CN111241418A - 一种基于局部加权中心性信任推理的信息推荐方法及装置 - Google Patents

一种基于局部加权中心性信任推理的信息推荐方法及装置 Download PDF

Info

Publication number
CN111241418A
CN111241418A CN202010015549.3A CN202010015549A CN111241418A CN 111241418 A CN111241418 A CN 111241418A CN 202010015549 A CN202010015549 A CN 202010015549A CN 111241418 A CN111241418 A CN 111241418A
Authority
CN
China
Prior art keywords
user
score
trust
target
users
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.)
Granted
Application number
CN202010015549.3A
Other languages
English (en)
Other versions
CN111241418B (zh
Inventor
李小勇
蔡斌思
高雅丽
苑洁
唐嘉潞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010015549.3A priority Critical patent/CN111241418B/zh
Publication of CN111241418A publication Critical patent/CN111241418A/zh
Application granted granted Critical
Publication of CN111241418B publication Critical patent/CN111241418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9536Search customisation based on social or collaborative filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供了一种基于局部加权中心性信任推理的信息推荐方法及装置,方法包括:计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数;根据信任分数,向待推荐用户推荐预设信息。应用本发明实施例,可以提高信息推荐的效率。

Description

一种基于局部加权中心性信任推理的信息推荐方法及装置
技术领域
本发明涉及计算机网络技术领域,特别是涉及一种基于局部加权中心性信任推理的信息推荐方法及装置。
背景技术
随着互联网相关技术的高速发展,网络信息的数据量呈现出指数级的增长,用户从大量网络信息中获取所需信息的难度越来越大。为了向用户提供所需的信息,推荐系统应运而生。其中,基于社交网络的协同过滤推荐系统作为一种典型的推荐系统,已经被广泛应用于电子商务、社交平台、广告等领域。
在基于社交网络的协同过滤推荐系统中,电子设备可以根据待推荐用户与其邻居用户之间的信任信息确定推荐信息,其中,邻居用户为社交网络中与用户存在兴趣关联关系的用户。对于一个用户来说,该用户一般不会与社交网络中其他所有用户都存在兴趣关联关系,因此,用户之间的信任信息的数量较少,会导致基于社交网络的协同过滤推荐系统推荐信息的准确度较低。为了提高推荐信息的准确度,需要增加社交网络中用户之间的信任信息。
目前,可以通过NLP(Natural Language Processing,自然语言处理)技术,预先获取社交网络中每个用户关注的领域的领域信息,然后计算每个用户的领域信息与其邻居用户的领域信息之间的相似度,从每个用户的邻居用户中筛选出领域信息相似度较高的邻居用户,作为每个用户的目标邻居用户。进而,根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与所述目标用户之间的目标兴趣关联关系,然后基于目标兴趣关联关系对应的各用户之间的信任信息,确定待推荐用户与目标用户之间的信任信息。其中,目标用户为与待推荐用户不存在兴趣关联关系的用户。
由于电子设备通过NLP技术获取社交网络中用户的领域信息所需的计算量较大,需要耗费较长的时间,所以,通过上述方法确定待推荐用户与目标用户的信任信息所需的时长较长,信息推荐效率较低。
发明内容
本发明实施例的目的在于提供一种基于局部加权中心性信任推理的信息推荐方法及装置,以提高信息推荐的效率。
第一方面,本发明实施例提供了一种基于局部加权中心性信任推理的信息推荐方法,所述方法包括:
计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,其中,所述邻居用户为与用户存在兴趣关联关系的用户,所述信任信息所对应的预设分数为预先根据用户对其邻居用户的兴趣行为的次数确定的;
针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;
根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定所述待推荐用户与所述目标用户之间的目标兴趣关联关系,其中,所述目标用户为与所述待推荐用户不存在兴趣关联关系的用户;
基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数;
根据所述信任分数,向所述待推荐用户推荐预设信息。
可选的,所述计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤,包括:
根据公式
Figure BDA0002358737640000021
计算所述局部加权中心性分数Dout(vi);
其中,Nout(vi)为用户vi的预设层次的邻居用户的集合,T(vi,wj)为用户vi对其邻居用户wj的信任信息对应的预设分数。
可选的,所述计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤,包括:
计算每个用户对其邻居用户的第一信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,其中,所述第一信任信息对应的预设分数不小于预设阈值。
可选的,在所述计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤之前,所述方法还包括:
确定每个用户的出度信任信息和入度信任信息中可靠信任信息的数量,其中,所述出度信任信息为用户对其邻居用户的信任信息,所述入度信任信息为其他用户对该用户的信任信息,所述可靠信任信息对应的预设分数不小于预设阈值;
根据所述可靠信任信息的数量以及非可靠信任信息的数量,确定每个用户的安全性分数;
将安全性分数未达到预设分数阈值的用户对应的信任信息去除。
可选的,所述根据上述可靠信息的数量以及非可靠信息的数量,确定每个用户的安全性分数的步骤,包括:
根据公式
Figure BDA0002358737640000031
计算所述安全性分数R(u);
其中,xu为用户u对应的可靠信任信息的数量,yu为用户u对应的非可靠信任信息的数量,ζ1、ζ2为根据所述预设阈值预先设置的参数。
可选的,所述目标兴趣关联关系为多个;
所述基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数的步骤,包括:
基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数;
根据每个目标兴趣关联关系对应的用户中的第一用户,对该目标兴趣关联关系进行分类,其中,所述第一用户为以所述目标用户为邻居用户的用户;
基于各目标兴趣关联关系的信任分数,确定每种类型的目标兴趣关联关系的信任分数;
基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重;
基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数。
可选的,所述基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数的步骤,包括:
根据公式Tsm=Min*a(h),计算每个目标兴趣关联关系的信任分数Tsm
其中,Min为目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数中的最小值,a(h)为根据目标兴趣关联关系的层次数量确定的信任衰减系数。
可选的,所述基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重的步骤,包括:
根据公式
