CN111611495A - 一种网络信息可信度检测方法、系统、存储介质、终端 - Google Patents
一种网络信息可信度检测方法、系统、存储介质、终端 Download PDFInfo
- Publication number
- CN111611495A CN111611495A CN202010249659.6A CN202010249659A CN111611495A CN 111611495 A CN111611495 A CN 111611495A CN 202010249659 A CN202010249659 A CN 202010249659A CN 111611495 A CN111611495 A CN 111611495A
- Authority
- CN
- China
- Prior art keywords
- user
- event
- credibility
- index
- events
- 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
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 101000840267 Homo sapiens Immunoglobulin lambda-like polypeptide 1 Proteins 0.000 claims description 3
- 102100029616 Immunoglobulin lambda-like polypeptide 1 Human genes 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于信息处理技术领域,公开了一种网络信息可信度检测方法、系统、存储介质、终端,计算新事件推荐给用户的指数;指数大于系统设定阈值进行进行可信评估,否则返回计算新事件推荐给用户的指数重新选择用户;进行可信评估;收到的事件进行筛选;筛选出的事件进行可信评估。本发明通过一系列的计算以及操作步骤,为用户推荐可靠的社交事件,并且用户可以根据自己的个人偏好以及短期兴趣标签进行事件筛选。本发明根据多角度计算保障了推荐的准确性,定义了短期兴趣标签打破了信息茧房问题,同时在推荐以及筛选两个过程中均加入了可信验证,保障了事件和用户的安全性,提升了用户的体验。
Description
技术领域
本发明属于信息处理技术领域,尤其涉及一种网络信息可信度检测方法、系统、存储介质、终端。
背景技术
目前,随着先进的计算和通信技术渗透到生活的方方面面,互联网与社交网络与人们的生活工作变得密不可分,已经成为人们生活不可或缺的一部分。社交网络可以维护用户个体关系,同时用户可以发起事件供其他用户参与,这使得人们的社交活动变得更加丰富。社交网络为用户在网络上交友及参与事件提供了方便,但随着互联网的发展,用户的数量越来越多,兴趣爱好越来越广泛,如何安全可靠的为用户推荐事件,是社交网络服务需要解决的重要问题。现有技术中,为用户推荐事件的方法推荐结果不太精准且存在诸如用户隐私泄漏、恶意事件对用户造成损失、事件发布的安全性等安全方面的问题,以及用户长期被推荐相似信息内容造成的信息茧房问题,进一步的用户隐私的泄漏和恶意事件的增加会对整个系统或网络环境造成严重的破坏,同时用户的体验得不到较好的满足。
通过上述分析,现有技术存在的问题及缺陷为:现有技术中,为用户推荐事件的方法推荐结果不太精准且存在安全方面的问题,以及用户长期被推荐相似信息内容造成的信息茧房问题,用户的体验得不到较好的满足。
解决以上问题及缺陷的难度为:上述问题以及缺陷对现有技术提出了挑战,现有的相似技术不能同时解决上述问题以及缺陷,所以同时解决上述问题以及缺陷具备一定程度的难度。
解决以上问题及缺陷的意义为:
1、可以为用户准确的推荐事件的同时以短期兴趣的形式挖掘用户的潜在兴趣来打破信息茧房。
2、用户的隐私、事件的可靠性得到保障可以为系统或社交网络营造一个良好的使用环境,用户的体验得到较好的满足。
发明内容
针对现有技术存在的问题,本发明提供了一种网络信息可信度检测方法、系统、存储介质、终端。
本发明是这样实现的,一种网络信息可信度检测方法,所述网络信息可信度检测方法包括:
第一步,计算新事件推荐给用户的指数;
第二步,指数大于系统设定阈值进行第三步,否则返回第一步重新选择用户;
第三步,根据历史评分集计算该用户的可信度对历史评分集内的评分元素进行归一化处理,并将归一化后的值所占总归一化评分的比重作为可信度;
第四步,得到用户的历史事件记录集,通过分析该集合,得出用户的大体偏好,获取用户的短期兴趣标签表,短期兴趣标签需要及时的进行更新已达到打破信息茧房、拓展用户兴趣面的目的;
