CN103488899B - 一种时间敏感的信任度信息处理方法 - Google Patents

Abstract

本发明涉及一种时间敏感的信任度信息处理方法，包括：用户与服务进行交互的交互信息通过“代”的形式被存储和计算；通过前n代中每一代用户c对服务s的直接信任度的加权和计算用户c对服务s的直接信任度；通过前n代中用户c的“相似用户”对服务s的直接信任度的加权和计算用户c对服务s的间接信任度；通过用户c对服务s的直接信任度与间接信任度的加权和计算用户c对服务s的主观信任度。与现有技术相比，本发明通过“代”来存储和计算信任度，有效地减小占用空间，引入“相似用户”结合“代”的概念进行间接信任度的计算，并根据最近几代的交互情况动态调整参数以提高效率，降低了时间消耗，体现了时间敏感性。

Description

一种时间敏感的信任度信息处理方法

技术领域

本发明涉及服务选择和数据挖掘领域，尤其是涉及一种时间敏感的信任度信息处理方法，可用于获得服务消费者对服务的主观信任度。

背景技术

目前用于服务选择的非功能性需求大多只考虑客观因素，而很少考虑基于信任或评价的主观因素。在信任的计算方法中，需要考虑历史交互的信息并以此进行预测。但是如果保存每次交互的评价并进行计算会消耗大量的空间和时间。同时，为了减少恶意评价用户对全局数据的影响，很多方法会对评价值与总体水平相差较大的用户进行惩罚或降权，但是这也减少了偏好多样性，影响个性化用户的预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种时间敏感的信任度信息处理方法。

本发明的目的可以通过以下技术方案来实现：一种时间敏感的信任度信息处理方法，用于得到用户对服务的主观信任度，其特征在于，该方法包括以下步骤：

步骤1，用户与服务进行交互的交互信息通过“代”的形式被存储和计算，所述的交互信息包括评价值和时间属性，当一个新的交互信息产生时，检查如果将该信息加入当前代是否满足MRN或LTI的限制，如果满足则加入当前代，否则产生新的一代，并将该信息加入新的一代中，如果产生新的一代，原来每一代都衰老一代，即第i代成为第i+1代，记录较新的数据代称为年轻代，记录较早数据的代称为年老代，定义参数n表示最大存储的“代”数，超过n代的数据将被丢弃以减小空间占用，其中参数MRN表示每代中最多包含的评价次数，参数LTI表示每代第一个评价到最后一个评价最长的时间间隔；

步骤2，通过前n代中每一代用户c对服务s的直接信任度的加权和计算用户c对服务s的直接信任度DT(c,s)，距离当前越近的代占有越大的权值；

步骤3，通过前n代中用户c的“相似用户”对服务s的直接信任度的加权和计算用户c对服务s的间接信任度IT(c,s)，与用户c相似度越高的用户占有越大的权值；

步骤4，通过用户c对服务s的直接信任度DT(c,s)与间接信任度IT(c,s)的加权和计算用户c对服务s的主观信任度T(c,s)。

步骤4所述的计算用户c对服务s的主观信任度T(c,s)具体公式为，

$T(c,s)=\left\{\begin{array}{cc}p\×DT(c,s)+(1-p)\×IT(c,s),& IT(c,s)\≠0\\ DT(c,s),& IT(c,s)=0\end{array}\right.,$

式中，p表示用户c与服务s在最近n代中交互的频繁程度，其计算公式为，0≤p≤1，其中RN是过去n代中用户c和服务s交互的次数。

步骤2所述的计算用户c对服务s的直接信任度DT(c,s)具体公式为，

$DT(c,s)=\underset{i=1}{\overset{n}{\Σ}}(\frac{F(n+1-i)}{{\mathrm{\Σ}}_{j=1}^{n}F\left(j\right)}\×{\mathrm{DT}}_i(c,s\left)\right),$

式中，DT_i(c,s)表示距离当前第i代的用户c对服务s的直接信任度，F(j)表示斐波那契数列中第j个数的值。

步骤3所述的“相似用户”的获取方法包括以下步骤：

步骤301，获取最近k代中与c交互的服务集合ss；

步骤302，获取最近l代中与服务集合ss交互的用户集合scc，其中用户集合scc不包括用户c；

步骤303，计算最近m代中用户集合scc中每个用户与用户c交互的服务数量，并从大到小对用户集合scc重新排序，得到新的用户集合scc’＝{sc₁,sc₂,sc₃,…}；

步骤304，在新的用户集合scc’中选取前a个用户作为“相似用户”集合，即“相似用户”集合＝{sc₁,sc₂,…,sc_a}。

步骤3所述的计算用户c对服务s的间接信任度IT(c,s)具体公式为，

$IT(c,s)=\underset{i=1}{\overset{a}{\Σ}}\left(\frac{s({\mathrm{sc}}_i,c)}{{\Σ}_{j=1}^{a}s({\mathrm{sc}}_j,c)}DT\right({\mathrm{sc}}_i,s)\×B(c,{\mathrm{sc}}_i\left)\right),$

式中，DT(sc_i,s)表示“相似用户”集合中第i个用户sc_i对服务s的直接信任度，s(sc_i,c)表示用户sc_i与用户c的相似度，其计算公式为， $s({\mathrm{sc}}_i,c)=\frac{1}{1+\sqrt{{\mathrm{\Σ}}_{j=1}^t{\left(DT\right({\mathrm{sc}}_i,s_j)-DT(c,s_j\left)\right)}^2}},$ 其中s_j表示最近m代中共同与用户集合scc和用户c交互的服务，t表示最近m代中共同与用户集合scc和用户c交互的服务总量；DT(sc_i,s_j)表示用户sc_i对服务s_j的直接信任度，DT(c,s_j)表示用户c对服务s_j的直接信任度；

B(c,sc_i)表示将用户sc_i的评价转化为用户c的评价的平衡因子，其计算公式为，其中，AVG(c)指用户c在过去n代中所有评价的平均值，AVG(sc_i)指用户sc_i在过去n代中所有评价的平均值。

所述的参数k、l、m可定义为：k＝[(n+1)^1-p-1]，m＝n，当直接信任度占有较高比重时，即p相对较大时，在寻找“相似用户”的步骤中，可根据以上定义适当改变参数k，l，m，a来降低时间消耗。

与现有技术相比，本发明具有以下优点：

1、通过“代”来存储和计算信任度，提出了“代”的更新和衰老方法，有效地减小占用空间；

2、设定越年轻的代拥有越大的权值，增加了其对直接信任度的影响，体现了时间敏感性；

3、引入“相似用户”结合“代”的概念进行间接信任度的计算，并根据最近几代的交互情况动态调整参数以提高效率，降低了时间消耗。

附图说明

图1为本发明获取“相似用户”的流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

一种时间敏感的信任度信息处理方法，用于计算服务用户对服务的主观信任度，其特征在于，该方法包括以下步骤：

步骤1，用户与服务进行交互的交互信息通过“代”的形式被存储和计算，所述的交互信息包括评价值和时间属性，当一个新的交互信息产生时，检查如果将该信息加入当前代是否满足MRN或LTI的限制，如果满足则加入当前代，否则产生新的一代，并将该信息加入新的一代中，如果产生新的一代，原来每一代都衰老一代，即第i代成为第i+1代，最新一代称为年轻代，记录较早数据的代称为年老代，定义参数n表示最大存储的“代”数，超过n代的数据将被丢弃以减小空间占用，其中参数MRN表示每代中最多包含的评价次数，参数LTI表示每代第一个评价到最后一个评价最长的时间间隔；

步骤2，通过前n代中每一代用户c对服务s的直接信任度的加权和计算用户c对服务s的直接信任度DT(c,s)，距离当前越近的代占有越大的权值；

本发明采用斐波那契(Fibonacci)数列作为各有效代的权值，有效代指用户c与s有交互的代，计算用户c对服务s的直接信任度DT(c,s)具体公式为，

$DT(c,s)=\underset{i=1}{\overset{n}{\Σ}}(\frac{F(n+1-i)}{{\mathrm{\Σ}}_{j=1}^{n}F\left(j\right)}\×{\mathrm{DT}}_i(c,s\left)\right),$

式中，DT_i(c,s)表示距离当前第i代的用户c对服务s的直接信任度，F(j)表示斐波那契数列中第j个数的值。假设有5个有效代，则从年轻代到年老代的权值分别为

步骤3，通过前n代中用户c的“相似用户”对服务s的直接信任度的加权和计算用户c对服务s的间接信任度IT(c,s)，与用户c相似度越高的用户占有越大的权值；

如图1所示，步骤3所述的“相似用户”的获取方法包括以下步骤：

步骤301，获取最近k代中与c交互的服务集合ss，若ss是空集则结束；

步骤302，获取最近l代中与服务集合ss交互的用户集合scc，其中用户集合scc不包括用户c，若scc是空集则结束；

步骤303，计算最近m代中用户集合scc中每个用户与用户c交互的服务数量，并从大到小对用户集合scc重新排序，得到新的用户集合scc’＝{sc₁,sc₂,sc₃,…}，若服务数量全部是0则结束；

步骤304，在新的用户集合scc’中选取前a个用户作为“相似用户”集合，即“相似用户”集合＝{sc₁,sc₂,…,sc_a}。

以下为一种满足本发明所提策略的参数定义：

k＝[(n+1)^1-p-1]；m＝n；

当直接信任度占有较高比重时，即p相对较大时，在寻找“相似用户”的步骤中，可根据以上定义适当改变参数k，l，m，a来降低时间消耗。

计算用户c对服务s的间接信任度IT(c,s)具体公式为，

$IT(c,s)=\underset{i=1}{\overset{a}{\Σ}}\left(\frac{s({\mathrm{sc}}_i,c)}{{\Σ}_{j=1}^{a}s({\mathrm{sc}}_j,c)}DT\right({\mathrm{sc}}_i,s)\×B(c,{\mathrm{sc}}_i\left)\right),$

式中，DT(sc_i,s)表示“相似用户”集合中第i个用户sc_i对服务s的直接信任度，s(sc_i,c)表示用户sc_i与用户c的相似度，其计算公式为， $s({\mathrm{sc}}_i,c)=\frac{1}{1+\sqrt{{\mathrm{\Σ}}_{j=1}^t{\left(DT\right({\mathrm{sc}}_i,s_j)-DT(c,s_j\left)\right)}^2}},$ 其中s_j表示最近m代中共同与用户集合scc和用户c交互的服务，t表示最近m代中共同与用户集合scc和用户c交互的服务总量；DT(sc_i,s_j)表示用户sc_i对服务s_j的直接信任度，DT(c,s_j)表示用户c对服务s_j的直接信任度；由于每个用户都有自己的评价体系，同样的评价值在不同的评价体系中有着不同的信任度，因此本发明使用B(c,sc_i)作为将用户sc_i的评价转化为用户c的评价的平衡因子，其计算公式为，其中，AVG(c)指用户c在过去n代中所有评价的平均值，AVG(sc_i)指用户sc_i在过去n代中所有评价的平均值。

步骤4，通过用户c对服务s的直接信任度DT(c,s)与间接信任度IT(c,s)的加权和计算用户c对服务s的主观信任度T(c,s)；

计算用户c对服务s的主观信任度T(c,s)具体公式为，

$T(c,s)=\left\{\begin{array}{cc}p\×DT(c,s)+(1-p)\×IT(c,s),& IT(c,s)\≠0\\ DT(c,s),& IT(c,s)=0\end{array}\right.,$

式中，p表示用户c与服务s在最近n代中交互的频繁程度，其计算公式为，0≤p≤1，其中RN是过去n代中用户c和服务s交互的次数。

Claims (2)

1.一种时间敏感的信任度信息处理方法，用于得到用户对服务的主观信任度，其特征在于，该方法包括以下步骤：

步骤1，用户与服务进行交互的交互信息通过“代”的形式被存储和计算，所述的交互信息包括评价值和时间属性，当一个新的交互信息产生时，检查如果将该信息加入当前代是否满足MRN或LTI的限制，如果满足则加入当前代，否则产生新的一代，并将该信息加入新的一代中，定义参数n表示最大存储的“代”数，超过n代的数据将被丢弃以减小空间占用，其中参数MRN表示每代中最多包含的评价次数，参数LTI表示每代第一个评价到最后一个评价最长的时间间隔；

步骤2，通过前n代中每一代用户c对服务s的直接信任度的加权和计算用户c对服务s的直接信任度DT(c,s)，距离当前越近的代占有越大的权值；

步骤3，通过前n代中用户c的“相似用户”对服务s的直接信任度的加权和计算用户c对服务s的间接信任度IT(c,s)，与用户c相似度越高的用户占有越大的权值；

步骤4，通过用户c对服务s的直接信任度DT(c,s)与间接信任度IT(c,s)的加权和计算用户c对服务s的主观信任度T(c,s)；

上述步骤中，步骤2所述的计算用户c对服务s的直接信任度DT(c,s)具体公式为，

$DT(c,s)=\underset{i=1}{\overset{n}{\Σ}}(\frac{F(n+1-i)}{{\mathrm{\Σ}}_{j=1}^{n}F\left(j\right)}\×{\mathrm{DT}}_i(c,s\left)\right)$

式中，DT_i(c,s)表示距离当前第i代的用户c对服务s的直接信任度，F(j)表示斐波那契数列中第j个数的值；

步骤3所述的“相似用户”的获取方法包括以下步骤：

步骤301，获取最近k代中与c交互的服务集合ss；

步骤302，获取最近l代中与服务集合ss交互的用户集合scc，其中用户集合scc不包括用户c；

步骤303，计算最近m代中用户集合scc中每个用户与用户c交互的服务数量，并从大到小对用户集合scc重新排序，得到新的用户集合scc’＝{sc₁,sc₂,sc₃,…}；

步骤304，在新的用户集合scc’中选取前a个用户作为“相似用户”集合，即“相似用户”集合＝{sc₁,sc₂,…,sc_a}；

步骤3所述的计算用户c对服务s的间接信任度IT(c,s)具体公式为，

$IT(c,s)=\underset{i=1}{\overset{a}{\Σ}}\left(\frac{s({\mathrm{sc}}_i,c)}{{\mathrm{\Σ}}_{j=1}^{a}s({\mathrm{sc}}_j,c)}DT\right({\mathrm{sc}}_i,s)\×B(c,{\mathrm{sc}}_i\left)\right),$

式中，DT(sc_i,s)表示“相似用户”集合中第i个用户sc_i对服务s的直接信任度，s(sc_i,c)表示用户sc_i与用户c的相似度，其计算公式为，

其中s_j表示最近m代中共同与用户集合scc和用户c交互的服务，t表示最近m代中共同与用户集合scc和用户c交互的服务总量；DT(sc_i,s_j)表示用户sc_i对服务s_j的直接信任度，DT(c,s_j)表示用户c对服务s_j的直接信任度；

B(c,sc_i)表示将用户sc_i的评价转化为用户c的评价的平衡因子，其计算公式为，

其中，AVG(c)指用户c在过去n代中所有评价的平均值，AVG(sc_i)指用户sc_i在过去n代中所有评价的平均值；

步骤4所述的计算用户c对服务s的主观信任度T(c,s)具体公式为，

$T(c,s)=\left\{\begin{array}{cc}p\×DT(c,s)+(1-p)\×IT(c,s),& IT(c,s)\≠0\\ DT(c,s),& IT(c,s)=0\end{array}\right.,$

式中，p表示用户c与服务s在最近n代中交互的频繁程度，其计算公式为，

0≤p≤1，其中RN是过去n代中用户c和服务s交互的次数。

2.根据权利要求1所述的一种时间敏感的信任度信息处理方法，其特征在于，所述的参数k、l、m可定义为：k＝[(n+1)^1-p-1]，m＝n。