Figure BDA0002358737640000032
计算所述权重Wm
其中,nNeb为所述目标兴趣关联关系的类型的数量,rm为每种类型的目标兴趣关联关系对应的第一用户按照局部加权中心性分数由大到小的排名。
可选的,所述基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数的步骤,包括:
根据公式
Figure BDA0002358737640000033
计算所述待推荐用户对所述目标用户的信任分数Tst
其中,Neb(t)为所述第一用户的集合,TM为每种类型的目标兴趣关联关系的信任分数,T(m,t)为所述第一用户对目标用户的信任信息对应的预设分数,Wm为每种类型的目标兴趣关联关系的信任分数对应的权重。
第二方面,本发明实施例提供了一种基于局部加权中心性信任推理的信息推荐装置,所述装置包括:
中心性分数计算模块,用于计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,其中,所述邻居用户为与用户存在兴趣关联关系的用户,所述信任信息所对应的预设分数为预先根据用户对其邻居用户的兴趣行为的次数确定的;
目标邻居用户确定模块,用于针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;
目标关联关系确定模块,用于根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定所述待推荐用户与所述目标用户之间的目标兴趣关联关系,其中,所述目标用户为与所述待推荐用户不存在兴趣关联关系的用户;
信任分数确定模块,用于基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数;
信息推荐模块,用于根据所述信任分数,向所述待推荐用户推荐预设信息。
本发明实施例提供的方案中,电子设备可以计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数;根据信任分数,向待推荐用户推荐预设信息。可见,电子设备可以根据每个用户与其邻居用户之间的信任信息,计算每个用户的局部加权中心性分数,根据局部加权中心性分数可以从每个用户的邻居用户中筛选出目标邻居用户,能够减少确定目标兴趣关联关系的计算量,这样可以减少电子设备确定待推荐用户与目标用户之间的预测信任信息所需的时间,可以提高信息推荐的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种基于局部加权中心性信任推理的信息推荐方法的流程图;
图2为基于图1所示实施例的社交网络中用户的示意图;
图3为基于图1所示实施例的目标兴趣关联关系确定方式的一种流程图;
图4为基于图1所示实施例的信任信息去除方式的一种流程图;
图5为基于图1所示实施例的信任分数确定方式的一种流程图;
图6为基于图1所示实施例的信任分数确定方式的另一种流程图;
图7为本发明实施例所提供的一种基于局部加权中心性信任推理的信息推荐装置的结构示意图;
图8为本发明实施例所提供的基于局部加权中心性信任推理的信息推荐装置的另一种具体结构示意图;
图9为图7所示实施例中信任分数确定模块704的一种具体结构示意图;
图10为本发明实施例所提供的一种电子设备的结构示意图。
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。
为了提高信息推荐的效率,本发明实施例提供了一种基于局部加权中心性信任推理的信息推荐方法、装置、电子设备及计算机可读存储介质。
下面首先对本发明实施例所提供的一种基于局部加权中心性信任推理的信息推荐方法进行介绍。其中,在本发明实施例所提供的基于局部加权中心性信任推理的信息推荐方法中,信任推理是指根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对所述目标用户的信任分数的过程。
本发明实施例提供的一种基于局部加权中心性信任推理的信息推荐方法可以应用于任意需要向用户推荐信息的电子设备,例如,可以为电脑、手机、服务器等,在此不做具体限定。为了描述方便,后续称为电子设备。
如图1所示,一种基于局部加权中心性信任推理的信息推荐方法,所述方法可以包括:
S101,计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;
其中,所述邻居用户为与用户存在兴趣关联关系的用户,所述信任信息所对应的预设分数为预先根据用户对其邻居用户的兴趣行为的次数确定的。
S102,针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;
S103,根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定所述待推荐用户与所述目标用户之间的目标兴趣关联关系;
其中,所述目标用户为与所述待推荐用户不存在兴趣关联关系的用户。
S104,基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数;
S105,根据所述信任分数,向所述待推荐用户推荐预设信息。
可见,本发明实施例所提供的方案中,电子设备可以计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数;根据信任分数,向待推荐用户推荐预设信息。可见,电子设备可以计算每个用户的局部加权中心性分数,根据局部加权中心性分数可以从每个用户的邻居用户中筛选出目标邻居用户,无需通过NLP技术获取社交网络中用户的领域信息,能够减少计算量,这样可以减少电子设备向待推荐用户推荐信息的所需时间,可以提高信息推荐的效率。
在上述步骤S101中,为了确定社交网络中各个用户的活跃程度,电子设备可以计算网络中每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数。其中,邻居用户为与该用户存在兴趣关联关系的用户,某用户对其邻居用户存在兴趣行为,那么该用户与其邻居用户之间即存在兴趣关联关系。其中,兴趣行为可以为点赞、评论、收藏、转发、共同关注话题等操作行为,在此不做具体限定。
例如,如图2所示,社交网络中包括用户A1、用户A2、用户A3、用户A4、用户A5、用户A6及用户A7。其中,用户A1对用户A4存在兴趣行为,那么用户A1与用户A4存在兴趣关联关系“A1→A4”,用户A4即为用户A1的邻居用户;用户A4对用户A6存在兴趣行为,那么用户A4与用户A6存在兴趣关联关系“A4→A6”,用户A6即为用户A4的邻居用户;用户A4对用户A6存在兴趣行为,那么用户A6与用户A4存在兴趣关联关系“A6→A4”,用户A4即为用户A6的邻居用户。
上述信任信息为可以表示用户对其邻居用户的感兴趣程度的信息,例如,信任信息可以为用户对其邻居用户的兴趣行为的类型、次数、频率等。上述信任信息所对应的预设分数可以为预先根据用户对其邻居用户的感兴趣程度确定的,具体来说,可以预先根据用户对其邻居用户的兴趣行为的类型、次数、频率等确定的。
例如,预设分数为在预设时间段内,用户对其邻居用户的兴趣行为的次数乘0.01,那么如果用户A8对其邻居用户A9的信任信息为:“在时间段A内,用户A8对用户A9发布的信息进行点赞10次、评论9次、转发10次”,可以确定用户A8对用户A9的兴趣行为的总次数为29次。进而,便可以确定用户A8对其邻居用户A9的信任信息所对应的预设分数为:29×0.01=0.29。
上述局部加权中心性分数用于表示用户的活跃程度。当上述预设分数与兴趣行为的次数成正比时,用户的局部加权中心性分数越高,说明该用户对其邻居用户的兴趣行为的数量越多,那么该用户比较活跃;用户的局部加权中心性分数越低,说明该用户对其邻居用户的兴趣行为的数量越少,那么该用户不太活跃。
相反的,当上述预设分数与兴趣行为的次数成反比时,用户的局部加权中心性分数越高,说明该用户对其邻居用户的兴趣行为的数量越少,那么该用户不太活跃;用户的局部加权中心性分数越低,说明该用户对其邻居用户的兴趣行为的数量越多,那么该用户比较活跃。
在一种实施方式中,为了清楚地描述各用户之间的关联关系,可以建立有向信任图,以表示各用户之间的关联关系。可以采用节点表示社交网络中的各用户,采用箭头表示用户之间的兴趣关联关系,箭头的指向表示兴趣行为的指向。如图2所示,社交网络中包括用户A1、用户A2、用户A3、用户A4、用户A5、用户A6及用户A7,根据用户之间的兴趣关联关系,构建该社交网络对应的有向信任图。
社交网络中的一个用户很可能存在多个邻居用户,而在该多个邻居用户中,可能存在活跃程度较低的用户。一般来说,各用户对活跃程度较低的用户所发布的信息很可能不感兴趣,因此,在上述步骤S102中,电子设备可以根据对应的局部加权中心性分数对每个用户的邻居用户进行筛选,得到该用户的目标邻居用户,以去除活跃程度较低的邻居用户。其中,目标邻居用户即为活跃程度较高的邻居用户。