第五步,首先得到事件主持人的属性;其次根据事件当前参与者的集合,通过分析参与者的历史参与事件、目标用户与当前参与者的兴趣相似度,得出该事件环境的可信值;最终求两者的加权和得出事件的可信度。
进一步,所述第一步计算新事件推荐给用户的指数包括:获取事件e的属性集{主持人,参与者,时间,地点,内容};根据事件e的五个属性分别计算出推荐指数分别记为Sh、Sm、St、Sl、Sc;其中主持人影响力的推荐指数通过计算粉丝数的累计分布函数值、主持人主持事件的参与者评分平均值、事件内容与历史事件相似性三者加权求得,求得事件e的加权推荐指数和S=λ1*Sh+λ2*Sm+λ3*St+λ4*Sl+λ5*Sc。
进一步,所述第二步指数大于系统设定阈值进行第三步,否则返回第一步重新选择用户包括:比较推荐指数S与系统设定阈值λs的大小关系,若S<λs则重新选择用户计算推荐指数,否则进行第三步。
进一步,所述第三步包括系统得到该用户的历史评分集R={r1,r2,…,rm},根据历史评分集计算该用户的可信度对历史评分集内的评分元素进行归一化处理,并将归一化后的值所占总归一化评分的比重作为可信度;
如果用户可信,则把该事件推荐给用户,否则返回第一步重新选择用户。
进一步,所述第四步对收到的事件进行筛选包括:得到用户的历史事件记录集Se={e1,e2,…,em},通过分析该集合,得出用户的大体偏好;将其表示为偏好向量P={p1,p2,…,pl}(l<m),获取用户的短期兴趣标签表Ti={i1,i2,…,in},短期兴趣标签需要及时的进行更新已达到打破信息茧房、拓展用户兴趣面的目的。
进一步,所述第五步对所筛选出的事件进行可信评估包括:首先得到事件主持人的属性,包括主持人的影响力、粉丝数量、举行过的事件评分集合,从该三个角度分别计算主持人的可信度hTrust;其次根据事件当前参与者的集合,通过分析参与者的历史参与事件、目标用户与当前参与者的兴趣相似度,得出该事件环境的可信值;最终求两者的加权和得出事件的可信度,若符合系统的设定阈值λt,则用户可以参与该事件,否则过滤掉该事件对用户的推荐。
进一步,所述网络信息可信度检测方法的协同过滤包括:
(1)收集用户偏好;
(2)数据数字化,对数据进行减噪和归一化操作,得到用户偏好的二维矩阵;
减噪:通过数据挖掘算法过滤数据中的噪音;
归一化:将个数据都统一到一个相同的数据范围;
(3)找到相似的用户、事件,构造相似度计算算法衡量用户之间的相似度;
(4)将相似度作为基于用户、事件的协同过滤推荐。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
第一步,计算新事件推荐给用户的指数;
第二步,指数大于系统设定阈值进行第三步,否则返回第一步重新选择用户;
第三步,进行对用户的可信评估;
第四步,收到的事件进行筛选;
第五步,筛选出的事件进行可信评估。
本发明的另一目的在于提供一种所述所述网络信息可信度检测方法的网络信息可信度检测系统,所述网络信息可信度检测系统:
指数计算模块,用于计算新事件推荐给用户的指数;
指数判断模块,用于比较指数和系统设定阈值;
可信评估模块,用于对用户进行可信评估;
事件筛选模块,用于对收到的事件进行筛选;
筛选事件可信评估模块,用于对所筛选出的事件进行可信评估。
本发明的另一目的在于提供一种终端,所述终端搭载所述的网络信息可信度检测系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过一系列的计算以及操作步骤,为用户推荐可靠的社交事件,并且用户可以根据自己的个人偏好以及短期兴趣标签进行事件筛选。本发明根据多角度计算保障了推荐的准确性,定义了短期兴趣标签打破了信息茧房问题,同时在推荐以及筛选两个过程中均加入了可信验证,保障了事件和用户的安全性,提升了用户的体验。
本发明从用户满意度、用户兴趣数量、恶意事件数量三个方面与其他技术进行对比,其仿真效果对比如图4、图5、图6。其中图4说明在相同的环境下本发明方法在相同时间段内随时间的增加用户的满意度比其他技术效果好;其中同5说明在相同环境下本发明方法在相同时间段内随时间的增加有效的控制了用户的兴趣数量衰减;其中图6说明在相同的环境下本发明在相同时间段内随时间的增加社交网络中的恶意用户数量得到很好的控制。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的网络信息可信度检测方法流程图。
图2是本发明实施例提供的网络信息可信度检测系统的结构示意图;
图中:1、指数计算模块;2、指数判断模块;3、可信评估模块;4、事件筛选模块;5、筛选事件可信评估模块。
图3是本发明实施例提供的网络信息可信度检测方法实现流程图。
图4是本发明实施例提供的用户满意度仿真效果对比示意图。
图5是本发明实施例提供的用户兴趣数量仿真效果对比示意图。
