论文部分内容阅读
摘要：随着互联网的发展，个性化推荐系统在缓解信息过载、提升用户体验方面发挥着重要作用，但其依然存在许多缺陷。本文以如何提高用户满意度为主线，通过社交网络将信任机制引入推荐系统并参考社会学相关知识，将人们之间的信任来源进行分类，提出层次化信任度计算模型。最终通过实验对层次化信任度计算模型的推荐效果进行了比较研究。
关键词：推荐系统；社交网络；本地信任；全局信任；层次化信任
Abstract：With the development of Internet，Recommendation Systems（RSs）plays an important role on alleviating Information Overflow and improving user satisfaction.But RSs have a lot of defects.The paper’s main topic is how to improve user’s satisfaction.For the calculation of trust degree，this paper imports trust into RSs through social networking and references knowledge of sociology and identifies trust source among people，and propose a model of hierarchical trust.In the end，the paper compared the recommendation of hierarchical model with the parameters.
Keywords：Recommendation System；Local Trust；Global Trust；Hierarchical Trust
1.引 言
我国正处于电子商务蓬勃发展的时代，但是也面临前所未有的挑战：信息过载。而推荐系统根据用户需求为其推荐商品，降低了商品信息过载问题[9]，帮助用户花费最少的时间和精力购买到最符合需求的商品，但其存在着难以克服的缺点。通过社交网络将信任机制引入推荐系成为研究新方向。目前，这方面的研究尚不成熟，本文根据信任的产生来源将人与人之间的信任分为三个层面，建立了基于层次的信任度计算模型，具有重要的理论价值与实践价值。
本文第2节详细讨论层次信任度计算模型；第4节通过实验对模型进行性能评估；第5节总结全文。
2.层次化信任度计算模型研究
如何通过社交网络将信任引入推荐系统，在学术界仍未达成共识。Paolo Massa等人在文献[1，2，4]中分别使用了本地信任和全局信任使用户之间可以传播信任，乔秀全等人从图论的角度说明了用户之间的信任产生方式。本文则提出一种层次化的信任产生方式。
2.1 社交网络中的多层次信任来源
根据社会学交际过程，本文将社交网络中人与人的信任来源分为三层。
外部来源：新用户会选择信任网络中名誉值比较高的用户。交互来源：通过在线交互（或线下交际），新用户对其他用户了解加深，他们开始信任网络中其他用户。内部来源：随着时间的推移，用户会越来越信任与自己在内在品质方面有较多相似点的用户。
定义1.声誉信任/外部信任：是外部来源所产生的信任，是由一个人在公共环境中的整体声誉或者公信力所产生的信任。它是一种全局信任，是一个系统中所有人对该用户的“公认度”，独立于任何单个的第三方用户。即某一特定用户的声誉信任对于系统中的其他所有用户来说都是相同的。
定义2.交互信任：交互信任即交互来源所产生的信任，它是一个系统或集体中人与人之间的交际活动所产生的信任关系。交互信任是一种本地信任，这种信任值因人而异。
定义3.内部信任：内部来源所产生的信任，是由于两个人之间内在品质（如性格、品味、理想等）的相似性产生的信任关系。
2.2 层次化信任度计算模型
根据图2.1得到层次化信任度计算模型的抽象数学表达式如等式（3.1）所示：
（2.1）
在公式（2.1）中，Trust（A，W）代表用户A对用户W的总体信任值，它由声誉信任值、交互信任值和内部信任值加权求和得到。a、b、c为经验参数，它们之间满足：a，b，c>0，a+b+c=1；R（W）表示用户W在系统中的声誉信任值，使用E-PageRank对其进行计算；IT（A，W）表示用户A和用户W之间的交互信任值；Sim（A，W）表示用户A用户W由于相似性而产生的信任值，即内部信任值。
2.3 社交网络的抽象表示
本文参考文献[6，10]中基于有向加权图计算用户之间信任值的做法，将社交网络抽象成有向加权图。从图论的角度来看，一个社交网络可以抽象表示为有向加权图G（U，E，W），U为所有节点的集合代表所有的用户；E为网络中的有向边集合，位于有向边起点的节点称为源节点，反之为目标节点，有向边的方向表示相邻节点之间的信任关系。W为权重，本文规定权重的范围为[1，10]。
图2.2中，节点B信任节点A，节点A信任节点D，那么节点B就会在一定程度信任节点D，节点B对节点的信任程度将在后文中使用E-PageRank和M-MoleTrust进行计算，在此不做赘述。
图2.2 信任网络初始状态示意图
2.4 声誉信任值的计算
与传统的PageRank不同，本文所涉及社交网络中的每个外向链接（即信任关系）都有其权重，所以每一节点对其他节点贡献的声誉值应当按外向链接的权重比例去分配。将外向链接的权重引入后得到E-PageRank，如公式（2.2）所示： 其中 （2.2）
在公式（2.1）中，R（u）表示用户u的声誉值，Bu表示指向用户u的所有用户的集合，W（v，u）表示用户v对用户u的信任强度，O（v）表示节点v的某一外向链接的权重，∑O（v）表示节点v所有外向链接权重之和。c是取值[0，1]之间的一个标准化因子，E（u）是节点u的逃脱因子，本文取网络中节点总数的倒数作为每一个节点的逃脱因子。经计算得到声誉值如表2.1所示：
表2.1 PageRank与E-PageRank声誉值相比较
节点 PageRank E-PageRank 节点 PageRank E-PageRank
A 0.3657 0.3928 G 0.3074 0.3074
B 0.2529 0.2598 H 0.3611 0.3698
C 0.2395 0.2153 J 0.3119 0.3167
D 0.2854 0.2938 K 0.2470 0.2281
E 0.3146 0.3039 W 0.2390 0.2261
F 0.2583 0.2608 Z 0.2397 0.2246
在图2.2中节点A和H在连通整个图的过程中起着更为重要的作用。在表2.1中节点A和H改进后的算法声誉值更高，更符合社交网络的实际情况。因此，本文将使用E-PageRank进行声誉信任值的计算。
2.5 交互信任值的计算
交互是人的社会属性，任何一个系统中的个体与他周围的其它个体不断地进行着交互，从而产生不同程度的信任。文献[6]把用户之间的通信次数作为两个人之间信任度的度量依据，两人之间通信次数越多，表示两人越熟悉对方，他们之间的信任强度也就越强。本文基于带权有向图所表示的社会网络，将源节点对目标节点的评分作为源节点对于目标节点的信任值。
图2.3是修正的信任网络，本文将该修正的信任网络模型视为一个具有层次关系的有向图。在图的最上层是当前用户（本例中为用户A）。
图2.3 经MoleTrust修正的信任网络
而M-MoleTrust基于以下思想：1.决定待计算用户信任度的是他的直接上层用户和当前用户；2.随着信任的逐层传播，信任值会不断衰减，即随着人与人之间距离的增加，他们之间的相对信任度在降低。为实现上述目的，本文在MoleTrust的信任度计算公式中引入一个递减因子ω，其计算方式如公式（2.3）所示，其中p代表predecessors。
，=，（2.3）
表2.2为用户A对其他节点的信任值计算结果对比。可以看出M-MoleTrust所计算的用户A对其他用户的信任值从第2层开始迅速衰减，这符合人们的正常社交习惯。M-MoleTrust计算结果更贴近实际，所以本文采用M-MoleTrust计算交互信任值。
表2.2 MoleTrust与M-MoleTrust 结果对比
节点 所在层 MoleTrust Modifed-MoleTrust
A 0 1.0000 1.0000
B 1 0.4000 0.4000
E 1 0.5000 0.5000
C 1 0.3000 0.3000
D 1 0.6000 0.6000
F 2 0.4222 0.3800
K 2 0.1000 0.0500
G 2 0.7000 0.2100
H 2 0.6000 0.3600
J 2 0.4000 0.2400
W 3 0.4000 0.2280
Z 3 0.4600 0.2760
2.6 内部信任值的计算
用户相似度反应两个用户在兴趣爱好、审美品味、性格特征甚至价值观等方面的相似程度，这些都属于人的内在属性，很难在短时间内改变。本文将其称为内部信任。
本文选择比较成熟的皮尔森相关系数作为内部信任度的衡量指标。计算如公式（2.4）示，其中n表示用户A和用户W共同评分的项目数，r（K，i）表示用户K对项目i的评分。
Similarity（A，W）=[n]/[
（2.4）
3.实验及推荐评估
3.1 实验所用数据介绍
本实验所使用数据集来自网站Epinions，用户可以在该网站对任何主题发表评价，或者对别人发表的评价再进行评价。在Epinions中用户对项目的评分范围是[1，5]，用户对用户的信任描述只有三种情况：信任（1）、不信任（-1）、无直接信任记录（0）。
本试验随机抽取20%（364619条）用户-项目评分记录作为测试数据集，剩余的1458556条用户-项目评分记录和所有的用户-用户信任描述记录作为训练数据集。
3.2 层次化信任度计算模型性能评估
3.2.1 经验参数的确定
本文针对每一类型用户按事先估计的参数范围随机生成50组参数，选择能使预测评分的MAE最小的一组参数。本文参照文献[1，3]的经验，将参数Trust Threshold、trust _propagation_ distance和trust_threshold设置为0.2、3与0.3。
图3.1 普通用户的经验参数分析图
图3.2 冷启动用户的经验参数分析图
图3.3 存在争议用户的其他用户的经验参数分析图
从上面的图中可以得出，对于普通用户参数a，b，c的最优取值分别是0.3539、0.4018和0.2443，此时MAE取值为0.7160； 对于冷启动用户，参数a，b，c 的最优取值分别是0.4289、0.4080 和0.1631，此时MAE为0.7201；存在争议用户的其他用户，参数a，b，c的最优取值分别是0.2013、0.4108和0.3879，此时MAE取值0.7091。
3.2.2 模型预测推荐能力评估
下图以MAE为纵坐标来比较不同算法对于不同用户群体推荐结果的准确性。层次化信任模型对四类用户的MAE值都有不同程度的降低，提高了预测的准确度。相对协同过滤而言基于信任的推荐算法在较大程度上提高了推荐的准确性，再次证明将信任机制引入推荐系统是解决推荐系统固有顽疾的崭新思路。
图3.4 四种推荐算法的准确性对比
本文使用衡量系统推荐能力的指标High Rating Coverage对本文所提模型的推荐能力进行评估。如图3.5，对协同过滤而言，基于信任的推荐技术在推荐能力方面有小幅提升，特别是对冷启动用户，M-MoleTrust将其High Rating Coverage提高了30.70%，E-PageRank提高了61.30%，层次化信任模型提高了39.82%。
图3.5四种推荐算法的推荐能力对比
4.结论与展望
本文通过研究得出以下结论：1.将信任机制应用到推荐系统能够缓解冷启动、数据稀疏等问题；2.本文所提出的层次化信任度计算能够在较大幅度提高推荐系统推荐质量的同时为更多的用户提供推荐服务。由于学识和水平有限，本文的研究从广度和深度上都有局限之处，在未来的研究中可以将不信任引入，以期达到更优质的推荐效果。
致 谢
感谢我的导师高迎副教授以及我的学长康永胜，他们的指导对提高本论文水平有很大帮助！
参考文献：
[1] Massa P，Avesani P.Trust-aware collaborative filtering for recommender systems// International Conference on Cooperative Information Systems，Larnaca，Cyprus，2004：492-508
[2] Massa P，Bhattacharjee B.Using Trust in Recommender Systems：An Experimental Analysis//Second International Conference，Oxford，UK，2004：221-235
[3] Massa P，Avesani P.Trust metrics on controversial users：balancing between tyranny of the majority and echo chamber.International Journal on Semantic Web and Information Systems（IJSWIS），2007：39-64.
[4] Massa P，Avesani P.Controversial users demand local trust metrics：An experimental study on epinions.com community //Proceedings of the National Conference on artificial Intelligence，Pittsburgh，USA，2005：121-126.
[5] Page L，Brin S，Motwani R，et al.The PageRank citation ranking：bringing order to the web.1999.
[6] 乔秀全，杨春，李晓峰，等.社交网络服务中一种基于用户上下文的信任度计算方法，计算机学报.2011：2403-2413
[7] Massa P，Avesani P.Trust-aware bootstrapping of recommender systems，ECAI Workshop on Recommender Systems.2006：29-33.
[8] Massa P，Avesani P.Trust metrics in recommender systems，Computing with social trust Springer London.2009：259- 285.
[9] Massa P，Avesani P.Trust-aware recommender systems// Proceedings of the 2007 ACM conference on Recommender systems，ACM，Minneapolis，Minnesota，USA 2007：17-24.
[10] Lo S，Lin C.Wmr--a graph-based algorithm for friend recommendation//Proceedings of the 2006 IEEE/WIC/ACM International Conference on Web Intelligence，IEEE Computer Society，HK，China，2006：121-128.
关键词：推荐系统；社交网络；本地信任；全局信任；层次化信任
Abstract：With the development of Internet，Recommendation Systems（RSs）plays an important role on alleviating Information Overflow and improving user satisfaction.But RSs have a lot of defects.The paper’s main topic is how to improve user’s satisfaction.For the calculation of trust degree，this paper imports trust into RSs through social networking and references knowledge of sociology and identifies trust source among people，and propose a model of hierarchical trust.In the end，the paper compared the recommendation of hierarchical model with the parameters.
Keywords：Recommendation System；Local Trust；Global Trust；Hierarchical Trust
1.引 言
我国正处于电子商务蓬勃发展的时代，但是也面临前所未有的挑战：信息过载。而推荐系统根据用户需求为其推荐商品，降低了商品信息过载问题[9]，帮助用户花费最少的时间和精力购买到最符合需求的商品，但其存在着难以克服的缺点。通过社交网络将信任机制引入推荐系成为研究新方向。目前，这方面的研究尚不成熟，本文根据信任的产生来源将人与人之间的信任分为三个层面，建立了基于层次的信任度计算模型，具有重要的理论价值与实践价值。
本文第2节详细讨论层次信任度计算模型；第4节通过实验对模型进行性能评估；第5节总结全文。
2.层次化信任度计算模型研究
如何通过社交网络将信任引入推荐系统，在学术界仍未达成共识。Paolo Massa等人在文献[1，2，4]中分别使用了本地信任和全局信任使用户之间可以传播信任，乔秀全等人从图论的角度说明了用户之间的信任产生方式。本文则提出一种层次化的信任产生方式。
2.1 社交网络中的多层次信任来源
根据社会学交际过程，本文将社交网络中人与人的信任来源分为三层。
外部来源：新用户会选择信任网络中名誉值比较高的用户。交互来源：通过在线交互（或线下交际），新用户对其他用户了解加深，他们开始信任网络中其他用户。内部来源：随着时间的推移，用户会越来越信任与自己在内在品质方面有较多相似点的用户。
定义1.声誉信任/外部信任：是外部来源所产生的信任，是由一个人在公共环境中的整体声誉或者公信力所产生的信任。它是一种全局信任，是一个系统中所有人对该用户的“公认度”，独立于任何单个的第三方用户。即某一特定用户的声誉信任对于系统中的其他所有用户来说都是相同的。
定义2.交互信任：交互信任即交互来源所产生的信任，它是一个系统或集体中人与人之间的交际活动所产生的信任关系。交互信任是一种本地信任，这种信任值因人而异。
定义3.内部信任：内部来源所产生的信任，是由于两个人之间内在品质（如性格、品味、理想等）的相似性产生的信任关系。
2.2 层次化信任度计算模型
根据图2.1得到层次化信任度计算模型的抽象数学表达式如等式（3.1）所示：
（2.1）
在公式（2.1）中，Trust（A，W）代表用户A对用户W的总体信任值，它由声誉信任值、交互信任值和内部信任值加权求和得到。a、b、c为经验参数，它们之间满足：a，b，c>0，a+b+c=1；R（W）表示用户W在系统中的声誉信任值，使用E-PageRank对其进行计算；IT（A，W）表示用户A和用户W之间的交互信任值；Sim（A，W）表示用户A用户W由于相似性而产生的信任值，即内部信任值。
2.3 社交网络的抽象表示
本文参考文献[6，10]中基于有向加权图计算用户之间信任值的做法，将社交网络抽象成有向加权图。从图论的角度来看，一个社交网络可以抽象表示为有向加权图G（U，E，W），U为所有节点的集合代表所有的用户；E为网络中的有向边集合，位于有向边起点的节点称为源节点，反之为目标节点，有向边的方向表示相邻节点之间的信任关系。W为权重，本文规定权重的范围为[1，10]。
图2.2中，节点B信任节点A，节点A信任节点D，那么节点B就会在一定程度信任节点D，节点B对节点的信任程度将在后文中使用E-PageRank和M-MoleTrust进行计算，在此不做赘述。
图2.2 信任网络初始状态示意图
2.4 声誉信任值的计算
与传统的PageRank不同，本文所涉及社交网络中的每个外向链接（即信任关系）都有其权重，所以每一节点对其他节点贡献的声誉值应当按外向链接的权重比例去分配。将外向链接的权重引入后得到E-PageRank，如公式（2.2）所示： 其中 （2.2）
在公式（2.1）中，R（u）表示用户u的声誉值，Bu表示指向用户u的所有用户的集合，W（v，u）表示用户v对用户u的信任强度，O（v）表示节点v的某一外向链接的权重，∑O（v）表示节点v所有外向链接权重之和。c是取值[0，1]之间的一个标准化因子，E（u）是节点u的逃脱因子，本文取网络中节点总数的倒数作为每一个节点的逃脱因子。经计算得到声誉值如表2.1所示：
表2.1 PageRank与E-PageRank声誉值相比较
节点 PageRank E-PageRank 节点 PageRank E-PageRank
A 0.3657 0.3928 G 0.3074 0.3074
B 0.2529 0.2598 H 0.3611 0.3698
C 0.2395 0.2153 J 0.3119 0.3167
D 0.2854 0.2938 K 0.2470 0.2281
E 0.3146 0.3039 W 0.2390 0.2261
F 0.2583 0.2608 Z 0.2397 0.2246
在图2.2中节点A和H在连通整个图的过程中起着更为重要的作用。在表2.1中节点A和H改进后的算法声誉值更高，更符合社交网络的实际情况。因此，本文将使用E-PageRank进行声誉信任值的计算。
2.5 交互信任值的计算
交互是人的社会属性，任何一个系统中的个体与他周围的其它个体不断地进行着交互，从而产生不同程度的信任。文献[6]把用户之间的通信次数作为两个人之间信任度的度量依据，两人之间通信次数越多，表示两人越熟悉对方，他们之间的信任强度也就越强。本文基于带权有向图所表示的社会网络，将源节点对目标节点的评分作为源节点对于目标节点的信任值。
图2.3是修正的信任网络，本文将该修正的信任网络模型视为一个具有层次关系的有向图。在图的最上层是当前用户（本例中为用户A）。
图2.3 经MoleTrust修正的信任网络
而M-MoleTrust基于以下思想：1.决定待计算用户信任度的是他的直接上层用户和当前用户；2.随着信任的逐层传播，信任值会不断衰减，即随着人与人之间距离的增加，他们之间的相对信任度在降低。为实现上述目的，本文在MoleTrust的信任度计算公式中引入一个递减因子ω，其计算方式如公式（2.3）所示，其中p代表predecessors。
，=，（2.3）
表2.2为用户A对其他节点的信任值计算结果对比。可以看出M-MoleTrust所计算的用户A对其他用户的信任值从第2层开始迅速衰减，这符合人们的正常社交习惯。M-MoleTrust计算结果更贴近实际，所以本文采用M-MoleTrust计算交互信任值。
表2.2 MoleTrust与M-MoleTrust 结果对比
节点 所在层 MoleTrust Modifed-MoleTrust
A 0 1.0000 1.0000
B 1 0.4000 0.4000
E 1 0.5000 0.5000
C 1 0.3000 0.3000
D 1 0.6000 0.6000
F 2 0.4222 0.3800
K 2 0.1000 0.0500
G 2 0.7000 0.2100
H 2 0.6000 0.3600
J 2 0.4000 0.2400
W 3 0.4000 0.2280
Z 3 0.4600 0.2760
2.6 内部信任值的计算
用户相似度反应两个用户在兴趣爱好、审美品味、性格特征甚至价值观等方面的相似程度，这些都属于人的内在属性，很难在短时间内改变。本文将其称为内部信任。
本文选择比较成熟的皮尔森相关系数作为内部信任度的衡量指标。计算如公式（2.4）示，其中n表示用户A和用户W共同评分的项目数，r（K，i）表示用户K对项目i的评分。
Similarity（A，W）=[n]/[
（2.4）
3.实验及推荐评估
3.1 实验所用数据介绍
本实验所使用数据集来自网站Epinions，用户可以在该网站对任何主题发表评价，或者对别人发表的评价再进行评价。在Epinions中用户对项目的评分范围是[1，5]，用户对用户的信任描述只有三种情况：信任（1）、不信任（-1）、无直接信任记录（0）。
本试验随机抽取20%（364619条）用户-项目评分记录作为测试数据集，剩余的1458556条用户-项目评分记录和所有的用户-用户信任描述记录作为训练数据集。
3.2 层次化信任度计算模型性能评估
3.2.1 经验参数的确定
本文针对每一类型用户按事先估计的参数范围随机生成50组参数，选择能使预测评分的MAE最小的一组参数。本文参照文献[1，3]的经验，将参数Trust Threshold、trust _propagation_ distance和trust_threshold设置为0.2、3与0.3。
图3.1 普通用户的经验参数分析图
图3.2 冷启动用户的经验参数分析图
图3.3 存在争议用户的其他用户的经验参数分析图
从上面的图中可以得出，对于普通用户参数a，b，c的最优取值分别是0.3539、0.4018和0.2443，此时MAE取值为0.7160； 对于冷启动用户，参数a，b，c 的最优取值分别是0.4289、0.4080 和0.1631，此时MAE为0.7201；存在争议用户的其他用户，参数a，b，c的最优取值分别是0.2013、0.4108和0.3879，此时MAE取值0.7091。
3.2.2 模型预测推荐能力评估
下图以MAE为纵坐标来比较不同算法对于不同用户群体推荐结果的准确性。层次化信任模型对四类用户的MAE值都有不同程度的降低，提高了预测的准确度。相对协同过滤而言基于信任的推荐算法在较大程度上提高了推荐的准确性，再次证明将信任机制引入推荐系统是解决推荐系统固有顽疾的崭新思路。
图3.4 四种推荐算法的准确性对比
本文使用衡量系统推荐能力的指标High Rating Coverage对本文所提模型的推荐能力进行评估。如图3.5，对协同过滤而言，基于信任的推荐技术在推荐能力方面有小幅提升，特别是对冷启动用户，M-MoleTrust将其High Rating Coverage提高了30.70%，E-PageRank提高了61.30%，层次化信任模型提高了39.82%。
图3.5四种推荐算法的推荐能力对比
4.结论与展望
本文通过研究得出以下结论：1.将信任机制应用到推荐系统能够缓解冷启动、数据稀疏等问题；2.本文所提出的层次化信任度计算能够在较大幅度提高推荐系统推荐质量的同时为更多的用户提供推荐服务。由于学识和水平有限，本文的研究从广度和深度上都有局限之处，在未来的研究中可以将不信任引入，以期达到更优质的推荐效果。
致 谢
感谢我的导师高迎副教授以及我的学长康永胜，他们的指导对提高本论文水平有很大帮助！
参考文献：
[1] Massa P，Avesani P.Trust-aware collaborative filtering for recommender systems// International Conference on Cooperative Information Systems，Larnaca，Cyprus，2004：492-508
[2] Massa P，Bhattacharjee B.Using Trust in Recommender Systems：An Experimental Analysis//Second International Conference，Oxford，UK，2004：221-235
[3] Massa P，Avesani P.Trust metrics on controversial users：balancing between tyranny of the majority and echo chamber.International Journal on Semantic Web and Information Systems（IJSWIS），2007：39-64.
[4] Massa P，Avesani P.Controversial users demand local trust metrics：An experimental study on epinions.com community //Proceedings of the National Conference on artificial Intelligence，Pittsburgh，USA，2005：121-126.
[5] Page L，Brin S，Motwani R，et al.The PageRank citation ranking：bringing order to the web.1999.
[6] 乔秀全，杨春，李晓峰，等.社交网络服务中一种基于用户上下文的信任度计算方法，计算机学报.2011：2403-2413
[7] Massa P，Avesani P.Trust-aware bootstrapping of recommender systems，ECAI Workshop on Recommender Systems.2006：29-33.
[8] Massa P，Avesani P.Trust metrics in recommender systems，Computing with social trust Springer London.2009：259- 285.
[9] Massa P，Avesani P.Trust-aware recommender systems// Proceedings of the 2007 ACM conference on Recommender systems，ACM，Minneapolis，Minnesota，USA 2007：17-24.
[10] Lo S，Lin C.Wmr--a graph-based algorithm for friend recommendation//Proceedings of the 2006 IEEE/WIC/ACM International Conference on Web Intelligence，IEEE Computer Society，HK，China，2006：121-128.