在一种实施方式中,用户的局部加权中心性分数越高,该用户的活跃程度越高。电子设备可以预先设置中心性分数阈值,将每个用户的邻居用户中局部加权中心性分数不低于中心性分数阈值的邻居用户,确定为目标邻居用户。
在另一种实施方式中,电子设备可以将每个用户的邻居用户按照局部加权中心性分数由高到低的顺序进行排序,得到排序结果,然后根据排序结果确定每个用户的目标邻居用户。
例如,用户Y1具有邻居用户L1、邻居用户L2、邻居用户L3及邻居用户L4,对应的局部加权中心性分数分别为20、22、10及25。电子设备根据邻居用户L1、邻居用户L2、邻居用户L3及邻居用户L4对应的局部加权中心性分数,对邻居用户L1、邻居用户L2、邻居用户L3及邻居用户L4进行排序,排序结果如下表所示:
排序结果 用户Y1的邻居用户 局部加权中心性分数
1 L4 25
2 L2 22
3 L1 20
4 L3 10
若筛选排序结果中前3个用户为目标邻居用户,那么根据上表可知,用户Y1的目标邻居用户为用户L4、用户L2及用户L1。
在社交网络中,待推荐用户可能会对其非邻居用户发布的信息感兴趣,例如,其非邻居用户Y2发布了一篇关于篮球的信息BS1,那么对篮球运动感兴趣的待推荐用户很可能也会对信息BS1感兴趣。因此,电子设备需要确定待推荐用户是否可能对其非邻居用户发布的信息感兴趣。
这样,为了确定待推荐用户是否对目标用户发布的信息感兴趣,电子设备可以根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系。其中,目标用户为与待推荐用户不存在兴趣关联关系的用户,也就是待推荐用户的非邻居用户。
例如,如图2所示,用户A7为待推荐用户A3的目标用户,电子设备可以根据待推荐用户A3与其目标邻居用户A6及A4之间的兴趣关联关系“A3→A6”、“A3→A4”,以及目标用户A7与其他用户之间的兴趣关联关系“A6→A7”、“A4→A7”、“A4→A6→A7”及“A6→A4→A7”,确定待推荐用户A3的与目标用户A7之间的目标兴趣关联关系为“A3→A6→A7”、“A3→A4→A7”、“A3→A4→A6→A7”及“A3→A6→A4→A7”。
在一种实施方式中,电子设备可以根据广度优先搜索算法确定待推荐用户与目标用户之间的目标兴趣关联关系,具体步骤如下:
判断待推荐用户的预设数量的层次的关联用户是否为目标邻居用户;如果是,按照层次顺序,依次查询每一层次的关联用户是否为目标用户,并标记每个被查询过的用户;当关联用户为被标记的用户,且不为目标用户时,不再查询该关联用户;当关联用户为目标用户时,确定目标用户与待推荐用户之间的目标兴趣关联关系。其中,预设数量可以根据目标兴趣关联关系的准确度要求进行设置。
上述层次为用户之间兴趣关联关系的层次,例如,某用户的邻居用户即为该用户第一层次的关联用户,某用户的邻居用户的邻居用户即为该用户第二层次的关联用户。
例如,如图2所示,用户A4为用户A2的邻居用户,用户A6为用户A4的邻居用户,用户A7为用户A6及用户A4的邻居用户。那么,用户A4为用户A2第一层次的关联用户,用户A6为用户A2第二层次的关联用户,用户A7既为用户A2的第二层次的关联用户,也为用户A2的第三层次的关联用户。
预设层次为3时,待推荐用户A2的预设数量的层次的关联用户即为用户A4、用户A6及用户A7,电子设备按照层次顺序查询目标用户A7,可以确定目标兴趣关联关系为“A2→A4→A7”及“A2→A4→A6→A7”。
具体的,如图3所示,电子设备可以根据以下步骤确定目标兴趣关联关系:
S301,获取待推荐用户的第一层次的关联用户,得到关联用户搜索队列;
S302,将关联用户的邻居用户置于上述关联用户搜索队列的尾部;
S303,查询上述关联用户搜索队列中的下一个关联用户;
S304,判断关联用户是否为邻居列表中的用户,如果是,执行步骤S305;如果否,执行步骤S303;
其中,邻居列表为预先设置的,包括每个用户的目标邻居用户的列表。
S305,判断关联用户是否被标记,如果是,执行步骤S303;如果否,执行步骤S306;
S306,判断关联用户是否为目标用户,如果是,执行步骤S308;如果否,执行步骤S307;
S307,标记关联用户,执行步骤S302;
S308,确定目标用户与待推荐用户之间的信任路径;
其中,信任路径即为上述目标兴趣关联关系。
S309,当信任路径的层次数量大于预设数量时,停止查询,得到上述信任路径的集合。
在另一种实施方式中,电子设备可以根据深度优先搜索算法,确定待推荐用户与目标用户之间的目标兴趣关联关系,在此不再赘述。
在确定待推荐用户与目标用户之间的目标兴趣关联关系之后,电子设备便可以基于目标兴趣关联关系对应的用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数。
上述信任分数可以表示待推荐用户对目标用户发布的信息感兴趣的可能性。当信任分数较高时,说明待推荐用户对目标用户发布的信息感兴趣的可能性较高;当信任分数较低时,说明待推荐用户对目标用户发布的信息感兴趣的可能性较低。
在一种实施方式中,电子设备可以计算目标兴趣关联关系对应的用户之间的信任信息所对应的预设分数的平均值,作为待推荐用户对目标用户的信任分数。
例如,如图2所示,待推荐用户A1对目标用户A5的目标兴趣关联关系为“A1→A3→A5”,待推荐用户A1对用户A3的信任信息所对应的预设分数为0.6,用户A3对目标用户A5的信任信息所对应的预设分数为0.8,那么待推荐用户A1对目标用户A5的信任分数即为
Figure BDA0002358737640000101
这样,电子设备根据待推荐用户对目标用户的信任分数,可以确定待推荐用户对目标用户发布的信息感兴趣的可能性。当待推荐用户对目标用户发布的信息感兴趣的可能性较高时,电子设备便可以向待推荐用户推荐预设信息。
其中,上述预设信息可以为目标用户在社交网络中发布的信息,例如,可以为目标用户发布的博客、视频、评论等信息;上述预设信息还可以为目标用户的用户信息,例如,可以为用于关注目标用户的链接地址、目标用户的签名等信息。
作为本发明实施例的一种实施方式,上述计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤,可以包括:
根据如下所示公式,计算用户的局部加权中心性分数Dout(vi):
Figure BDA0002358737640000102
其中,Nout(vi)为用户vi的预设层次的邻居用户的集合,T(vi,wj)为用户vi对其邻居用户wj的信任信息对应的预设分数。
预设层次可以预先根据局部加权中心性分数的计算精度要求进行设定,例如,可以为1个层次、2个层次、3个层次等,在此不做具体限定。
例如,如图2所示,用户A4为用户A2的第一层次的邻居用户,用户A6和用户A7为用户A2的第二层次的邻居用户。如果用户A2对用户A4的信任信息对应的预设分数为0.6,用户A4对用户A6的信任信息对应的预设分数为0.7,用户A4对用户A7的信任信息对应的预设分数为0.3。
那么,预设层次为1个层次时,用户A2的预设层次的邻居用户为用户A4,那么电子设备可以确定用户A2的局部加权中心性分数Dout(vi)=0.6。
预设层次为2个层次时,用户A2的预设层次的邻居用户为用户A4、用户A6及用户A7。电子设备可以根据如下所示公式,计算用户A2的2个层次的局部加权中心性分数Cout(u):
Figure BDA0002358737640000111
其中,D1(vi)为预设层次为1个层次时用户A2的局部加权中心性分数。这样,电子设备便可以确定用户A2的2个层次的局部加权中心性分数Cout(u)=0.7+0.3+0.6=1.6。
可见,本发明实施例所提供的方案中,电子设备可以根据上述公式(1)计算每个用户的局部加权中心性分数。这样,电子设备便可以根据对应的局部加权中心性分数对每个用户的邻居用户进行筛选,得到该用户的目标邻居用户。
作为本发明实施例的一种实施方式,上述计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤,可以包括:
计算每个用户对其邻居用户的第一信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数。
社交网络中可能存在恶意用户,一般情况下,恶意用户会对社交网络中的大量用户产生兴趣行为,这样恶意用户也就存在大量的邻居用户。但是恶意用户一般不会对其每个邻居用户存在多次兴趣行为,所以,恶意用户对其邻居用户的信任信息所对应的预设分数一般较低。
那么,为了避免将恶意用户的预设信息推荐至待推荐用户,电子设备可以预先设置预设阈值,进而根据该预设阈值可以判断预设分数对应的信任信息是否为恶意用户对应的信任信息。其中,预设阈值可以为电子设备预先设置的,用于判断信任信息是否为恶意用户对应的信任信息。
当预设分数不小于预设阈值时,说明该预设分数对应的信任信息很可能不是恶意用户对其邻居用户的信任信息,也就是第一信任信息,那么电子设备便可以根据该预设分数计算用户的局部加权中心性分数;当预设分数小于预设阈值时,说明该预设分数对应的信任信息很可能是恶意用户对其邻居用户的信任信息,那么电子设备便可以将该预设分数去除,避免计算用户的局部加权中心性分数时将恶意用户对应的预设分数也计算进去。