图6是本发明实施例提供的恶意事件数量仿真效果对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,结合以下实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种网络信息可信度检测方法、系统、存储介质、终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的网络信息可信度检测方法包括以下步骤:
S101:计算新事件推荐给用户的指数;
S102:指数大于系统设定阈值进行S103,否则返回S101重新选择用户;
S103:根据历史评分集计算该用户的可信度对历史评分集内的评分元素进行归一化处理,并将归一化后的值所占总归一化评分的比重作为可信度;
S104:得到用户的历史事件记录集,通过分析该集合,得出用户的大体偏好,获取用户的短期兴趣标签表,短期兴趣标签需要及时的进行更新已达到打破信息茧房、拓展用户兴趣面的目的;
S105:首先得到事件主持人的属性;其次根据事件当前参与者的集合,通过分析参与者的历史参与事件、目标用户与当前参与者的兴趣相似度,得出该事件环境的可信值;最终求两者的加权和得出事件的可信度。
如图2所示,本发明提供的网络信息可信度检测系统包括:
指数计算模块1,用于计算新事件推荐给用户的指数。
指数判断模块2,用于比较指数和系统设定阈值。
可信评估模块3,用于对用户进行可信评估。
事件筛选模块4,用于对收到的事件进行筛选。
筛选事件可信评估模块5,用于对所筛选出的事件进行可信评估。
下面结合附图对本发明的技术方案作进一步的描述。
1、社交影响力
社交影响力可以通过用户之间的社交活动体现出来,表现为用户的行为受他人影响发生改变的现象。在线社交网络影响力分析主要涉及三方面的内容:
(1)影响力自身的识别,这使得如何从繁杂的因素中鉴别影响力和相关要素的区别与联系成为首要问题。
(2)社交影响力的度量,如何设计和选择既具有一定普适性又能充分发觉社交网络特性的度量以及度量方法,是该领域的核心问题之一。
(3)社交影响力的动态传播。
2、协同过滤
简单来说,协同过滤就是利用具有相投兴趣、拥有共同经验群体的偏好来推荐用户感兴趣的信息,个人通过合作的机制给予信息相当程度的回应并记录下来以达到过滤的目的进而帮助别人筛选信息,回应不一定局限于特别感兴趣的,特别不感兴趣信息的记录也相当重要。其步骤如下:
(1)收集用户偏好。例如评分、收藏、转发、标记、分享等。
(2)数据数字化。对数据进行减噪和归一化操作,得到用户偏好的二维矩阵。
减噪:通过数据挖掘算法过滤数据中的噪音,是一个数据预处理的过程,使得对数据之后的分析更为精确。
归一化:将个数据都统一到一个相同的数据范围(大多数都为[0,1])。
(3)找到相似的用户、事件。构造相似度计算算法来衡量用户之间的相似度。
(4)将相似度作为基于用户、事件的协同过滤推荐。
3、信誉度以及可信度
信誉度表示一个人被公众所了解的程度、对社会具有影响的程度,成为衡量知名度的客观度量,并且一个人的经历对其信誉度具有重要影响。一个人的信誉度越高,他所推荐的事件权威性越高,该事件的优先级以及可信度相对越高。
可信度表示一个用户或一个事件可以被信任的程度,可信度评估已经成为过滤不良用户以及不良事件的重要方法,例如对一个用户参与的历史事件以及其对事件的评分进行评估,从而判断该用户或事件是否可信。
4、如图3所示,本发明提供的网络信息可信度检测方法包括以下步骤:
S1:新事件e推荐给用户u的指数计算。
获取事件e的属性集{主持人,参与者,时间,地点,内容};根据事件e的五个属性分别计算出推荐指数分别记为Sh、Sm、St、Sl、Sc。其中主持人影响力的推荐指数通过计算粉丝数的累计分布函数值、主持人主持事件的参与者评分平均值、事件内容与历史事件相似性三者加权求得。求得事件e的加权推荐指数和S=λ1*Sh+λ2*Sm+λ3*St+λ4*Sl+λ5*Sc。
S2:指数大于系统设定阈值进行S3,否则返回S1重新选择用户。
比较推荐指数S与系统设定阈值λs的大小关系,若S<λs则重新选择用户计算推荐指数,否则进行步骤S3。
S3:对用户进行可信评估。为了使事件能够顺利的进行,系统应该屏蔽掉不良用户,因此应该对上述所选择的用户进行可信评估。
首先系统得到该用户的历史评分集R={r1,r2,…,rm},根据历史评分集计算该用户的可信度对历史评分集内的评分元素进行归一化处理,并将归一化后的值所占总归一化评分的比重作为其可信度。
如果用户可信,则把该事件推荐给用户,否则返回S1重新选择用户。
S4:用户对收到的事件进行筛选。
该步骤分为两个部分:用户历史记录以及短期兴趣标签。用户历史记录是用来分析用户的长期兴趣偏好,现存的大部分推荐系统主要是根据用户的偏好进行推荐,但是长期如此,用户的兴趣范围会逐渐缩小,从而造成信息茧房问题,本发明则为用户定义了短期兴趣标签,用以打破这种僵局。用户历史记录以及短期兴趣标签占不同的比重,在大体符合用户偏好的同时适当的为用户拓展新的领域。
