CN107067329B - 一种活动社交网络中节点可信度的计算方法及装置 - Google Patents

Abstract

本申请公开了一种活动社交网络中节点可信度的计算方法及装置，其通过第一节点的相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值，从而使得计算得到的信任值十分具有参考意义，可以很大程度上真实地反映出第一节点对应的用户本身的可信度，这为活动社交网络中活动的参与者与举办者提供了可靠的参考依据，从而提高了活动社交网络中活动的成功率，保证了网络的安全和稳定。

Description

一种活动社交网络中节点可信度的计算方法及装置

技术领域

本申请涉及社交网络安全领域，具体涉及一种活动社交网络中节点可信度的计算方法及装置。

背景技术

活动社交是基于真实线下活动的一种新型社交方式，通过网络平台，以活动联系用户，帮助世界各地的人们进行自我组织。通常，活动的参与者首先会对活动举办者的可信度及活动的真实性进行判断，以期在有限的时间中选择更优质、更可信的活动参加。同时，活动举办者也会对参与人进行甄别，以期在人数限定的情况下选出更可靠的用户参加活动。所有情况最终都会通过整个活动社交平台的可信程度体现出来。

无论电子商务平台、传统社交平台还是活动社交平台，随着用户量与信息量的暴增，安全都成为了亟需解决的问题，信任成为了至关重要的因素。但是，目前关于信任的研究大多集中在P2P网络、电子商务和传统社交网络，由于活动社交网络不对等的交互特性，很少有适用于活动社交网络的信任计算模型。

发明内容

针对上述情况，本申请提供一种活动社交网络中节点可信度的计算方法及装置。

根据本申请的第一方面，本申请提供一种活动社交网络中节点可信度的计算方法，包括：

对于信任值待计算的第一节点，获取第一节点的相关节点集合中各个节点对第一节点的评价信息；其中第一节点的相关节点集合为第一节点的第一集合与第二集合的并集，所述第一节点的第一集合包括第一节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，所述第一节点的第二集合包括第一节点对应的用户举办过的所有活动当中的各参与者分别对应的节点；

分别计算每个评价信息的有效性值；

根据相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值。

在一较优实施例中，所述分别计算每个评价信息的有效性值，包括：

对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值；

获取给出该评价信息的节点的信任值；

根据所述给出该评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值。

在一较优实施例中，所述根据相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值，包括：

根据第一节点的第一集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动参与者的信任值；

根据第一节点的第二集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动举办者的信任值；

计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值。

根据本申请的第二方面，本申请提供一种活动社交网络中节点可信度的计算装置，包括：

第一评价信息获取模块，用于对于信任值待计算的第一节点，获取第一节点的相关节点集合中各个节点对第一节点的评价信息；其中第一节点的相关节点集合为第一节点的第一集合与第二集合的并集，所述第一节点的第一集合包括第一节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，所述第一节点的第二集合包括第一节点对应的用户举办过的所有活动当中的各参与者分别对应的节点；

有效性值计算模块，用于分别计算每个评价信息的有效性值；

信任值计算模块，用于根据相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值。

在一较优实施例中，所述有效性值计算模块，包括：

评价相似度值计算模块，用于对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值；

信任值获取模块，用于获取给出该评价信息的节点的信任值；

有效性值计算子模块，用于根据所述给出该评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值。

在一较优实施例中，所述信任值计算模块，包括：

第一信任值计算模块，用于根据第一节点的第一集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动参与者的信任值；

第二信任值计算模块，用于根据第一节点的第二集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动举办者的信任值；

加权平均计算模块，用于计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值。

本申请的有益效果是：

依上述实施的活动社交网络中节点可信度的计算方法及装置，由于通过第一节点的相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值，从而使得计算得到的信任值十分具有参考意义，可以很大程度上真实地反映出第一节点对应的用户本身的可信度，这为活动社交网络中活动的参与者与举办者提供了可靠的参考依据，从而提高了活动社交网络中活动的成功率，保证了网络的安全和稳定。

依上述实施的活动社交网络中节点可信度的计算方法及装置，由于在分别计算每个评价信息的有效性值时，是根据所述给出该评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值，从而使得计算得到的评价信息的有效性值十分具有参考意义，这使得在有效值基础上计算得到第一节点的信任值可以很大程度上真实地反映出第一节点对应的用户本身的可信度。

依上述实施的活动社交网络中节点可信度的计算方法及装置，由于是通过计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值，考虑到了活动社交网络中用户作为活动的参与者和举办者的不对等性，将第一节点对应的用户作为活动参与者与举办者的两种身份的信任值进行加权平均，以得到第一节点的信任值，综合反映了第一节点对应的用户本身的可信度。

附图说明

图1为活动社交网络平台中的一种评价反馈机制的示意图；

图2为本申请一种实施例的活动社交网络中节点可信度的计算方法的流程图；

图3为本申请一种实施例的步骤S100的流程图；

图4为本申请一种实施例的步骤S300的流程图；

图5为本申请一种实施例的步骤S310的流程图；

图6为两个节点共有节点集合的示意图；

图7为本申请一种实施例的步骤S500的流程图；

图8为本申请一种实施例的活动社交网络中节点可信度的计算装置的结构示意图；

图9为本申请一种实施例的有效性值计算模块的结构示意图；

图10为本申请一种实施例的评价相似度值计算模块的结构示意图；

图11为本申请一种实施例的信任值计算模块的结构示意图；

图12为验证在活动社交网络平台中本申请的模型随时间变化的有效性对比图；

图13为在验证活动社交网络平台中本申请的模型随用户数目变化的有效性的比图；

图14为在活动社交网络平台中本申请的模型随恶意用户比例变化的有效性对比图。

具体实施方式

先对本申请的发明创造过程以及发明构思作一个说明。

先思考一下P2P网络，该领域中经典的信任模型是EigenTrust算法，其利用每个Peer的下载历史计算每个Peer的信任值。该算法基于迭代的安全分布式方法来计算全局信任值，即通过节点之间信任度的不断迭代计算出每个节点的全局信任度。Peers会选择全局信任值高的Peer作为下载来源，同时共享网络也可以有效辨别出恶意Peer并把它们从网络中隔离开来，以减少不真实的文件在P2P共享网络中的下载量。但是，EigenTrust算法在预设可信节点这一过程中缺乏实际可行性，同时在计算信任值时也没有考虑到文件重要性等因素。再来看对可信度有较高要求的电子商务平台，其在信任值计算上普遍存在以下问题：没有考虑反馈的正确性，好坏节点一视同仁；缺乏设置上下文敏感反馈的过滤器；缺少时间自适应性；缺乏激励节点评价其他节点的措施。例如，EQPy中所采用的信任模型TMQS是目前较为成功的信任评价系统之一，但是它缺乏信任机制上下文的考虑，对恶意节点也缺乏有效的识别。PeerTrust算法是基于在线交易反馈系统的一种自适应的信任模型；该算法在计算节点可信度时引入了三个基本因素，即考虑了节点与其他节点交易获得的反馈，并且在模型中引入单个节点的交易总量和反馈来源的信任值用以评估节点的可信度；其次，在PeerTrust模型中还引入了两个自适应参数，交易上下文参数和社区上下文参数，以适应不同领域和情景。但是，PeerTrust算法由于过多考虑反馈数量，导致信任值分布不均；且没有考虑用户的双向身份和用户之间相似性等特征的影响。

请参照图1，在活动社交网络平台中，用户一般可以有两种身份，一种是活动的举办者，一种是活动的参与者：当用户作为活动的举办者时，他可以受到参与该活动的用户(即参与者)的评价；当用户作为活动的参与者时，他可以受到举办该活动的用户(即举办者)的评价。本申请设计一种信任计算模型，利用受到的评价来计算用户的信任值，这是因为用户过去的行为可以反映用户的信誉值，这些信息可以帮助评估用户在网络中节点的可信度，并预测节点的未来行为；同时，从心理学和社会学的角度出发，人们更倾向于去相信和自己具有相同属性的人，对于任意正常用户来说，与其具有相似属性的人所给出的评价信息相对更可信，因此，在使用其他用户的评价信息来计算待计算用户节点的信任值时，还考虑引入一个表征对待计算节点的评价信息的有效性(真实性、可靠性)的因子，因此综合对待计算节点的评价信息以及该评价信息的有效性来计算节点的信任值；最后，考虑到用户具有活动参与者与活动举办者的两种身份，本申请在计算用户节点的信任值时，分别计算用户作为活动举办者的信任值，以及用户作为活动参与者的信任值，将这两种信任值进行加权求平均，作为用户最终的信任值。

下面通过具体实施方式结合附图对本申请作进一步详细说明。

请参照图2，本申请一实施例中提供一种活动社交网络中节点可信度的计算方法，该计算方法包括步骤S100～S500，下面具体说明。

步骤S100：对于信任值待计算的第一节点，获取第一节点的相关节点集合中各个节点对第一节点的评价信息。任意一节点的相关节点集合，指的是该节点的第一集合与第二集合的并集，而任意一节点的第一集合则包括该节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，任意一节点的第二集合则包括该节点对应的用户举办过的所有活动当中的各参与者分别对应的节点；因此步骤S100中第一节点的相关节点集合为第一节点的第一集合与第二集合的并集，而上述第一节点的第一集合则包括第一节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，上述第一节点的第二集合则包括第一节点对应的用户举办过的所有活动当中的各参与者分别对应的节点。由于活动社交网络中任意一节点对应的用户都可能具有活动的“参与者”和“举办者”两种身份，因此首先要获取第一节点对应的用户作为“参与者”参与过的所有活动以及作为“举办者”举办过的所有活动；然后获取第一节点对应的用户作为“参与者”参与过的所有活动中的举办者，这些举办者在网络中对应的节点构成了上述的第一集合，获取第一节点对应的用户作为“举办者”举办过的所有活动中的参与者，这些参与者在网络中对应的节点构成了上述的第二集合，而第一集合和第二集合的并集形成了上述的第一节点的相关节点集合；最后获取第一节点的相关节点集合中各节点对第一节点的评价信息，换句话说，获取与第一节点对应的用户相关的各个用户对第一节点对应的用户的评价信息，这作为计算第一节点的信任值的一个重要因素。

从上述的说明也可以看出，在一具体实施例中，请参照图3，步骤S100可以包括步骤S110～150。

步骤S110：获取第一节点对应的用户作为“参与者”参与过的所有活动的数据以及作为“举办者”举办过的所有活动的数据。

步骤S130：获取第一节点对应的用户作为“参与者”参与过的所有活动中的各举办者分别对应的节点，以构成第一集合；并获取第一节点对应的用户作为“举办者”举办过的所有活动中的各参与者分别对应的节点，以构成第二集合；第一集合和第二集合的并集形成第一节点的相关节点集合。

步骤S150：获取第一节点的相关节点集合中各个节点对第一节点的评价信息。

在一实施例中，步骤S100中的评价信息可以是包含评价分数的数据，例如百分制的评价分数或五分制的评价分数等。

步骤S300：分别计算每个评价信息的有效性值。在最终使用步骤S100中获取的第一节点受到的各个评价信息来计算第一节点本身的信任值时，由于各个评价信息的可信程度不同，因此还引入一个表征评价信息的可信程度的因子，即评价信息的有效性值。在一实施例中，在计算任一评价信息的有效性值时，思路如下：以用户P和用户Q为例，用户P对用户Q做出过评价信息P-Q，当评估该评价信息P-Q的可信程度(即有效性值)时，引入两个参考因素，一个是作出该评价信息P-Q的用户P本身的信任值，另一个是用户P和用户Q对共有用户的评价信息的相似性，其中共有用户指的是与用户P、Q都发生过活动关系的用户(例如，用户P和Q都参与过用户J举办的活动，那么用户J就是与用户P、Q都发生过活动关系的用户)；引入用户P、Q对共有用户的评价信息的相似性来评估用户P对用户Q做出的评价信息P-Q的可信程度，这是因为从心理学和社会学的角度出发，人们更倾向于去相信和自己具有相同属性的人，对于任意正常用户来说，与其具有相似属性的人所给出的评价信息相对更可信。因此，请参照图4，在一实施例中，步骤S300包括步骤S310～S350。

步骤S310：对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值。这里的给出该评价信息的节点与第一节点的评价相似度值，指的就是上面提到的评价信息的相似性。如上所述，两个节点的评价相似度值，是通过两个节点分别对应的用户对共有节点对应的用户给出的评价信息的相似性来评估，为了叙述的方便，不妨对于任意一个对第一节点的评价信息，以给出该评价信息的节点为节点p，第一节点为节点q为例，要计算节点p和第一节点q的评价相似度值，则需要先获取节点p和第一节点q的共有节点集合(即与节点p、第一节点q都发生过活动关系的节点的集合)，然后获取节点p和第一节点q分别对共有节点集合中各节点的评价信息，最后对于共有节点集合中的每一个节点，比较节点p和第一节点q对它的评价信息的相似程度，最终计算出节点p和第一节点q的评价相似度值。因此，请参照图5，在一实施例中，步骤S310包括步骤S311～步骤S315。

步骤S311：对于步骤S310中的每个评价信息，获取给出该评价信息的节点与第一节点的共有节点集合，其中该共有节点集合为第一节点的第一集合与上述给出该评价信息的节点的第一集合的交集，换句话说，对第一节点给出过评价信息的节点与第一节点都参加过共有节点集合中各节点对应的用户举办的活动。

步骤S313：获取给出该评价信息的节点对上述共有节点集合中各个节点的最近m次评价信息，以及获取第一节点对上述共有节点集合中各个节点的最近m次评价信息；m为大于或等于1的整数。由于信任具有衰减性，为提高评价相似性的计算准确性，选择对第一节点给出过评价信息的节点与第一节点对共有节点集合中各节点的最近m次评价值，例如m可以为1、2、3……等。

步骤S315：计算上述给出该评价信息的节点对共有节点集合中各个节点的最近m次评价信息与第一节点对所述共有节点集合中各个节点的最近m次评价信息的相似性，其中该相似性即为给出该评价信息的节点与第一节点的评价相似度值。在一实施例中，步骤S315可以包括下式，通过下式进行两个节点的评价相似度值的计算：

其中，令p为所述给出该评价信息的节点，令q为第一节点，Sim(p,q)为节点p与节点q的评价相似度值；J(p,q)为节点p与节点q的共有节点集合，节点j_i属于共有节点集合J(p,q)，|J(p,q)|为节点p和节点q的共有节点集合中节点的数目；I(j_i,p)为节点p参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；I(j_i,q)为节点q参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；E(p,j_i,k)为节点p对节点j_i举办的最近第k次活动时给出的评价信息；E(q,j_i,k)为节点q对节点j_i举办的最近第k次活动时给出的评价信息；下面给出上式的推导过程。

以用户P(对应的节点为p)和用户Q(对应的节点为q)为例，当计算节点p和节点q的评价相似度值时，如图6所示，先获取节点p和节点q的共有节点集合J，共有节点集合J＝{J₁，J₂，J₃，…，J_n}，共有节点集合J中各节点是与节点p和节点q均发生过活动关系，例如，节点p和节点q都参加过共有节点集合J中各节点对应的用户举办过的活动。由于信任具有衰减性，为提高评价相似性的计算准确性，选择节点p对集合J中各节点给出的最近m次评价，以及节点q对集合J中各节点给出的最近m次评价。假设节点p对集合J中的节点J_i的最近第k次评价信息为E(p,J_i,k)，则节点p对集合J中各节点的最近m次评价可以生成一个如下的评价信息矩阵A_pJ：

同样地，可以获取节点q对集合J中的节点J_i的最近第k次评价信息为E(q,J_i,k)，则节点q对集合J中各节点的最近m次评价也可以生成一个评价信息矩阵A_qJ。然后通过计算这两个矩阵A_pJ和A_qJ的相似性即可以得到节点p和节点q的评价相似度值。在一实施例中，可以通过计算矩阵A_pJ和A_qJ的距离来计算这两个矩阵之间的相似性。下面给出一种计算矩阵A_pJ和A_qJ的距离的方法。

一个节点(例如节点x)对另一个节点(例如节点y)的距离，指的是该节点(例如节点x)对应的用户对另一个节点(例如节点y)对应的用户的平均评价信息。不妨以节点x和节点y为例，节点x对节点y的距离

为：

其中，E(x，y，k)为节点x对节点y举办的最近第k次活动时给出的评价信息；I(y，x)为节点x参加节点y举办的活动数目。

当计算节点p和节点q的评价相似度值时，则获取节点p、q的共有节点集合J＝{J₁，J₂，J₃，…，J_n}，然后计算节点p分别对集合J中各节点的距离

以及计算节点q分别对集合J中各节点的距离

最后计算出节点p和节点q的评价相似度值Sim(p，q)：

在上面的式子中，J(p,q)为节点p和节点q的共有节点集合，|J(p,q)|为节点p和节点q的共有节点集合中节点的数目；I(j_i,p)为节点p参加节点j_i举办的活动数目，E(p,j_i,k)为节点p对节点j_i举办的最近第k次活动时给出的评价信息；I(j_i,q)为节点q参加节点j_i举办的活动数目，E(q,j_i,k)为节点q对节点j_i举办的最近第k次活动时给出的评价信息。

步骤S330：对于每个评价信息，获取给出该评价信息的节点的信任值。

步骤S350：根据对第一节点给出评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值。例如，不妨令对第一节点给出评价信息的节点为p，第一节点为q，则节点p对第一节点q给出的评价信息的有效性值Cr(p)是根据Trust(p)以及Sim(p,q)来计算的，其中Trust(p)表示节点p本身的信任值，Sim(p,q)表示节点p与第一节点q的评价相似度值。在一实施例中，Cr(p)＝Trust(p)*Sim(p,q)。在一实施例中，从上面的推导过程可以看到，对于任何两个节点，例如节点p和节点q，节点p对节点q的评价信息的有效性值，与其说是节点p对节点q的“评价信息的有效性值”，倒不如说是节点p对节点q的“评价有效性值”，因为从步骤S350可以看到，节点p对节点q的各评价信息的有效性值其实都是相等的。

步骤S500：根据第一节点的相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值。在一实施例中，步骤S500可以将第一节点的相关节点集合中各个节点对第一节点的评价信息分别乘以对应的有效性值，然后除以评价信息的总数目，得到第一节点的信任值。在另一实施例中，步骤S500在计算第一节点的信任值时，可以考虑到了活动社交网络中节点对应的用户作为活动的参与者和举办者的不对等性，从而将第一节点对应的用户作为活动参与者与举办者的两种身份的信任值进行加权平均，以得到第一节点的信任值，综合反映了第一节点对应的用户本身的可信度；因此，请参照图7，在一实施例中，步骤S500可以包括步骤S510～S550。

步骤S510：根据第一节点的第一集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动参与者的信任值。在一实施例中，不妨以第一节点为q为例，第一节点q对应的用户作为活动参与者的信任值计算如下：

其中，Trust₁(q)表示节点q作为活动参与者的信任值，N₁(q)表示节点q作为活动参与者所参与的活动总数目；H表示活动的举办者，H(q,i)表示节点q作为活动参与者所参与的第i次活动的举办者，而Cr(H(q,i))表示该活动举办者对节点q给出的评价信息的有效性值；S(q,i)表示节点q作为活动参与者在第i次活动时，得到的该第i次活动的举办者所给出的评价信息。

步骤S530：根据第一节点的第二集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动举办者的信任值。在一实施例中，不妨以第一节点为q为例，第一节点q对应的用户作为活动参与者的信任值计算如下：

其中，Trust₂(q)表示节点q作为活动举办者的信任值，N₂(q)表示节点q作为活动举办者所举办的活动总数目；P表示活动的参与者，P(q,i,j)表示节点q作为活动举办者所举办的第i次活动中的第j个参与者，而Cr(P(q,i,j))表示该活动参与者对节点q给出的评价信息的有效性值；S(q,i,j)表示节点q作为活动举办者在其举办的第i次活动时得到该活动中第j个参与者的评价信息；Num(q,i)表示节点q作为活动举办者在其举办的第i次活动中作为参与者的人数。

步骤S550：计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值。在一实施例中，不妨令第一节点为q，则第一节点q的信任值计算如下：

Trust(q)＝α×Trust₁(q)+β×Trust₂(q)

其中，Trust(q)为第一节点q的信任值，Trust₁(q)表示第一节点q作为活动参与者的信任值，Trust₂(q)表示第一节点q作为活动举办者的信任值；α和β为加权平均系数，均大于或等于0，且α+β＝1。在一实施例中，β大于α，即在计算第一节点q的信任值时，其作为活动举办者的信任值的权重要大于其作为活动参与者的信任值的权重，直观上分析这样的权重分配，我们能发现这样的加权计算也是符合逻辑的，因为在实际的活动社交网络中，由于一个活动举办者有众多的活动参与者，举办者可能并不会给所有参与者一一评分，此外，在一次活动中，若活动举办者就是一个恶意用户，则这次活动必然是失败的，因此活动的举办者是更值得关注的，从这两点直观上能得出，在计算节点对应的用户的信任值时，用户作为举办者得到的信任值所占的权重更大。经过多组实验评测发现，当α为0.2，β为0.8，也就是作为参与者的信任值和作为举办者的信任值权重分别是0.2和0.8时，活动成功率和评价准确度能达到最大值，因此在一实施例中，α为0.2，β为0.8。

以上就是本申请提供的活动社交网络中节点可信度的计算方法，针对该计算方法，本申请在一实施例中还提供了一种活动社交网络中节点可信度的计算装置，请参照图8，该计算装置包括第一评价信息获取模块100、有效性值计算模块300和信任值计算模块500，下面具体说明。

第一评价信息获取模块100用于对于信任值待计算的第一节点，获取第一节点的相关节点集合中各个节点对第一节点的评价信息；其中第一节点的相关节点集合为第一节点的第一集合与第二集合的并集，所述第一节点的第一集合包括第一节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，所述第一节点的第二集合包括第一节点对应的用户举办过的所有活动当中的各参与者分别对应的节点。在一实施例中，第一评价信息获取模块100中的评价信息可以是包含评价分数的数据，例如百分制的评价分数或五分制的评价分数等。

有效性值计算模块300用于分别计算每个评价信息的有效性值。请参照图9，在一实施例中，有效性值计算模块300包括评价相似度值计算模块310、信任值获取模块330和有效性值计算子模块350。

评价相似度值计算模块310用于对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值。在一实施例中，请参照图10，评价相似度值计算模块310可以包括共有节点集合获取模块311、第二评价信息获取模块313和相似性计算模块315。

共有节点集合获取模块311用于对于评价相似度值计算模块310中的每个评价信息，获取给出该评价信息的节点与第一节点的共有节点集合，其中该共有节点集合为第一节点的第一集合与所述给出该评价信息的节点的第一集合的交集。

第二评价信息获取模块313用于获取给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息，以及获取所述第一节点对所述共有节点集合中各个节点的最近m次评价信息；m为大于或等于1的整数。

相似性计算模块315用于计算给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息与所述第一节点对所述共有节点集合中各个节点的最近m次评价信息的相似性，其中该相似性为所述给出该评价信息的节点与第一节点的评价相似度值。在一实施例中，相似性计算模块，包括一用于实现下述计算式的相似性计算子模块：

其中，p为所述给出该评价信息的节点，q为所述第一节点，Sim(p,q)为节点p与节点q的评价相似度值；J(p,q)为节点p与节点q的共有节点集合，节点j_i属于共有节点集合J(p,q)，|J(p,q)|为节点p和节点q的共有节点集合中节点的数目；I(j_i,p)为节点p参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；I(j_i,q)为节点q参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；E(p,j_i,k)为节点p对节点j_i举办的最近第k次活动时给出的评价信息；E(q,j_i,k)为节点q对节点j_i举办的最近第k次活动时给出的评价信息。

信任值获取模块330用于对于每个评价信息，获取给出该评价信息的节点的信任值。

有效性值计算子模块350用于根据对第一节点给出评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值。例如，不妨令对第一节点给出评价信息的节点为p，第一节点为q，则节点p对第一节点q给出的评价信息的有效性值Cr(p)是根据Trust(p)以及Sim(p,q)来计算的，其中Trust(p)表示节点p本身的信任值，Sim(p,q)表示节点p与第一节点q的评价相似度值。在一实施例中，Cr(p)＝Trust(p)*Sim(p,q)。

信任值计算模块500第一节点的相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值。在一实施例中，信任值计算模块500可以将第一节点的相关节点集合中各个节点对第一节点的评价信息分别乘以对应的有效性值，然后除以评价信息的总数目，得到第一节点的信任值。在另一实施例中，信任值计算模块500在计算第一节点的信任值时，可以考虑到了活动社交网络中节点对应的用户作为活动的参与者和举办者的不对等性，从而将第一节点对应的用户作为活动参与者与举办者的两种身份的信任值进行加权平均，以得到第一节点的信任值，综合反映了第一节点对应的用户本身的可信度；因此，请参照图11，在一实施例中，信任值计算模块500可以包括第一信任值计算模块510、第二信任值计算模块530和加权平均计算模块550。

第一信任值计算模块510用于根据第一节点的第一集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动参与者的信任值。在一实施例中，不妨以第一节点为q为例，第一节点q对应的用户作为活动参与者的信任值计算如下：

其中，Trust₁(q)表示节点q作为活动参与者的信任值，N₁(q)表示节点q作为活动参与者所参与的活动总数目；H表示活动的举办者，H(q,i)表示节点q作为活动参与者所参与的第i次活动的举办者，而Cr(H(q,i))表示该活动举办者对节点q给出的评价信息的有效性值；S(q,i)表示节点q作为活动参与者在第i次活动时，得到的该第i次活动的举办者所给出的评价信息。

第二信任值计算模块530用于根据第一节点的第二集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动举办者的信任值。在一实施例中，不妨以第一节点为q为例，第一节点q对应的用户作为活动参与者的信任值计算如下：

其中，Trust₂(q)表示节点q作为活动举办者的信任值，N₂(q)表示节点q作为活动举办者所举办的活动总数目；P表示活动的参与者，P(q,i,j)表示节点q作为活动举办者所举办的第i次活动中的第j个参与者，而Cr(P(q,i,j))表示该活动参与者对节点q给出的评价信息的有效性值；S(q,i,j)表示节点q作为活动举办者在其举办的第i次活动时得到该活动中第j个参与者的评价信息；Num(q,i)表示节点q作为活动举办者在其举办的第i次活动中作为参与者的人数。

加权平均计算模块550用于计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值。在一实施例中，不妨令第一节点为q，则第一节点q的信任值计算如下：

Trust(q)＝α×Trust₁(q)+β×Trust₂(q)

其中，Trust(q)为第一节点q的信任值，Trust₁(q)表示第一节点q作为活动参与者的信任值，Trust₂(q)表示第一节点q作为活动举办者的信任值；α和β为加权平均系数，均大于或等于0，且α+β＝1。在一实施例中，β大于α，即在计算第一节点q的信任值时，其作为活动举办者的信任值的权重要大于其作为活动参与者的信任值的权重，直观上分析这样的权重分配，我们能发现这样的加权计算也是符合逻辑的，因为在实际的活动社交网络中，由于一个活动举办者有众多的活动参与者，举办者可能并不会给所有参与者一一评分，此外，在一次活动中，若活动举办者就是一个恶意用户，则这次活动必然是失败的，因此活动的举办者是更值得关注的，从这两点直观上能得出，在计算节点对应的用户的信任值时，用户作为举办者得到的信任值所占的权重更大。经过多组实验评测发现，当α为0.2，β为0.8，也就是作为参与者的信任值和作为举办者的信任值权重分别是0.2和0.8时，活动成功率和评价准确度能达到最大值，因此在一实施例中，α为0.2，β为0.8。

以上就是本申请所给出的关于活动社交网络中节点可信度的计算方法及装置的一些实施例，需要说明的是，在上述行文当中，节点以及该节点对应的用户，有时会混用，这是因为节点以及该节点对应的用户实质含义是一样的，只不过节点是节点对应的用户在活动社交网络中的指代。通过本申请可以获取于活动社交网络中任一节点的信任值，这为活动社交网络中活动的参与者与举办者提供了可靠的参考依据，从而提高了活动社交网络中活动的成功率，保证了网络的安全和稳定：例如，活动社交网络中某个用户(即活动举办者)发起一个活动，用户q申请参加该活动，此时活动举办者通过本申请获取用户q的信任值，以决策是否允许用户q作为参与者的身份参与到自己的活动；或者，用户q(即活动举办者)发起一个活动，活动社交网络中某个用户对该活动内容感兴趣，此时该用户查询用户q的信任值，以决策是否申请加入该活动。

为了说明本申请的效果，发明人作了一些实验，请参照图12～14，为在NetLogo模拟环境中对本申请、传统计算模型(例如，基本信任计算模型，其在计算评价信息的有效性值时没有考虑评价信息的相似度值，而是直接使用给出评价信息的节点本身的信任值，作为评价信息的有效性值)以及无信任计算模型进行实验比较的结果；需要说明的是，图12～14中基于可信度的信任计算模型指的是本申请的模型。

图12为设置活动社交网络中用户总个数、恶意用户比例和恶意用户实施恶意行为的比例保持不变，时间均匀递增，采用本申请的模拟平台、采用基本信任计算模型的平台、无信任计算模型的平台的活动成功率。

图13为设置活动社交网络中恶意用户比例和恶意用户实施恶意行为的比例保持不变，时间固定，平台用户数目均匀递增，采用本申请的模拟平台、采用基本信任计算模型的平台、无信任计算模型的平台的活动成功率。

图14为设置活动社交网络中用户总个数、恶意用户实施恶意行为的比例保持不变，时间固定，恶意用户比例均匀递增，采用本申请的模拟平台、采用基本信任计算模型的平台、无信任计算模型的平台的活动成功率。

从中可以看出，采用本申请，无论是随时间变化、用户数目变化以及恶意用户比例变化，其活动成功率有较明显的提升，使得网络更加完全和稳定。

以上内容是结合具体的实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请发明构思的前提下，还可以做出若干简单推演或替换。

Claims (8)

1.一种活动社交网络中节点可信度的计算方法，其特征在于，包括：

对于信任值待计算的第一节点，获取第一节点的相关节点集合中各个节点对第一节点的评价信息；其中第一节点的相关节点集合为第一节点的第一集合与第二集合的并集，所述第一节点的第一集合包括第一节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，所述第一节点的第二集合包括第一节点对应的用户举办过的所有活动当中的各参与者分别对应的节点；

分别计算每个评价信息的有效性值；

根据相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值，用于提供参考依据以提高活动社交网络中活动的成功率；其中，所述根据相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值，包括：

根据第一节点的第一集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动参与者的信任值：

其中，Trust₁(q)表示节点q作为活动参与者的信任值，N₁(q)表示节点q作为活动参与者所参与的活动总数目；H表示活动的举办者，H(q,i)表示节点q作为活动参与者所参与的第i次活动的举办者，而Cr(H(q,i))表示该活动举办者对节点q给出的评价信息的有效性值；S(q,i)表示节点q作为活动参与者在第i次活动时，得到的该第i次活动的举办者所给出的评价信息；

根据第一节点的第二集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动举办者的信任值：

其中，Trust₂(q)表示节点q作为活动举办者的信任值，N₂(q)表示节点q作为活动举办者所举办的活动总数目；P表示活动的参与者，P(q,i,j)表示节点q作为活动举办者所举办的第i次活动中的第j个参与者，而Cr(P(q,i,j))表示该活动参与者对节点q给出的评价信息的有效性值；S(q,i,j)表示节点q作为活动举办者在其举办的第i次活动时得到该活动中第j个参与者的评价信息；Num(q,i)表示节点q作为活动举办者在其举办的第i次活动中作为参与者的人数；

计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值：

Trist(q)＝α×Trust₁(q)+β×Trust₂(q)；

其中，Trust(q)为第一节点q的信任值，Trust₁(q)表示第一节点q作为活动参与者的信任值，Trust₂(q)表示第一节点q作为活动举办者的信任值；α和β为加权平均系数，均大于或等于0，且α+β＝1。

2.如权利要求1所述的计算方法，其特征在于，所述分别计算每个评价信息的有效性值，包括：

对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值；

获取给出该评价信息的节点的信任值；

根据所述给出该评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值。

3.如权利要求2所述的计算方法，其特征在于，所述对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值，包括：

获取所述给出该评价信息的节点与第一节点的共有节点集合，其中该共有节点集合为第一节点的第一集合与所述给出该评价信息的节点的第一集合的交集；

获取所述给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息，以及获取所述第一节点对所述共有节点集合中各个节点的最近m次评价信息；m为大于或等于1的整数；

计算所述给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息与所述第一节点对所述共有节点集合中各个节点的最近m次评价信息的相似性，其中该相似性为所述给出该评价信息的节点与第一节点的评价相似度值。

4.如权利要求3所述的计算方法，其特征在于，计算所述给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息与所述第一节点对所述共有节点集合中各个节点的最近m次评价信息的相似性，其中该相似性为所述给出该评价信息的节点与第一节点的评价相似度值，包括：

其中，p为所述给出该评价信息的节点，q为所述第一节点，Sim(p,q)为节点p与节点q的评价相似度值；J(p,q)为节点p与节点q的共有节点集合，节点j_i属于共有节点集合J(p,q)，|J(p,q)|为节点p和节点q的共有节点集合中节点的数目；I(j_i,p)为节点p参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；I(j_i,q)为节点q参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；E(p,j_i,k)为节点p对节点j_i举办的最近第k次活动时给出的评价信息；E(q,j_i,k)为节点q对节点j_i举办的最近第k次活动时给出的评价信息。

5.一种活动社交网络中节点可信度的计算装置，其特征在于，包括：

第一评价信息获取模块，用于对于信任值待计算的第一节点，获取第一节点的相关节点集合中各个节点对第一节点的评价信息；其中第一节点的相关节点集合为第一节点的第一集合与第二集合的并集，所述第一节点的第一集合包括第一节点对应的用户参与过的所有活动当中的各举办者分别对应的节点，所述第一节点的第二集合包括第一节点对应的用户举办过的所有活动当中的各参与者分别对应的节点；

有效性值计算模块，用于分别计算每个评价信息的有效性值；

信任值计算模块，用于根据相关节点集合中各个节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点的信任值，用于提供参考依据以提高活动社交网络中活动的成功率；其中所述信任值计算模块包括第一信任值计算模块、第二信任值计算模块和加权平均计算模块；

所述第一信任值计算模块用于根据第一节点的第一集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动参与者的信任值：

其中，Trust₁(q)表示节点q作为活动参与者的信任值，N₁(q)表示节点q作为活动参与者所参与的活动总数目；H表示活动的举办者，H(q,i)表示节点q作为活动参与者所参与的第i次活动的举办者，而Cr(H(q,i))表示该活动举办者对节点q给出的评价信息的有效性值；S(q,i)表示节点q作为活动参与者在第i次活动时，得到的该第i次活动的举办者所给出的评价信息；

所述第二信任值计算模块用于根据第一节点的第二集合中各节点对第一节点的评价信息，以及每个评价信息的有效性值，计算第一节点对应的用户作为活动举办者的信任值：

其中，Trust₂(q)表示节点q作为活动举办者的信任值，N₂(q)表示节点q作为活动举办者所举办的活动总数目；P表示活动的参与者，P(q,i,j)表示节点q作为活动举办者所举办的第i次活动中的第j个参与者，而Cr(P(q,i,j))表示该活动参与者对节点q给出的评价信息的有效性值；S(q,i,j)表示节点q作为活动举办者在其举办的第i次活动时得到该活动中第j个参与者的评价信息；Num(q,i)表示节点q作为活动举办者在其举办的第i次活动中作为参与者的人数；

所述加权平均计算模块用于计算第一节点对应的用户作为活动参与者的信任值与第一节点对应的用户作为活动举办者的信任值的加权平均值，作为第一节点的信任值：

Trust(q)＝α×Trust₁(q)+β×Trust₂(q)；

其中，Trust(q)为第一节点q的信任值，Trust₁(q)表示第一节点q作为活动参与者的信任值，Trust₂(q)表示第一节点q作为活动举办者的信任值；α和β为加权平均系数，均大于或等于0，且α+β＝1。

6.如权利要求5所述的计算装置，其特征在于，所述有效性值计算模块，包括：

评价相似度值计算模块，用于对于每个评价信息，计算给出该评价信息的节点与第一节点的评价相似度值；

信任值获取模块，用于获取给出该评价信息的节点的信任值；

有效性值计算子模块，用于根据所述给出该评价信息的节点与第一节点的评价相似度值，以及该节点的信任值，计算该评价信息的有效性值。

7.如权利要求6所述的计算装置，其特征在于，所述评价相似度值计算模块，包括：

共有节点集合获取模块，用于获取所述给出该评价信息的节点与第一节点的共有节点集合，其中该共有节点集合为第一节点的第一集合与所述给出该评价信息的节点的第一集合的交集；

第二评价信息获取模块，用于获取所述给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息，以及获取所述第一节点对所述共有节点集合中各个节点的最近m次评价信息；m为大于或等于1的整数；

相似性计算模块，用于计算所述给出该评价信息的节点对所述共有节点集合中各个节点的最近m次评价信息与所述第一节点对所述共有节点集合中各个节点的最近m次评价信息的相似性，其中该相似性为所述给出该评价信息的节点与第一节点的评价相似度值。

8.如权利要求7所述的计算装置，其特征在于，所述相似性计算模块，包括一用于实现下述计算式的相似性计算子模块：

其中，p为所述给出该评价信息的节点，q为所述第一节点，Sim(p,q)为节点p与节点q的评价相似度值；J(p,q)为节点p与节点q的共有节点集合，节点j_i属于共有节点集合J(p,q)，|J(p,q)|为节点p和节点q的共有节点集合中节点的数目；I(j_i,p)为节点p参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；I(j_i,q)为节点q参加节点j_i举办的活动数目，在一实施中取值最近的m次活动数目；E(p,j_i,k)为节点p对节点j_i举办的最近第k次活动时给出的评价信息；E(q,j_i,k)为节点q对节点j_i举办的最近第k次活动时给出的评价信息。

Images