其中,上述预设阈值可以根据各个信任信息的预设分数的均值等进行设置,在此不做具体限定。
可见,本发明实施例所提供的方案中,电子设备可以计算每个用户对其邻居用户的第一信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,这样,由于恶意用户对其邻居用户的信任信息中很可能存在大量的非第一信任信息,电子设备计算恶意用户的局部加权中心性分数时,不会统计非第一信任信息对应的预设分数,因此,恶意用户的局部加权中心性分数也就较低,那么电子设备在筛选每个用户的目标邻居用户时,可以避免将恶意用户确定为目标邻居用户,提高推荐信息的准确度。
作为本发明实施例的一种实施方式,如图4所示,在所述计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤之前,所述方法还可以包括:
S401,确定每个用户的出度信任信息和入度信任信息中可靠信任信息的数量;
其中,出度信任信息为用户对其邻居用户的信任信息,入度信任信息为其他用户对该用户的信任信息,可靠信任信息对应的预设分数不小于预设阈值。
例如,如图2所示,用户A2的邻居用户为用户A4,用户A4的邻居用户为用户A6及用户A7,那么用户A4的出度信任信息为用户A4对用户A6的信任信息及用户A4对用户A7的信任信息,用户A4的入度信任信息为用户A2对用户A4的信任信息。
社交网络中可能存在多个共谋的恶意用户。一般来说,恶意用户对与其共谋的恶意用户产生兴趣行为的次数较多,那么,恶意用户对共谋的恶意用户的信任信息所对应的预设分数也就较高;恶意用户一般对其他非恶意用户产生兴趣行为的次数较少,那么,恶意用户对其他非恶意用户的信任信息对应的预设分数也就较低。
在社交网络中,共谋的恶意用户的数量一般较少,与恶意用户存在兴趣关联关系的非恶意用户的数量一般较多,那么,对于恶意用户,其出度信任信息和入度信任信息中可靠信任信息的数量一般少于非可靠信任信息的数量。因此,电子设备可以统计每个用户的出度信任信息和入度信任信息中可靠信任信息的数量,然后根据可靠信任信息的数量与非可靠信任信息的数量判断该用户是否为恶意用户。
S402,根据所述可靠信任信息的数量以及非可靠信任信息的数量,确定每个用户的安全性分数;
在得到每个用户的可靠信任信息的数量以及非可靠信任信息的数量之后,电子设备可以根据上述数量,确定每个用户的安全性分数,进而根据安全性分数判断该用户是否为恶意用户。
在一种实施方式中,电子设备可以计算每个用户的可靠信任信息的数量与非可靠信任信息的数量之间的比值,将该比值作为每个用户的安全性分数。
S403,将安全性分数未达到预设分数阈值的用户对应的信任信息去除。
用户的安全性分数越高,说明该用户为恶意用户的可能性越低。为了判断用户是否为恶意用户,电子设备可以预先设置预设分数阈值,将安全性分数未达到预设分数阈值的用户确定为恶意用户。其中,预设分数阈值可以根据安全性分数的均值等因素进行设置。
在一种实施方式中,电子设备可以计算社交网络中所有用户的安全性分数的均值,作为预设分数阈值。
这样,电子设备便可以根据安全性分数与预设分数阈值之间的大小关系,确定社交网络中的恶意用户,进而便可以除去恶意用户对应的信任信息。这样,当电子设备计算每个用户的局部加权中心性分数时,可以避免根据恶意用户对应的预设分数计算局部加权中心性分数,这样可以提高局部加权中心性分数的准确度。
在一种实施方式中,电子设备可以根据安全性分数与预设分数阈值之间的大小关系,从社交网络中的用户中筛选出恶意用户,然后去除恶意用户对应的信任信息。
可见,本发明实施例所提供的方案中,电子设备可以确定每个用户的出度信任信息和入度信任信息中可靠信任信息的数量,然后根据所述可靠信任信息的数量以及非可靠信任信息的数量,确定每个用户的安全性分数,进而将安全性分数未达到预设分数阈值的用户对应的信任信息去除。这样,电子设备可以避免根据恶意用户对应的预设分数计算局部加权中心性分数,可以提高局部加权中心性分数的准确度。
作为本发明实施例的一种实施方式,上述根据上述可靠信息的数量以及非可靠信息的数量,确定每个用户的安全性分数的步骤,可以包括:
根据如下所示公式计算所述安全性分数R(u):
Figure BDA0002358737640000131
其中,xu为用户u对应的可靠信任信息的数量,yu为用户u对应的非可靠信任信息的数量,ζ1、ζ2为根据预设阈值预先设置的参数。
电子设备可以根据预设阈值,预先设置参数ζ1及参数ζ2。例如,预设阈值为0.5,那么上述参数ζ1可以设置为1,上述参数ζ2可以设置为2,这样上述公式(2)即为:
Figure BDA0002358737640000132
若用户A*1对应的可靠信任信息的数量为2,用户A*1对应的非可靠信任信息的数量为1,那么用户A*1的安全性分数R(u)即为:
Figure BDA0002358737640000133
可见,本发明实施例所提供的方案中,电子设备可以根据上述公式(2)计算安全性分数R(u)。这样,电子设备可以确定每个用户的安全性分数,根据安全性分数可以确定用户是否为恶意用户,可以避免根据恶意用户对应的预设分数计算局部加权中心性分数,能够提高局部加权中心性分数的准确度。
作为本发明实施例的一种实施方式,上述目标兴趣关联关系可以为多个。
一般来说,一个用户很可能存在多个与其存在兴趣关联关系的邻居用户。那么,电子设备确定的目标兴趣关联关系很可能为多个。例如,如图2所示,待推荐用户A1与目标用户A7之间的目标兴趣关联关系为“A1→A4→A7”、“A1→A3→A4→A7”及“A1→A3→A6→A7”。
针对这种情况,如图5所示,上述基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数的步骤,可以包括:
S501,基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数;
不同目标兴趣关联关系对应的各用户是不同的,各用户之间的信任信息对应的预设分数往往也是不同的。因此,为了全面考虑不同的目标兴趣关联关系对于待推荐用户对目标用户的信任分数的影响,在确定多个目标兴趣关联关系后,电子设备首先可以基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数。其中,目标兴趣关联关系的信任分数可以表示待推荐用户对目标用户的感兴趣程度。
例如,如图2所示,待推荐用户A1对目标用户A6的目标兴趣关联关系为“A1→A3→A6”、“A1→A4→A6”及“A1→A3→A4→A6”。
那么,电子设备便可以分别根据待推荐用户A1对用户A3的信任信息所对应的预设分数,以及用户A3对目标用户A6的信任信息所对应的预设分数,确定目标兴趣关联关系“A1→A3→A6”的信任分数;根据待推荐用户A1对用户A4的信任信息所对应的预设分数,以及用户A4对目标用户A6的信任信息所对应的预设分数,确定目标兴趣关联关系“A1→A4→A6”的信任分数;根据待推荐用户A1对用户A3的信任信息所对应的预设分数、用户A3对用户A4的信任信息所对应的预设分数以及用户A4对目标用户A6的信任信息所对应的预设分数,确定目标兴趣关联关系“A1→A3→A4→A6”的信任分数。
在一种实施方式中,电子设备可以计算每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数的平均值,将该平均值确定为每个目标兴趣关联关系的信任分数。
在另一种实施方式中,电子设备可以确定每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数中的最小值,然后将该最小值确定为每个目标兴趣关联关系的信任分数。
S502,根据每个目标兴趣关联关系对应的用户中的第一用户,对该目标兴趣关联关系进行分类;
目标兴趣关联关系对应的各用户中存在以目标用户为邻居用户的第一用户,其中,第一用户为以目标用户为邻居用户的用户。在各用户中,第一用户与目标用户的关系是最密切的。当多个目标兴趣关联关系存在相同的第一用户时,该多个目标兴趣关联关系很可能是相似的。
因此,针对多个目标兴趣关联关系,电子设备可以根据每个目标兴趣关联关系对应的用户中的第一用户,对目标兴趣关联关系进行分类。
例如,如图2所示,待推荐用户A1对目标用户A7的目标兴趣关联关系为:“A1→A3→A4→A7”、“A1→A4→A7”、“A1→A3→A6→A7”、“A1→A4→A6→A7”及“A1→A3→A4→A6→A7”。
由图2可知,用户A4及用户A6为第一用户,那么,电子设备便可以将待推荐用户A1对目标用户A7的目标兴趣关联关系分为两种类型,其中,第一类型的目标兴趣关联关系为“A1→A3→A4→A7”及“A1→A4→A7”,对应的第一用户为用户A4;第二类型的目标兴趣关联关系为“A1→A3→A6→A7”、“A1→A4→A6→A7”及“A1→A3→A4→A6→A7”,对应的第一用户为用户A6。
S503,基于各目标兴趣关联关系的信任分数,确定每种类型的目标兴趣关联关系的信任分数;