首先得到用户的历史事件记录集Se={e1,e2,…,em},通过分析该集合,得出用户的大体偏好。将其表示为偏好向量P={p1,p2,…,pl}(l<m)。然后获取用户的短期兴趣标签表Ti={i1,i2,…,in},短期兴趣标签需要及时的进行更新已达到打破信息茧房、拓展用户兴趣面的目的。
根据上述的两个方面,二者占不同的比重,比重由系统设定,然后对用户收到的事件推荐进行筛选,筛选方法是计算新的推荐事件与向量P∪Ti内元素的相似度,如果相似度符合系统要求,则保留接收到的推荐事件。
S5:用户对所筛选出的事件进行可信评估。
为保证用户参与的事件是诚实可信的,系统应该对所筛选出的推荐事件进行可信验证,主要从事件主持人以及参与者两个方面进行可信验证。
首先,得到事件主持人的属性,包括主持人的影响力、粉丝数量、举行过的事件评分集合。从该三个角度分别计算主持人的可信度hTrust。然后,得到事件目前参与者的集合,通过分析参与者的历史参与事件以及该用户与参与者的兴趣相似度,得出该事件环境的可信值。最后求两者的加权和得出事件的可信度,若符合系统的设定阈值λt,则用户可以参与该事件,否则过滤掉该事件对用户的推荐。
下面结合仿真对本发明的技术效果作详细的描述。
本发明从用户满意度、用户兴趣数量、恶意事件数量三个方面与其他技术进行对比,其仿真效果对比如图4、图5、图6。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种网络信息可信度检测方法,其特征在于,所述网络信息可信度检测方法包括:
第一步,计算新事件推荐给用户的指数;
第二步,指数大于系统设定阈值进行第三步,否则返回第一步重新选择用户;
第三步,根据历史评分集计算该用户的可信度对历史评分集内的评分元素进行归一化处理,并将归一化后的值所占总归一化评分的比重作为可信度;
第四步,得到用户的历史事件记录集,通过分析该集合,得出用户的大体偏好,获取用户的短期兴趣标签表,短期兴趣标签需要及时的进行更新已达到打破信息茧房、拓展用户兴趣面的目的;
第五步,首先得到事件主持人的属性;其次根据事件目前参与者的集合,通过分析参与者的历史参与事件、目标用户与事件当前参与者的兴趣相似度,得出该事件的可信值;最后求两者的加权和得出事件的可信度。
2.如权利要求1所述的网络信息可信度检测方法,其特征在于,所述第一步计算新事件推荐给用户的指数包括:获取事件e的属性集{主持人,参与者,时间,地点,内容};根据事件e的五个属性分别计算出推荐指数分别记为Sh、Sm、St、Sl、Sc;其中主持人影响力的推荐指数通过计算粉丝数的累计分布函数值、主持人主持事件的参与者评分平均值、事件内容与历史事件相似性三者加权求得,求得事件e的加权推荐指数和S=λ1*Sh+λ2*Sm+λ3*St+λ4*Sl+λ5*Sc。
3.如权利要求1所述的网络信息可信度检测方法,其特征在于,所述第二步指数大于系统设定阈值进行第三步,否则返回第一步重新选择用户包括:比较推荐指数S与系统设定阈值λs的大小关系,若S<λs则重新选择用户计算推荐指数,否则进行第三步。
4.如权利要求1所述的网络信息可信度检测方法,其特征在于,所述第三步包括系统得到该用户的历史评分集R={r1,r2,…,rm},根据历史评分集计算该用户的可信度对历史评分集内的评分元素进行归一化处理,并将归一化后的值所占总归一化评分的比重作为可信度;
如果用户可信,则把该事件推荐给用户,否则返回第一步重新选择用户。
5.如权利要求1所述的网络信息可信度检测方法,其特征在于,所述第四步对收到的事件进行筛选包括:得到用户的历史事件记录集Se={e1,e2,…,em},通过分析该集合,得出用户的大体偏好;将其表示为偏好向量P={p1,p2,…,pl}(l<m),获取用户的短期兴趣标签表Ti={i1,i2,…,in},短期兴趣标签需要及时的进行更新已达到打破信息茧房、拓展用户兴趣面的目的。
6.如权利要求1所述的网络信息可信度检测方法,其特征在于,所述第五步对所筛选出的事件进行可信评估包括:首先得到事件主持人的属性,包括主持人的影响力、粉丝数量、举行过的事件评分集合,从该三个角度分别计算主持人的可信度hTrust;其次得到事件目前参与者的集合,通过分析参与者的历史参与事件以及该用户与参与者的兴趣相似度,得出该事件的可信值;最终求两者的加权和得出事件的可信度,若符合系统的设定阈值λt,则用户可以参与该事件,否则过滤掉该事件对用户的推荐。
7.如权利要求1所述的网络信息可信度检测方法,其特征在于,所述网络信息可信度检测方法的协同过滤包括:
(1)收集用户偏好;
(2)数据数字化,对数据进行减噪和归一化操作,得到用户偏好的二维矩阵;
减噪:通过数据挖掘算法过滤数据中的噪音;
归一化:将个数据都统一到一个相同的数据范围;
