CN107609002A - 一种社交网络用户信任的计算方法和计算系统 - Google Patents
一种社交网络用户信任的计算方法和计算系统 Download PDFInfo
- Publication number
- CN107609002A CN107609002A CN201710589603.3A CN201710589603A CN107609002A CN 107609002 A CN107609002 A CN 107609002A CN 201710589603 A CN201710589603 A CN 201710589603A CN 107609002 A CN107609002 A CN 107609002A
- Authority
- CN
- China
- Prior art keywords
- trust
- msub
- user
- mrow
- trusted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种社交网络用户信任的计算方法和计算系统,其中,社交网络用户信任的计算方法包括:S100、信任因子的计算和S200、信任预测值的计算。利用本发明的社交网络用户信任的计算方法和计算系统,用户不用提供自身的信任属性信息,就能够在用户之间的建立信任关系;该计算方法具有很高的预测速度和较高的预测精度;成功解释了信任链中的信任传播技术问题和信任不平衡技术问题;成功解决了信任的传递经常失败的技术问题,能够确保信任的传递一直成功;能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全;适用范围更加广泛,具有巨大的市场推广价值。
Description
技术领域
本发明涉及通信技术领域,尤其是涉及一种社交网络用户信任的计算方法和计算系统。
背景技术
随着社交网络服务的流行,社交网络的用户数量和种类均逐年增加,越来越多的信息和服务通过社交网络分享或提供。在信息和服务分享或提供的过程中,社交网络用户之间的信任扮演着十分重要的角色,用户更容易接受来自信任用户提供的信息而拒绝不信任用户的信息,同时把信息分享给信任的用户。
目前,社交网络建立信任最常见的三种的方法为:交易信任、信任链和推荐信任。
交易信任通过用户之间的历史交易信息建立信任关系,是一种直接建立信任的方法,但该方法需要保存历史交易信息且信任用户的数目非常有限,信任用户范围仅限与其有直接交易的用户;
信任链方法假设信任具有一定的传递能力,用户之间的信任关系可以通过信任链来建立,信任链是一种间接建立信任的方法,该方法能够有效扩大信任用户的数目,但信任链的方法不能处理不信任的问题,不能解释信任链中信任的传播和信任不平衡问题,并且信任的传递也并不总是成功;
推荐信任利用用户信任属性的相似性为用户推荐信任节点或者通过权威节点向用户推荐信任节点,同样是一种间接信任的方法,推荐信任能够有效的为用户推荐信任节点,但也存在显著的缺陷,即该方法需要用户的信任属性信息,但在社交网络中,用户一般不愿意主动提供自身的信任属性信息,故获取用户的信任属性存在一定的困难,另一方面,当使用权威节点向用户推荐信任节点时,如何选取权威节点和权威节点的认证也是一个很难解决的问题。
因此,目前的社交网络用户信任的计算方法和计算系统均有待进一步改进。
发明内容
为解决上述技术问题,本发明公开了一种社交网络用户信任的计算方法和计算系统,以期在该计算方法和计算系统中,仅使用用户之间的信任信息,不需要用户提供属性信息,用户之间的信任关系被表示为信任矩阵,基于矩阵分解方法,用户的信任矩阵被分解为用户信任潜在因子矩阵和用户被信任潜在因子矩阵,用户之间的信任值通过相应信任因子和被信任因子内积计算而得,在信任预测阶段,该计算方法和计算系统具有很高的预测速度,并具有较高的预测精度。同时,以期使用信任因子能够较好的解释信任链中信任的传播和信任不平衡技术问题。
在一个方面,本发明公开了一种社交网络用户信任的计算方法,该计算方法包括:
S100、信任因子的计算:所述信任因子通过在已知信任值上最小化如下的目标函数获得:
其中,Pi为用户i的信任因子,Qj为用户j的被信任因子,Tij为用户i对用户j的信任值,T为已知信任矩阵,λ为正则化系数;以及
S200、信任预测值的计算:所述信任预测值通过如下公式计算:
其中,为用户i对用户j的信任预测值。
其有益技术效果是:用户不必主动提供自身的信任属性信息,系统能够在用户之间的建立信任关系;该计算方法具有很高的预测速度和较高的预测精度;能够解释信任链中的信任传播传播潜在规律和信任不平衡技术问题;成功解决了信任的传递失效的技术问题,能够确保信任的传递一直成功;能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全;适用范围更加广泛,具有巨大的市场推广价值。
优选的,所述已知信任值矩阵包含大量的缺失数据。由此,信任值矩阵包含大量的缺失数据,一方面能够保证在用户不愿意提供显式信任信息时能够计算用户之间的信任度,另一方面,该方法也符合社交网络中数据收集的情况,即存在大量缺失数据、数据更多使用隐式收集方法。
优选的,求解所述目标函数采用随机梯度下降算法(SGD)。由此,与批处理梯度下降算法相比,随机梯度下降算法能够减少计算工作量,该方法更适合社交网络中数据规模大的情况。另一方面,使用随机梯度下降算法可以并行计算。
优选的,求解所述目标函数采用交替最小二乘法(ALS)。由此,多变量时,目标函数不能保证是凸函数,交替最小二乘在一个变量固定时,目标函数是凸函数,能够找到最优解。
优选的,所述交替最小二乘法(ALS)通过轮流固定Pi和Qj的值,使用如下迭代算法得到满足所述目标函数的Pi和Qj:
Pi←Pi+γ(eij·Qj-λ·Pi),
Qj←Qj+γ(eij·Pi-λ·Qj),
其中,为差值,γ为步长。
由此,采用交替最小二乘法(ALS)能够求解目标函数,从而计算出用户的信任因子,例如用户i的信任因子Pi、用户j的被信任因子Qj等,迭代算法作为一种寻优求解方法,在不能给出解析解时,给出了一种解决问题的有效方法。
优选的,将所述信任因子作为单位向量,利用所述单位向量之间的余弦相似度来表示用户之间的所述信任预测值,以便解释用户之间的信任链。由此,成功解释了信任链中的信任传播技术问题和信任不平衡技术问题。
优选的,当用户i和用户j之间的所述信任预测值为:
以及当用户j和用户k之间的所述信任预测值为:
则用户i和用户k之间的所述信任预测值为:
由此,使本发明的社交网络用户信任的计算方法能够成功解释信任链中的信任传播技术问题,并且能够对正信任(也被称作平衡关系)和负信任(也被称作不平衡关系)两种信任关系给出解释。另外,还能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全。
在另外一个方面,本发明还公开了一种利用以上所述社交网络用户信任的计算方法的社交网络用户信任的计算系统,该计算系统包括:信任因子计算模块和信任预测值计算模块;
所述信任因子计算模块通过在已知信任值上最小化如下的目标函数获得信任因子:
其中,Pi为用户i的信任因子,Qj为用户j的被信任因子,Tij为用户i对用户j的信任值,T为已知信任矩阵,λ为正则化系数;以及
所述信任预测值计算模块通过如下公式计算所述信任预测值:
其中,为用户i对用户j的信任预测值。
其有益技术效果是:信任因子计算模块可以计算用户的潜在信任因子和用户的潜在被信任因子,然后再通过信任预测值计算模块可以获得用户之间的信任预测值,从而使用户不用提供自身的信任属性信息,就能够在用户之间的建立信任关系;适用范围更加广泛,具有巨大的市场推广价值。
想当然的,以上针对本发明的社交网络用户信任的计算方法所描述的特征和优点,也当然地适用本发明的社交网络用户信任的计算系统,不再赘述。
优选的,所述信任因子计算模块为求解所述目标函数采用随机梯度下降算法(SGD)的计算模块;
或/和,
所述信任因子计算模块为求解所述目标函数采用交替最小二乘法(ALS)的计算模块。
由此,采用随机梯度下降算法(SGD)能使系统在并行环境下运行,交替最小二乘法(ALS)可将问题转变为单变量凸优化问题。
优选的,所述计算系统还包括信任链解释模块;
所述信任链解释模块将所述信任因子作为单位向量,利用所述单位向量之间的余弦相似度来表示用户之间的所述信任预测值,以便解释用户之间的信任链。
由此,使本发明的社交网络用户信任的计算系统能够成功解释信任链中的信任传播技术问题,能够对正信任(也被称作平衡关系)和负信任(也被称作不平衡关系)两种信任关系给出解释。另外,还能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全。
根据本发明的社交网络用户信任的计算方法和计算系统,可以取得至少一种如下所述的积极技术效果:
1、根据本发明的社交网络用户信任的计算方法和计算系统,用户不用提供自身的信任属性信息,就能够在用户之间的建立信任关系。
2、根据本发明的社交网络用户信任的计算方法和计算系统,该计算方法和计算系统具有很高的预测速度,并具有较高的预测精度。
3、根据本发明的社交网络用户信任的计算方法和计算系统,成功解释了信任链中的信任传播技术问题。
4、根据本发明的社交网络用户信任的计算方法和计算系统,成功解释了信任链中的信任不平衡问题,能够对正信任(也被称作平衡关系)和负信任(也被称作不平衡关系)两种信任关系均给出解释。
5、根据本发明的社交网络用户信任的计算方法和计算系统,成功解决了信任传递的经常失败的技术问题,能够确保信任传递的一直成功。
6、根据本发明的社交网络用户信任的计算方法和计算系统,能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全。
7、根据本发明的社交网络用户信任的计算方法和计算系统,适用范围更加广泛,从而使本发明的社交网络用户信任的计算方法和计算系统具有巨大的市场推广价值。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例中的社交网络用户信任的计算方法的流程示意图;
图2是根据本发明实施例中的社交网络用户信任的计算方法的信任链的结构示意图;
图3是根据本发明实施例中的社交网络用户信任的计算方法的用户信任关系的示意图,其中,a图表示信任平衡关系,b图表示信任不平衡关系;
图4是根据本发明实施例中的社交网络用户信任的计算方法的信任传递解释图;
图5是根据本发明实施例中的社交网络用户信任的计算方法的潜在信任因子数目与信任预测评价指标的关系图,其中,a图为潜在信任因子数目和Prec@5、Recall@5、EH@5的关系图,b图为潜在信任因子数目和Prec@10、Recall@10、EH@10的关系图;
图6是根据本发明实施例中的社交网络用户信任的计算方法的信任预测比较图。
图7是根据本发明实施例中的社交网络用户信任的计算方法的自信任度与信任传递的关系图。
图8是根据本发明一个实施例中的社交网络用户信任的计算系统的结构示意图。
图9是根据本发明又一个实施例中的社交网络用户信任的计算系统的结构示意图。
附图标记:
100-信任因子计算模块;200-信任预测值计算模块;300-信任链解释模块。
具体实施方式
下面通过具体的实施例,并结合附图对本发明做进一步的详细描述。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。另外,实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“卸载”、“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,如无特殊说明,所用专业术语按照以下所述理解:
U表示社交网络中的用户集,|U|是集合U中用户的数目,i,j,k表示不同的用户,则有i,j,k∈U。
T表示已知信任矩阵,Tij表示用户i对用户j的信任值,由于仅有少数用户之间的信任值,矩阵T中有大量的缺失数据。
P表示用户的信任矩阵,行向量Pi表示用户i的信任因子(又称潜在信任因子),Pi中的每一项表示用户i的一个潜在信任因子,亦即用户的潜在信任属性。
Q表示用户的被信任矩阵,行向量Qi表示用户i的被信任因子(又称潜在被信任因子),Qi中的每一项表示用户i的一个潜在被信任因子,即用户的潜在被信任属性。
表示用户i对用户j的信任预测值,在获取用户i的潜在信任因子Pi和用户j的潜在被信任因子Qj后,用户i对用户j的信任预测值为
以上所述专业术语“用户i”、“用户j”、“用户k”等仅用于描述目的,而不能理解为指示或暗示相对重要性,并且仅用于解释本发明,而不能理解为对本发明的限制。
在一个方面,本发明公开了一种社交网络用户信任的计算方法,根据本发明的实施例,如图1所示,该计算方法包括以下步骤:
S100、信任因子的计算
在该步骤中,参考图1,信任因子通过在已知信任值上最小化如下的目标函数获得:
其中,Pi为用户i的信任因子,Qj为用户j的被信任因子,Tij为用户i对用户j的信任值,T为已知信任矩阵,λ为正则化系数。
由此,可以计算出用户的信任因子,例如计算出用户i的信任因子Pi和用户j的被信任因子Qj。
本发明的社交网络用户信任的计算方法的上述独特设计是基于如下几点考虑进行的:
1、发明人在研究中发现,在社交网络中,用户一般不愿意主动提供自己的信任属性信息,直接利用用户的信任属性并建立用户的信任计算方法存在一定的困难。因此,在现有技术中,用户之间难以建立信任关系。
2、在本发明的社交网络用户信任的计算方法中,用户之间的信任关系由用户的潜在信任因子矩阵和用户的被信任因子矩阵决定,信任因子反映了用户的信任属性,被信任因子反映了用户具有的被信任属性,在已知用户信任因子和被信任因子的情况下,用户之间的信任关系可以通过对应向量的内积来计算。
3、在本发明的社交网络用户信任的计算方法中,通过已知的用户之间的信任关系计算用户的潜在信任因子和潜在被信任因子,并利用潜在信任因子和潜在被信任因子计算用户之间的信任度,由于具体的信任和被信任的因子所代表的属性并不直接和用户的属性建立对应关系。因此,用户不用主动提供自己的信任属性信息即可在用户之间建立信任关系,故本发明的社交网络用户信任的计算方法也可以称为潜在信任因子计算方法。
4、本发明的社交网络用户信任的计算方法中,利用矩阵分解获取用户信任因子(即潜在信任因子),使用矩阵分解方法建立计算方法过程如下:
假定任意用户i具有潜在信任因子Pi,任意用户j具有被信任因子j,则用户i对用户j的信任预测值Tij由潜在信任因子Pi和Qj唯一确定,潜在信任因子Pi和Qj通过在已知信任值上最小化如下目标函数获得:
在上述目标函数中,T为已知信任值矩阵,λ为正则化系数,本发明引入λ的目的是为了防止数据过拟合。
根据本发明的实施例,优选的,已知信任值矩阵T包含大量的缺失数据,符合社交网络的信任的特点。
根据本发明的实施例,求解目标函数采用的方法不受特别限制,例如,优选的,求解目标函数采用随机梯度下降算法(SGD),从而采用随机梯度下降算法(SGD)能使系统在并行环境下运行,提高运行速度,适合大规模社交数据。
优选的,求解目标函数采用交替最小二乘法(ALS),交替最小二乘法(ALS)可将问题转变为单变量凸优化问题,使问题易于解决。
根据本发明的实施例,交替最小二乘法(ALS)通过轮流固定Pi和Qj的值,使用如下迭代算法得到满足目标函数的Pi和Qj:
Pi←Pi+γ(eij·Qj-λ·Pi),
Qj←Qj+γ(eij·Pi-λ·Qj),
其中,为差值,γ为步长。
由此,采用交替最小二乘法(ALS)能够求解目标函数,进而计算出用户的潜在信任因子,例如用户i的信任因子Pi、用户j的被信任因子Qj等,迭代算法是一种寻优方法,当问题不能给出解析解时,迭代收敛是一种有效的方法。
S200、信任预测值的计算
在该步骤中,参考图1,信任预测值通过如下公式计算:
其中,为用户i对用户j的信任预测值。
由此,可以计算出用户之间的信任预测值,例如计算出用户i对用户j的信任预测值信任是交易的基础,而计算出“信任预测值”能保证社交用户交易有效进行。
本发明的社交网络用户信任的计算方法由于在信任预测阶段,仅需要计算对应项的内积。因此,本发明的社交网络用户信任的计算方法在预测阶段是十分高效的。
另外,需要说明的一点是信任并不具有对称性,在本发明的计算方法中,能够成功解释信任链中信任的传播和信任不平衡问题。
根据本发明的实施例,信任链的解释方法不受特别限制,优选的,当用户i和用户j之间的所述信任预测值为:
以及当用户j和用户k之间的所述信任预测值为:
则用户i和用户k之间的所述信任预测值为:
本发明的社交网络用户信任的计算方法的上述独特设计是基于如下几点考虑进行的:
1、关于信任链
发明人在研究中发现,在社交网络中信任链是一种常见的描述用户信任传递的方法,在信任链计算方法中,认为用户之间的信任关系能够演信任链传播,但信任在传播过程中信任会发生衰减,例如三个用户i,j,k构成的信任链如图2所示,“+”表示信任,“-”表示不信任,箭头表示信任的方向。
依据信任传递的机制,在使用信任链计算方法时,用户i对用户k的信任度计算公式为:
Tik=Tij·wjk·Tjk
其中,wjk是信任传播权重或衰减因子,对于wjk值的选取目前并没有理论指导,一般采用主观的方法设定为(0,1)之间的值。
对于信任具有传递特性目前并没有理论依据,利用信任链计算方法预测用户之间的信任也常常遭遇失败,而且利用信任链计算方法不能解释用户之间的不信任问题。仍然考虑有i,j,k三个用户组成的信任关系,i信任j,j信任k,此时i和k之间可能存在两种信任关系,如图3所示,i信任k,称作正信任(也被称作平衡关系),信任平衡关系如a图所示;用户i不信任用户k,称作负信任(也被称作不平衡关系),信任不平衡关系如b图所示。
因此,现有的信任链计算方法能够解释信任平衡但不能解释信任不平衡的情形,一个重要的原因是在信任链中没有考虑信任因子,也就是没有考虑用户之间信任关系形成的原因,而利用本发明的社交网络用户信任的计算方法却能够对以上两种信任关系给出解释,以下部分将对本发明的技术方案做进一步的阐述。
2、关于信任链解释
在本发明中,对于用户i,j,k,其潜在信任因子和被信任因子分别为Pi,Pj,Pk和Qi,Qj,Qk,用户i对用户j的信任度可以表示为Qkj对k的信任度可以表示为用户i对用户k的信任度可以表示为如果简单的把Pi,Pj,Pk和Qi,Qj,作为单位向量,将用户之间的信任值用向量之间的余弦相似度来表示,结果如下所示:
当用户i信任用户j时,用户i和用户j之间的信任预测值为:
以及当用户j信任用户k时,用户j和用户k之间的信任预测值为:
若单位向量Pi,Qj和Pj,Qk之间夹角非常小,则和近似等于1,各向量之间关系如图4所示,则用户i和用户k之间的所述信任预测值为:
由此可以看出,当用户i信任用户j,用户j信任用户k时,用户i对用户k的信任度和信任传递节点j的自信任度有关,当信任传递节点j有较大的自信任度时,信任能够传递,反之信任传递会出现失败,这一结果和实际信任情况一致,当一个用户发布自己不信任信息时,其信任不具备传递性,该用户有较大的可能是恶意用户,从而能够有效过滤掉恶意用户,安全性更高,能够确保社交网络更加安全。
为了进一步详细阐述本发明的技术方案,结合附图,下面通过具体的实施例对本发明进行说明,需要说明的是,这些实施例仅仅是为了说明目的,而不能以任何方式解释成对本发明的限制。
实施例1
1.1数据集
为了评价本发明的社交网络用户信任的计算方法的性能,选取Epinions.com2[17]信任数据作为实验用数据集,该数据集中,Epinion中的用户对评论者可以显式的表明信任或不信任。原始的数据集中包含131828个用户和841372个用户之间的信任和不信任标记,其中,有很少一部分用户对自身标记为信任。本实验中从原始Epinion数据集中选取用户出度大于50的用户,并保留这些用户之间的信任标记,本实验最终所用的数据集包含3623个用户和285303个信任/不信任连接,数据稀疏度为97.8%,实验中使用5-折交叉验证对本发明的社交网络用户信任的计算方法的性能进行评价。
1.2信任预测实验结果及分析
1.2.1潜在信任因子数目对信任预测精度的影响
潜在信任因子数目f与信任预测精度有一定的关系,图5给出了潜在信任因子数目和Prec@5、Recall@5、EH@5以及Prec@10、Recall@10、EH@10关系,其中,a图为潜在信任因子数目和Prec@5、Recall@5、EH@5的关系图,b图为潜在信任因子数目和Prec@10、Recall@10、EH@10的关系图。
由图5可以看出,当潜在因子数目取值较小时,预测精度Prec@n,Recall@n随着潜在信任因子数目的增加而增加,但当潜在因子数目超过20后,信任预测精度几乎没有增加。信任误点击率EH@n与潜在因子数目关系很小,一个可能的原因是不信任关系在信任连接图中占比很小。潜在因子数目的增加将增加计算方法训练的计算量,根据潜在因子数目与信任预测精度的关系,本发明后续实验潜在因子数目f取值为15。
正则化系数是影响信任预测精度的另外一个参数,但实验结果表明,正则化系数取值变化λ对信任预测结果影响不大。
1.2.2信任预测结果比较与分析
在信任预测实验中,本实施例分别实现了共同邻居节点(Common),杰卡得系数(jaccard,ExAdvogato,Katz方法和本发明提出的矩阵分解(mf)方法。图6中给出了Prec@n,Recall@n,n的取值依次为5,10,15,20,25,30时,各种方法的预测结果。
由图6可以看出,除共同邻居节点方法外,n越小,信任预测精度越高。这一结果表明,在信任关系中,一些信任连接是容易预测的,使用一些简单的信任预测算法能够准确预测这些信任关系。对比不同方法的结果可以看出,基于矩阵分解的潜在信任因子计算方法获得了最好的信任预测精度,与集成考虑了多个连接的katz方法相比,本发明的潜在信任因子计算方法在信任预测精度上有3%的提高。本发明的潜在信任因子计算方法能够获得较好的信任预测效果,一个可能的原因是基于矩阵分解的计算方法不仅聚合了相邻的多个信任连接而且考虑了全局的连接结构。
1.2.3信任链解释实验
图2给出了三个用户的信任链的结构示意图,以及图3中给出了三个用户之间信任传播的两种情况。在本实施例所用的数据集中,包含图3(a)所示的平衡的信任三角形7189669个,包含图3(b)所示的不平衡的信任三角形109406个,j为传递信任(或不信任)节点。节点j的自信任度与通过节点j的信任三角形个数与不信任三角形个数的比率如图7所示。图7中,对比率的值做了开方处理,由于比率值较小的传递节点与信任传播关系不明显,图7中选取比率大于10的传递节点。
图7结果表明,信任传递与传递节点自信任度之间存在一定的联系.当传递节点的自信任度较大时,其传递信任的可能性增加,图7中自信任度与传递比率表现出两种有差异的增加关系(图中椭圆部分表示),一种可能是网络连接结构不同;另一方面,本发明仅考虑了三个用户之间的信任传递关系,没有考虑大于三个用户之间的相互关系。图7的结果能够对信任传递从信任因子的角度给出解释。
根据本发明实施例的社交网络用户信任的计算方法,可以取得至少一种如下所述的积极技术效果:
1、根据本发明的社交网络用户信任的计算方法,用户不用提供自身的信任属性信息,就能够在用户之间的建立信任关系。
2、根据本发明的社交网络用户信任的计算方法,该计算方法具有很高的预测速度,并具有较高的预测精度。
3、根据本发明的社交网络用户信任的计算方法,成功解释了信任链中的信任传播技术问题。
4、根据本发明的社交网络用户信任的计算方法,成功解释了信任链中的信任不平衡技术问题,能够对正信任(也被称作平衡关系)和负信任(也被称作不平衡关系)两种信任关系给出解释。
5、根据本发明的社交网络用户信任的计算方法,成功解决了信任的传递经常失败的技术问题,能够确保信任的传递一直成功。
6、根据本发明的社交网络用户信任的计算方法,能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全。
7、根据本发明的社交网络用户信任的计算方法和计算系统,适用范围更加广泛,从而使本发明的社交网络用户信任的计算方法具有巨大的市场推广价值。
在另外一个方面,如图8所示,本发明还公开了一种利用以上所述社交网络用户信任的计算方法的社交网络用户信任的计算系统,该计算系统包括:信任因子计算模块100和信任预测值计算模块200;
所述信任因子计算模块100通过在已知信任值上最小化如下的目标函数获得信任因子:
其中,Pi为用户i的信任因子,Qj为用户j的被信任因子,Tij为用户i对用户j的信任值,T为已知信任矩阵,λ为正则化系数;以及
所述信任预测值计算模块200通过如下公式计算所述信任预测值:
其中,为用户i对用户j的信任预测值。
根据本发明实施例的社交网络用户信任的计算系统,如图8所示,可以取得如下所述的积极技术效果:
信任因子计算模块100可以计算用户的潜在信任因子和用户的潜在被信任因子,然后再通过信任预测值计算模块200可以获得用户之间的信任预测值,从而使用户不用提供自身的信任属性信息,就能够在用户之间的建立信任关系。
需要特别说明的是,以上针对本发明的社交网络用户信任的计算方法所描述的特征和优点,也当然地适用本发明的社交网络用户信任的计算系统,不再赘述。
根据本发明的实施例,如图8所示,所述信任因子计算模块100为求解所述目标函数采用随机梯度下降算法(SGD)的计算模块;
或/和,
所述信任因子计算模块100为求解所述目标函数采用交替最小二乘法(ALS)的计算模块。
由此,采用随机梯度下降算法(SGD)能使系统在并行环境下运行,交替最小二乘法(ALS)可将问题转变为单变量凸优化问题。
根据本发明的实施例,如图9所示,所述计算系统还包括信任链解释模块300;
所述信任链解释模块300将所述信任因子作为单位向量,利用所述单位向量之间的余弦相似度来表示用户之间的所述信任预测值,以便解释用户之间的信任链。
由此,使本发明的社交网络用户信任的计算系统能够成功解释信任链中的信任传播技术问题,能够对正信任(也被称作平衡关系)和负信任(也被称作不平衡关系)两种信任关系给出解释。另外,还能够有效过滤掉恶意用户,安全性更高,从而能够确保社交网络更加安全。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种社交网络用户信任的计算方法,其特征在于,所述计算方法包括:
S100、信任因子的计算:所述信任因子通过在已知信任值上最小化如下的目标函数获得:
<mrow>
<mi>min</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mi>t</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,Pi为用户i的信任因子,Qj为用户j的被信任因子,Tij为用户i对用户j的信任值,T为已知信任矩阵,λ为正则化系数;以及
S200、信任预测值的计算:所述信任预测值通过如下公式计算:
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mi>t</mi>
</msup>
<mo>,</mo>
</mrow>
其中,为用户i对用户j的信任预测值。
2.根据权利要求1所述的社交网络用户信任的计算方法,其特征在于,所述已知信任值矩阵包含大量的缺失数据。
3.根据权利要求1所述的社交网络用户信任的计算方法,其特征在于,求解所述目标函数采用随机梯度下降算法(SGD)。
4.根据权利要求1所述的社交网络用户信任的计算方法,其特征在于,求解所述目标函数采用交替最小二乘法(ALS)。
5.根据权利要求4所述的社交网络用户信任的计算方法,其特征在于,所述交替最小二乘法(ALS)通过轮流固定Pi和Qj的值,使用如下迭代算法得到满足所述目标函数的Pi和Qj:
Pi←Pi+γ(eij·Qj-λ·Pi),
Qj←Qj+γ(eij·Pi-λ·Qj),
其中,为差值,γ为步长。
6.根据权利要求1~5中任一项所述的社交网络用户信任的计算方法,其特征在于,将所述信任因子作为单位向量,利用所述单位向量之间的余弦相似度来表示用户之间的所述信任预测值,以便解释用户之间的信任链。
7.根据权利要求6所述的社交网络用户信任的计算方法,其特征在于,当用户i和用户j之间的所述信任预测值为:
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mo>&ap;</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
以及当用户j和用户k之间的所述信任预测值为:
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>></mo>
<mo>&ap;</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
则用户i和用户k之间的所述信任预测值为:
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>></mo>
<mo>&ap;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mo>.</mo>
</mrow>
8.一种利用权利要求1~7中任一项所述社交网络用户信任的计算方法的社交网络用户信任的计算系统,其特征在于,所述计算系统包括:信任因子计算模块和信任预测值计算模块;
所述信任因子计算模块通过在已知信任值上最小化如下的目标函数获得信任因子:
<mrow>
<mi>min</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mi>t</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,Pi为用户i的信任因子,Qj为用户j的被信任因子,Tij为用户i对用户j的已知信任值矩阵,T为已知信任矩阵,λ为正则化系数;以及
所述信任预测值计算模块通过如下公式计算所述信任预测值:
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mi>t</mi>
</msup>
<mo>,</mo>
</mrow>
其中,为用户i对用户j的信任预测值。
9.根据权利要求8所述的社交网络用户信任的计算系统,其特征在于,所述信任因子计算模块为求解所述目标函数采用随机梯度下降算法(SGD)的计算模块;
或/和,
所述信任因子计算模块为求解所述目标函数采用交替最小二乘法(ALS)的计算模块。
10.根据权利要求9所述的社交网络用户信任的计算系统,其特征在于,所述计算系统还包括信任链解释模块;
所述信任链解释模块将所述信任因子作为单位向量,利用所述单位向量之间的余弦相似度来表示用户之间的所述信任预测值,以便解释用户之间的信任链。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589603.3A CN107609002A (zh) | 2017-07-11 | 2017-07-11 | 一种社交网络用户信任的计算方法和计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589603.3A CN107609002A (zh) | 2017-07-11 | 2017-07-11 | 一种社交网络用户信任的计算方法和计算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107609002A true CN107609002A (zh) | 2018-01-19 |
Family
ID=61059747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710589603.3A Pending CN107609002A (zh) | 2017-07-11 | 2017-07-11 | 一种社交网络用户信任的计算方法和计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609002A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113918823A (zh) * | 2021-11-02 | 2022-01-11 | 中电万维信息技术有限责任公司 | 一种融合信任关系的排序学习poi推荐算法 |
-
2017
- 2017-07-11 CN CN201710589603.3A patent/CN107609002A/zh active Pending
Non-Patent Citations (3)
Title |
---|
SUHUAN SUN: "A matrix factorization based trust factors model", 《IEEE》 * |
丰伟宁: "面向多媒体数字版权保护的委托授权远程证明协议", 《计算机科学》 * |
赵长伟: "混合因子矩阵分解推荐算法", 《西安交通大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113918823A (zh) * | 2021-11-02 | 2022-01-11 | 中电万维信息技术有限责任公司 | 一种融合信任关系的排序学习poi推荐算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Multiple‐attribute group decision‐making method of linguistic q‐rung orthopair fuzzy power Muirhead mean operators based on entropy weight | |
Lin et al. | TOPSIS method based on correlation coefficient and entropy measure for linguistic Pythagorean fuzzy sets and its application to multiple attribute decision making | |
Chen | An ELECTRE-based outranking method for multiple criteria group decision making using interval type-2 fuzzy sets | |
Liu et al. | An extended TODIM method for multiple attribute group decision‐making based on 2‐dimension uncertain linguistic Variable | |
Wei | Interval-valued dual hesitant fuzzy uncertain linguistic aggregation operators in multiple attribute decision making | |
Tian et al. | A likelihood-based qualitative flexible approach with hesitant fuzzy linguistic information | |
Ateş et al. | Some picture fuzzy Bonferroni mean operators with their application to multicriteria decision making | |
Xu et al. | A note on group decision-making procedure based on incomplete reciprocal relations | |
CN104038928A (zh) | 一种无线Mesh网络节点的信任值计算方法 | |
Wu et al. | A consensus reaching process for large‐scale group decision making with heterogeneous preference information | |
CN107590623A (zh) | 一种考虑地域物流服务能力的云制造服务组合优选方法 | |
CN102148820A (zh) | 一种基于指对数分析的网络安全态势评估系统和方法 | |
Mandal et al. | Decision‐theoretic rough sets under Pythagorean fuzzy information | |
Qin et al. | Archimedean Muirhead aggregation operators of q‐rung orthopair fuzzy numbers for multicriteria group decision making | |
Liu et al. | Cosine similarity measure between hybrid intuitionistic fuzzy sets and its application in medical diagnosis | |
CN107623924A (zh) | 一种验证影响关键质量指标kqi相关的关键性能指标kpi的方法和装置 | |
Li et al. | Particle swarm optimization iterative identification algorithm and gradient iterative identification algorithm for Wiener systems with colored noise | |
CN105262719B (zh) | 一种Web环境下用户行为的信任评估方法 | |
Paul et al. | Estimation of COVID-19 recovery and decease periods in Canada using delay model | |
Khan et al. | Multiple Attribute Group Decision‐Making Based on Intuitionistic Fuzzy Schweizer‐Sklar Generalized Power Aggregation Operators | |
CN107609002A (zh) | 一种社交网络用户信任的计算方法和计算系统 | |
Chen et al. | A hybrid emergency decision-making technique based on trapezoidal fuzzy best-worst method and zero-sum game | |
Wan et al. | Estimating modes of a complex dynamical network from impulse response data: Structural and graph‐theoretic characterizations | |
Tang et al. | A consistency-based approach to group decision making with uncertain multiplicative linguistic fuzzy preference relations | |
Goodrich | Coercive functionals and their relationship to multiplicity of solution to nonlocal boundary value problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180119 |