对于同一类型的目标兴趣关联关系,由于其对应同一第一用户,所以,同一类型的目标兴趣关联关系很可能是相似的。因此,在确定每种类型的目标兴趣关联关系之后,电子设备可以基于各目标兴趣关联关系的信任分数,确定每种类型的目标兴趣关联关系的信任分数。
在一种实施方式中,电子设备可以计算每种类型的目标兴趣关联关系中各目标兴趣关联关系的信任分数的平均值,作为该类型的目标兴趣关联关系的信任分数。在另一种实施方式中,电子设备可以将每种类型的目标兴趣关联关系中各目标兴趣关联关系的信任分数的最大值,确定为该类型目标兴趣关联关系的信任分数,这都是合理的。
S504,基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重;
每个第一用户的局部加权中心性分数往往是不同的,也就是说,每个第一用户的活跃程度往往是不同的。第一用户的局部加权中心性分数较高时,说明该第一用户的活跃程度较高,那么根据该第一用户对应的类型的目标兴趣关联关系向待推荐用户推荐信息时,待推荐用户对推荐信息感兴趣的可能性较高,这样电子设备便可以对该第一用户对应的类型的目标兴趣关联关系的信任分数分配较高的权重。
第一用户的局部加权中心性分数较低时,说明该第一用户的活跃程度较低,那么根据该第一用户对应的类型的目标兴趣关联关系向待推荐用户推荐信息时,待推荐用户对推荐信息感兴趣的可能性较低,这样电子设备便可以对该第一用户对应的类型的目标兴趣关联关系的信任分数分配较低的权重。
S505,基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数。
在确定每种类型的目标兴趣关联关系的信任分数及其对应的权重之后,电子设备便可以计算待推荐用户对目标用户的信任分数。这样,电子设备根据待推荐用户对目标用户的信任分数,可以确定待推荐用户对目标用户的感兴趣的可能性。当待推荐用户对目标用户感兴趣的可能性较高时,电子设备便可以向待推荐用户推荐预设信息。
可见,本发明实施例所提供的方案中,电子设备可以基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数,然后根据每个目标兴趣关联关系对应的用户中的第一用户,对该目标兴趣关联关系进行分类,进而基于各目标兴趣关联关系的信任分数,确定每种类型的目标兴趣关联关系的信任分数,基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重,便可以基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定待推荐用户对目标用户的信任分数。这样,当目标兴趣关联关系存在多个时,电子设备可以全面考虑不同的目标兴趣关联关系对于待推荐用户对目标用户的信任分数的影响,可以提高待推荐用户对目标用户的信任分数的准确度。
作为本发明实施例的一种实施方式,上述基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数的步骤,可以包括:
根据如下所示公式,计算每个目标兴趣关联关系的信任分数Tsm
Tsm=Min*a(h) (3)
其中,Min为目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数中的最小值,a(h)为根据目标兴趣关联关系的层次数量确定的信任衰减系数,层次数量为目标兴趣关联关系对应的各用户之间兴趣关联关系的层次的数量。
例如,待推荐用户D*1与目标用户M1之间的目标兴趣关联关系为“D*1→D3→D4→M1”,其中,层次数量为3,信任衰减系数a(h)=0.3,待推荐用户D*1对用户D3的信任信息对应的预设分数为0.7,用户D3对用户D4的信任信息对应的预设分数为0.8,用户D4对目标用户M1的信任信息对应的预设分数为0.6。
那么,电子设备可以确定预设分数中的最小值Min=0.6,进而根据上述公式(3),可以确定目标兴趣关联关系“D*1→D3→D4→M1”的信任分数Tsm=0.6×0.3=0.18。
在一种实施方式中,可以参考Logistic函数,通过如下所示公式确定信任衰减系数a(h):
Figure BDA0002358737640000171
其中,α、β为根据推荐信息的准确度预先设定的参数,h为目标兴趣关联关系的层次数量。
在另一种实施方式中,可以根据指数函数,通过如下所示公式确定信任衰减系数a(h):
a(h)=γ(1-h)
其中,γ为根据推荐信息的准确度预先设定的参数,h为目标兴趣关联关系的层次数量。
可见,本发明实施例所提供的方案中,电子设备可以根据上述公式(3)计算目标兴趣关联关系的信任分数。这样,电子设备可以根据目标兴趣关联关系的层次数量确定信任衰减系数,根据信任衰减系数计算信任分数可以更加准确。
作为本发明实施例的一种实施方式,上述基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重的步骤,可以包括:
根据如下所示公式,计算所述权重Wm
Figure BDA0002358737640000172
其中,nNeb为所述目标兴趣关联关系的类型的数量,rm为每种类型的目标兴趣关联关系对应的第一用户按照局部加权中心性分数由大到小的排名。
电子设备可以根据OWA(ordered weighted averaging,有序加权平均)算子的原理,通过上述公式(4)计算每种类型的目标兴趣关联关系的信任分数对应的权重Wm
例如,目标兴趣关联关系的类型的数量为3,第一类型的目标兴趣关联关系对应的第一用户为用户DY1,第二类型的目标兴趣关联关系对应的第一用户为用户DY2,第三类型的目标兴趣关联关系对应的第一用户为用户DY3。第一用户DY1、DY2及DY3按照局部加权中心性分数由大到小的排名如下表所示:
排名 第一用户 局部加权中心性分数
1 DY2 27
2 DY1 23
3 DY3 22
那么,电子设备便可以根据上述公式(4),确定第一类型的目标兴趣关联关系对应的权重为
Figure BDA0002358737640000173
第二类型的目标兴趣关联关系对应的权重为
Figure BDA0002358737640000174
第三类型的目标兴趣关联关系对应的权重为
Figure BDA0002358737640000181
可见,本发明实施例所提供的方案中,电子设备可以根据上述公式(4)计算每种类型的目标兴趣关联关系的信任分数对应的权重。这样,电子设备可以为不同类型的目标兴趣关联关系分配相应的权重,能够提高待推荐用户对目标用户的信任分数的准确度。
作为本发明实施例的一种实施方式,上述基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数的步骤,可以包括:
根据公式
Figure BDA0002358737640000182
计算所述待推荐用户对所述目标用户的信任分数Tst
其中,Neb(t)为所述第一用户的集合,TM为每种类型的目标兴趣关联关系的信任分数,T(m,t)为所述第一用户对目标用户的信任信息对应的预设分数,Wm为每种类型的目标兴趣关联关系的信任分数对应的权重。
在确定每种类型的目标兴趣关联关系的信任分数TM及其对应的权重Wm后,电子设备可以根据如下所示公式,计算所有类型的目标兴趣关联关系的信任分数对应的总权重W1
Figure BDA0002358737640000183
其中,Neb(t)为第一用户的集合。
电子设备在获得所有类型的目标兴趣关联关系的信任分数对应的总权重之后,便可以基于该总权重及各个第一用户对目标用户的信任信息对应的预设分数,根据如下所示公式计算所有类型的目标兴趣关联关系的总信任分数T1
Figure BDA0002358737640000184
其中,T(m,t)为第一用户对目标用户的信任信息对应的预设分数。
这样,电子设备便可以计算总信任分数T1与总权重W1的比值,也就是上述总信任分数的加权平均值T1,作为待推荐用户对目标用户的信任分数Tst,也就得到如下所示公式:
Figure BDA0002358737640000185
可见,在本发明实施例所提供的方案中,电子设备可以根据上述公式(5)计算待推荐用户对目标用户的信任分数。这样,电子设备可以根据各类型目标兴趣关联关系对应的权重,计算待推荐用户对目标用户的信任分数,可以提高信任分数准确度,进而提高推荐信息的准确度。
在一种实施方式中,如图6所示,电子设备可以通过如下步骤确定待推荐用户对目标用户的信任分数Tst
S601,从信任路径的集合中抽取一个信任路径;
其中,所述信任路径为上述目标兴趣关联关系;
S602,根据公式Tsm=Min*a(h),计算所述信任路径的信任分数Tsm
其中,Min为信任路径对应的各用户之间的信任信息对应的预设分数中的最小值,a(h)为根据信任路径的层次数量确定的信任衰减系数,层次数量为信任路径对应的各用户之间兴趣关联关系的层次的数量。
S603,判断所述信任路径对应的第一用户是否存在对应的类型集合,如果否,执行步骤S604;如果是,执行步骤S605;
S604,创建第一用户对应的类型集合,并将所述信任路径加入该类型集合;
S605,将所述信任路径加入对应的类型集合;
S606,将每个所述类型集合包括的信任路径的信任分数中的最大值作为每个所述类型集合的信任分数;
S607,判断所述信任路径的集合中所有信任路径是否被遍历,如果是,执行步骤S608;如果否,执行上述步骤S601;
S608,根据每个所述类型集合的信任分数及每个所述类型集合对应的第一用户的局部加权中心性分数的排名,计算待推荐用户对目标用户的信任分数Tst
相应于上述一种基于局部加权中心性信任推理的信息推荐方法,本发明实施例还提供了一种基于局部加权中心性信任推理的信息推荐装置。下面对本发明实施例提供的一种基于局部加权中心性信任推理的信息推荐装置进行介绍。
如图7所示,一种基于局部加权中心性信任推理的信息推荐装置,所述装置包括:
中心性分数计算模块701,用于计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;
其中,所述邻居用户为与用户存在兴趣关联关系的用户,所述信任信息所对应的预设分数为预先根据用户对其邻居用户的兴趣行为的次数确定的。
目标邻居用户确定模块702,用于针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;
目标关联关系确定模块703,用于根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定所述待推荐用户与所述目标用户之间的目标兴趣关联关系;
其中,所述目标用户为与所述待推荐用户不存在兴趣关联关系的用户。
信任分数确定模块704,用于基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数;
信息推荐模块705,用于根据所述信任分数,向所述待推荐用户推荐预设信息。
可见,本发明实施例所提供的方案中,电子设备可以计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数;根据信任分数,向待推荐用户推荐预设信息。可见,电子设备可以计算每个用户的局部加权中心性分数,根据局部加权中心性分数可以从每个用户的邻居用户中筛选出目标邻居用户,无需通过NLP技术获取社交网络中用户的领域信息,能够减少计算量,这样可以减少电子设备向待推荐用户推荐信息的所需时间,可以提高信息推荐的效率。
作为本发明实施例的一种实施方式,上述中心性分数计算模块701可以包括:
第一计算子模块,用于根据公式
Figure BDA0002358737640000201
计算所述局部加权中心性分数Dout(vi);
其中,Nout(vi)为用户vi的预设层次的邻居用户的集合,T(vi,wj)为用户vi对其邻居用户wj的信任信息对应的预设分数。
作为本发明实施例的一种实施方式,上述中心性分数计算模块701可以包括:
第二计算子模块,用于计算每个用户对其邻居用户的第一信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;
其中,所述第一信任信息对应的预设分数不小于预设阈值。
作为本发明实施例的一种实施方式,如图8所示,上述装置还可以包括:
统计模块801,用于在计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数之前,确定每个用户的出度信任信息和入度信任信息中可靠信任信息的数量;
其中,所述出度信任信息为用户对其邻居用户的信任信息,所述入度信任信息为其他用户对该用户的信任信息,所述可靠信任信息对应的预设分数不小于预设阈值。
安全性分数确定模块802,用于根据所述可靠信任信息的数量以及非可靠信任信息的数量,确定每个用户的安全性分数;
去除模块803,用于将安全性分数未达到预设分数阈值的用户对应的信任信息去除。
作为本发明实施例的一种实施方式,上述安全性分数确定模块802可以包括:
安全性分数计算子模块,用于根据公式
Figure BDA0002358737640000211
计算所述安全性分数R(u);
其中,xu为用户u对应的可靠信任信息的数量,yu为用户u对应的非可靠信任信息的数量,ζ1、ζ2为根据所述预设阈值预先设置的参数。
作为本发明实施例的一种实施方式,上述目标兴趣关联关系可以为多个。
如图9所示,上述信任分数确定模块704可以包括:
信任分数第一确定子模块901,用于基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数;
分类子模块902,用于根据每个目标兴趣关联关系对应的用户中的第一用户,对该目标兴趣关联关系进行分类;
其中,所述第一用户为以所述目标用户为邻居用户的用户。
信任分数第二确定子模块903,用于基于各目标兴趣关联关系的信任分数,确定每种类型的目标兴趣关联关系的信任分数;
权重计算子模块904,用于基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重;
信任分数第三确定子模块905,用于基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数。
作为本发明实施例的一种实施方式,上述信任分数第一确定子模块901可以包括:
信任分数第一计算单元,用于根据公式Tsm=Min*a(h),计算每个目标兴趣关联关系的信任分数Tsm
其中,Min为目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数中的最小值,a(h)为根据目标兴趣关联关系的层次数量确定的信任衰减系数。
作为本发明实施例的一种实施方式,上述权重计算子模块904可以包括:
权重计算子单元,用于根据公式
Figure BDA0002358737640000212
计算所述权重Wm
其中,nNeb为所述目标兴趣关联关系的类型的数量,rm为每种类型的目标兴趣关联关系对应的第一用户按照局部加权中心性分数由大到小的排名。
作为本发明实施例的一种实施方式,上述信任分数第三确定子模块905可以包括:
信任分数第二计算单元,用于根据公式
Figure BDA0002358737640000213
计算所述待推荐用户对所述目标用户的信任分数Tst
其中,Neb(t)为所述第一用户的集合,TM为每种类型的目标兴趣关联关系的信任分数,T(m,t)为所述第一用户对目标用户的信任信息对应的预设分数,Wm为每种类型的目标兴趣关联关系的信任分数对应的权重。
本发明实施例还提供了一种电子设备,如图10所示,包括处理器1001、通信接口1002、存储器1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信,
存储器1003,用于存放计算机程序;
处理器1001,用于执行存储器1003上所存放的程序时,实现上述任一所述的基于于局部加权中心性的信息推荐方法的步骤。
可见,本发明实施例所提供的方案中,电子设备可以计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数;根据信任分数,向待推荐用户推荐预设信息。可见,电子设备可以计算每个用户的局部加权中心性分数,根据局部加权中心性分数可以从每个用户的邻居用户中筛选出目标邻居用户,无需通过NLP技术获取社交网络中用户的领域信息,能够减少计算量,这样可以减少电子设备向待推荐用户推荐信息的所需时间,可以提高信息推荐的效率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(RandomAccess Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于局部加权中心性信任推理的信息推荐方法的步骤。
可见,本发明实施例所提供的方案中,计算机可读存储介质内存储的计算机程序被处理器执行时,可以计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数;针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定待推荐用户与目标用户之间的目标兴趣关联关系;基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定待推荐用户对目标用户的信任分数;根据信任分数,向待推荐用户推荐预设信息。可见,电子设备可以计算每个用户的局部加权中心性分数,根据局部加权中心性分数可以从每个用户的邻居用户中筛选出目标邻居用户,无需通过NLP技术获取社交网络中用户的领域信息,能够减少计算量,这样可以减少电子设备向待推荐用户推荐信息的所需时间,可以提高信息推荐的效率。
需要说明的是,对于上述装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
进一步需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。

Claims (10)

1.一种基于局部加权中心性信任推理的信息推荐方法,其特征在于,所述方法包括:
计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,其中,所述邻居用户为与用户存在兴趣关联关系的用户,所述信任信息所对应的预设分数为预先根据用户对其邻居用户的兴趣行为的次数确定的;
针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;
根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定所述待推荐用户与所述目标用户之间的目标兴趣关联关系,其中,所述目标用户为与所述待推荐用户不存在兴趣关联关系的用户;
基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数;
根据所述信任分数,向所述待推荐用户推荐预设信息。
2.根据权利要求1所述的方法,其特征在于,所述计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤,包括:
根据公式
Figure FDA0002358737630000011
计算所述局部加权中心性分数Dout(vi);
其中,Nout(vi)为用户vi的预设层次的邻居用户的集合,T(vi,wj)为用户vi对其邻居用户wi的信任信息对应的预设分数。
3.根据权利要求1所述的方法,其特征在于,所述计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤,包括:
计算每个用户对其邻居用户的第一信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,其中,所述第一信任信息对应的预设分数不小于预设阈值。
4.根据权利要求1-3任一项所述的方法,其特征在于,在所述计算每个用户与其邻居用户之间信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数的步骤之前,所述方法还包括:
确定每个用户的出度信任信息和入度信任信息中可靠信任信息的数量,其中,所述出度信任信息为用户对其邻居用户的信任信息,所述入度信任信息为其他用户对该用户的信任信息,所述可靠信任信息对应的预设分数不小于预设阈值;
根据所述可靠信任信息的数量以及非可靠信任信息的数量,确定每个用户的安全性分数;
将安全性分数未达到预设分数阈值的用户对应的信任信息去除。
5.根据权利要求4所述的方法,其特征在于,所述根据上述可靠信息的数量以及非可靠信息的数量,确定每个用户的安全性分数的步骤,包括:
根据公式
Figure FDA0002358737630000021
计算所述安全性分数R(u);
其中,xu为用户u对应的可靠信任信息的数量,yu为用户u对应的非可靠信任信息的数量,ζ1、ζ2为根据所述预设阈值预先设置的参数。
6.根据权利要求1所述的方法,其特征在于,所述目标兴趣关联关系为多个;
所述基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数的步骤,包括:
基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数;
根据每个目标兴趣关联关系对应的用户中的第一用户,对该目标兴趣关联关系进行分类,其中,所述第一用户为以所述目标用户为邻居用户的用户;
基于各目标兴趣关联关系的信任分数,确定每种类型的目标兴趣关联关系的信任分数;
基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重;
基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数。
7.根据权利要求6所述的方法,其特征在于,所述基于每个目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数,确定每个目标兴趣关联关系的信任分数的步骤,包括:
根据公式Tsm=Min*a(h),计算每个目标兴趣关联关系的信任分数Tsm
其中,Min为目标兴趣关联关系对应的各用户之间的信任信息对应的预设分数中的最小值,a(h)为根据目标兴趣关联关系的层次数量确定的信任衰减系数。
8.根据权利要求6所述的方法,其特征在于,所述基于对应的第一用户的局部加权中心性分数,计算每种类型的目标兴趣关联关系的信任分数对应的权重的步骤,包括:
根据公式
Figure FDA0002358737630000031
计算所述权重Wm
其中,nNeb为所述目标兴趣关联关系的类型的数量,rm为每种类型的目标兴趣关联关系对应的第一用户按照局部加权中心性分数由大到小的排名。
9.根据权利要求6所述的方法,其特征在于,所述基于每种类型的目标兴趣关联关系的信任分数及其对应的权重,确定所述待推荐用户对所述目标用户的信任分数的步骤,包括:
根据公式
Figure FDA0002358737630000032
计算所述待推荐用户对所述目标用户的信任分数Tst
其中,Neb(t)为所述第一用户的集合,TM为每种类型的目标兴趣关联关系的信任分数,T(m,t)为所述第一用户对目标用户的信任信息对应的预设分数,Wm为每种类型的目标兴趣关联关系的信任分数对应的权重。
10.一种基于局部加权中心性信任推理的信息推荐装置,其特征在于,所述装置包括:
中心性分数计算模块,用于计算每个用户对其邻居用户的信任信息所对应的预设分数的总和,作为每个用户的局部加权中心性分数,其中,所述邻居用户为与用户存在兴趣关联关系的用户,所述信任信息所对应的预设分数为预先根据用户对其邻居用户的兴趣行为的次数确定的;
目标邻居用户确定模块,用于针对每个用户,根据对应的局部加权中心性分数对其邻居用户进行筛选,得到该用户的目标邻居用户;
目标关联关系确定模块,用于根据待推荐用户与其目标邻居用户之间的兴趣关联关系,以及目标用户与其他用户之间的兴趣关联关系,确定所述待推荐用户与所述目标用户之间的目标兴趣关联关系,其中,所述目标用户为与所述待推荐用户不存在兴趣关联关系的用户;
信任分数确定模块,用于基于所述目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数,确定所述待推荐用户对所述目标用户的信任分数;
信息推荐模块,用于根据所述信任分数,向所述待推荐用户推荐预设信息。
CN202010015549.3A 2020-01-07 2020-01-07 一种基于局部加权中心性信任推理的信息推荐方法及装置 Active CN111241418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010015549.3A CN111241418B (zh) 2020-01-07 2020-01-07 一种基于局部加权中心性信任推理的信息推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010015549.3A CN111241418B (zh) 2020-01-07 2020-01-07 一种基于局部加权中心性信任推理的信息推荐方法及装置

