个项目对应于不同用户的资源值。最终计算出的项目资源值则作为推荐列表中排序的依据。在二分图中通过资源传递来模拟得出节点（包括用户和项目）的资源值。但是以上对节点的分析属于单一类型的研究，没有考虑到节点复杂性的情况，有些算法不适用于实际网络，并且其中涉及的复杂理论研究的结果仍存在可解释性问题。本文是在基于二分图的推荐算法上进行改进，提高算法性能。具体做法是通过引入用户可信度来改进原始的资源分配推荐算法。此外，由于原始推荐算法存在流行偏见问题，在进行用户推荐时可解释性较低，所以在此基础上考虑了更改资源值的方法以解决相关问题。1基于马太效应商品过度推荐的改进马太效应反映的是强者越发强大、弱者越发弱小的现象。如果推荐系统是以资源分配为框架，那么就会增大流行和非流行项目之间的热门度差距，从而使信息领域也存在马太效应[6]。商品越热门，就越容易被推荐给用户，从而该商品就会越来越流行;此时，非热门商品反而不容易出现在推荐列表中，导致非热门商品越来越冷门。而对于那些热门项目，不需要借助推荐系统这一媒介，用...