CN102982108B - 一种社交网络环境中的用户间推荐信任度计算方法 - Google Patents

Abstract

本发明公开了一种社交网络环境中的用户间推荐信任度计算方法，首先，依据社交网络中被推荐用户与其他用户之间的直接交互历史评价情况，计算上述两个用户之间的直接信赖度；接着，依据被推荐用户在社交网络中所获得的来自其它用户的评价情况，综合计算得到该用户的客观信誉度；然后，依据社交网络中的推荐路径、直接信赖度以及客观信誉度，计算得到用户进行推荐所得到的推荐信任度。采用本发明的用户间推荐信任度计算方法能够使社交网络用户获得对于陌生来源推荐可信度自动识别的能力，实现一种社交网络环境中的用户间推荐信任度计算，结合用户之间的主观信赖、客观信誉，以及推荐路径组成情况等因素，实现推荐信任度计算。

Description

一种社交网络环境中的用户间推荐信任度计算方法

技术领域

本发明涉及计算机网络领域，更具体地说，是涉及一种社交网络环境中的用户间推荐信任度计算方法。

背景技术

社交网络（SocialNetworkSite-SNS）作为一种基于用户关系的信息分享、传播以及获取平台，正逐渐成为人们日常生活中进行信息获取和交互的重要工具。人们可以通过SNS特有的组织和交互方式，实现更为广阔的信息传递和互动等功能，以“推荐”、“转发”等行为代表的推荐行为正成为人们获取网络信息的重要手段。然而，由于推荐行为往往因为其来源复杂、路径多样等问题，导致接受者对于陌生推荐心存疑虑，因此，SNS中如何找到一种有效的推荐信任度量方法，是开展SNS安全分析的重要途径。

我们分析认为，SNS中用户之间的认知和交互是基于人类实际社会交往习惯，是一种相互信任的信念表达。近年来，信任被认为是一种有效的关系评判机制，已经广泛引入到对等网络、安全评估、协作组织等领域中。通过来自主观或客观的信任关系，如信任或信誉等方式，SNS中的个体可以表达出对其他个体的信息认知状态，从而有助于在他们之间提供有效的计算基础。

传统社交网络环境的信任计算方法，如基于过往交互方法以及贝叶斯方法等，注重对个体之间以及个体自身的信任度量，这是一种直接信任。但是，在SNS中，信息是以一种类似链式的方式在用户之间传播的，SNS中不可能存在任何一个用户对所有其他用户均具有直接信任。因此，通过中间用户产生的间接信任不可避免存在，这与人类的社会交往相似，人们在通过熟识的人认识陌生人时，会产生一种间接的第一映像，即对陌生人的初始影像和可信赖程度建立在熟识人推荐基础上。目前已有许多关于推荐信任度的计算方法。但是对于SNS而言，这些方法要么仅仅建立在主观信任关系基础上，要么建立在客观信誉度的单一推荐基础上，而很少从综合这两种信任机制的角度出发计算推荐信任度。另一方面，SNS中的用户组织关系比较复杂，而目前对于形成信任推荐的路径的复杂度考虑不足，大多数推荐信任计算方法均只考虑一个中间推荐者的情况，或没有考虑多个推荐路径组合形成复杂推荐的情况。同时SNS中的用户存在社区组织，用户具有多重社区身份，这也将对用户本身的信誉以及推荐信任度计算产生影响。

总之，市场上急需一种基于信任和信誉的推荐信任度量方法，综合主观和客观信任两个方面，使对陌生个体的认知建立在推荐信任度量的基础上。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种社交网络环境中的用户间推荐信任度计算方法。

为达到上述目的，本发明采用如下的技术方案：

一种社交网络环境中的用户间推荐信任度计算方法，该用户间推荐信任度计算方法的具体步骤为：

A．依据社交网络中被推荐用户与其他用户之间的直接交互历史评价情况，计算上述两个用户之间的直接信赖度；

B．依据被推荐用户在社交网络中所获得的来自其它用户的评价情况，综合计算得到该用户的客观信誉度；

C．依据社交网络中的推荐路径、步骤A计算所得到的直接信赖度以及步骤B中的客观信誉度，计算得到用户进行推荐所得到的推荐信任度。

社交网络中存在任意两个用户个体d_i和d_j，d_j曾经与d_i进行过n₁次交互，交互行为类型为P_h，每次交互d_j产生了对d_i的评价jud(d_j)，设d_j曾经对d_i差评的次数为m₁次，此时，d_j对d_i的直接信赖度belief可以计算为：

$\mathrm{belief}(d_j,d_i)=\frac{\underset{t=1}{\overset{n_1}{\mathrm{\Σ}}}\mathrm{right}\left(P_h\right)\×\mathrm{jud}\left(d_j\right)}{n_1}\×{\left(\frac{n_1-m_1}{n_1}\right)}^{m_1}$

其中，

right(P_h)是指交互行为类型P_h所占的权重，right(P_h)取值为实数，且满足right(P_h)∈[0,1]；

i和j分别表明两个不同的用户，i和j的取值为正整数；

n₁取值为正整数；

h指明第h类交互行为，h取值为正整数；

jud(d_j)取值为实数，且满足jud(d_j)∈[0,1]；

m₁取值为正整数。

所述步骤B的具体步骤为：

在社交网络中存在个体用户d_i，并且d_i存在于不同网络社区V₁,V₂,...中，对于d_i而言，它曾经获得过g次来自区域V₁∪V₂∪...中其它个体用户d_j的评价那么该用户个体d_i的信誉度reputation可以计算为：

$\mathrm{reputation}\left(d_i\right)=\frac{1}{g}\×\underset{d_j\∈V_1\∪V_2\∪...\∪V_E}{\mathrm{\Σ}}[{\mathrm{jud}}_{d_j}{\left(d_i\right)}^{\frac{1}{\left|V_{d_j}\right|}}\×\left(\mathrm{reputation}\left(d_j\right)\right)]$

其中，

表示个体d_j社区V₁,V₂,...中所属社区的数量；

i指明第i个用户，i的取值为正整数；

j指明第j个用户，j的取值为正整数；

g取值为正整数。

当推荐路径为单路推荐时，对于推荐接受者R而言，存在一条中间推荐者d₁,d₂,...所组成的单向推荐路径，路径起点为推荐发起者Z，那么该路径可记为route=[R，d₁,d₂,...,Z]，表示个体d_j，下标j指明第j个用户，j的取值为正整数，社区V₁,V₂,...,V_e中所属社区的数量，该单路推荐信任度sr_route(R,Z)计算如下：

${\mathrm{sr}}_{\mathrm{route}}(R,Z)=\frac{1}{\mathrm{depth}\left(Z\right)}\×\left\{\right[\mathrm{belief}(d_i,Z)\×\mathrm{reputation}{\left(Z\right)}^{\frac{\mathrm{depth}\left(Z\right)}{\left|V_Z\right|}}]+\underset{i=2}{\overset{\mathrm{depth}\left(Z\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}(d_{i-1},d_i)\×\mathrm{reputation}{\left(d_i\right)}^{\frac{i}{\left|V_{d_i}\right|}}]$

$+[\mathrm{belief}(Z,d_1)\×\mathrm{reputation}{\left(d_1\right)}^{\frac{1}{\left|V_{d_1}\right|}}\}$

其中，函数depth(Z)是指路径R到Z的深度，即depth(Z)=route｜-1，route｜表示路径中拥有的用户数量；|V_Z|表示Z所属的社区数量。

当推荐路径为路径独立状态的多路独立推荐时，在推荐发起者Z和推荐接受者R之间存在数量为m₂(m₂≥2)的独立推荐路径，每一个独立路径记为route_k，而且路径route_k的单向推荐信任值为sr_k(R,Z)，而独立路径经过的SNS社区数量记为｜V_Route｜，该多路推荐信任度mr(R,Z)_inde通过下列公式计算：

$\mathrm{mr}(R,Z)\_\mathrm{inde}=\min [\frac{\underset{k=1}{\overset{m_2}{\mathrm{\Σ}}}{\mathrm{sr}}_k(R,Z)}{m_2}+0.1\×{\left(\frac{\left|V_{\mathrm{Route}}\right|}{m_2+1}\right)}^{\frac{1}{m_2+1}},1]$

其中，下标k指明第k条独立路径，k的取值为正整数；

为权重参数，该权重参数的取值介于0到0.1之间；

单向推荐信任值sr_k（R,Z)满足以下的公式：

${\mathrm{sr}}_k(R,Z)=\frac{1}{{\mathrm{depth}}_k\left(Z\right)}\×\left\{\right[\mathrm{belief}(d_i,Z)\×\mathrm{reputation}{\left(Z\right)}^{\frac{{\mathrm{depth}}_k\left(Z\right)}{\left|V_Z\right|}}+\underset{i=2}{\overset{{\mathrm{depth}}_k\left(Z\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}(d_{i-1}^k,d_i^k)\×\mathrm{reputation}{\left(d_i^k\right)}^{\frac{i}{\left|V_{d_i^k}\right|}}]$

$+[\mathrm{belief}(R,d_1^k)\×\mathrm{reputation}{\left(d_1^k\right)}^{\frac{1}{\left|V_{d_1^k}\right|}}]\}$

其中，函数depth_k(Z)是指第k条路径route_k中R到Z的深度，即depth_k(Z)=route_k|-1，｜route_k|表示路径route_k中拥有的用户数量；表示个体在社区V₁,V₂,...,V_e中所属社区的数量；|V_z|表示Z所属的社区数量；

下标i指明第i个用户，k指明第k条路径，k和i的取值为正整数。

当推荐路径为多路重叠推荐时，整个重叠的推荐路径处理为一个单路，在该单一路径中分别计算出现多路推荐的部分，在重叠路径中存在两类中间推荐者即接合点jd和分离点dd，重叠推荐路径可以表示为route=[R，jd₁,...,Z]，其中jd_q（下标q指明第q个接合点，q的取值为正整数）表示接合点；而（上标s指明jd_q之后所出现的分离点第s个分离点，s的取值为正整数）表示在接合点jd_q之后所出现的分离点；在重叠路径中的接合点jd_q和jd_q+1之间的直接信赖度记为belief(jd_q,jd_q+1)_dd，通过下面方式进行计算：

具体的说，

$\mathrm{belief}({\mathrm{jd}}_q,{\mathrm{jd}}_{q+1})=\frac{\underset{t=1}{\overset{n_1}{\mathrm{\Σ}}}\mathrm{right}\left(P_h\right)\×\mathrm{jud}\left({\mathrm{jd}}_{q+1}\right)}{n_1}\×{\left(\frac{n_1-m_1}{n_1}\right)}^{m_1}$

其中，两个用户个体jd_q和jd_q+1曾经进行过n₁次交互，交互行为类型为P_h，每次交互jd_q+1产生了对jd_q的评价jud(jd_q+1)，jd_q+1曾经对jd_q差评的次数为m₁次，right(P_h)是指交互行为类型P_h所占的权重，right(P_h)取值为实数，且满足right(P_h)∈[0,1]；

$\mathrm{mr}\_\mathrm{inde}({\mathrm{jd}}_q,{\mathrm{jd}}_{q+1})=\min [\frac{\underset{k=1}{\overset{m_2}{\mathrm{\Σ}}}{\mathrm{sr}}_k(j{d}_p,j{d}_{q+1})}{m_2}+0.1\×{\left(\frac{\left|V_{\mathrm{Route}}\right|}{m_2+1}\right)}^{\frac{1}{m_2+1}},1]$

其中，jd_q和jd_q+1之间存在数量为m₂(m₂≥2)的独立推荐路径，每一个独立路径记为route_k=[jd_q,dd₁ ^k,dd₂ ^k,...,jd_q+1]，而且路径route_k的单向推荐信任值为sr_k(jd_q,jd_q+1)，而独立路径route_k经过的SNS社区数量记为｜V_Route|；sr_k(jd_q,jd_q+1)的计算如下：

${\mathrm{sr}}_k(j{d}_p,{\mathrm{jd}}_{q+1})=\frac{1}{{\mathrm{depth}}_k\left({\mathrm{jd}}_{q+1}\right)}\×\left\{\right[\mathrm{belief}({\mathrm{dd}}_i^k,{\mathrm{jd}}_{q+1})\×\mathrm{reputation}{\left({\mathrm{jd}}_{q+1}\right)}^{\frac{{\mathrm{depth}}_k\left({\mathrm{jd}}_{q+1}\right)}{\left|V_{{\mathrm{jd}}_{q+1}}\right|}}]$

$+\underset{i=2}{\overset{{\mathrm{depth}}_k\left({\mathrm{jd}}_{q+1}\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}({\mathrm{dd}}_{i-1}^k,{\mathrm{dd}}_i^k)\×\mathrm{reputation}{\left({\mathrm{dd}}_i^k\right)}^{\frac{i}{\left|V_{{\mathrm{dd}}_i^k}\right|}}]+[\mathrm{belief}({\mathrm{jd}}_q,d_1^k)\×\mathrm{reputation}{\left(d_1^k\right)}^{\frac{1}{\left|V_{d_1^k}\right|}}\}$

其中，函数depth_k(jd_q+1)是指第k条路径route_k中jd_q和jd_q+1之间的深度，即depth_k(jd_q+1)=|route_k｜-1，｜route_k|表示路径route_k中拥有的分离点数量；表示个体（下标i指明第i个用户，k指明第k条路径，k和i的取值为正整数）在社区V₁,V₂,...中所属社区的数量；

通过belief(jd_q,jd_q+1)_dd公式的计算，可消除重叠路径中存在的分离点，此时重叠路径就转化为由接合点所组成的单一推荐路径route=[R,jd₁,jd₂,...,Z]，多路重叠推荐信任度记为mr(R,Z)_overlap，可以通过下式进行计算：

$\mathrm{mr}(R,Z)\_\mathrm{overlap}={\mathrm{sr}}_{\mathrm{route}}(R,Z)=\frac{1}{\mathrm{depth}\left(Z\right)}\×\left\{\right[\mathrm{belief}({\mathrm{jd}}_i,Z)\×\mathrm{reputation}{\left(Z\right)}^{\frac{\mathrm{depth}\left(Z\right)}{\left|V_Z\right|}}]$

$+\underset{i=2}{\overset{\mathrm{depth}\left(Z\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}({\mathrm{jd}}_{i-1},{\mathrm{jd}}_i)\×{\mathrm{reputation}\left({\mathrm{jd}}_i\right)}^{\frac{i}{\left|V_{{\mathrm{jd}}_i}\right|}}]+[\mathrm{belief}(R,{\mathrm{jd}}_1)\×\mathrm{reputation}{\left({\mathrm{jd}}_1\right)}^{\frac{1}{\left|V_{{\mathrm{jd}}_1}\right|}}]\}$

其中函数depth(Z)是指route=[R,jd₁,jd₂,...,Z]中R到Z的深度，即depth(Z)=|route|-1且不存在dd∈route，｜route_k｜表示路径route中拥有的用户jd_i数量；表示个体jd_i（下标i指明第i个用户，i的取值为正整数）在社区V₁,V₂,...中所属社区的数量；|V_Z|表示Z所属的社区数量。

与现有技术相比，采用本发明的一种社交网络环境中的用户间推荐信任度计算方法，能够使社交网络用户获得对于陌生来源推荐可信度自动识别的能力，实现一种社交网络环境中的用户间推荐信任度计算，结合用户之间的主观信赖、客观信誉，以及推荐路径组成情况等因素，实现推荐信任度计算。

附图说明

图1为本发明的一种社交网络环境中的用户间推荐信任度计算方法的原理示意图；

图2为本发明的单路推荐信任路径的示意图；

图3为本发明的多路独立推荐信任路径的示意图；

图4为本发明的多路重叠推荐信任路径的示意图；

图5为本发明的实施例的示意图。

具体实施方式

下面结合附图以及实施例进一步说明本发明的技术方案。

请参阅图1所示的一种社交网络环境中的用户间推荐信任度计算方法，该用户间推荐信任度计算方法的具体步骤为：

11．依据社交网络中被推荐用户与其他用户之间的直接交互历史评价情况，计算上述两个用户之间的直接信赖度；

12．依据被推荐用户在社交网络中所获得的来自其它用户的评价情况，综合计算得到该用户的客观信誉度；

13．依据社交网络中的推荐路径、步骤11计算所得到的直接信赖度以及步骤12中的客观信誉度，计算得到用户进行推荐所得到的推荐信任度。

本发明中，社交网络用户个体之间的信任关系来源于对那些可以产生可信或不可信事实的评估。将主观信任称为直接信赖度，客观信任称为客观信誉度。主观信任计算是建立在过往经历和观察基础上，因此本发明对用户之间主观信赖度定义如下：

定义1直接信赖度（belief）是SNS中一个用户对另一个用户所具有的、建立在过往交互、评价或结果观察基础上的主观信任态度。

假设SNS中存在用户个体d_i和d_j（下标i和j分别表明两个不同的用户，i和j的取值为正整数），d_j曾经与d_i进行过n₁次（n₁取值为正整数）交互，交互行为类型为P_h（下标h指明第h类交互行为，h取值为正整数），每次交互d_j产生了对d_i的评价jud(d_j)（jud(d_j)取值为实数，且满足jud(d_j)∈[0，1]），设d_j曾经对d_i差评的次数为m₁次（m₁取值为正整数）。此时，d_j对d_i的直接信赖度可以计算为：

$\mathrm{belief}(d_j,d_i)=\frac{\underset{t=1}{\overset{n_1}{\mathrm{\Σ}}}\mathrm{right}\left(P_h\right)\×\mathrm{jud}\left(d_j\right)}{n_1}\×{\left(\frac{n_1-m_1}{n_1}\right)}^{m_1}$ 公式1

其中right(P_h)(right(P_h)∈[0，1])是指交互行为类型P_h所占的权重。相比于传统方法所采用的仅利用过往经验平均值建立信赖度的计算方法而言，本发明引入了交互行为的权重概念，并且增加了恶意交互对信赖度的影响因子计算方法。这种计算方法与人类社会中的人际关系类似：较之正常的交互行为，任何伤害人际关系的行为都会更大程度地削弱人们之间的信任关系。

本发明中，信誉度体现社交网络中用户个体所具有的公众的、带有普遍认同性质的、客观化的信任度量。客观信誉度由于存在一定社区范围内被广泛认可的性质，因此带有共识性。本发明中SNS用户个体的信誉度计算建立在SNS不同社区中全体个体的共同观点基础上。

定义2客观信誉度（reputation）是SNS个体所拥有的全局性质的可靠度，由个体所处社区全体成员给出。

在社交网络中存在个体用户d_i（下标i指明第i个用户，i的取值为正整数），并且d_i存在于不同网络社区V₁,V₂,...中。对于d_i而言，它曾经获得过g次（g取值为正整数）来自区域V₁∪V₂∪...中其它个体用户d_j（下标j指明第j个用户，j的取值为正整数）的评价那么该用户个体d_i的信誉度可以计算为：

$\mathrm{reputation}\left(d_i\right)=\frac{1}{g}\×\underset{d_j\∈V_1\∪V_2\∪...\∪V_E}{\mathrm{\Σ}}[{\mathrm{jud}}_{d_j}{\left(d_i\right)}^{\frac{1}{\left|V_{d_j}\right|}}\×\left(\mathrm{reputation}\left(d_j\right)\right)]$ 公式2

其中表示个体d_j社区V₁,V₂,...,V_e中所属社区的数量，如d_j如果同时属于SNS社区V₁,V₂,V₃，则

在庞大的SNS网络中，个体之间可以通过来自推荐者的信赖度以及推荐者和被推荐者的信誉度进行综合评价。本发明从推荐路径的复杂性角度出发，依据不同的推荐路径组成方式，将推荐信任计算分为如下三类：如图2所示的单路推荐信任、图3所示的多路独立推荐信任（独立路径）、图4所示的多路重叠推荐信任（重叠路径）。

首先，本发明给出单路推荐信任计算方法。假设对于收到推荐者R而言，存在一条中间推荐者d₁,d₂，...所组成的单向推荐路径，路径起点为推荐发起者Z，那么该路径可记为route＝[R，d₁,d₂,...,Z]，表示个体d_j（下标j指明第j个用户，j的取值为正整数）社区V₁,V₂,...中所属社区的数量；|V_Z|表示Z所属的社区数量。那么单路推荐信任定义如下：

定义3单路推荐信任可以通过下面方法计算：

${\mathrm{sr}}_{\mathrm{route}}(R,Z)=\frac{1}{\mathrm{depth}\left(Z\right)}\×\left\{\right[\mathrm{belief}(d_i,Z)\×\mathrm{reputation}{\left(Z\right)}^{\frac{\mathrm{depth}\left(Z\right)}{\left|V_Z\right|}}]+\underset{i=2}{\overset{\mathrm{depth}\left(Z\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}(d_{i-1},d_i)\×\mathrm{reputation}{\left(d_i\right)}^{\frac{i}{\left|V_{d_i}\right|}}]$ 公式3

$+[\mathrm{belief}(R,d_1)\×\mathrm{reputation}{\left(d_1\right)}^{\frac{1}{\left|V_{d_1}\right|}}]\}$

这里，函数depth(Z)是指路径R到Z的深度，即depth(Z)＝｜route｜-1。传统计算方法中，推荐信任计算按照静态的信任传递方式展开。然而，对于用户而言，推荐中间环节越多越可能带来风险，推荐的效果应该会随之产生下降，即推荐路径越深，推荐效果会随之而衰减。因此本发明将路径深度作为影响推荐效果的影响因子，离需求者远的推荐者给出的推荐影响度将会相应降低。

在SNS中推荐接受者通常会从多个不同来源同时收到推荐，本发明将这种情况称为多路推荐，多路径推荐一般被处理为多个单路径推荐组成。首先，本发明给出多路推荐信任的相关定义：

定义4多路推荐信任是指由多条单向推荐路径组成的、对同一被推荐者的综合性信任。多路推荐信任可分为独立和重叠两种。

（1）多路独立推荐信任计算。假设在Z和R之间存在数量为m₂(m₂≥2)的独立推荐路径，每一个独立路径记为route_k（下标k指明第k条独立路径，k的取值为正整数），而且路径route_k的单向推荐信任值为sr_k(R，Z)（下标k指明第k条独立路径，k的取值为正整数），而所有独立推荐路径所经过的SNS社区总数数量记为V_Route|。那么，该多路推荐信任可以通过下列公式计算：

$\mathrm{mr}(R,Z)\_\mathrm{inde}=\min [\frac{\underset{k=1}{\overset{m_2}{\mathrm{\Σ}}}{\mathrm{sr}}_k(R,Z)}{m_2}+0.1\×{\left(\frac{\left|V_{\mathrm{Route}}\right|}{m_2+1}\right)}^{\frac{1}{m_2+1}},1]$ 公式4

上述计算中，多路独立推荐信任基于所有单路推荐信任的平均值进行计算，同时增加了权重参数该权重参数的取值介于0到0.1之间，当路径数量以及参与推荐的社区增加时，权重参数取值随之增加。

在公式4中，单向推荐信任值sr_k(R,Z)满足单路推荐信任路径的公式：

${\mathrm{sr}}_k(R,Z)=\frac{1}{{\mathrm{depth}}_k\left(Z\right)}\×\left\{\right[\mathrm{belief}(d_i,Z)\×\mathrm{reputation}{\left(Z\right)}^{\frac{{\mathrm{depth}}_k\left(Z\right)}{\left|V_Z\right|}}+\underset{i=2}{\overset{{\mathrm{depth}}_k\left(Z\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}(d_{i-1}^k,d_i^k)\×\mathrm{reputation}{\left(d_i^k\right)}^{\frac{i}{\left|V_{d_i^k}\right|}}]$

$+[\mathrm{belief}(R,d_1^k)\×\mathrm{reputation}{\left(d_1^k\right)}^{\frac{1}{\left|V_{d_1^k}\right|}}]\}$

其中，函数depth_k(Z)是指第k条路径route_k中R到Z的深度，即depth_k(Z)=|route_k|-1，|route_k|表示路径route_k中拥有的用户数量；表示个体在社区V₁,V₂,...,V_e中所属社区的数量；|V_Z|表示Z所属的社区数量；

下标i指明第i个用户，k指明第k条路径，k和i的取值为正整数。

公式中belif(d_j，Z）表示用户d_j对用户Z的直接信赖度，其他的以此类推。j

（2）多路重叠推荐信任计算。整个重叠的推荐路径处理可以为一个单路，在该单一路径中分别计算出现多路推荐的部分。因此，多路重叠推荐信任计算方法可以归约为单一路径推荐和多路独立推荐两种计算方法的综合。假设在重叠路径中存在两类中间推荐者：接合点jd（JointNode）和分离点dd（DisjointNode）。本发明分两步进行计算：先计算出接合点之间多路独立推荐部分，使两个接合点之间的多路推荐被处理为一个单向推荐路径；而后计算整个单向推荐路径的推荐信任值，得到最终的结果。

假设在重叠推荐路径可以表示为route＝[R，jd₁,..,Z]，其中jd_q（下标q指明第q个接合点，q的取值为正整数）表示接合点；而（上标s指明jd_q之后所出现的分离点第s个分离点，s的取值为正整数）表示在接合点jd_q之后所出现的分离点。在重叠路径中的接合点jd_q和jd_q+1之间的信赖度可以通过下面方式进行计算：

公式5

具体的说，

$\mathrm{belief}({\mathrm{jd}}_q,{\mathrm{jd}}_{q+1})=\frac{\underset{t=1}{\overset{n_1}{\mathrm{\Σ}}}\mathrm{right}\left(P_h\right)\×\mathrm{jud}\left({\mathrm{jd}}_{q+1}\right)}{n_1}\×{\left(\frac{n_1-m_1}{n_1}\right)}^{m_1}$

其中，两个用户个体jd_q和jd_q+1曾经进行过n₁次交互，交互行为类型为P_h，每次交互jd_q+1产生了对jd_q的评价jud(jd_q+1)，jd_q+1曾经对jd_q差评的次数为m₁次，right(P_h)是指交互行为类型P_h所占的权重，right(P_h)取值为实数，且满足right(P_h)∈[0,1]；

$\mathrm{mr}\_\mathrm{inde}({\mathrm{jd}}_q,{\mathrm{jd}}_{q+1})=\min [\frac{\underset{k=1}{\overset{m_2}{\mathrm{\Σ}}}{\mathrm{sr}}_k(j{d}_p,j{d}_{q+1})}{m_2}+0.1\×{\left(\frac{\left|V_{\mathrm{Route}}\right|}{m_2+1}\right)}^{\frac{1}{m_2+1}},1]$

其中，jd_q和jd_q+1之间存在数量为m₂(m₂≥2)的独立推荐路径，每一个独立路径记为route_k=[jd_q,dd₁ ^k,dd₂ ^k,...,jd_q+1]，而且路径route_k的单向推荐信任值为sr_k(jd_q,jd_q+1)，而独立路径route_k经过的SNS社区数量记为｜V_Route；sr_k(jd_q,jd_q+1)的计算如下：

${\mathrm{sr}}_k(j{d}_p,{\mathrm{jd}}_{q+1})=\frac{1}{{\mathrm{depth}}_k\left({\mathrm{jd}}_{q+1}\right)}\×\left\{\right[\mathrm{belief}({\mathrm{dd}}_i^k,{\mathrm{jd}}_{q+1})\×\mathrm{reputation}{\left({\mathrm{jd}}_{q+1}\right)}^{\frac{{\mathrm{depth}}_k\left({\mathrm{jd}}_{q+1}\right)}{\left|V_{{\mathrm{jd}}_{q+1}}\right|}}]$

$+\underset{i=2}{\overset{{\mathrm{depth}}_k\left({\mathrm{jd}}_{q+1}\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}({\mathrm{dd}}_{i-1}^k,{\mathrm{dd}}_i^k)\×\mathrm{reputation}{\left({\mathrm{dd}}_i^k\right)}^{\frac{i}{\left|V_{{\mathrm{dd}}_i^k}\right|}}]+[\mathrm{belief}({\mathrm{jd}}_q,d_1^k)\×\mathrm{reputation}{\left(d_1^k\right)}^{\frac{1}{\left|V_{d_1^k}\right|}}\}$

其中，函数depth_k(jd_q+1)是指第k条路径route_k中jd_q和jd_q+1之间的深度，即depth_k(jd_q+1)=｜route_k-1，｜route_k|表示路径route_k中拥有的分离点数量；表示个体（下标i指明第i个用户，k指明第k条路径，k和i的取值为正整数）在社区V₁,V₂,...中所属社区的数量；

通过belief(jd_q,jd_q+1)_dd公式的计算，可消除重叠路径中存在的分离点，此时重叠路径就转化为由接合点所组成的单一推荐路径route=[R,jd₁，jd₂,...,Z]，多路重叠推荐信任度记为mr(R,Z)_overlap，可以通过下式进行计算：

$\mathrm{mr}(R,Z)\_\mathrm{overlap}={\mathrm{sr}}_{\mathrm{route}}(R,Z)=\frac{1}{\mathrm{depth}\left(Z\right)}\×\left\{\right[\mathrm{belief}({\mathrm{jd}}_i,Z)\×\mathrm{reputation}{\left(Z\right)}^{\frac{\mathrm{depth}\left(Z\right)}{\left|V_Z\right|}}]$ 公式6

$+\underset{i=2}{\overset{\mathrm{depth}\left(Z\right)-1}{\mathrm{\Σ}}}[\mathrm{belief}({\mathrm{jd}}_{i-1},{\mathrm{jd}}_i)\×{\mathrm{reputation}\left({\mathrm{jd}}_i\right)}^{\frac{i}{\left|V_{{\mathrm{jd}}_i}\right|}}]+[\mathrm{belief}(R,{\mathrm{jd}}_1)\×\mathrm{reputation}{\left({\mathrm{jd}}_1\right)}^{\frac{1}{\left|V_{{\mathrm{jd}}_1}\right|}}]\}$

其中函数depth(Z)是指route=[R，jd₁,jd₂,...,Z]中R到Z的深度，即depth(Z)=|route|-1且不存在dd∈route，｜route_k｜表示路径route中拥有的用户jd_i数量；表示个体jd_i（下标i指明第i个用户，i的取值为正整数）在社区V₁,V₂,...中所属社区的数量；|V_Z|表示Z所属的社区数量。

公式中belifjd_j，Z表示用户jd_j对用户Z的直接信赖度，其他的以此类推。

实施例：

本发明给出一个具体的实例来说明所提出推荐信任计算方法。在该例子中，给出了推荐的接收者R以及被推荐的Z。在两者之间进行推荐的推荐者有9个，分别组成了三条路径，其中路径1是重叠推荐路径，由推荐者1，4，5和8组成；路径2和路径3是单路推荐，分别由推荐者2，6，9和3，7组成，而各个体属于不同的SNS社区V1，V2，V3和V4。具体组成如附图5所示。

示例中设定了直观信赖度和客观信誉度信息，其中表1为SNS中个体之间的直观信赖度，表2为客观信誉度；

个体	直接信赖度	个体	直接信赖度
				Z→9	0.7	6→2	0.9
Z→8	0.8	5→1	1.0

Z→7	0.6	4→1	0.6
				9→6	0.7	3→R	0.7
8→5	0.9	2→R	1.0
				8→4	0.6	1→R	0.9
7→3	0.5

表1

个体	客观信誉度	个体	客观信誉度
				Z	1.0	5	1.0
1	1.0	6	0.6
				2	0.8	7	0.9
3	0.9	8	0.8
				4	0.7	9	1.0

表2

根据本发明给出计算方法，可做如下计算

（1）个体8和个体1是多路重叠推荐中的结合点，而个体4和个体5分别是该重叠路径中的分离点。因此，个体8和个体1之间的信赖度可以通过公式5计算得到；

（2）路径1是由Z到R的多路重叠推荐，因此可以通过公式5和公式6计算得到路径1的推荐值；

（3）路径2和路径3为单路推荐，可通过公式3计算，分别得到这两条路径的推荐值；

（4）从Z到R的最终推荐信任度是由路径1,2,3所组成的多路独立推荐，因此可通过公式4计算得到最终的推荐信任值。

最终可以得到如下计算结果，如表3中计算所得参数值所示：

	计算结果
		8→1	belief(1,8)_dd=0.695
路径1的推荐信任度	mr1(R,Z)_over=0.766
		路径2的推荐信任度	sr2(R,Z)=0.71

路径3的推荐信任度	sr3(R,Z)=0.545
		最终从Z到R的推荐信任度	recommend(R,Z)=0.774

表3

从表3中可以看出，相比于单路推荐信任，由所有推荐者所组成的多路推荐信任值较高，说明推荐途径越多，则该被推荐者可获得的信任值越高。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明的目的，而并非用作对本发明的限定，只要在本发明的实质范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求的范围内。

Claims (1)

1.一种社交网络环境中的用户间推荐信任度计算方法，其特征在于：

该用户间推荐信任度计算方法的具体步骤为：

A.依据社交网络中被推荐用户与其他用户之间的直接交互历史评价情况，计算上述两个用户之间的直接信赖度；

B.依据被推荐用户在社交网络中所获得的来自其它用户的评价情况，综合计算得到该用户的客观信誉度；

C.依据社交网络中的推荐路径、步骤A计算所得到的直接信赖度以及步骤B中的客观信誉度，计算得到用户进行推荐所得到的推荐信任度；

所述步骤A的具体步骤为：

社交网络中存在任意两个用户个体d_i和d_j，d_j曾经与d_i进行过n₁次交互，交互行为类型为Ρ_h，每次交互d_j产生了对d_i的评价jud(d_j)，设d_j曾经对d_i差评的次数为m₁次，此时，d_j对d_i的直接信赖度belief可以计算为：

其中，

right(Ρ_h)是指交互行为类型Ρ_h所占的权重，right(Ρ_h)取值为实数，且满足right(Ρ_h)∈[0,1]；

i和j分别表明两个不同的用户，i和j的取值为正整数；

n₁取值为正整数；

h指明第h类交互行为，h取值为正整数；

jud(d_j)取值为实数，且满足jud(d_j)∈[0,1]；

m₁取值为正整数；

所述步骤B的具体步骤为：

在社交网络中存在个体用户d_i，并且d_i存在于不同网络社区V₁,V₂,...中，对于d_i而言，它曾经获得过g次来自社区V₁∪V₂∪...中其它个体用户d_j的评价那么该用户个体d_i的信誉度reputation可以计算为：

其中，

表示个体用户d_j在不同社区V₁,V₂,...中所属社区的数量；

i指明第i个用户，i的取值为正整数；

j指明第j个用户，j的取值为正整数；

g取值为正整数；

当推荐路径为单路推荐时，对于推荐接受者R而言，存在一条中间推荐者d₁,d₂,...所组成的单向推荐路径，路径起点为推荐发起者Z，那么该路径可记为route＝[R,d₁,d₂,...,Z]，表示个体用户d_j在不同社区V₁,V₂,...中所属社区的数量，其下标j指明第j个用户，j的取值为正整数，该单路推荐信任度sr_route(R,Z)计算如下：

其中，函数depth(Z)是指路径R到Z的深度，即depth(Z)＝|route|-1，|route|表示路径中拥有的用户数量；|V_Z|表示Z所属的社区数量；

或者，当推荐路径为路径独立状态的多路独立推荐时，在推荐发起者Z和推荐接受者R之间存在数量为m₂≥2的独立推荐路径，每一个独立路径记为route_k，而且路径route_k的单向推荐信任值为sr_k(R,Z)，而独立路径经过的社区V₁,V₂,...的数量记为|V_Route|，该多路推荐信任度mr(R,Z)_inde通过下列公式计算：

其中，下标k指明第k条独立路径，k的取值为正整数；

为权重参数，该权重参数的取值介于0到0.1之间；

单向推荐信任值sr_k(R,Z)满足以下的公式：

其中，函数depth_k(Z)是指第k条路径route_k中R到Z的深度，即depth_k(Z)＝|route_k|-1，|route_k|表示路径route_k中拥有的用户数量；表示个体在所述社区V₁,V₂,...中所属社区的数量；|V_Z|表示Z所属的社区数量；

下标i指明第i个用户，k指明第k条路径，k和i的取值为正整数；

又或者，当推荐路径为多路重叠推荐时，整个重叠的推荐路径处理为一个单路，在该单路中分别计算出现多路推荐的部分，在重叠路径中存在两类中间推荐者即接合点jd和分离点dd，重叠推荐路径表示为route＝[R,jd₁,...,Z]，其中jd_q表示接合点，其下标q指明第q个接合点，q的取值为正整数；而表示在接合点jd_q之后所出现的分离点，其上标s指明jd_q之后所出现的分离点第s个分离点，s的取值为正整数；在重叠路径中的接合点jd_q和jd_q+1之间的直接信赖度记为belief(jd_q,jd_q+1)_dd，通过下面方式进行计算：

具体的说，

其中，两个用户个体jd_q和jd_q+1曾经进行过n₁次交互，交互行为类型为Ρ_h，每次交互jd_q+1产生了对jd_q的评价jud(jd_q+1)，jd_q+1曾经对jd_q差评的次数为m₁次，right(Ρ_h)是指交互行为类型Ρ_h所占的权重，right(Ρ_h)取值为实数，且满足right(P_h)∈[0,1]；

其中，jd_q和jd_q+1之间存在数量为m₂(m₂≥2)的独立推荐路径，每一个独立路径记为而且路径route_k的单向推荐信任值为sr_k(jd_q,jd_q+1)，而独立路径route_k经过社区V₁,V₂,...的数量记为|V_Route|；sr_k(jd_q,jd_q+1)的计算如下：

其中，函数depth_k(jd_q+1)是指jd_q和jd_q+1之间第k条路径route_k(jd_q,jd_q+1)的深度，即depth_k(jd_q+1)＝|route_k(jd_q,jd_q+1)|+1，|route_k(jd_q,jd_q+1)|表示jd_q和jd_q+1之间第k条路径route_k(jd_q,jd_q+1)中拥有的分离点数量；表示个体在社区V₁,V₂,...中所属社区的数量，其中下标i指明第i个用户，k指明第k条路径，k和i的取值为正整数；

通过belief(jd_q,jd_q+1)_dd公式的计算，可消除重叠路径中存在的分离点，此时重叠路径就转化为由接合点所组成的单一推荐路径route＝[R,jd₁,jd₂,...,Z]，多路重叠推荐信任度记为mr(R,Z)_overlap，可以通过下式进行计算：

其中函数depth(Z)是指route＝[R,jd₁,jd₂,...,Z]中R到Z的深度，即depth(Z)＝|route|+1且不存在dd∈route，|route|表示路径route中拥有的用户jd_i数量；表示个体jd_i在社区V₁,V₂,...中所属社区的数量，其下标i指明第i个用户，i的取值为正整数；|V_Z|表示Z所属的社区数量。