(3)找到相似的用户、事件,构造相似度计算算法衡量用户之间的相似度;
(4)将相似度作为基于用户、事件的协同过滤推荐。
8.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
第一步,计算新事件推荐给用户的指数;
第二步,指数大于系统设定阈值进行第三步,否则返回第一步重新选择用户;
第三步,进行对用户的可信评估;
第四步,收到的事件进行筛选;
第五步,筛选出的事件进行可信评估。
9.一种所述权利要求1~7任意一项所述网络信息可信度检测方法的网络信息可信度检测系统,其特征在于,所述网络信息可信度检测系统:
指数计算模块,用于计算新事件推荐给用户的指数;
指数判断模块,用于比较指数和系统设定阈值;
可信评估模块,用于对用户进行可信评估;
事件筛选模块,用于对收到的事件进行筛选;
筛选事件可信评估模块,用于对所筛选出的事件进行可信评估。
10.一种终端,其特征在于,所述终端搭载权利要求9所述的网络信息可信度检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249659.6A CN111611495A (zh) | 2020-04-01 | 2020-04-01 | 一种网络信息可信度检测方法、系统、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249659.6A CN111611495A (zh) | 2020-04-01 | 2020-04-01 | 一种网络信息可信度检测方法、系统、存储介质、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111611495A true CN111611495A (zh) | 2020-09-01 |
Family
ID=72200366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010249659.6A Pending CN111611495A (zh) | 2020-04-01 | 2020-04-01 | 一种网络信息可信度检测方法、系统、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611495A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343228A (zh) * | 2021-06-30 | 2021-09-03 | 北京天融信网络安全技术有限公司 | 事件可信度分析方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120303415A1 (en) * | 2011-05-25 | 2012-11-29 | Ari Edelson | System and method of providing recommendations |
US20170346823A1 (en) * | 2016-05-25 | 2017-11-30 | Bank Of America Corporation | Network of trusted users |
CN107657034A (zh) * | 2017-09-28 | 2018-02-02 | 武汉大学 | 一种社交信息增强的事件社交网络推荐算法 |
-
2020
- 2020-04-01 CN CN202010249659.6A patent/CN111611495A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120303415A1 (en) * | 2011-05-25 | 2012-11-29 | Ari Edelson | System and method of providing recommendations |
US20170346823A1 (en) * | 2016-05-25 | 2017-11-30 | Bank Of America Corporation | Network of trusted users |
CN107657034A (zh) * | 2017-09-28 | 2018-02-02 | 武汉大学 | 一种社交信息增强的事件社交网络推荐算法 |
Non-Patent Citations (3)
Title |
---|
朱雨晗: "基于用户兴趣标签的混合推荐方法", 《电子制作》 * |
陈春明等: "协同过滤算法中一种改进的预测值计算方法", 《情报探索》 * |
