CN110134835B - 一种面向在线教育平台的用户信任建模方法 - Google Patents

Abstract

本发明提出一种面向在线教育平台的用户信任建模方法，所述方法会在少量交互行为建立起的信任网络基础上，基于环论将现实中的信任传播、聚合、局部聚集等现象形式化定义为具体的运算或算法，并依据平台中用户表现、初始信任网络的结点特征来衡量信任意见的可靠性，对网络进行扩张，建立起可解释的图形信任网络。所述信任建模方法具有良好的可扩展性，应用信任传播、聚集等现象预测信任意见，扩展稀疏的信任网络矩阵；本发明在进行信任预测时，过程中定义的运算符合现实中的信任常识，并且预测过程与最终结果可以可视化展示，具有良好的可解释性；依据平台对用户打分以及用户结点的度数，对每条信任意见的可靠性进行衡量，具有良好的甄别能力。

Description

一种面向在线教育平台的用户信任建模方法

技术领域

本发明属于信任建模方法技术领域，特别是涉及一种面向在线教育平台的用户信任建模方法。

背景技术

目前，在电商、资讯等诸多信息场景中，分析用户社交关系、建立用户信任网络都被实践证实可以提高平台给用户的服务质量，特别是在推荐领域。具体到本发明的在线教育领域，目前已有的信任建模算法存在以下问题：(1)信任网络稀疏：在线教育平台目的以学习为主，社交性并不强，用户之间交互行为较少，导致最终的信任模型信息量不足；(2)信任模型可解释性不强：目前基于深度学习的信任建模方法虽然在最终的预测效果上取得了不错的成绩，但是没有办法解释信任结论的推导过程；(3)信任意见的可靠性：平台可能会受到恶意用户的攻击，用户的交互行为数据中很可能存在错误、无用的条目，信任模型方法不能够甄别这些数据的话，可能得出错误的信任结论。

发明内容

本发明目的是为了解决现有技术中的问题，提出了一种面向在线教育平台的用户信任建模方法；本发明提出的方法会在少量交互行为建立起的信任网络基础上，基于环论将现实中的信任传播、聚合、局部聚集等现象形式化定义为具体的运算或算法，并依据平台中用户表现、初始信任网络的结点特征来衡量信任意见的可靠性，对网络进行扩张，建立起可解释的图形信任网络。

本发明是通过以下技术方案实现的，本发明提出一种面向在线教育平台的用户信任建模方法，所述方法具体包括以下步骤：

1)信任值的提取：将在线教育平台中用户的交互数据映射为用户之间具体的信任值，得到初始信任值矩阵；

2)信任网络图的建立：依据在线教育平台对用户的打分和初始信任值矩阵形成的初始信任网络图中用户结点的度数，计算该用户的可靠值，信任值和可靠值组合构成信任意见，基于所有用户的信任意见建立信任意见矩阵，根据信任意见矩阵建立信任网络图；

3)信任网络的扩张：基于环论定义信任意见的传播与聚合基本运算，遍历信任网络图中用户结点，基于步骤2)得到的信任意见使用基础信任运算预测未直接关联用户之间的信任值，进行信任网络的扩张。

进一步地，步骤1)中，所述初始信任值矩阵由以下步骤得到：

1.1)读取用户行为日志数据，提取用户的交互行为的类型、涉及对象和时间构建交互数据集合，依据用户数目建立信任值矩阵并初始化信任值矩阵，所述交互行为包含关注、讨论区支持、讨论区反对和举报四类；

1.2)按时间遍历所有交互数据集合，依据交互行为的类型确定本次交互的信任值，更新信任值矩阵得到初始信任值矩阵。

进一步地，步骤2)中，建立信任网络图包含以下步骤：

2.1)遍历在线教育平台对用户的打分数据，为每个用户计算基于平台打分的可靠值；

2.2)按信任作用用户遍历步骤1)得到的初始信任值矩阵，针对每个用户，依据信任其与不信任其用户数量的差值，计算基于初始信任网络图中用户结点度数的可靠值；

2.3)组合2.1)与2.2)中的结果，得到所有用户最终可靠值，信任值与可靠值一起构成信任意见，得到基于所有信任意见的信任意见矩阵，根据信任意见矩阵建立信任网络图。

进一步地，步骤3)中，通过信任的传播与聚合计算未直接关联用户之间的信任值，进行信任网络扩张包括以下步骤：

3.1)遍历所有用户，在步骤2)得到的信任意见矩阵中查找当前用户作为信任发起者的信任意见，得到其直接交互的用户集合，用U₀表示；

3.2)遍历信任意见矩阵得到U₀所有用户直接交互的新用户，依据距离衰减因子调整信任意见的可靠值，通过信任的传播与聚合运算得到当前用户到新用户的信任意见，所述信任意见大于预设阈值后则保留该信任意见作为预测信任意见并记录，得到第一层预测的信任用户集合，记为U₁；

3.3)用U₁替换U₀，执行步骤3.2)中的计算，不断迭代得到U₂、U₃、…、U_n，迭代的边界通过信任意见阈值控制，整合所有预测信任意见，得到扩展后的信任网络；

3.4)基于预测信任意见与步骤2)得到的信任意见，迭代执行步骤3.1)到3.3)，进行新一轮的预测，通过最大迭代次数与信任意见误差值来停止预测。

本发明的有益效果为：本发明提出的信任建模方法具有良好的可扩展性，应用信任传播、聚集等现象预测信任意见，扩展稀疏的信任网络矩阵；本发明在进行信任预测时，过程中定义的运算符合现实中的信任常识，并且预测过程与最终结果可以可视化展示，具有良好的可解释性；依据平台对用户打分以及用户结点的度数，对每条信任意见的可靠性进行衡量，具有良好的甄别能力。

附图说明

图1为本发明所述信任建模方法的整体架构图；

图2为本发明所述信任建模方法具体执行流程图；

图3为信任网络示意图，其中红色中心结点对黑色结点有直接的信任关系，墨绿色结点为使用本发明提出的方法经过黑色结点预测的信任结点，橙色结点则是经过黑色结点和墨绿色结点的预测结点。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1-图3，本发明提出一种面向在线教育平台的用户信任建模方法，所述方法具体包括以下步骤：

1)信任值的提取：将在线教育平台中用户的交互数据映射为用户之间具体的信任值，得到初始信任值矩阵M_trust；

定义用户集合为V，用户v_i,v_j∈V，用户v_i和用户v_j之间的交互关系定义为：

interaction_i,j∈{关注、讨论区支持、讨论区反对、举报}。

定义trust_i,j为v_i到v_j的信任值，计算方法为：

trust_i,j＝f_t(interaction_i,j)

其中trust_i,j∈[-1,1]，其中，当信任值为正时表示信任，为负值时表示不信任，绝对值越大代表信任度或不信任度越高。

加载平台中用户的关注、讨论区支持、讨论区反对、举报四种交互行为数据，每种交互行为中发起用户为v_i，承担用户为v_j，则v_i和v_j的信任意见使用trust_i,j＝f_t(interaction_i,j)计算，由于数据集中相同用户之间的交互行为可能不止一条，信任度更新公式如下所示：

其中，trust'_i,j为最新信任度，历史信任度trust_i,j与最新交互行为的信任度f_t(interaction_i,j)做算术平均。

因此，步骤1)中初始信任值矩阵的计算，包含以下两个子步骤：

1.1)读取用户行为日志数据，提取用户的交互行为的发起者v_i与承担者v_j、交互类型interaction_i,j和时间构建交互数据集合，依据用户数目N建立N×N的信任值矩阵M_trust，各项初始化为0；

1.2)按时间遍历所有交互数据集合，使用函数f_t计算信任发起者v_i到信任承担者v_j的信任值trust_i,j＝f_t(interaction_i,j)，并根据公式①更新信任值矩阵得到初始信任值矩阵M_trust。

2)信任网络图的建立：依据在线教育平台对用户的打分和初始信任值矩阵形成的初始信任网络图中用户结点的度数，计算该用户的可靠值，信任值和可靠值组合构成信任意见，基于所有用户的信任意见建立信任意见矩阵，根据信任意见矩阵建立信任网络图G；

扩展后的信任意见定义信任网络图G，

若存在有向边e_i,j∈E，定义v_i到v_j的扩充意见为τ_i,j＝(t_i,j,r_i,j)∈Τ＝[-1,1]×[0,1]，Τ是所有信任意见τ的取值集合。

其中t_i,j表示用户v_i对v_j的信任值，t_i,j＝trust_i,j＝f_t(interaction_i,j)，取值范围为[-1,1]；r_i,_j表示用户v_i对v_j信任意见的可靠值，取值范围为[0,1]，值越大表示该条信任意见的可靠性越高。

在信任网络图G建立时，除了为E中的每条有向边依据实际交互类型分配权值外，还会为V中的每个顶点分配初始可靠值。定义函数

表示顶点到可靠值的映射。具体计算公式如下：

其中用户v_i∈V，platform_score:V→[0,1]表示平台对该用户的评分函数，评分由用户在平台中的表现决定，包含了用户的课程参与度和完成度、考试平均分数、讨论区的活跃程度等。

degree_score:V→[0,1]表示在图G中依据用户顶点度数对用户的评分，计算公式为：

对任意用户结点v_i∈V，pos_i＝|{e_k,i|e_k,i∈E,ω(e_k,i)＞0,vk∈V}|，ω:E→[-1,1]为边的信任值计算函数，表示终止点是v_i且信任值大于0的有向边的个数；neg_i＝|{e_k,i|e_k,i∈E,ω(e_k,i)＜0,v_k∈V}|，表示终止点是v_i且信任值小于0的有向边的个数；η∈[0,1]是数值可调的参数，依据具体数据集训练得出。可以看到，信任v_i的用户比不信任v_i的用户越多，v_i的可靠性越高。

因此，步骤2)中，建立信任网络图主要包含以下子步骤：

2.1)遍历平台对用户的打分数据，计算基于平台打分的可靠值platform_score并作为初始可靠值；

2.2)按信任作用用户遍历步骤1)得到的初始信任值矩阵M_trust，针对每个用户v_i，依据信任其与不信任其用户数量的差值，即pos_i-neg_i，使用公式③计算基于网络图结点度数的可靠值degree_score；

2.3)使用公式②计算得到每个用户的可靠值，遍历M_trust中所有信任值，对于每一条信任值t_i,j，扩展v_i对v_j信任意见为τ_i,j＝(t_i,j,r_i,j)，其中r_i,j为用户v_i的可靠值。最终得到信任意见矩阵M_opinion，依据M_opinion可以建立二维信任网络图G。

3)信任网络的扩张：基于环论定义信任意见的传播与聚合基本运算，遍历信任网络图中用户结点，基于步骤2)得到的信任意见使用基础信任运算预测未直接关联用户之间的信任值，进行信任网络的扩张。

在信任意见集合Τ的基础上，基于环论定义运算

和

分别代表信任意见的传播和聚合运算：

其中r＝r_ar_b，若t_a<0且t_b<0，t＝0，否则t＝t_at_b。

其中r＝max(r_a,r_b)，若r_a＞r_b，t＝t_a；若r_b＞r_a，t＝t_b；若r_a＝r_b，t＝sign(t_a+t_b)·max(|t_a|,|t_b|)。

如果定义Τ的零元为

幺元

可以证明五元组

构成了一个环。

可靠值在计算过程中，会随着距离递减，计算公式为：

其中r′_i,j为最新可靠值，dist_i,j表示v_i和v_j之间的跳数，α∈[0,1]表示衰减因子，经过的跳数越多，可靠度越低。

定义环

上的偏序关系≤：τ_a＝(t_a,r_a)，τ_b＝(t_b,r_b)∈Τ，τ_a≤τ_b当且仅当r_a<r_b或者r_a＝r_b，|t_a|≤|t_b|。可以证明，该偏序关系是非递增的。

基于信任基本运算和偏序关系≤，可以得到用户v_s到不直接相邻用户v_t的预测信任意见计算公式为：

其中Neighboor_s表示和v_s直接相邻接的所有用户结点，因此(t_s,j,r_s,j)可以直接获取，(σ_t,σ_r)是信任意见的下界，当信任意见τ不满足(σ_t,σ_r)≤τ时，则停止迭代。如果v_j到v_t不是直接相连，可以递归调用公式⑤得出。

步骤3)中，通过信任的传播与聚合计算未直接关联用户之间的信任值，进行信任网络扩张包括以下步骤：

3.1)遍历V中所有用户，在信任意见矩阵M_opinion中查找当前用户v_s作为信任发起者的信任意见，得到其邻居结点集合Neighboor_s，即U₀；

3.2)遍历U₀里所有用户结点，v_j∈U₀，在M_opinion中查找v_j直接信任的新用户，使用公式④依据传播跳数调整可靠度，通过信任的传播

与聚合

运算得到v_s到新用户的信任意见，大于阈值(σ_t,σ_r)后则保留该预测信任意见，(σ_t,σ_r)里面两项分别表示信任度和可靠度的下界，使用公式⑤整合并记录，得到第一层预测的信任用户集合，记为U₁；

3.3)用U₁替换U₀，执行3.2)中的计算，不断迭代得到U₂、U₃、…、U_n，迭代的边界通过信任意见阈值控制。整合所有预测信任意见，得到扩展后的信任网络G_p。

3.4)基于预测信任意见与步骤2)得到的信任意见，迭代执行3.1)到3.3)，进行新一轮的预测，通过最大迭代次数k与信任意见误差阈值ε来控制迭代停止。

以上对本发明所提供的一种面向在线教育平台的用户信任建模方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种面向在线教育平台的用户信任建模方法，其特征在于：所述方法具体包括以下步骤：

1)信任值的提取：将在线教育平台中用户的交互数据映射为用户之间具体的信任值，得到初始信任值矩阵；

2)信任网络图的建立：依据在线教育平台对用户的打分和初始信任值矩阵形成的初始信任网络图中用户结点的度数，计算该用户的可靠值，信任值和可靠值组合构成信任意见，基于所有用户的信任意见建立信任意见矩阵，根据信任意见矩阵建立信任网络图；

3)信任网络的扩张：基于环论定义信任意见的传播与聚合基本运算，遍历信任网络图中用户结点，基于步骤2)得到的信任意见使用基础信任运算预测未直接关联用户之间的信任值，进行信任网络的扩张；

步骤3)中，通过信任的传播与聚合计算未直接关联用户之间的信任值，进行信任网络扩张包括以下步骤：

3.1)遍历所有用户，在步骤2)得到的信任意见矩阵中查找当前用户作为信任发起者的信任意见，得到其直接交互的用户集合，用U₀表示；

3.2)遍历信任意见矩阵得到U₀所有用户直接交互的新用户，依据距离衰减因子调整信任意见的可靠值，通过信任的传播与聚合运算得到当前用户到新用户的信任意见，所述信任意见大于预设阈值后则保留该信任意见作为预测信任意见并记录，得到第一层预测的信任用户集合，记为U₁；

3.3)用U₁替换U₀，执行步骤3.2)中的计算，不断迭代得到U₂、U₃、…、U_n，迭代的边界通过信任意见阈值控制，整合所有预测信任意见，得到扩展后的信任网络；

3.4)基于预测信任意见与步骤2)得到的信任意见，迭代执行步骤3.1)到3.3)，进行新一轮的预测，通过最大迭代次数与信任意见误差值来停止预测。

2.根据权利要求1所述的方法，其特征在于：步骤1)中，所述初始信任值矩阵由以下步骤得到：

1.1)读取用户行为日志数据，提取用户的交互行为的类型、涉及对象和时间构建交互数据集合，依据用户数目建立信任值矩阵并初始化信任值矩阵，所述交互行为包含关注、讨论区支持、讨论区反对和举报四类；

1.2)按时间遍历所有交互数据集合，依据交互行为的类型确定本次交互的信任值，更新信任值矩阵得到初始信任值矩阵。

3.根据权利要求1所述的方法，其特征在于：步骤2)中，建立信任网络图包含以下步骤：

2.1)遍历在线教育平台对用户的打分数据，为每个用户计算基于平台打分的可靠值；

2.2)按信任作用用户遍历步骤1)得到的初始信任值矩阵，针对每个用户，依据信任其与不信任其用户数量的差值，计算基于初始信任网络图中用户结点度数的可靠值；

2.3)组合2.1)与2.2)中的结果，得到所有用户最终可靠值，信任值与可靠值一起构成信任意见，得到基于所有信任意见的信任意见矩阵，根据信任意见矩阵建立信任网络图。

Images