Publications (2)

Publication Number Publication Date
CN111241418A true CN111241418A (zh) 2020-06-05
CN111241418B CN111241418B (zh) 2023-04-18

Family

ID=70865756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010015549.3A Active CN111241418B (zh) 2020-01-07 2020-01-07 一种基于局部加权中心性信任推理的信息推荐方法及装置

Country Status (1)

Country Link
CN (1) CN111241418B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163180A (zh) * 2020-11-02 2021-01-01 北京明略软件系统有限公司 关联活跃度计算方法、装置、计算机设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140289261A1 (en) * 2013-03-21 2014-09-25 Infosys Limited Calculating trust score on web based platform
CN106447364A (zh) * 2015-08-06 2017-02-22 阿里巴巴集团控股有限公司 信息推荐方法及装置
CN106570090A (zh) * 2016-10-20 2017-04-19 杭州电子科技大学 基于兴趣变化和信任关系的协同过滤推荐方法
CN107301583A (zh) * 2017-05-26 2017-10-27 重庆邮电大学 一种基于用户偏好和信任的冷启动推荐方法
CN108241619A (zh) * 2016-12-23 2018-07-03 西北大学 一种基于用户多兴趣的推荐方法
CN109800356A (zh) * 2019-01-23 2019-05-24 国信优易数据有限公司 一种信息资源推荐方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140289261A1 (en) * 2013-03-21 2014-09-25 Infosys Limited Calculating trust score on web based platform
CN106447364A (zh) * 2015-08-06 2017-02-22 阿里巴巴集团控股有限公司 信息推荐方法及装置
CN106570090A (zh) * 2016-10-20 2017-04-19 杭州电子科技大学 基于兴趣变化和信任关系的协同过滤推荐方法
CN108241619A (zh) * 2016-12-23 2018-07-03 西北大学 一种基于用户多兴趣的推荐方法
CN107301583A (zh) * 2017-05-26 2017-10-27 重庆邮电大学 一种基于用户偏好和信任的冷启动推荐方法
CN109800356A (zh) * 2019-01-23 2019-05-24 国信优易数据有限公司 一种信息资源推荐方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163180A (zh) * 2020-11-02 2021-01-01 北京明略软件系统有限公司 关联活跃度计算方法、装置、计算机设备及可读存储介质

Also Published As

Publication number Publication date
CN111241418B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
US20230388263A1 (en) Managing electronic messages with a message transfer agent
CN108921206B (zh) 一种图像分类方法、装置、电子设备及存储介质
Alrubaian et al. Reputation‐based credibility analysis of Twitter social network users
US10109023B2 (en) Social media events detection and verification
Nyow et al. Detecting fake news with tweets’ properties
US20080162384A1 (en) Statistical Heuristic Classification
Bosma et al. A framework for unsupervised spam detection in social networking sites
US10956522B1 (en) Regular expression generation and screening of textual items
Chetan et al. Corerank: Ranking to detect users involved in blackmarket-based collusive retweeting activities
CN111639696B (zh) 一种用户分类方法及装置
US20220360604A1 (en) System and method for social network analysis
CN111241418B (zh) 一种基于局部加权中心性信任推理的信息推荐方法及装置
Lota et al. A systematic literature review on sms spam detection techniques
Permana et al. Perception analysis of the Indonesian society on twitter social media on the increase in BPJS kesehatan contribution in the Covid 19 pandemic era
CN112560105B (zh) 保护多方数据隐私的联合建模方法及装置
Sailunaz et al. Tweet and user validation with supervised feature ranking and rumor classification
Park et al. Future Information Technology: 6th International Conference on Future Information Technology, FutureTech 2011, Crete, Greece, June 28-30, 2011. Proceedings
CN113239407B (zh) 区块链决策点的选择方法、装置、电子设备及存储介质
CN108737902B (zh) 一种关联视频的更新方法、装置以及电子设备
CN113536806B (zh) 一种文本分类方法及装置
CN110868622A (zh) 一种卡顿分析方法、装置、电子设备及存储介质
Jena et al. Malicious Spam Detection to Avoid Vicious Attack
Fu A Comprehensive Framework for Detecting Sybils and Spammers on Social Networks.
Chauhan et al. Spammer detection and fake user detection using modified Naïve Bayes and decision Tree classifier
CN116405245A (zh) 一种生成黑产特征的方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant