20.4 Recent Developments and Open C

20.4 Recent Developments and Open Challenges
In the previous sections we have covered the basics of trust modeling, trust metrics, and trust-enhanced recommender systems. In this section, we want to give the reader a foretaste of new directions in the research area of trust-based recommendation systems. This is certainly not meant to be a complete overview, but rather a selection of recent developments in the field. In particular, we will briefly discuss the following issues: alleviating the trust-based cold start problem, visualization of trust-enhanced recommender systems, theoretical foundations for trust-based research, and involving distrust in the recommendation process.

Massa and Avesani have shown that the user cold start problem in classical recommender systems can be alleviated by including a trust network among its users.

They demonstrated that, for new users, it is more beneficial to issue a few trust statements (compared to rating some items) in order to get good recommendations from the system [35]. However, Victor et al. have shown that cold start users in the classical sense (who rated only a few items) are very often cold start users in the trust sense as well [61]. Hence, new users must be encouraged to connect to other users to expand the trust network as soon as possible, but choosing whom to connect to is often a difficult task. Given the impact this choice has on the delivered recommendations, it is critical to guide newcomers through this early stage connection process. In [61] this problem is tackled by identifying three types of key figures in the recommender system’s network, viz. frequent raters, mavens and connectors.

The authors show that, for a cold start user, connecting to one of the identified key figures is much more advantageous than including a randomly chosen user, with respect to coverage as well as accuracy of the generated recommendations. Remark that these connection guidance issues link up with the broader problem of trust bootstrapping, i.e., the problem of how to establish initial trust relations in the network. O’Donovan, too, addresses this problem, but in a very different way: he introduces PeerChooser, a new procedure to visualize a trust-based collaborative filtering recommender system [45]. More specifically, PeerChooser visualizes both information coming from the traditional similarity measure PCC, and information coming from the underlying trust-space generated fom the rating data (remember O’Donovan’s profile- and item-level trust [46]). One of the main features of the system is its possiblity to extract trust information on the fly, directly from the user at recommendation time. This is done by moving specific icons (representing users in the system) on an interactive interface. In this way, the user can indicate his mood and preferences, thereby actively providing real-time trust information. There are also other ways to establish trust relations when the information is not explicitly given by the users. Several sources of social data can be consulted, such as online friend and business networks (think e.g. of Facebook or LinkedIn), e-mail communication, reputation systems, etc. In the recommender system literature, they are often lumped together and collectively referred to as trust, although they map onto different concepts: behavioral theory clearly draws a distinction between homophily or cognitive similarity (similarity between people/tastes/etc.), social capital (reputation, opinion leadership), tie strength (in terms of relationship duration and interaction frequency), and trust (see e.g. [40, 41]). Potentially all these social data sources could be incorporated into a (trust-enhanced) recommender system, but so far not much research has been conducted to find out which ones will be most useful [4], and whether these sources would provide similar results as the classical trust-based recommendation approaches discussed in this chapter. In [5], Arazy et al. embark upon this problem and argue that the design of social recommenders should be grounded in theory, rather than making ad hoc design choices as is often the case in current algorithms.

Another recent research direction of a completely different nature is the investigation of the potential of distrust in trust-based recommender systems. Whereas in the trust modeling domain only a few attempts have been made to incorporate distrust, in the recommender domain this is even less so. This is due to several reasons, the most important ones being that very few data sets containing distrust information are available, and that there is no general consensus yet about how to propagate it and to use it for recommendation purposes. A first experimental evaluation of the effects of involving distrust in the recommendation process is reported in [64]. In this paper, three distrust strategies are investigated, viz. distrust as an indicator to reverse deviations, distrust as a filter for neighbour selection, and distrust as a debugger of a web of trust. The first two strategies are based on the rationale that trust can be used to select similar users (neighbours) in collaborative filtering systems, while the latter strategy has been suggested by various researchers in the field, see e.g. [20, 68]. The results indicate that the first technique is not the line to take. Distrust as a filter and/or debugger looks more promising, but it is clear that much work remains to be done in this nascent research area before one can come to a more precise conclusion.

20.5 Conclusions
In this chapter we have given an introduction to the research area of trust modeling, and illustrated how trust networks can improve the performance of classical recommender systems. We discussed several state-of-the-art implementations of these socalled trust-enhanced recommender strategies, and provided an experimental evaluation of their performance on two data sets from Epinions.com. This comparison in terms of coverage and accuracy did not yield any clear winner, but did show that each of the algorithms has its own merits.

Recommender applications that maintain a social trust network among their users can benefit from trust propagation strategies that have proven to yield a surplus value, whereas in cases where it is not immediately possible to collect explicit trust statements, methods that are able to automatically compute trust values seem the most ideal solution. Of course, these strategies could not have been devised without the appropriate data sets and/or applications to experiment with.

In fact, one of the main difficulties in the trust-enhanced recommender research domain is the lack of publicly available and suitable test data. Hence, it is our hope that in the near future more such data and applications become within reach of every researcher in need of it, and we strongly believe that this will attract and inspire even more people, thereby stimulating the research in this thriving area of trust-based recommendation.

Results (Thai) 1:

ยัง 20.4 พัฒนาล่าสุดและเปิดความท้าทายในส่วนก่อนหน้า เรามีครอบคลุมพื้นฐานของโมเดลความน่าเชื่อถือ การวัดความน่าเชื่อถือ และระบบเพิ่มความน่าเชื่อถือผู้แนะนำ ในส่วนนี้ เราต้องการให้อ่าน foretaste ทิศทางใหม่ในการวิจัยระบบความน่าเชื่อถือตามคำแนะนำ นี้แน่นอนไม่ใช่เป็น ภาพรวมที่สมบูรณ์ แต่แทนที่จะเลือกพัฒนาล่าสุดในฟิลด์ โดยเฉพาะอย่างยิ่ง เราจะหารือประเด็นต่อไปนี้สั้น ๆ: บรรเทาปัญหาเริ่มเย็นตามความน่าเชื่อถือ ภาพแสดงระบบผู้แนะนำเพิ่มความน่าเชื่อถือ รากฐานทฤษฎีสำหรับการวิจัยตามความน่าเชื่อถือ และระแวงในการแนะนำที่เกี่ยวข้องกับการมัสสาและ Avesani ได้แสดงให้เห็นว่า สามารถ alleviated ปัญหาเริ่มเย็นผู้ใช้ในระบบผู้แนะนำคลาสสิกโดยเครือข่ายความน่าเชื่อถือในหมู่ผู้ใช้พวกเขาแสดงว่า สำหรับผู้ใช้ใหม่ มันเป็นประโยชน์มากกว่าการออกคำสั่งแทนกี่ (เปรียบเทียบกับการจัดอันดับบางรายการ) เพื่อรับคำแนะนำที่ดีจากระบบ [35] อย่างไรก็ตาม วิคเตอร์ et al. ได้แสดงผู้ใช้ที่เริ่มเย็นในความคลาสสิกที่จัดเฉพาะบางรายการ) ใช้บ่อยผู้เริ่มเย็นแทนความรู้สึกเช่น [61] ดังนั้น ผู้ใช้ใหม่ต้องได้รับการสนับสนุนการเชื่อมต่อการขยายเครือข่ายความน่าเชื่อถือโดยเร็วที่สุด แต่มักเลือกที่จะเชื่อมต่อเป็นงานยาก ได้รับผลกระทบนี้มีคำแนะนำจัดส่ง เป็นสำคัญคู่มือ newcomers ผ่านกระบวนการเชื่อมต่อขั้นต้นนี้ [61] สำหรับปัญหานี้ ด้วยการระบุคีย์ตัวเลขของผู้แนะนำระบบเครือข่าย raters บ่อยได้แก่ mavens และเชื่อมต่อสามชนิดThe authors show that, for a cold start user, connecting to one of the identified key figures is much more advantageous than including a randomly chosen user, with respect to coverage as well as accuracy of the generated recommendations. Remark that these connection guidance issues link up with the broader problem of trust bootstrapping, i.e., the problem of how to establish initial trust relations in the network. O’Donovan, too, addresses this problem, but in a very different way: he introduces PeerChooser, a new procedure to visualize a trust-based collaborative filtering recommender system [45]. More specifically, PeerChooser visualizes both information coming from the traditional similarity measure PCC, and information coming from the underlying trust-space generated fom the rating data (remember O’Donovan’s profile- and item-level trust [46]). One of the main features of the system is its possiblity to extract trust information on the fly, directly from the user at recommendation time. This is done by moving specific icons (representing users in the system) on an interactive interface. In this way, the user can indicate his mood and preferences, thereby actively providing real-time trust information. There are also other ways to establish trust relations when the information is not explicitly given by the users. Several sources of social data can be consulted, such as online friend and business networks (think e.g. of Facebook or LinkedIn), e-mail communication, reputation systems, etc. In the recommender system literature, they are often lumped together and collectively referred to as trust, although they map onto different concepts: behavioral theory clearly draws a distinction between homophily or cognitive similarity (similarity between people/tastes/etc.), social capital (reputation, opinion leadership), tie strength (in terms of relationship duration and interaction frequency), and trust (see e.g. [40, 41]). Potentially all these social data sources could be incorporated into a (trust-enhanced) recommender system, but so far not much research has been conducted to find out which ones will be most useful [4], and whether these sources would provide similar results as the classical trust-based recommendation approaches discussed in this chapter. In [5], Arazy et al. embark upon this problem and argue that the design of social recommenders should be grounded in theory, rather than making ad hoc design choices as is often the case in current algorithms.Another recent research direction of a completely different nature is the investigation of the potential of distrust in trust-based recommender systems. Whereas in the trust modeling domain only a few attempts have been made to incorporate distrust, in the recommender domain this is even less so. This is due to several reasons, the most important ones being that very few data sets containing distrust information are available, and that there is no general consensus yet about how to propagate it and to use it for recommendation purposes. A first experimental evaluation of the effects of involving distrust in the recommendation process is reported in [64]. In this paper, three distrust strategies are investigated, viz. distrust as an indicator to reverse deviations, distrust as a filter for neighbour selection, and distrust as a debugger of a web of trust. The first two strategies are based on the rationale that trust can be used to select similar users (neighbours) in collaborative filtering systems, while the latter strategy has been suggested by various researchers in the field, see e.g. [20, 68]. The results indicate that the first technique is not the line to take. Distrust as a filter and/or debugger looks more promising, but it is clear that much work remains to be done in this nascent research area before one can come to a more precise conclusion.20.5 ConclusionsIn this chapter we have given an introduction to the research area of trust modeling, and illustrated how trust networks can improve the performance of classical recommender systems. We discussed several state-of-the-art implementations of these socalled trust-enhanced recommender strategies, and provided an experimental evaluation of their performance on two data sets from Epinions.com. This comparison in terms of coverage and accuracy did not yield any clear winner, but did show that each of the algorithms has its own merits.Recommender applications that maintain a social trust network among their users can benefit from trust propagation strategies that have proven to yield a surplus value, whereas in cases where it is not immediately possible to collect explicit trust statements, methods that are able to automatically compute trust values seem the most ideal solution. Of course, these strategies could not have been devised without the appropriate data sets and/or applications to experiment with.In fact, one of the main difficulties in the trust-enhanced recommender research domain is the lack of publicly available and suitable test data. Hence, it is our hope that in the near future more such data and applications become within reach of every researcher in need of it, and we strongly believe that this will attract and inspire even more people, thereby stimulating the research in this thriving area of trust-based recommendation.

Results (Thai) 2:

20.4 การพัฒนาล่าสุดและความท้าทายเปิด
ในส่วนก่อนหน้านี้เราได้ครอบคลุมพื้นฐานของการสร้างแบบจำลองความไว้วางใจตัวชี้วัดความเชื่อมั่นและความไว้วางใจเพิ่มระบบ recommender ในส่วนนี้เราต้องการที่จะให้ผู้อ่านลิ้มรสของทิศทางใหม่ในพื้นที่วิจัยของระบบข้อเสนอแนะความไว้วางใจตาม นี้อย่างแน่นอนไม่ได้หมายความว่าจะเป็นภาพรวมที่สมบูรณ์ แต่เลือกของการพัฒนาล่าสุดในสนาม โดยเฉพาะอย่างยิ่งเราสั้นจะหารือเกี่ยวกับประเด็นดังต่อไปนี้. บรรเทาปัญหาเริ่มเย็นไว้วางใจที่ใช้การสร้างภาพของระบบ recommender ความไว้วางใจเพิ่มรากฐานทางทฤษฎีสำหรับการวิจัยตามความไว้วางใจและความไม่ไว้วางใจในกระบวนการที่เกี่ยวข้องกับการให้คำแนะนำมาสซ่าและ Avesani แสดงให้เห็นว่า ผู้ใช้เริ่มเย็นปัญหาในระบบ recommender คลาสสิกสามารถที่จะบรรเทาได้ด้วยการรวมเครือข่ายความไว้วางใจของผู้ใช้. พวกเขาแสดงให้เห็นว่าสำหรับผู้ใช้ใหม่จะเป็นประโยชน์มากขึ้นในการออกงบไว้วางใจไม่กี่ (เมื่อเทียบกับการประเมินบางรายการ) เพื่อที่จะได้รับ คำแนะนำที่ดีจากระบบ [35] อย่างไรก็ตามวิคเตอร์และอัล ได้แสดงให้เห็นว่าผู้ใช้เริ่มเย็นในความรู้สึกคลาสสิก (ผู้จัดอันดับเพียงไม่กี่รายการ) มากผู้ใช้มักจะเริ่มเย็นในความรู้สึกไว้วางใจได้เป็นอย่างดี [61] ดังนั้นผู้ใช้ใหม่จะต้องได้รับการสนับสนุนในการเชื่อมต่อกับผู้ใช้อื่น ๆ ที่จะขยายเครือข่ายความไว้วางใจเร็วที่สุดเท่าที่เป็นไปได้ แต่การเลือกผู้ที่จะเชื่อมต่อไปยังมักจะเป็นงานที่ยาก ได้รับผลกระทบทางเลือกนี้มีข้อเสนอแนะส่งมันเป็นสิ่งสำคัญที่จะแนะนำผู้มาใหม่ผ่านขั้นตอนการเชื่อมต่อขั้นต้นนี้ ใน [61] ปัญหานี้เป็นความท้าทายโดยระบุสามประเภทของตัวเลขที่สำคัญในระบบเครือข่ายของ recommender ได้แก่ ผู้ประเมินบ่อย mavens และการเชื่อมต่อ. ผู้เขียนแสดงให้เห็นว่าสำหรับผู้ใช้เริ่มเย็นที่เชื่อมต่อกันให้เป็นหนึ่งในการระบุตัวเลขที่สำคัญมากขึ้นรวมทั้งได้เปรียบกว่าการสุ่มเลือกผู้ใช้เกี่ยวกับการคุ้มครองเช่นเดียวกับความถูกต้องของคำแนะนำที่สร้างขึ้น หมายเหตุคำแนะนำว่าปัญหาการเชื่อมต่อเหล่านี้เชื่อมโยงกับปัญหาที่กว้างขึ้นของความร่วมมือความไว้วางใจคือปัญหาของวิธีการที่จะสร้างความสัมพันธ์ความไว้วางใจครั้งแรกในเครือข่าย โดโนแวนเกินไปอยู่ปัญหานี้ แต่ในทางที่แตกต่างกันมาก: เขาแนะนำ PeerChooser, ขั้นตอนใหม่ที่จะเห็นภาพการทำงานร่วมกันในการกรองความไว้วางใจตามระบบ recommender [45] โดยเฉพาะอย่างยิ่ง PeerChooser visualizes ข้อมูลทั้งสองมาจากความคล้ายคลึงกันแบบดั้งเดิมวัด PCC และข้อมูลที่มาจากพื้นฐานความไว้วางใจพื้นที่สร้าง fom ข้อมูลคะแนน (จำ profile- โดโนแวนและความไว้วางใจระดับรายการ [46]) หนึ่งในคุณสมบัติหลักของระบบคือ possiblity ในการดึงข้อมูลความไว้วางใจในการบินโดยตรงจากผู้ใช้ในเวลาคำแนะนำ นี้จะกระทำโดยการย้ายไอคอนเฉพาะ (เป็นตัวแทนของผู้ใช้ในระบบ) ในการติดต่อโต้ตอบ ด้วยวิธีนี้ผู้ใช้สามารถบ่งบอกถึงอารมณ์ของเขาและการตั้งค่าจึงแข็งขันให้ความไว้วางใจข้อมูลเรียลไทม์ นอกจากนี้ยังมีวิธีการอื่น ๆ เพื่อสร้างความสัมพันธ์ความไว้วางใจเมื่อมีข้อมูลที่ไม่ได้รับอย่างชัดเจนโดยผู้ใช้ หลายแหล่งที่มาของข้อมูลทางสังคมสามารถปรึกษาเช่นเพื่อนออนไลน์และเครือข่ายธุรกิจ (เช่นคิดของ Facebook หรือ LinkedIn) การสื่อสารอีเมลระบบชื่อเสียง ฯลฯ ในระบบ recommender วรรณกรรมที่พวกเขาจะล้างโลกด้วยกันและมักจะเรียกว่า เป็นความไว้วางใจแม้ว่าพวกเขาลงบนแผนที่แนวความคิดที่แตกต่างกันอย่างเห็นได้ชัดทฤษฎีพฤติกรรมดึงความแตกต่างระหว่าง homophily คล้ายคลึงกันหรือองค์ความรู้ (. ความคล้ายคลึงกันระหว่างคน / รสนิยม / ฯลฯ ) ทุนทางสังคม (ชื่อเสียงเป็นผู้นำความคิด) ผูกความแข็งแรง (ในแง่ของระยะเวลาและความสัมพันธ์ ปฏิสัมพันธ์ความถี่) และความไว้วางใจ (ดูเช่น [40, 41]) ที่อาจเกิดขึ้นเหล่านี้แหล่งข้อมูลทางสังคมสามารถรวมเข้ากับ (ความไว้วางใจเพิ่ม) ระบบ recommender แต่จนถึงขณะนี้ไม่ได้วิจัยมากได้รับการดำเนินการที่จะหาคนที่จะได้รับประโยชน์มากที่สุด [4] และไม่ว่าแหล่งข้อมูลเหล่านี้จะให้ผลลัพธ์ที่คล้ายกัน ข้อเสนอแนะความไว้วางใจตามวิธีคลาสสิกที่กล่าวถึงในบทนี้ ใน [5], et al, Arazy เริ่มดำเนินการเมื่อปัญหานี้และยืนยันว่าการออกแบบของ Recommenders สังคมควรจะมีเหตุผลในทางทฤษฎีมากกว่าการเลือกการออกแบบเฉพาะกิจเป็นมักจะเป็นกรณีในขั้นตอนวิธีในปัจจุบัน. อีกทิศทางการวิจัยล่าสุดที่มีลักษณะที่แตกต่างกันอย่างสิ้นเชิงคือการตรวจสอบศักยภาพของ ความไม่ไว้วางใจในระบบ recommender ความไว้วางใจตาม ในขณะที่ในการสร้างแบบจำลองความไว้วางใจโดเมนเพียงไม่กี่พยายามที่ได้รับการทำที่จะรวมความไม่ไว้วางใจประสิทธิภาพ recommender นี้แม้แต่น้อยดังนั้น เพราะนี่คือเหตุผลที่หลายคนที่สำคัญที่สุดการที่น้อยมากชุดข้อมูลที่มีข้อมูลไม่ไว้วางใจที่มีอยู่และที่ไม่มีมติทั่วไปยังเกี่ยวกับวิธีการในการเผยแพร่และใช้มันเพื่อวัตถุประสงค์ข้อเสนอแนะ การประเมินผลการทดลองแรกของผลกระทบของการที่เกี่ยวข้องกับความไม่ไว้วางใจในกระบวนการข้อเสนอแนะที่มีการรายงานใน [64] ในบทความนี้สามกลยุทธ์ความไม่ไว้วางใจจะถูกตรวจสอบ ได้แก่ เป็นตัวบ่งชี้ความไม่ไว้วางใจที่จะกลับเบี่ยงเบนไม่ไว้วางใจเป็นตัวกรองสำหรับการเลือกเพื่อนบ้านและความไม่ไว้วางใจเป็นบั๊กของเว็บของความไว้วางใจ เป็นครั้งแรกที่สองกลยุทธ์อยู่บนพื้นฐานของเหตุผลที่ไว้วางใจสามารถใช้ในการเลือกผู้ใช้ที่คล้ายกัน (เพื่อนบ้าน) ในระบบการกรองการทำงานร่วมกันในขณะที่กลยุทธ์หลังได้รับการแนะนำโดยนักวิจัยในด้านต่างๆให้ดูเช่น [20 68] ผลการศึกษาพบว่าเทคนิคแรกไม่สายที่จะใช้ ไม่ไว้วางใจเป็นตัวกรองและ / หรือดีบักดูสดใสมากขึ้น แต่เป็นที่ชัดเจนว่าการทำงานมากยังคงต้องทำในพื้นที่วิจัยตั้งไข่นี้ก่อนที่ใครจะมาถึงข้อสรุปที่แม่นยำมากขึ้น. 20.5 สรุปในบทนี้เราได้รับการแนะนำให้รู้จัก พื้นที่การวิจัยการสร้างแบบจำลองความไว้วางใจและแสดงวิธีการเครือข่ายความไว้วางใจสามารถปรับปรุงประสิทธิภาพของระบบ recommender คลาสสิก เราได้พูดถึงการใช้งานหลายรัฐของศิลปะเหล่านี้เพิ่มความไว้วางใจ socalled กลยุทธ์ recommender และให้การประเมินผลการทดลองของประสิทธิภาพการทำงานของพวกเขาในสองชุดข้อมูลจาก Epinions.com การเปรียบเทียบนี้ในแง่ของความคุ้มครองและความถูกต้องไม่ได้ผลผู้ชนะที่ชัดเจนใด ๆ แต่ได้แสดงให้เห็นว่าแต่ละขั้นตอนวิธีการมีประโยชน์ของตัวเอง. Recommender การใช้งานที่รักษาความไว้วางใจเครือข่ายทางสังคมในหมู่ผู้ใช้ของพวกเขาสามารถได้รับประโยชน์จากการขยายพันธุ์กลยุทธ์ความไว้วางใจที่ได้รับการพิสูจน์ที่จะให้ผลผลิต มูลค่าส่วนเกินในขณะที่ในกรณีที่มีความเป็นไปได้ไม่ได้ทันทีในการเก็บรวบรวมงบไว้วางใจชัดเจนวิธีการที่จะสามารถคำนวณค่าโดยอัตโนมัติไว้วางใจดูเหมือนทางออกที่ดีที่สุด แน่นอนว่ากลยุทธ์เหล่านี้อาจไม่ได้รับการคิดค้นโดยไม่ต้องชุดข้อมูลที่เหมาะสมและ / หรือการใช้งานในการทดสอบกับ. ในความเป็นจริงหนึ่งในปัญหาหลักในการวิจัยโดเมน recommender เพิ่มความไว้วางใจคือการขาดการทดสอบข้อมูลที่เปิดเผยต่อสาธารณชนและเหมาะสม จึงเป็นความหวังของเราว่าในอนาคตอันใกล้นี้ข้อมูลดังกล่าวมากขึ้นและการใช้งานที่เป็นอยู่ในมือของนักวิจัยในความต้องการของมันทุกคนและเราเชื่อมั่นว่านี้จะดึงดูดและสร้างแรงบันดาลใจคนมากยิ่งขึ้นซึ่งจะช่วยกระตุ้นให้เกิดการวิจัยในพื้นที่ที่เจริญรุ่งเรืองนี้ของ ข้อเสนอแนะความไว้วางใจตาม

Results (Thai) 3:

7.2 การพัฒนาล่าสุดและความท้าทาย
เปิดในส่วนก่อนหน้าเราได้ครอบคลุมพื้นฐานของความไว้วางใจ โมเดลลิ่ง วัด เชื่อถือ และไว้วางใจเพิ่มระบบแนะนำ . ในส่วนนี้เราต้องการให้ผู้อ่านมีประสบการณ์มาก่อนของเส้นทางใหม่ในพื้นที่วิจัยของความไว้วางใจจากการแนะนำระบบ นี้แน่นอนไม่ได้หมายความว่า จะเป็นภาพรวมที่สมบูรณ์แต่การเลือกของการพัฒนาล่าสุดในเขตข้อมูล โดยเฉพาะเราสั้นหารือประเด็นต่อไปนี้ : แก้ไขปัญหาความน่าเชื่อถือตามเริ่มเย็น , การแสดงของความไว้วางใจเพิ่มแนะนำระบบพื้นฐานทางทฤษฎีสำหรับการวิจัยที่เกี่ยวข้องกับความน่าเชื่อถือและความคลางแคลงใจในกระบวนการ

แนะนำมา และ avesani ได้แสดงให้เห็นว่าผู้ใช้เริ่มเย็นปัญหาแนะนำระบบคลาสสิกสามารถ alleviated โดยรวมถึงความน่าเชื่อถือเครือข่ายระหว่างผู้ใช้ .

พวกเขาแสดงให้เห็น สำหรับผู้ใช้ใหม่ มันเป็นประโยชน์ที่จะออกเชื่องบน้อย ( เมื่อเทียบกับเรตติ้งรายการ ) เพื่อที่จะได้รับข้อเสนอแนะที่ดีจากระบบ [ 35 ] อย่างไรก็ตาม วิคเตอร์ et al .ได้แสดงให้เห็นว่าเริ่มเย็นผู้ใช้ในความรู้สึกคลาสสิก ( ใครอยู่เพียงไม่กี่รายการ ) มักจะเริ่มเย็นผู้ใช้ในเชื่อความรู้สึกเช่นกัน [ 61 ] ดังนั้น ผู้ใช้ใหม่จะต้องได้รับการส่งเสริมเพื่อเชื่อมต่อกับผู้ใช้อื่น ๆเพื่อขยายเครือข่ายเชื่อถือได้เร็วที่สุด แต่เลือกคนที่จะเชื่อมต่อกับ มักจะเป็นงานที่ยาก ได้รับผลกระทบ ทางเลือกนี้มีในการส่งข้อเสนอแนะมันเป็นสิ่งสำคัญที่จะแนะนำผู้มาใหม่ผ่านช่วงแรกเชื่อมต่อกระบวนการ ใน [ 61 ] ปัญหานี้แก้ได้โดยการระบุสามประเภทของตัวเลขที่สำคัญในเครือข่าย , การแนะนำของระบบ ได้แก่ จำนวนที่พบบ่อย , mavens และตัวเชื่อมต่อ

ผู้เขียนพบว่า เพราะเริ่มเย็นผู้ใช้เชื่อมต่อกับหนึ่งในการระบุคีย์ตัวเลขที่เป็นประโยชน์กว่า รวมทั้งสุ่มเลือกผู้ใช้ด้วยความเคารพในความคุ้มครอง ตลอดจนความถูกต้องของการสร้างคําแนะนํา หมายเหตุที่เหล่านี้เชื่อมต่อคำแนะนำประเด็นเชื่อมโยงกับปัญหาที่กว้างขึ้นของความไว้วางใจ bootstrapping คือปัญหาของวิธีการสร้างความสัมพันธ์ไว้วางใจครั้งแรกในเครือข่าย o'donovan เหมือนกันที่อยู่ปัญหานี้ แต่ในวิธีที่แตกต่างกันมาก : peerchooser เขาแนะนํา ,วิธีการใหม่ที่เห็นเชื่อร่วมกันแนะนำระบบการกรอง [ 45 ] ตาม มากขึ้นโดยเฉพาะ peerchooser visualizes ทั้งข้อมูลมาจาก PCC ความเหมือนวัดแบบดั้งเดิมและข้อมูลที่มาจากพื้นฐานที่สร้างขึ้นจากข้อมูลการจัดอันดับความน่าเชื่อถือพื้นที่ ( จำ o'donovan โปรไฟล์ของ - และสินค้าระดับความน่าเชื่อถือ [ 46 ] )หนึ่งในคุณสมบัติหลักของระบบคือ possiblity ที่จะสกัดเชื่อข้อมูลในการบินโดยตรงจากผู้ใช้ในเวลาที่แนะนำ นี้จะกระทำโดยการย้ายไอคอนที่เฉพาะเจาะจง ( เป็นผู้ใช้ในระบบ ) บนอินเตอร์เฟซแบบโต้ตอบ ในวิธีนี้ผู้ใช้สามารถแสดงอารมณ์และความต้องการของเขา จึงอย่างให้ข้อมูลเชื่อถือได้แบบเรียลไทม์ยังมีวิธีอื่นที่จะสร้างความสัมพันธ์ไว้วางใจ เมื่อข้อมูลไม่ชัดเจนที่กำหนดโดยผู้ใช้ หลายแหล่งที่มาของข้อมูลทางสังคม สามารถปรึกษาได้ เช่น หาเพื่อนออนไลน์ และธุรกิจเครือข่าย ( คิดเช่น Facebook หรือ LinkedIn ) , ระบบชื่อเสียงสื่อสาร , อีเมล ฯลฯ ในการแนะนำระบบวรรณกรรมพวกเขามักจะมี lumped ร่วมกันและโดยรวมเรียกว่าเชื่อ แม้ว่าพวกเขาแผนที่บนแนวคิดที่แตกต่างกัน : ทฤษฎีพฤติกรรมอย่างชัดเจนวาดความแตกต่างระหว่างบุคคลหรือการรับรู้ความคล้ายคลึง ( ความคล้ายคลึงกันระหว่างคน / รสนิยม / ฯลฯ ) ทุนทางสังคม ( ผู้นำความคิดเห็นชื่อเสียง ) , ผูกแรง ( ในแง่ของระยะเวลาและความถี่ในการปฏิสัมพันธ์และความสัมพันธ์ ) ความไว้วางใจ ( เห็นเช่น [ 40 , 41 ] )อาจทั้งหมดเหล่านี้แหล่งข้อมูลทางสังคมจะรวมอยู่ใน ( ใจ ) ปรับระบบการแนะนำ แต่เท่าที่วิจัยไม่มาก มีวัตถุประสงค์ เพื่อหาคนที่จะเป็นประโยชน์ที่สุด [ 4 ] และว่าแหล่งที่มาเหล่านี้จะให้ผลลัพธ์เช่นเดียวกับข้อเสนอแนะตามความเชื่อแบบคลาสสิกที่กล่าวถึงในบทนี้ ใน [ 5 ] , arazy et al .เริ่มดำเนินการเมื่อปัญหานี้ และยืนยันว่าการออกแบบของ recommenders สังคมควรกักบริเวณในทฤษฎี มากกว่าการเฉพาะกิจตัวเลือกการออกแบบที่เป็นมักจะเป็นกรณีในขั้นตอนวิธีปัจจุบัน

อีกล่าสุดทิศทางการวิจัยของธรรมชาติที่แตกต่างกันอย่างสิ้นเชิง คือ การตรวจสอบศักยภาพของความคลางแคลงใจในความไว้วางใจจากการแนะนำระบบ