CN103150399A - 一种社交网络中基于信任的信息推荐方法 - Google Patents

Abstract

本发明公开了一种社交网络中基于信任的信息推荐方法，该方法针对社交网络中不同的个体，利用个体间的信任程度实现信息推荐：1）给出社交网络信息推荐的表示模型；2）从个体信任关系和个体置信度两方面入手，将信任评估分为：推荐者个体、信息源和推荐路径三方面，建立全面的信任评估计算方法；3）给出基于信任评估的信息推荐方法。本方法可以有效地使信息在社交网络互信个体间进行传递，降低信息推荐的失败率。

Description

一种社交网络中基于信任的信息推荐方法

技术领域

本发明涉及一种社交网络中基于信任的信息推荐方法，尤其是涉及社交网络个体信任计算和信息推荐计算方法，属于计算机技术领域。

背景技术

在社交网络的时代，人们面临着如何准确向他人推荐或从他人处获取信息的难题。信息推荐通过个性化的信息分析技术获取用户意图，从而采用主动方式向用户推送信息。众多信息推荐算法，如协同过滤、个性化推荐等，已经取得了不错的效果。然而，开放的社交网络环境带来了信息安全的未知性。对于信息推荐来说，必须有效地表达信息推荐过程，并在这种有效表达基础上度量该推荐的可靠性。

推荐作为一种常见的社会行为，其安全性主要可从以下方面衡量：1.推荐者的可靠性问题，即作为推荐的中介，如何衡量其安全性；2.被推荐者的安全性，即作为推荐的来源，如何度量其自身安全性；3.推荐过程的安全性，即作为一种连续的过程，如何度量安全性。

发明内容

本发明首先为社交网络信息推荐建立描述模型，进而从个体信任关系和个体置信度两方面入手，将信息推荐中的信任评估分为：推荐者、信息源和推荐路径三方面，建立全面的信息信任评估计算方法。接着，给出基于信任评估的信息推荐算法。

依据一个社交网络推荐过程中所涉及的环节，信息推荐描述模型表示如下：

社交网络中的一个信息推荐描述模型是一个四元组M=(N,F,P,W)，其中：

A、N是社交网络个体非空有限集，个体可分为N_S表示信息源，N_R表示推荐者，N_D表示接受推荐者；

B、

是连接个体的边的有限集合；

C、

是可达个体所组成的路径；

D、W：F→[0，1]UN→[0，1]，是权重集合，其含义是信息推荐模型中的边以及个体的权重为0到1之间的实数；

一次信息推荐是由信息推荐模型中信息源到接受推荐者的可达网络，且服从以下规则：

E、

且

F、至少存在一条路径p，使信息源N_S到接受者N_D之间是可达的，且对组成路径的推荐者中的任意两个节点N_R',N_R''而言，都存在N_R'≠N_R''，即路径中不存在回路；

G、R的所有个体和边的权重是可知的；

H、如果推荐行为R中的路径P中存在推荐者N_R，那么这是一个他荐；如果不存在N_R，那么这是一个自荐。

3、根据权利要求2所述的一种社交网络中基于信任的信息推荐方法，其特征在于：所述步骤（2）中：

社交网络的信任计算包括两个方面：个体之间的主观信任关系，以及个体所具备的置信度，信任计算中的信任分别定义如下：

1）、T_N:n_M→w_M，其含义为信息推荐模型中个体的权重即为个体的置信度；

2）、T_B:f_M→w_M，其含义为信息推荐模型中边的权重即为个体之间的信任关系；

3）、T_R:p_R→w_R，其含义为信息推荐中路径的整体权重即为推荐信任值。

其中，下标M表示推荐模型，n_M表示推荐模型M中的任一个体，w_M表示信息推荐模型M中的权重值，f_M表示信息推荐模型M中的任一一条边，p_R表示信息推荐中从起点到终点的一条可达路径，w_R则表示信息推荐中一条可达路径所对应的权重值。

4、根据权利要求3所述的一种社交网络中基于信任的信息推荐方法，其特征在于：所述步骤1）中:信息源置信度是指信息源N_S所具备的置信度，其计算方法如下：

假设在信息推荐模型中信息源N_S权重为w(N_S)，在某次推荐R中，该推荐信息过去曾被推荐q₁次，其中共被接受q₂次；而在该次推荐中，信息源N_S共获得q₃个推荐者的直接推荐，即在推荐者N_R与信息源N_S之间存在边f(N_S,N_R)，则在该次推荐中，N_S的置信度可计算为：

$T_N\left(N_S\right)=\left\{\begin{array}{cc}{\left[w\left(N_S\right)\right]}^{q_3}& q_1=0\\ {\left[w\left(N_S\right)\right]}^{q_3}\×{\left(\frac{q_2}{q_1}\right)}^{\frac{1}{q_2}}& q_1\≥1\end{array}\right.---\left(1\right)$

若某次推荐R为自荐，即q₃=0，则此时，该信息源的置信度计算为：

$T_N\left(N_S\right)=\left\{\begin{array}{cc}w\left(N_S\right)& q_1=0\\ w\left(N_S\right)\×{\left(\frac{q_2}{q_1}\right)}^{\frac{1}{q_2}}& q_1\≥1\end{array}\right.$

$\left(2\right)$

上述公式中，q₁，q₂q₃取值均为自然数。

5、根据权利要求4所述的一种社交网络中基于信任的信息推荐方法，其特征在于，所述步骤1）中:推荐中存在中间推荐者N_R作为中间节点，推荐者置信度的计算体现推荐者N_R与客观诚信相符的现实状态，其计算方法为：

假设推荐者N_R在过往共进行c₁次推荐，其中有c₂次被推荐者接受或转发。同时，在过往c₁次推荐中，带有反馈评价的次数为c₃且所有反馈的平均评价值为ave(N_R)，则推荐者的执行度可计算为：

$T_N\left(N_R\right)=\left\{\begin{array}{cc}w\left(N_R\right)& c_1=0\\ \frac{1}{2}[w\left(N_R\right)\×{\left(\frac{c_2}{c_1}\right)}^{\frac{1}{c_2}}+\mathrm{ave}\left(N_R\right)\×{\left(\frac{c_3}{c_1}\right)}^{\frac{1}{c_3}}]& c_1\≥1\end{array}\right.---\left(3\right)$

其中，w(N_R)表示推荐者N_R的权重。

上述公式中，c₁，c₂c₃取值均为自然数。

6、根据权利要求5所述的一种社交网络中基于信任的信息推荐方法，其特征在于：所述步骤2）中：社交网络个体间信任关系可分为如下情况分别计算：

（1）N_S-N_R和N_R-N_R：即信息源与推荐者之间的信任关系，以及推荐者与推荐者之间的信任关系，在信息推荐模型中表达为f(N_S,N_R)和f(N_R,N_R)，这两种信任关系可通过同样地计算方式获得，T_B(N_S,N_R)和T_B(N_R,N_R)可分别从f(N_S,N_R)和f(N_R,N_R)中计算得到，以f(N_S,N_R)为例，说明计算方法：

$T_B(N_S,N_R)=\left\{\begin{array}{cc}1& n_1=n_2\\ {\left(\frac{n_2}{n_1}\right)}^{\frac{1}{n_1-n_2}}& n_1>n_2\end{array}\right.---\left(4\right)$

其中，n₁表示信息源N_S曾向推荐者N_R发出信息的次数，n₂表示推荐者收到信息源的信息后向其他个体进行推荐的次数，n₁，n₂取值均为自然数，f(N_R,N_R)计算与f(N_S,N_R)类似；

（2）N_D-N_R和N_D-N_S：即接受推荐者与推荐者之间的信任关系，以及接受推荐者与信息源之间的信任关系，这种情况适用于自荐，在信息推荐模型中表达为f(N_D,N_R)和f(N_D,N_S)。这种情况下，信息接受者不再向其他个体推荐转发信息，而是依据自我判断对收到的信息进行评价，以f(N_D,N_R)计算方法：

$T_B(N_D,N_R)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{n_3}{\mathrm{\Σ}}}\mathrm{evaluate}{(N_D,N_R)}_i}{n_3}\×{\left(\frac{n_4}{n_3}\right)}^{\frac{1}{n_3-n_4}}& n_3>n_4\\ \frac{\underset{i=1}{\overset{n_3}{\mathrm{\Σ}}}\mathrm{evaluate}{(N_D,N_R)}_i}{n_3}& n_3=n_4\end{array}\right.---\left(5\right)$

其中，evaluate(N_D,N_R)_i(evaluate(N_D,N_R)_i∈[0,1])表示接收者N_D第i次收到信息后对所推荐信息的评价，下标i是指第i次评价；n₃为N_R向N_D进行推荐的总次数，n₄为N_D认可推荐的次数，n₁，n₂，n₃，n₄取值均为自然数。

7、根据权利要求6所述的一种社交网络中基于信任的信息推荐方法，其特征在于，所述步骤3）中：

社交网络信息推荐路径P是连接信息源和推荐接受者之间的可达通路，假设信息源N_S和推荐接受者N_D之间存在一条推荐路径P=N_S×N_R1×...×N_D，则该推荐接受者通过该路径可获得对信息源的信任度可计算为：

$T_P(N_D,N_S)=\frac{1}{\left|P\right|-1}\×\left\{\right[T_B(N_{\mathrm{Rn}},N_S)\×T_N\left(N_S\right)]+\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}[T_B(N_{\mathrm{Ri}-1},N_{\mathrm{Ri}})\×T_N{\left(N_{\mathrm{Ri}}\right)}^{\left|P\right|-i+1}]$

$+[T_B(N_D,N_{R1})\×T_N{\left(N_R\right)}^{\left|P\right|-1}]\}---\left(6\right)$

其中，|P|表示组成路径P的个体总数，n表示中间推荐者个数，i表示第i个中间推荐者，

若信息源N_S和推荐接受者N_D之间存在m(m>0)条路径p_k，那么该推荐接受者通过该路径可获得对信息源的信任度可计算为：

$T_P(N_D,N_S)=\min [\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{T}_{p_k}(N_D,N_S)}{m}+{\mathrm{\β}}^{\frac{1}{m}},1]---\left(7\right)$

其中，min()是取最小值函数；β∈[0.01,0.05]是调节参数，用来体现出推荐者越多则信息源获得的附加信任越多，即越多人推荐则越可信。

8．根据权利要求7所述的一种社交网络中基于信任的信息推荐方法，其特征在于：

所述步骤（3）中，社交网络中的基于信任的信息推荐方法步骤如下：

Step1:当信息源N_S出现可推荐的信息时，通过自荐方式，向其邻居个体发送信息；

Step2:首先判断接收到该信息的邻居个体是N_R还是N_D：若邻居个体为N_R，则N_R计算T_N(N_S)，若满足T_N(N_S)≥η，则N_R向所有尚未收到该信息并且与N_R的信任关系满足T_B(N_R,N)≥μ的邻居个体推荐该信息，N是指所有N_R尚未收到该推荐消息的邻居个体，并执行下一步，若T_N(N_S)<η，则忽略该信息推荐；如果邻居个体为N_D，则转到step5；

Step3:首先判断接收到该信息的邻居个体是N_R还是N_D：若接收到该推荐信息的邻居个体为N_R，则该个体计算T_N(N_R)，若满足T_N(N_R)≥η，则该个体向继续向尚未收到该信息并且与N_R的信任关系满足T_B(N_R,N)≥μ的邻居个体推荐该信息，并执行下一步，若T_N(N_R)<η，则忽略该信息推荐；如果接收到该推荐信息的邻居节点为N_D，则转step5；

Step4:判断接收到该信息的邻居个体是N_R还是N_D：若接收到该推荐信息的邻居个体为N_R，则转返回step3；如果接收到该推荐信息的邻居节点为N_D，则转step5；

Step5:接收到该推荐信息的个体为N_D，则个体N_D计算来自不同路径对该信息的推荐信任度T_p(N_D,N_S)，并最终计算出不同路径所得到的综合信任度T_P(N_D,N_S)。

在上述算法中，η（η∈[0,1]）和μ（μ∈[0,1]）分别为阈值，用以判断该信息是否满足进一步推荐的要求。

本发明的有益效果是：

1、对信息推荐给出了形式化描述方法，在这种方法中，所有网络个体、网络关系都得到有效描述；

2、提供了计算个体置信度和个体间信任度的方法，综合考虑个体交互的历史数据，优于传统的算术平均值方法；

3、推荐信任度计算结合了个体置信度和个体间信任度两个方面考虑，即考虑了主观和客观两个方面的内容；同时，推荐信任度计算可针对存在多个中间推荐者和多条推荐路径的情况进行计算。

4、信息推荐方法依据信任情况转发，即所有网络个体只对值得信任的信息进行推荐，提升了信息推荐的可靠性和成功率。

附图说明

图1是本发明社交网络中基于信任的信息推荐方法流程图。

具体实施方式

如图1所示，一种社交网络中基于信任的信息推荐方法，包括以下步骤：首先为社交网络信息推荐建立描述模型，进而从个体信任关系和个体置信度两方面入手，将信息推荐中的信任评估分为：推荐者、信息源和推荐路径三方面，建立全面的信息信任评估计算方法。接着，给出基于信任评估的信息推荐算法。

依据一个推荐过程中所涉及的角色、行为等，信息推荐描述模型定义如下：

定义1一个信息推荐模型是一个四元组M=(N,F,P,W)，其中：

A、N是个体非空有限集，个体可分为N_S表示信息源，N_R表示推荐者，N_D表示接受推荐者；

B、

是连接个体的边的有限集合；

C、是可达个体所组成的路径；

D、W:F→[0,1]UN→[0,1]，是权重集合，其含义是信息推荐模型中的边以及个体的权重为0到1之间的实数。

定义2一次信息推荐是由信息推荐模型中信息源到接受推荐者的可达网络，且服从以下规则：

E、

且

F、至少存在一条路径p，使信息源N_S到接受者N_D之间是可达的，且对组成路径的推荐者中的任意两个节点N_R',N_R''而言，都存在N_R'≠N_R''，即路径中不存在回路。

G、R的所有个体和边的权重是可知的。

H、如果推荐行为R中的路径P中存在推荐者N_R，那么这是一个他荐；如果不存在N_R，那么这是一个自荐。

信息推荐行为的本质上是在两个陌生的个体之间建立一种初步且近似可靠的认知关系，从而降低信息获取者所面临的风险。本发明采用信任机制可以有效地解决推荐过程的安全问题。信息推荐中的信任包括两个方面：个体结点之间的主观信任关系，以及个体结点所具备的置信度。为信息推荐进行信任度评估的过程就是基于上述两方面展开的。

定义3社交网络的信任计算包括两个方面：个体之间的主观信任关系，以及个体个体所具备的置信度。信任计算中的信任分别定义如下：

1）T_N:n_M→w_M，其含义为信息推荐模型中个体的权重即为个体的置信度；

2）T_B:f_M→w_M，其含义为信息推荐模型中边的权重即为个体之间的信任关系；

3）T_R:p_R→w_R，其含义为信息推荐中路径的整体权重即为推荐信任值。

其中，n_M表示推荐模型M中的任一个体（下标M表示推荐模型），w_M表示信息推荐模型M中的权重值，f_M表示信息推荐模型M中的任一一条边，p_R表示信息推荐中从起点到终点的一条可达路径，w_R则表示信息推荐中一条可达路径所对应的权重值。

从定义3中可以看出，对于信息推荐中的个体N_D而言，信息来源N_S的信任度是由其可达路径组成的。依据定义2，T_B和T_N均是可知的，所以推荐信任T_R的评估即基于已知T_B和T_N的综合评估。

信息源N_S是信息的来源，被推荐给用户的信息是否可信，直接与信息源相关。一般情况下，信息源所给出信息的可信程度直接与信息源的置信度相关联，即越可信的信任源发送的信息越可信。因此，本发明基于信息源的置信度，给出某次推荐中的信息源置信度评价方法。

信息源置信度是指信息来源个体N_S所具备的置信度。信息源所给出信息的可信程度直接与信息源的置信度相关联，即越可信的信任源发送的信息越可信，其计算方法如下：

假设在信息推荐模型中信息源N_S权重为w(N_S)，在某次推荐R中，该推荐信息过去曾被推荐q₁次，其中共被接受q₂次；而在该次推荐中，信息源N_S共获得q₃个推荐者的直接推荐，即在推荐者N_R与信息源N_S之间存在边f(N_S,N_R)，则在该次推荐中，信息源N_S的置信度可计算为：

$T_N\left(N_S\right)=\left\{\begin{array}{cc}{\left[w\left(N_S\right)\right]}^{q_3}& q_1=0\\ {\left[w\left(N_S\right)\right]}^{q_3}\&times;{\left(\frac{q_2}{q_1}\right)}^{\frac{1}{q_2}}& q_1\&GreaterEqual;1\end{array}\right.---\left(1\right)$

若某次推荐R为自荐，即q₃=0，则此时，该信息源的置信度计算为：

$T_N\left(N_S\right)=\left\{\begin{array}{cc}w\left(N_S\right)& q_1=0\\ w\left(N_S\right)\&times;{\left(\frac{q_2}{q_1}\right)}^{\frac{1}{q_2}}& q_1\&GreaterEqual;1\end{array}\right.---\left(2\right)$

上述公式中，q₁，q₂q₃取值均为自然数。

推荐者是信息源与接受者之间的中介，是信息接受者认知陌生信息源的关键途径，因此作为中间节点，其置信度的计算应体现出推荐者与客观诚信相符的现实状态。

推荐中存在中间推荐者作为中间节点，其置信度的计算体现推荐者与客观诚信相符的现实状态。

假设推荐者N_R在过往共进行c₁次推荐，其中有c₂次被推荐者接受或转发。同时，在过往c₁次推荐中，带有反馈评价的次数为c₃且所有反馈的平均评价值为ave(N_R)，则推荐者N_R的执行度可计算为：

$T_N\left(N_R\right)=\left\{\begin{array}{cc}w\left(N_R\right)& c_1=0\\ \frac{1}{2}[w\left(N_R\right)\&times;{\left(\frac{c_2}{c_1}\right)}^{\frac{1}{c_2}}+\mathrm{ave}\left(N_R\right)\&times;{\left(\frac{c_3}{c_1}\right)}^{\frac{1}{c_3}}]& c_1\&GreaterEqual;1\end{array}\right.---\left(3\right)$

其中，w(N_R)表示推荐者N_R的权重。上述公式中，c₁，c₂c₃取值均为自然数。

信任关系体现出网络个体之间一种片面的偏好情感，一般是通过个体之间的交互等行为形成的。相对于个体置信度而言，信任关系是实现信息推荐的主要动力，即信任关系越高，所推荐的信息越容易被接受。

在信息推荐模型中，个体N被分为N_S，N_R和N_D三类，因此，社交网络个体间信任关系可分为如下情况分别计算：

（1）N_S-N_R和N_R-N_R：即信息源与推荐者之间的信任关系，以及推荐者与推荐者之间的信任关系。在信息推荐模型中表达为f(N_S,N_R)和f(N_R,N_R)。由于这是两类进行信息转发行为所导致的信任关系，信息获得者直接依据自己的判断将信息推荐给其他个体，而无需向信息发送者反馈评价意见，因此这两种信任关系可通过同样地计算方式获得。依据权力要求3，可知T_B(N_S,N_R)和T_B(N_R,N_R)可分别从f(N_S,N_R)和f(N_R,N_R)中计算得到。以f(N_S,N_R)为例，说明计算方法：

$T_B(N_S,N_R)=\left\{\begin{array}{cc}1& n_1=n_2\\ {\left(\frac{n_2}{n_1}\right)}^{\frac{1}{n_1-n_2}}& n_1>n_2\end{array}\right.---\left(4\right)$

其中，n₁表示信息源N_S曾向推荐者N_R发出信息的次数，n₂表示推荐者N_R收到信息源N_S的信息后向其他个体进行推荐的次数，n₁，n₂取值均为自然数。f(N_R,N_R)计算与f(N_S,N_R)类似。

（2）N_D-N_R和N_D-N_S：即接受推荐者与推荐者之间的信任关系，以及接受推荐者与信息源之间的信任关系（这种情况适用于自荐）。在信息推荐模型中表达为f(N_D,N_R)和f(N_D,N_S)。这种情况下，信息接受者不再向其他个体推荐转发信息，而是依据自我判断对收到的信息进行评价。以f(N_D,N_R)计算方法：

$T_B(N_D,N_R)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{n_3}{\mathrm{\&Sigma;}}}\mathrm{evaluate}{(N_D,N_R)}_i}{n_3}\&times;{\left(\frac{n_4}{n_3}\right)}^{\frac{1}{n_3-n_4}}& n_3>n_4\\ \frac{\underset{i=1}{\overset{n_3}{\mathrm{\&Sigma;}}}\mathrm{evaluate}{(N_D,N_R)}_i}{n_3}& n_3=n_4\end{array}\right.---\left(5\right)$

其中，evaluate(N_D,N_R)_i(evaluate(N_D,N_R)_i∈[0,1])表示接收者N_D第i次收到信息后对所推荐信息的评价（下标i是指第i次评价）；n₃为N_R向N_D进行推荐的总次数，n₄为N_D认可推荐的次数，n₁，n₂，n₃，n₄取值均为自然数。

社交网络信息推荐路径P是连接信息源和推荐接受者之间的可达通路。推荐路径的可信任度T_R同时受到T_B和T_N的影响，同时必须具备向推荐接受者反映信息源真实可信度的能力。

假设信息源N_S和推荐接受者N_D之间存在一条推荐路径P=N_S×N_R1×...×N_D，则该推荐接受者通过该路径可获得对信息源的信任度可计算为：

$T_P(N_D,N_S)=\frac{1}{\left|P\right|-1}\&times;\left\{\right[T_B(N_{\mathrm{Rn}},N_S)\&times;T_N\left(N_S\right)]+\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}[T_B(N_{\mathrm{Ri}-1},N_{\mathrm{Ri}})\&times;T_N{\left(N_{\mathrm{Ri}}\right)}^{\left|P\right|-i+1}]$

$+[T_B(N_D,N_{R1})\&times;T_N{\left(N_R\right)}^{\left|P\right|-1}]\}---\left(6\right)$

其中，|P|表示组成路径P的个体总数，n表示中间推荐者个数，i表示第i个中间推荐者。

若信息源N_S和推荐接受者N_D之间存在m(m>0)条路径p_k，那么该推荐接受者通过该路径可获得对信息源的信任度可计算为：

$T_P(N_D,N_S)=\min [\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{T}_{p_k}(N_D,N_S)}{m}+{\mathrm{\&beta;}}^{\frac{1}{m}},1]---\left(7\right)$

其中，min()是取最小值函数；β∈[0.01,0.05]是调节参数，用来体现出推荐者越多则信息源获得的附加信任越多，即越多人推荐则越可信。

社交网络中的基于信任的信息推荐方法步骤如下：

Step1:当信息源N_S出现可推荐的信息时，通过自荐方式，向其邻居个体发送信息；

Step2:首先判断接收到该信息的邻居个体是N_R还是N_D：若邻居个体为N_R，则N_R计算T_N(N_S)，若满足T_N(N_S)≥η，则N_R向所有尚未收到该信息并且与N_R的信任关系满足T_B(N_R,N)≥μ的邻居个体推荐该信息（在这里，N是指所有N_R尚未收到该推荐消息的邻居个体，下同），并执行下一步，若T_N(N_S)<η，则忽略该信息推荐；如果邻居个体为N_D，则转到step5；

Step3:首先判断接收到该信息的邻居个体是N_R还是N_D：若接收到该推荐信息的邻居个体为N_R，则该个体计算T_N(N_R)，若满足T_N(N_R)≥η，则该个体向继续向尚未收到该信息并且与N_R的信任关系满足T_B(N_R,N)≥μ的邻居个体推荐该信息，并执行下一步，若T_N(N_R)<η，则忽略该信息推荐；如果接收到该推荐信息的邻居节点为N_D，则转step5；

Step4:判断接收到该信息的邻居个体是N_R还是N_D：若接收到该推荐信息的邻居个体为N_R，则转返回step3；如果接收到该推荐信息的邻居节点为N_D，则转step5；

Step5:接收到该推荐信息的个体为N_D，则个体N_D计算来自不同路径对该信息的推荐信任度T_p(N_D,N_S)，并最终计算出不同路径所得到的综合信任度T_P(N_D,N_S)。

在上述算法中，η（η∈[0,1]）和μ（μ∈[0,1]）分别为阈值，用以判断该信息是否满足进一步推荐的要求。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种社交网络中基于信任的信息推荐方法，其特征在于包括以下步骤：

（1）、依据一个信息推荐的环节，给出社交网络信息推荐描述模型；

（2）、依据社交网络个体之间的信任关系，个体所具备的自身置信度以及被推荐信息源置信度，给出社交网络信任计算方法；

（3）、依据信息推荐模型和信任计算方法，给出社交网络中信息推荐方法。

2.根据权利要求1所述的一种社交网络中基于信任的信息推荐方法，其特征在于：

依据一个社交网络推荐过程中所涉及的环节，信息推荐描述模型表示如下：

社交网络中的一个信息推荐描述模型是一个四元组M=(N,F,P,W)，其中：

A、N是社交网络个体非空有限集，个体可分为N_S表示信息源，N_R表示推荐者，N_D表示接受推荐者；

B、

是连接个体的边的有限集合；

C、

是可达个体所组成的路径；

D、W:F→[0,1]UN→[0,1]，是权重集合，其含义是信息推荐模型中的边以及个体的权重为0到1之间的实数；

一次信息推荐

是由信息推荐模型中信息源到接受推荐者的可达网络，且服从以下规则：

E、且

F、至少存在一条路径p，使信息源N_S到接受者N_D之间是可达的，且对组成路径的推荐者中的任意两个节点N_R',N_R''而言，都存在N_R'≠N_R''，即路径中不存在回路；

G、R的所有个体和边的权重是可知的；

H、如果推荐行为R中的路径P中存在推荐者N_R，那么这是一个他荐；如果不存在N_R，那么这是一个自荐。

3.根据权利要求2所述的一种社交网络中基于信任的信息推荐方法，其特征在于：所述步骤（2）中：

社交网络的信任计算包括两个方面：个体之间的主观信任关系，以及个体所具备的置信度，信任计算中的信任分别定义如下：

1）、T_N:n_M→w_M，其含义为信息推荐模型中个体的权重即为个体的置信度；

2）、T_B:f_M→w_M，其含义为信息推荐模型中边的权重即为个体之间的信任关系；

3）、T_R:p_R→w_R，其含义为信息推荐中路径的整体权重即为推荐信任值；

其中，下标M表示推荐模型，n_M表示推荐模型M中的任一个体，w_M表示信息推荐模型M中的权重值，f_M表示信息推荐模型M中的任一一条边，p_R表示信息推荐中从起点到终点的一条可达路径，w_R则表示信息推荐中一条可达路径所对应的权重值。

4.根据权利要求3所述的一种社交网络中基于信任的信息推荐方法，其特征在于：所述步骤1）中:信息源置信度是指信息源N_S所具备的置信度，其计算方法如下：

假设在信息推荐模型中信息源N_S权重为w(N_S)，在某次推荐R中，该推荐信息过去曾被推荐q₁次，其中共被接受q₂次；而在该次推荐中，信息源N_S共获得q₃个推荐者的直接推荐，即在推荐者N_R与信息源N_S之间存在边f(N_S,N_R)，则在该次推荐中，N_S的置信度可计算为：

$T_N\left(N_S\right)=\left\{\begin{array}{cc}{\left[w\left(N_S\right)\right]}^{q_3}& q_1=0\\ {\left[w\left(N_S\right)\right]}^{q_3}\&times;{\left(\frac{q_2}{q_1}\right)}^{\frac{1}{q_2}}& q_1\&GreaterEqual;1\end{array}\right.---\left(1\right)$

若某次推荐R为自荐，即q₃=0，则此时，该信息源的置信度计算为：

$T_N\left(N_S\right)=\left\{\begin{array}{cc}w\left(N_S\right)& q_1=0\\ w\left(N_S\right)\&times;{\left(\frac{q_2}{q_1}\right)}^{\frac{1}{q_2}}& q_1\&GreaterEqual;1\end{array}\right.---\left(2\right)$

上述公式中，q₁，q₂q₃取值均为自然数。

5.根据权利要求4所述的一种社交网络中基于信任的信息推荐方法，其特征在于，所述步骤1）中:推荐中存在中间推荐者N_R作为中间节点，推荐者置信度的计算体现推荐者N_R与客观诚信相符的现实状态，其计算方法为：

假设推荐者N_R在过往共进行c₁次推荐，其中有c₂次被推荐者接受或转发。同时，在过往c₁次推荐中，带有反馈评价的次数为c₃且所有反馈的平均评价值为ave(N_R)，则推荐者的执行度可计算为：

$T_N\left(N_R\right)=\left\{\begin{array}{cc}w\left(N_R\right)& c_1=0\\ \frac{1}{2}[w\left(N_R\right)\&times;{\left(\frac{c_2}{c_1}\right)}^{\frac{1}{c_2}}+\mathrm{ave}\left(N_R\right)\&times;{\left(\frac{c_3}{c_1}\right)}^{\frac{1}{c_3}}]& c_1\&GreaterEqual;1\end{array}\right.---\left(3\right)$

其中，w(N_R)表示推荐者N_R的权重；

上述公式中，c₁，c₂c₃取值均为自然数。

6.根据权利要求5所述的一种社交网络中基于信任的信息推荐方法，其特征在于：所述步骤2）中：社交网络个体间信任关系可分为如下情况分别计算：

（1）N_S-N_R和N_R-N_R：即信息源与推荐者之间的信任关系，以及推荐者与推荐者之间的信任关系，在信息推荐模型中表达为f(N_S,N_R)和f(N_R,N_R)，这两种信任关系可通过同样地计算方式获得，T_B(N_S,N_R)和T_B(N_R,N_R)可分别从f(N_S,N_R)和f(N_R,N_R)中计算得到，以f(N_S,N_R)为例，说明计算方法：

$T_B(N_S,N_R)=\left\{\begin{array}{cc}1& n_1=n_2\\ {\left(\frac{n_2}{n_1}\right)}^{\frac{1}{n_1-n_2}}& n_1>n_2\end{array}\right.---\left(4\right)$

其中，n₁表示信息源N_S曾向推荐者N_R发出信息的次数，n₂表示推荐者收到信息源的信息后向其他个体进行推荐的次数，n₁，n₂取值均为自然数，f(N_R,N_R)计算与f(N_S,N_R)类似；

（2）N_D-N_R和N_D-N_S：即接受推荐者与推荐者之间的信任关系，以及接受推荐者与信息源之间的信任关系，这种情况适用于自荐，在信息推荐模型中表达为f(N_D,N_R)和f(N_D,N_S)。这种情况下，信息接受者不再向其他个体推荐转发信息，而是依据自我判断对收到的信息进行评价，以f(N_D,N_R)计算方法：

$T_B(N_D,N_R)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{n_3}{\mathrm{\&Sigma;}}}\mathrm{evaluate}{(N_D,N_R)}_i}{n_3}\&times;{\left(\frac{n_4}{n_3}\right)}^{\frac{1}{n_3-n_4}}& n_3>n_4\\ \frac{\underset{i=1}{\overset{n_3}{\mathrm{\&Sigma;}}}\mathrm{evaluate}{(N_D,N_R)}_i}{n_3}& n_3=n_4\end{array}\right.---\left(5\right)$

其中，evaluate(N_D,N_R)_i(evaluate(N_D,N_R)_i∈[0,1])表示接收者N_D第i次收到信息后对所推荐信息的评价，下标i是指第i次评价；n₃为N_R向N_D进行推荐的总次数，n₄为N_D认可推荐的次数，n₁，n₂，n₃，n₄取值均为自然数。

7.根据权利要求6所述的一种社交网络中基于信任的信息推荐方法，其特征在于，所述步骤3）中：

社交网络信息推荐路径P是连接信息源和推荐接受者之间的可达通路，假设信息源N_S和推荐接受者N_D之间存在一条推荐路径P=N_S×N_R1×...×N_D，则该推荐接受者通过该路径可获得对信息源的信任度可计算为：

$T_P(N_D,N_S)=\frac{1}{\left|P\right|-1}\&times;\left\{\right[T_B(N_{\mathrm{Rn}},N_S)\&times;T_N\left(N_S\right)]+\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}[T_B(N_{\mathrm{Ri}-1},N_{\mathrm{Ri}})\&times;T_N{\left(N_{\mathrm{Ri}}\right)}^{\left|P\right|-i+1}]$

$+[T_B(N_D,N_{R1})\&times;T_N{\left(N_R\right)}^{\left|P\right|-1}]\}---\left(6\right)$

其中，|P|表示组成路径P的个体总数，n表示中间推荐者个数，i表示第i个中间推荐者，

若信息源N_S和推荐接受者N_D之间存在m(m>0)条路径p_k，那么该推荐接受者通过该路径可获得对信息源的信任度可计算为：

$T_P(N_D,N_S)=\min [\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{T}_{p_k}(N_D,N_S)}{m}+{\mathrm{\&beta;}}^{\frac{1}{m}},1]---\left(7\right)$

其中，min()是取最小值函数；β∈[0.01,0.05]是调节参数，用来体现出推荐者越多则信息源获得的附加信任越多，即越多人推荐则越可信。

8.根据权利要求7所述的一种社交网络中基于信任的信息推荐方法，其特征在于：

所述步骤（3）中，社交网络中的基于信任的信息推荐方法步骤如下：

Step1:当信息源N_S出现可推荐的信息时，通过自荐方式，向其邻居个体发送信息；

Step2:首先判断接收到该信息的邻居个体是N_R还是N_D：若邻居个体为N_R，则N_R计算T_N(N_S)，若满足T_N(N_S)≥η，则N_R向所有尚未收到该信息并且与N_R的信任关系满足T_B(N_R,N)≥μ的邻居个体推荐该信息，N是指所有N_R尚未收到该推荐消息的邻居个体，并执行下一步，若T_N(N_S)<η，则忽略该信息推荐；如果邻居个体为N_D，则转到step5；

Step3:首先判断接收到该信息的邻居个体是N_R还是N_D：若接收到该推荐信息的邻居个体为N_R，则该个体计算T_N(N_R)，若满足T_N(N_R)≥η，则该个体向继续向尚未收到该信息并且与N_R的信任关系满足T_B(N_R,N)≥μ的邻居个体推荐该信息，并执行下一步，若T_N(N_R)<η，则忽略该信息推荐；如果接收到该推荐信息的邻居节点为N_D，则转step5；

Step4:判断接收到该信息的邻居个体是N_R还是N_D：若接收到该推荐信息的邻居个体为N_R，则转返回step3；如果接收到该推荐信息的邻居节点为N_D，则转step5；

Step5:接收到该推荐信息的个体为N_D，则个体N_D计算来自不同路径对该信息的推荐信任度T_p(N_D,N_S)，并最终计算出不同路径所得到的综合信任度T_P(N_D,N_S)；

在上述算法中，η（η∈[0,1]）和μ（μ∈[0,1]）分别为阈值，用以判断该信息是否满足进一步推荐的要求。

Images