黄兰等: "结合评分可信度和动态时间加权的推荐算法", 《现代计算机(专业版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343228A (zh) * | 2021-06-30 | 2021-09-03 | 北京天融信网络安全技术有限公司 | 事件可信度分析方法、装置、电子设备及可读存储介质 |
CN113343228B (zh) * | 2021-06-30 | 2023-11-10 | 北京天融信网络安全技术有限公司 | 事件可信度分析方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernandez et al. | Online misinformation: Challenges and future directions | |
Adikari et al. | Identifying fake profiles in linkedin | |
Ruchansky et al. | Csi: A hybrid deep model for fake news detection | |
US7856411B2 (en) | Social network aware pattern detection | |
Li et al. | To what extent we repeat ourselves? Discovering daily activity patterns across mobile app usage | |
US20240134946A1 (en) | Online identity reputation | |
US20200356615A1 (en) | Method for determining news veracity | |
Ruangwan et al. | The impact of human factors on the participation decision of reviewers in modern code review | |
US20110246483A1 (en) | Pattern Detection and Recommendation | |
CN106027577A (zh) | 一种异常访问行为检测方法及装置 | |
US9917803B2 (en) | Detection of false message in social media | |
Bhadani et al. | Political audience diversity and news reliability in algorithmic ranking | |
US20170046346A1 (en) | Method and System for Characterizing a User's Reputation | |
Truong et al. | Analysis of collaboration networks in OpenStreetMap through weighted social multigraph mining | |
KR102135074B1 (ko) | 인공지능 기반의 팩트 체크 가이드라인을 이용한 가짜 뉴스 판별 시스템 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
Wang et al. | Value and misinformation in collaborative investing platforms | |
Shariff | A review on credibility perception of online information | |
CN112950218A (zh) | 一种业务风险评估方法、装置、计算机设备和存储介质 | |
CN111382278A (zh) | 一种基于时空轨迹的社交网络构建方法及构建系统 | |
Nakov et al. | A survey on predicting the factuality and the bias of news media | |
Reda et al. | Assessing the quality of social media data: a systematic literature review | |
CN111611495A (zh) | 一种网络信息可信度检测方法、系统、存储介质、终端 | |
Mejova et al. | Modeling political activism around gun debate via social media | |
TW202111592A (zh) | 學習模型應用系統、學習模型應用方法及程式產品 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |