CN110958572B - 一种基于移动轨迹的有向信任传递链构建方法 - Google Patents

Abstract

本发明提供一种基于移动轨迹的有向信任传递链构建方法，采集每个用户的移动轨迹信息，选定已知信息的用户作为信任基点，从信任基点出发，若发现A用户经常访问B，则认为A到B形成一个带方向信任关系，将其定义为一级有向信任关系链，表示为：A→B；其信任程度值用概率表示；当B又经常主动访问C时，则认为在适当情境下A也会主动访问C，形成了A→B→C的信任传递链，B→C为二级信任传递；依次类推，直至n级信任传递，通过用户之间的有向信任关系链构建起一个有向信任传递关系网；在所述信任传递网中，可通过各级信任值计算全网任意两用户之间的信任值。

Description

一种基于移动轨迹的有向信任传递链构建方法

技术领域

本发明属于移动大数据应用技术领域，具体涉及一种基于移动轨迹的有向信任传递链构建方法。

背景技术

信任机制是基于信任的相关信息做出信任决定，信任信息主要来自两方面：一是两个用户之间的直接信任，而是来自其他用户的推荐信任。在信任网络中，如果两个用户之间没有之间的交互经验，或者直接交互的次数太少使得无法反映真实信任关系，这时来自推荐者的推荐信息就非常重要，这样推荐信任关系就形成了信任机制中的重要内容，在信任关系网中会有大量来自推荐用户的推荐信任链，因此对于信任链的研究有非常重要的意义。

发明内容

本发明的目的在于针对现实需求，提供一种基于移动轨迹的有向信任传递链构建方法，可以研究用户与用户之间的有向信任度。

本发明的技术方案如下：

一种基于移动轨迹的有向信任传递链构建方法，其特征在于包括以下步骤：

(1)移动轨迹采集：利用电信运营商的信令数据，对一定时间段内每个用户IMSI识别号所在的基站扇区位置、进出扇区时间信息进行采集，并进行数据清洗；

(2)数据预处理：对进出基站缺失信令进行插值补偿；

(3)建立一级有向信任关系链：选定已知信息的用户作为信任基点，从信任基点出发，观察移动轨迹，如若发现用户A经常去访问用户B，则认为A与B形成一个带方向信任关系，将其定义为一级有向信任关系链，表示为：A→B；根据A访问B的次数，得到A对B的信任程度值，所述信任程度值用概率P表示，即一级信任值P(A→B)；按上述方法得到每两个有直接访问关系的用户间的信任值；

(4)建立有向信任关系网：在A→B的前提下，当B又经常主动访问C时，则认为在适当情境下A也会主动访问C，即信任发生了传递，形成了A→B→C的信任传递链，B→C为二级信任传递；依次类推，直至n级信任传递；通过多个用户之间的有向信任关系链构建起一个有向信任关系网；

(5)计算任意两用户间的信任度：在所述有向信任关系网中，通过已知各级信任值计算全网任意两用户之间的信任值；当两用户之间的传递链存在多级时，先依次计算每级传递的信任值，再计算各级信任值的乘积，即为两用户之间的信任值；当两用户间存在两条或多条传递链时，分别计算每条传递链的信任值，并将各条传递链的信任值相加作为两用户之间的信任值。

本发明提供的模型具备学习能力，利用种子历史数据和使用过程中的结果反馈数据实现持续的自优化(Self-Optimization)和结果集的扩大，时空轨迹大数据中所蕴含的价值点将更准、更快、更全地被挖掘呈现出来，可以发现用户之间的有向信任模式，为精准营销和智能推荐等提供指导。

附图说明

图1是本发明建立的一种有向信任传递链的结构示意图。

具体实施方式

本发明提供一种基于移动轨迹的有向信任传递链构建方法，具体实现方式如下：

(1)数据采集：利用电信运营商的信令数据，对一个用户群中的每个用户IMSI识别号在一定时间段内所在的基站位置、进出基站时间信息进行采集，并进行数据清洗。通过数据清洗，删除重复信息、纠正存在的错误，并提供数据一致性。

(2)数据预处理：对进出基站缺失信令进行插值补偿。为保证数据的完整性，如果用户在统计时间段内只有进入某扇区时间而没有离开该扇区时间，或者只有离开某扇区时间而没有进入该扇区时间，则需要对缺失数据进行插补，插补时间点是该统计时间段的起始时间和结束时间。

例如A用户在5月1日23:00:00进入扇区X，在5月2日7:00:00离开扇区X，且A用户进入扇区Y的时间为5月2日23:00:00，而离开的时间为5月3日的7:00:00，当采集5月2日A用户的信息时将缺失进入扇区X的时间点和离开扇区Y的时间点，因此需要插补进入扇区X的时间为5月2日的00:00:00，离开扇区Y的时间点为5月2日23:59:59。

(3)建立一级有向信任关系链：选定已知信息的用户作为信任基点，从信任基点出发，观察移动轨迹，如若发现用户A经常去访问用户B，则认为A与B形成一个带方向信任关系，将其定义为一级有向信任关系链；计算A访问B的次数，并对访问次数进行归一化，得到A对B的信任程度值，所述信任程度值用概率P表示，即一级信任值P(A→B)。

所述已知信息的用户是指根据移动轨迹能确认其对另外用户有访问关系且能统计出访问次数的用户；

通过移动轨迹观察判断访问的方法是指在两个用户同一个基站下出现，并且出现时间有重叠，且重叠时间超过30分钟，谁先到达该基站谁就是被访问者。

信任值计算方法为在指定时间段内(如以1个月为例)，统计有直接访问关系的两用户之间的访问次数，并将该访问次数进行归一化，得到一级信任值。

所述的归一化，具体方法是：采用min-max Normalization(即离差标准化)，计算公式为：

P(A→B)＝(X-min)/(max-min)

其中，X为A→B的访问次数，min为所有用户间访问次数中的最小值，max为所有访问次数中的最大值。

(4)建立有向传递信任网：在A→B的前提下，当B又经常主动访问C时，则认为在适当情境下A也会主动访问C，即信任发生了传递，形成了A→B→C的信任传递链，B→C为二级信任传递；依次类推，直至n级信任传递；通过用户之间的有向信任关系链构建起一个有向信任传递关系网。因为信任关系是逐层递减的，链条过长会造成信息失真，因此建议信任级别n不宜超过7。

(5)计算任意两用户间的信任度：在所述信任传递网中，通过各级信任值计算全网任意两用户之间的信任值；当两用户之间的传递链存在多级时，先步骤(3)所述的方法依次计算每级传递的信任值，再计算各级信任值的乘积，即为两用户之间的信任值；当两用户间存在两条或多条传递链时，分别计算每条传递链的信任值，并将各条传递链的信任值相加作为两用户之间的信任值。

如图1所示的信任链中，假设A→B的信任值是0.8，B→C的信任值是0.7，B→D的信任值是0.6，C→D的信任值是0.5。

A→C的信任度计算方法为:

P(A→C)＝P(A→B)*P(B→C)＝0.8*0.7＝0.56；

B→D的信任传递链有两条，分别为B→D和B→C→D,则B→D的信任度计算方法为:

P(B→D)＝P(B→D)+(1-P(B→D))*P(B→C→D)＝0.6+(1-0.6)*0.7*0.5＝0.74。

Claims (4)

1.一种基于移动轨迹的有向信任传递链构建方法，其特征在于包括以下步骤：

(1)移动轨迹采集：利用电信运营商的信令数据，对一定时间段内每个用户IMSI识别号所在的基站扇区位置、进出扇区时间信息进行采集，并进行数据清洗；

(2)数据预处理：对进出基站缺失信令进行插值补偿；

(3)建立一级有向信任关系链：选定已知信息的用户作为信任基点，从信任基点出发，观察移动轨迹，如若发现用户A经常去访问用户B，则认为A与B形成一个带方向信任关系，将其定义为一级有向信任关系链，表示为：A→B；根据A访问B的次数，得到A对B的信任程度值，所述信任程度值用概率P表示，即一级信任值P(A→B)；按上述方法得到每两个有直接访问关系的用户间的信任值；所述已知信息的用户，是指根据移动轨迹能确认其对另外用户有访问关系且能统计出访问次数的用户；通过移动轨迹发现两用户间存在访问关系，具体方法为：两个用户在同一基站下出现，且出现时间有重叠，且重叠时间不小于30分钟，则谁先到达，即为被访问者；

(4)建立有向信任关系网：在A→B的前提下，当B又经常主动访问C时，则认为在适当情境下A也会主动访问C，即信任发生了传递，形成了A→B→C的信任传递链，B→C为二级信任传递；依次类推，直至n级信任传递；通过多个用户之间的有向信任关系链构建起一个有向信任关系网；

(5)计算任意两用户间的信任度：在所述有向信任关系网中，通过已知各级信任值计算全网任意两用户之间的信任值；当两用户之间的传递链存在多级时，先依次计算每级传递的信任值，再计算各级信任值的乘积，即为两用户之间的信任值；当两用户间存在两条或多条传递链时，分别计算每条传递链的信任值，并将各条传递链的信任值相加作为两用户之间的信任值。

2.根据权利要求1所述的基于移动轨迹的有向信任传递链构建方法，其特征在于：步骤(1)中所述的数据清洗指的是对同一用户的相同时间段内的重叠轨迹进行去重。

3.根据权利要求1所述的基于移动轨迹的有向信任传递链构建方法，其特征在于：步骤(2)所述的对进出基站缺失信令进行插值补偿，具体方法是：如果用户在统计时间段内只有进入某扇区的时间而没有离开该扇区的时间，或者只有离开某扇区的时间而没有进入该扇区的时间，则需要对缺失数据进行插补，插补时间点是该统计时间段的起始时间或结束时间。

4.根据权利要求1所述的基于移动轨迹的有向信任传递链构建方法，其特征在于：步骤(3)中，有直接访问关系的两用户之间的信任值采用离差标准化方法计算，具体计算公式为：

P(A→B)＝(X-min)/(max-min)，

其中，X为A→B的访问次数，min为所有用户间访问次数中的最小值，max为所有访问次数中的最大值。

Images