CN113395263B - 在线社交网络下共享视频的信任度计算方法 - Google Patents

Abstract

本发明公开了一种在线社交网络下共享视频的信任度计算方法，当社交网络中某个用户接收到共享视频时，先基于共享视频的内容定位符来计算共享视频的内容属性信任值，然后考虑浏览共享视频的社交用户的身份信任、社交用户对共享视频的评分、以及社交用户之间的社交关系，基于社交用户影响力来计算得到共享视频的社交属性信任值，将内容属性信任值和社交属性信任值加权求和即可得到最终的共享视频的信任度。本发明可以帮助社交网络用户全面、准确地评估共享视频的安全性，从而有效地抵抗恶意用户评价行为和不可信共享视频欺骗行为。

Description

在线社交网络下共享视频的信任度计算方法

技术领域

本发明属于在线社交网络大数据安全技术领域，更为具体地讲，涉及一种在线社交网络下共享视频的信任度计算方法。

背景技术

在线社交网络由于允许社交网络用户制作生成、分享自己的多媒体信息(如视频内容)，已得到人们越来越多的喜爱。在线社交网络共享视频内容丰富、信息量大，如今人们也越发依赖在线社交网络共享视频内容来获取信息。但由于在线社交网络的开放性，网络中存在着恶意用户，一些共享视频在社交网络上可能被恶意篡改，这对社交网络共享视频的可信度构成了威胁。因此，需要一种有效的计算在线社交网络共享视频的可信度，来抵抗恶意用户对共享视频的恶意操作，如对共享视频的恶意评价或传播不可信视频，以可靠的评估在线社交网络共享视频安全性。

目前已有相关研究对在线社交网络信息的安全性进行了探讨，但大多数研究成果集中在社交网络的用户身份可信方面。Qiong Zheng等人[Qiang Z,Song Q.CredibilityAssessment of Mobile Social Networking Users based on Relationship andInformation Interactions:Evidence from China[J].IEEE Access,2020,8,99519-99527]提出了一种综合社交用户关系强度、社交影响力范围、信息价值和信息传输控制力四个因素来计算在线社交用户身份的信任评估模型，采用熵权重方法获得四个因素的权重系数，以识别社交网络上的可信用户。该方法计算方式简单，能有效识别社交网络上的可信节点，但缺乏对用户生成信息的语义理解，也没有考虑用户兴趣关系对用户身份可信评估的影响，无法抵抗恶意信息欺骗行为。

Gabriella Pasi等人[Gabriella P,Marco V,Alexandre C.A Multi-CriteriaDecision Making Approach based on the Choquet Integral for Assessing theCredibility of User-Generated Content[J].Information Sciences,2019,503:574-588]利用了信息特征的先验领域知识，提出了一种基于Choquet积分来聚合在线用户生成信息的多个特征，基于分类方法实现了用户生成内容的可信与不可信判断。该方法着重分析社交媒体内容的语义信息可信，没有考虑到社交网络用户关系对信息可信评估的影响，无法有效抵抗恶意用户的恶意评价。

孙鹏等人[孙鹏，王方明，郎宇博等.面向多媒体情报内容可信度评估的量化模型研究-以视频情报为例[J].情报杂志，2018,37(4):74-79]提出了一种综合视频内容人物、时间、地点、过程、事件、程度和原因7个因素、利用结构化图形评估视频可行度的方法，该方法能够有效量化视频的可信度值，但主要基于视频内容本身分析视频的可信度，无法适用于在线社交网络共享环境下视频的可信度计算。

虽然以上方法解决了在线社交网络中信息的可信的一些问题，但这些方法要么仅仅考虑社交网络用户关系，要么仅仅考虑信息内容本身的语义安全，没有从系统上综合考虑社交网络环境下共享内容的可信问题，无法有效的抵抗社交网络中恶意用户的评价或恶意内容的传播。社交网络共享视频内容的可信问题，既具有信息本身的语义内容可信，也具有信息在社交网络传播环境下的社交属性，因此需要从这两方面综合考虑，以有效的评估社交网络共享视频的可信度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种在线社交网络下共享视频的信任度计算方法，帮助社交网络用户全面、准确地评估共享视频的安全性，从而有效地抵抗恶意用户评价行为和不可信共享视频欺骗行为。

为实现上述发明目的，本发明在线社交网络下共享视频的信任度计算方法包括以下步骤：

S1：当社交网络中某个用户u_*接收到共享视频v_*时，首先计算共享视频的内容属性信任值C_*，具体方法如下：

对用户u_*接收的共享视频v_*按照预先设置好的统一内容定位符提取出相应的视频内容定位符项目，并生成视频内容定位符向量

其中l_d表示视频内容定位符向量

中第d项视频内容定位符项目的值，d＝1,2,…,D，D表示视频内容定位符项目的数量；

然后基于视频内容定位符向量L采用以下公式计算得到共享视频的内容信任值C_*：

其中，

表示内容定位符向量中项目出现的概率，计算公式为

P(l_d)表示根据经验数据统计得到的第d项视频内容定位符项目出现的概率；P(T)表示根据经验数据统计得到的任意共享视频内容信任的平均概率，P(l_d|T)表示根据经验数据统计得到的第d项视频内容定位符项目属于信任内容的概率；

S2：采用如下方法计算共享视频的社交属性信任值：

S2.1：对于共享视频v_*，获取已经浏览过该共享视频v_*的浏览用户，然后从中筛选出与用户u_*存在一阶关注和两阶关注的用户，将这些用户的序号构成集合ψ；

S2.2：对于集合ψ中的每个用户u_i，i∈ψ，获取其对共享视频的行为取值，包括：点赞值T_i,1、反对值T_i,2、转发值T_i,3、正确举报值T_i,4以及打分值R_i，其中T_i,q表示对应行为是否发生，如果发生则T_i,q＝1，否则T_i,q＝0，q＝1,2,3,4；采用以下公式计算得到用户u_i对共享视频的评分Grade′_i：

Grade′_i＝T_i,1-T_i,2+T_i,3-T_i,4+R_i

然后采用如下公式对评分Grade′_i进行归一化，得到归一化的评分Grade_i：

其中，max(Grade′_i)、min(Grade′_i)分别表示用户对共享视频评分的最大值和最小值；

S2.3：对于集合ψ中的每个用户u_i，采用以下公式计算得到用户u_i的上传视频信任值t_{i_up}：

其中，T_up表示预设的所有社交用户上传视频的信任值基准，θ表示预设的正确举报的惩罚因子，函数sgn()表示signum符号函数，取值为1或0，J表示用户u_i上传视频集合，G表示所有正确举报用户u_i上传视频的用户序号集合，

表示社交网络用户u_g是否存在对用户u_i所上传视频v_j的正确举报行为，如果存在，则

否则

采用以下公式计算得到社交网络用户u_i的浏览视频信任值t_{i_ve}：

其中，T_ve表示预设的所有社交用户浏览视频的信任值基准，K表示被用户u_i正确举报视频的上传用户序号集合，M_k表示集合K中用户u_k上传视频集合，

表示社交网络用户u_i是否存在对用户u_k所上传视频v_m的正确举报行为，如果存在，则

否则

σ表示预设的错误举报惩罚因子，S表示被用户u_i错误举报视频的上传用户序号集合，Z_s表示集合S中用户u_s上传视频集合，

表示社交网络用户u_i是否存在对用户u_s所上传视频v_z的正确举报行为，如果存在，则

否则

对上传视频信任值t_{i_up}、浏览视频信任值t_{i_ve}分别进行归一化，计算公式如下：

其中，t′_{i_up}与t′_{i_ve}分别是用户u_i归一化的上传视频信任、浏览视频信任，max(t_{i_up})、min(t_{i_up})分别是所有社交用户的最大上传视频信任值与最小上传视频信任值，max(t_{i_ve})、min(t_{i_ve})分别是所有社交用户的最大浏览信任值与最小浏览信任值；

计算得到用户u_i的信任值t′_i＝t′_{i_up}+t′_{i_ve}，再进一步归一化得到归一化的信任值

max(t′_i)、min(t′_i)分别是所有社交用户的最大信任值与最小信任值；

S2.4：对于社交网络中每个用户u_y，y∈Y，Y表示社交网络中用户集合，获取其历史浏览视频集合Φ_y，然后对于历史浏览视频集合Φ_y中的每个视频v_h，按照预先设置好的统一内容定位符提取记录中该视频的内容定位符向量L_y,h，h＝1,2,…,|Φ_y|，|Φ_y|表示历史浏览视频集合Φ_y中的视频数量，从而得到用户u_y的历史浏览视频内容定位符向量集合

然后两两计算两个用户u_y和u_y′之间浏览视频内容定位符向量集合的相似度，即作为用户u_y和用户u_y′对视频的兴趣相似度S_y,y′，y′∈Y且y′≠y；

S2.5：根据步骤S2.4得到的用户间对视频的兴趣相似度，采用如下方法计算得到每个用户u_y在共享视频社交网络中的影响力

1)令每个用户u_y在共享视频社交网络中的初始影响力

γ为预设的常数；

2)令迭代次数τ＝1；

3)对于社交网络中每个用户u_y，采用如下公式计算得到其本次迭代后的影响力

其中，λ表示预设的阻尼系数，其取值范围为0＜λ＜1，一般为0.85，|Y|表示社交网络中用户数量，B(u_y)表示所有关注用户u_y的用户的序号集合，

表示上一次迭代所得到的用户u_b在共享视频社交网络中的影响力，C(u_b)表示用户u_b关注的用户的序号集合，S_b,y表示用户u_b和用户u_y对视频的兴趣相似度，S_b,c表示用户u_b和用户u_c对视频的兴趣相似度；

4)判断是否τ＜τ_max，τ_max表示预设的最大迭代次数，如果是，进入步骤5)，否则进入步骤6)；

5)令τ＝τ+1，返回步骤3)；

6)将最后一次迭代所得到的用户u_y的影响力

作为其在共享视频社交网络中的影响力

然后计算得到集合ψ中用户u_i对用户u_*的影响力值

具体分为以下两种情况：

当用户u_i和用户u_*存在一阶关注，则用户u_i对用户u_*的影响力值F_i,*的计算公式如下：

其中，

表示用户u_i在共享视频社交网络中的影响力，S_i,*表示用户u_i与用户u_*对视频的兴趣相似度，C(u_*)表示用户u_*所关注用户的序号集合，

表示用户u_*与用户

对视频的兴趣相似度；

当用户u_i和用户u_*存在二阶关注，则用户u_i对用户u_*的影响力值F_i,*的计算公式如下：

其中，W_i,*表示户u_i和用户u_*形成二阶关注时的中间用户集合，F_i,w表示用户u_i对用户u_w的影响力值，计算公式如下：

其中，S_i,w表示用户u_i与用户u_w对视频的兴趣相似度，C(u_w)表示用户u_w所关注用户的序号集合，

表示用户u_w与用户

对视频的兴趣相似度；

F_w,*表示用户u_w对用户u_*的影响力值，计算公式如下：

其中，

表示用户u_w在共享视频社交网络中的影响力，S_w,*表示用户u_w与用户u_*对视频的兴趣相似度；

S2.6：采用以下公式计算得到共享视频v_*的社交属性信任值S_*：

S3：将步骤S1得到的共享视频的内容信任值C_*和社交属性信任值S_*进行加权求和得到共享视频的可信度O_*：

O_*＝(1-α)×C_*+α×S_*

其中，α表示预设的权重，其取值范围为0＜α＜1。

本发明在线社交网络下共享视频的信任度计算方法，当社交网络中某个用户接收到共享视频时，先基于共享视频的内容定位符来计算共享视频的内容属性信任值，然后考虑浏览共享视频的社交用户的身份信任、社交用户对共享视频的评分、以及社交用户之间的社交关系，基于社交用户影响力来计算得到共享视频的社交属性信任值，将内容属性信任值和社交属性信任值加权求和即可得到最终的共享视频的信任度。

本发明可以帮助社交网络用户全面、准确地评估共享视频的安全性，从而有效地抵抗恶意用户评价行为和不可信共享视频欺骗行为。

附图说明

图1是本发明在线社交网络下共享视频的信任度计算方法的具体实施方式流程图；

图2是本发明中计算共享视频的社交属性信任值的流程图；

图3是本实施例中共享视频传输的流程图；

图4是本实施例高信任社交网络下不同信任视频的信任度误差比较图；

图5是本实施例中信任社交网络下不同信任视频的信任度误差对比图；

图6是本实施例低信任社交网络下不同信任视频的信任度误差对比图；

图7是本实施例中不同恶意用户比例下不同可信度计算方法的对比图；

图8是本实施例中不安全视频不同比例下不同可信度计算方法的对比图；

图9是本实施例中不同社交网络环境下权重α的取值分布图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明在线社交网络下共享视频的信任度计算方法的具体实施方式流程图。如图1所示，本发明在线社交网络下共享视频的信任度计算方法的具体步骤包括：

S101：计算共享视频的内容属性信任值：

当社交网络中某个用户u_*接收到共享视频v_*时，首先计算共享视频的内容属性信任值C_*，具体方法如下：

对用户u_*接收的共享视频v_*按照预先设置好的统一视频内容定位符提取出相应的视频内容定位符项目，并生成视频内容定位符向量

其中l_d表示视频内容定位符向量

中第d项视频内容定位符项目的值，d＝1,2,…,D，D表示视频内容定位符项目的数量，也就是视频内容定位符向量

的长度。视频内容定位符一般包括作者、标题、分类、主题、关键词、格式等，可以根据需要设置。

然后基于视频内容定位符向量

采用以下公式计算得到共享视频的内容属性信任值C_*：

其中，

表示内容定位符向量中项目出现的概率，计算公式为

P(l_d)表示根据经验数据统计得到的第d项视频内容定位符项目出现的概率；P(T)表示根据经验数据统计得到的任意共享视频内容信任的平均概率，P(l_d|T)表示根据经验数据统计得到的第i项视频内容定位符项目属于信任内容的概率。

S102：计算共享视频的社交属性信任值：

图2是本发明中计算共享视频的社交属性信任值的流程图。如图2所示，本发明中计算共享视频的社交属性信任值的具体步骤包括：

S201：获取共享视频的浏览用户集合：

对于共享视频v_*，获取已经浏览过该共享视频v_*的浏览用户，然后从中筛选出与用户u_*存在一阶关注和两阶关注的用户，将这些用户的序号构成集合ψ。

一阶关注是某用户关注了用户u_*或用户u_*关注了某用户，两阶关注是指某用户虽未关注用户u_*，但是其关注的某一用户关注了用户u_*，或是用户u_*虽未关注某用户，但是用户u_*关注的某一用户关注了该用户。

S202：计算浏览用户对共享视频的评分：

对于集合ψ中的每个用户u_i，i∈ψ，获取其对共享视频的行为取值，包括：点赞值T_i,1、反对值T_i,2、转发值T_i,3、正确举报值T_i,4以及打分值R_i，其中T_i,q表示对应行为是否发生，如果发生则T_i,q＝1，否则T_i,q＝0，q＝1,2,3,4。采用以下公式计算得到用户u_i对共享视频的评分Grade′_i：

Grade′_i＝T_i,1-T_i,2+T_i,3-T_i,4+R_i

然后采用如下公式对评分Grade′_i进行归一化，得到归一化的评分Grade_i：

其中，max(Grade′_i)、min(Grade′_i)分别表示用户对共享视频评分的最大值和最小值。

S203：计算共享视频的用户信任值：

用户信任从用户上传视频行为、浏览视频行为体现，因此本发明中计算用户信任值采用用户上传视频信任、浏览视频信任两方面来综合计算。

对于集合ψ中的每个用户u_i，采用以下公式计算得到用户u_i的上传视频信任值t_{i_up}：

其中，T_up表示预设的所有社交用户上传视频的信任值基准，θ表示预设的正确举报的惩罚因子，函数sgn()表示signum符号函数，取值为1或0，J表示用户u_i上传视频集合，G表示所有正确举报用户u_i上传视频的用户序号集合，

表示社交网络用户u_g是否存在对用户u_i所上传视频v_j的正确举报行为，如果存在，则

否则

采用以下公式计算得到社交网络用户u_i的浏览视频信任值t_{i_ve}：

其中，T_ve表示预设的所有社交用户浏览视频的信任值基准，K表示被用户u_i正确举报视频的上传用户序号集合，M_k表示集合K中用户u_k上传视频集合，

表示社交网络用户u_i是否存在对用户u_k所上传视频v_m的正确举报行为，如果存在，则

否则

σ表示预设的错误举报惩罚因子，S表示被用户u_i错误举报视频的上传用户序号集合，Z_s表示集合S中用户u_s上传视频集合，

表示社交网络用户u_i是否存在对用户u_s所上传视频v_z的正确举报行为，如果存在，则

否则

对上传视频信任值t_{i_up}、浏览视频信任值t_{i_ve}分别进行归一化，计算公式如下：

其中t′_{i_up}与t′_{i_ve}分别是用户u_i归一化的上传视频信任、浏览视频信任，max(t_{i_up})、min(t_{i_up})分别是所有社交用户的最大上传视频信任值与最小上传视频信任值，max(t_{i_ve})、min(t_{i_ve})分别是所有社交用户的最大浏览信任值与最小浏览信任值。

计算得到用户u_i的信任值t′_i＝t′_{i_up}+t′_{i_ve}，再进一步归一化得到归一化的信任值

max(t′_i)、min(t′_i)分别是所有社交用户的最大信任值与最小信任值。

S204：计算社交网络用户对视频的兴趣相似度：

对于社交网络中每个用户u_y，y∈Y，Y表示社交网络中用户集合，获取其历史浏览视频集合Φ_y，然后对于历史浏览视频集合Φ_y中的每个视频v_h，按照预先设置好的统一内容定位符提取记录中该视频的内容定位符向量L_y,h，h＝1,2,…,|Φ_y|，|Φ_y|表示历史浏览视频集合Φ_y中的视频数量，从而得到用户u_y的历史浏览视频内容定位符向量集合

然后两两计算两个用户u_y和u_y′之间浏览视频内容定位符向量集合的相似度，即作为用户u_y和用户u_y′对视频的兴趣相似度S_y,y′，y′∈Y且y′≠y。

本实施例中采用Jaccard相似度计算两个用户之间浏览视频内容定位符向量集合的相似度，即用户u_y和用户u_y′对视频的兴趣相似度S_y,y′的计算公式如下：

其中，L_y′,h′表示用户u_y′对其历史浏览视频集合Φ_y′中视频v_h′的内容定位符向量，h′＝1,2,…,|Φ_y′|，|Φ_y′|表示历史浏览视频集合Φ_y′中的视频数量。

S205：计算社交网络用户间的影响力：

本发明认为用户节点对其所关注用户分配的影响力值不应该按照所关注用户节点的出边数量来平均分配，而应该根据用户节点对所关注用户的兴趣相似度进行分配。在共享视频社交网络中，具有较高兴趣相似度的用户间，影响力作用更大。因此，本发明计算用户节点对其所关注用户分配的影响力值，采用改进的PageRank算法计算共享视频环境下社交网络用户间的影响力，综合考虑了用户对视频的兴趣相似度和关注用户的出边数量。首先根据步骤S204得到的用户间对视频的兴趣相似度，采用如下方法计算得到每个用户u_y在共享视频社交网络中的影响力

1)初始化影响力：

令每个用户u_y在共享视频社交网络中的初始影响力

γ为预设的常数。

2)令迭代次数τ＝1。

3)更新影响力：

对于社交网络中每个用户u_y，采用如下公式计算得到其本次迭代后的影响力

其中，λ表示预设的阻尼系数，其取值范围为0＜λ＜1，一般为0.85，|Y|表示社交网络中用户数量，B(u_y)表示所有关注用户u_y的用户的序号集合，

表示上一次迭代所得到的用户u_b在共享视频社交网络中的影响力，C(u_b)表示用户u_b关注的用户的序号集合，S_b,y表示用户u_b和用户u_y对视频的兴趣相似度，S_b,c表示用户u_b和用户u_c对视频的兴趣相似度。

4)判断是否τ＜τ_max，τ_max表示预设的最大迭代次数，如果是，进入步骤5)，否则进入步骤6)。

5)令τ＝τ+1，返回步骤3)。

6)得到影响力：

将最后一次迭代所得到的用户u_y的影响力

作为其在共享视频社交网络中的影响力

然后计算得到集合ψ中用户u_i对用户u_*的影响力值

具体分为以下两种情况：

当用户u_i和用户u_*存在一阶关注，则用户u_i对用户u_*的影响力值F_i,*的计算公式如下：

其中，

表示用户u_i在共享视频社交网络中的影响力，S_i,*表示用户u_i与用户u_*对视频的兴趣相似度，C(u_*)表示用户u_*所关注用户的序号集合，

表示用户u_*与用户

对视频的兴趣相似度。

当用户u_i和用户u_*存在二阶关注，则用户u_i对用户u_*的影响力值F_i,*的计算公式如下：

其中，W_i,*表示户u_i和用户u_*形成二阶关注时的中间用户集合，F_i,w表示用户u_i对用户u_w的影响力值，计算公式如下：

其中，S_i,w表示用户u_i与用户u_w对视频的兴趣相似度，C(u_w)表示用户u_w所关注用户的序号集合，

表示用户u_w与用户

对视频的兴趣相似度。

F_w,*表示用户u_w对用户u_*的影响力值，计算公式如下：

其中，

表示用户u_w在共享视频社交网络中的影响力，S_w,*表示用户u_w与用户u_*对视频的兴趣相似度。

S206：计算共享视频的社交属性信任值：

采用以下公式计算得到共享视频v_*的社交属性信任值S_*：

S103：计算共享视频的可信度：

将步骤S101得到的共享视频的内容信任值C_*和社交属性信任值S_*进行加权求和得到共享视频的可信度O_*：

O_*＝(1-α)×C_*+α×S_*

其中，α表示预设的权重，其取值范围为0＜α＜1。

α可以结合社交网络的实际情况根据经验设置，一般来说，社交网络用户的信任度较高，则可信度计算可以更加依赖社交属性的信任值，α的取值更大；反之，则更加依赖内容属性信任值，α的取值更小。本实施例中提供了一种根据经验数据计算权重α的方法，具体方法如下：

从社交网络中获取N个共享视频，对其进行可信度标注，第n个共享视频的可信度为O_n，采用步骤S101中的方法计算每个共享视频的内容信任值C_n，采用步骤S2中的方法计算每个共享视频的社交属性信任值S_n，然后进行归一化得到归一化的内容信任值C′_n和社交属性信任值S′_n，归一化公式如下：

其中，max(C_n)、min(C_n)表示N个共享视频内容信任值的最大值和最小值，max(S_n)、min(S_n)表示N个共享视频社交属性信任值的最大值和最小值。

然后采用如下公式计算得到权重系数α：

其中，O＝(O₁,O₂,…,O_N)，C′＝(C′₁,C′₂,…,C′_N)，O＝(S′₁,S′₂,…,S′_N)。

为了更好地说明本发明的技术效果，采用具体实例对本发明进行模拟验证。本实施例中利用来模拟社交网络共享视频的传输过程。图3是本实施例中共享视频传输的流程图。表1是本实施例中社交网络的主要参数设置。

表1

如表1所示，为了实现本发明可信度计算方法对不同信任类型社交网络的自适应权衡系数选择模拟，设置了三个不同信任环境的社交网络，分别是高信任、中信任和低信任社交网络，其中高信任社交网络的高、中、低信任用户比例分别是80％、15％和5％，中信任社交网络的高、中、低信任用户比例分别18％、70％和12％，低信任社交网络的高、中、低信任用户比例10％、15％和75％。

为了便于计算参数，本实施例在数据库中设置了3个表，其中表Ⅰ记录了共享视频集的统一内容定位符向量，表Ⅱ记录了社交网络用户间的关注关系，表Ⅲ记录了共享视频的社交网络用户共享行为，这些行为包括上传、浏览、点赞、反对、转发、举报、打分。

接下来从以下4个方面对本发明的技术效果进行分析：

(1)有效性分析

由于本发明方法综合考虑了社交网络共享视频的内容属性和社交属性信任，在有效性比较方面，选取了仅考虑内容安全性的内容模型、和仅考虑社交评价的社交模型，并采用误差衡量模型的有效性。误差定义为计算获得的共享视频的可信度与共享视频真实的可信度之差。图4是本实施例高信任社交网络下不同信任视频的信任度误差比较图。图5是本实施例中信任社交网络下不同信任视频的信任度误差对比图。图6是本实施例低信任社交网络下不同信任视频的信任度误差对比图。如图4至图6所示，仅内容模型在低信任社交网络环境的有效性优于仅社交模型，而在高信任社交环境下有效性低于仅社交模型；本发明方法在不同信任社交环境下均具有最低的误差取值，有效性最高。

(2)针对恶意用户评价行为

为衡量本发明方法在抵抗恶意用户评价行为方面的性能，设置了恶意用户在0.1、0.3和0.5的比例情况下，三种可信度计算方法的误差比较。图7是本实施例中不同恶意用户比例下不同可信度计算方法的对比图。如图7所示，本发明方法在高、中、低信任社交网络下，具有最小的误差取值，且误差取值波动范围不大，能够有效的抵抗恶意用户的评价行为。

(3)针对不安全视频欺骗行为

为衡量本发明方法对于不安全共享视频欺骗行为的抵抗性，在每种信任类型的社交网络中分别设置了比例为0.1、0.3、0.5的恶意共享视频。图8是本实施例中不安全视频不同比例下不同可信度计算方法的对比图。如图8所示，仅内容或仅社交模型的误差取值较大，且对于不同比例的不安全视频情况误差波动较大，本发明的误差取值最小，波动范围也最小，说明本发明方法能够有效的抵抗不安全视频的欺骗行为。

(4)自适应权重分析

根据本发明步骤S103中的内容可知，本实施例中提供了一种根据经验数据计算权重α的方法，以适应不同社交网络的需要。对每种不同信任环境的社交网络，视频内容信任值分别取值为高信任、中信任和低信任视频，以分析权重α在不同信任社交网络不同信任共享视频环境的取值分布情况。图9是本实施例中不同社交网络环境下权重α的取值分布图。从图9可知，采用该权重α计算方法所得到的权重α在高信任社交网络中取值大于较低信任社交网络，说明如果社交网络信任较高，则在判断共享视频的信任度时可以更多依赖社交用户的评分；反之，则应较少依赖社交用户的评分。同时，对于同一类型的社交网络，共享视频的信任越低，则应较少依赖社交用户的评分。这与实际经验知识一致，说明该权重α计算方法能够针对不同信任环境的社交网络自适应的选择权重系数。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种在线社交网络下共享视频的信任度计算方法，其特征在于，包括以下步骤：

S1：当社交网络中某个用户u_*接收到共享视频v_*时，首先计算共享视频的内容属性信任值C_*，具体方法如下：

对用户u_*接收的共享视频v_*按照预先设置好的统一内容定位符提取出相应的视频内容定位符项目，并生成视频内容定位符向量

其中l_d表示视频内容定位符向量

中第d项视频内容定位符项目的值，d＝1,2,…,D，D表示视频内容定位符项目的数量；

然后基于视频内容定位符向量L采用以下公式计算得到共享视频的内容信任值C_*：

其中，

表示内容定位符向量中项目出现的概率，计算公式为

P(l_d)表示根据经验数据统计得到的第d项视频内容定位符项目出现的概率；P(T)表示根据经验数据统计得到的任意共享视频内容信任的平均概率，P(l_d|T)表示根据经验数据统计得到的第d项视频内容定位符项目属于信任内容的概率；

S2：采用如下方法计算共享视频的社交属性信任值：

S2.1：对于共享视频v_*，获取已经浏览过该共享视频v_*的浏览用户，然后从中筛选出与用户u_*存在一阶关注和两阶关注的用户，将这些用户的序号构成集合ψ；

S2.2：对于集合ψ中的每个用户u_i，i∈ψ，获取其对共享视频的行为取值，包括：点赞值T_i,1、反对值T_i,2、转发值T_i,3、正确举报值T_i,4以及打分值R_i，其中T_i,q表示对应行为是否发生，如果发生则T_i,q＝1，否则T_i,q＝0，q＝1,2,3,4；采用以下公式计算得到用户u_i对共享视频的评分Grade′_i：

Grade′_i＝T_i,1-T_i,2+T_i,3-T_i,4+R_i

然后采用如下公式对评分Grade′_i进行归一化，得到归一化的评分Grade_i：

其中，max(Grade′_i)、min(Grade′_i)分别表示用户对共享视频评分的最大值和最小值；

S2.3：对于集合ψ中的每个用户u_i，采用以下公式计算得到用户u_i的上传视频信任值t_{i_up}：

其中，T_up表示预设的所有社交用户上传视频的信任值基准，θ表示预设的正确举报的惩罚因子，函数sgn()表示signum符号函数，取值为1或0，J表示用户u_i上传视频集合，G表示所有正确举报用户u_i上传视频的用户序号集合，

表示社交网络用户u_g是否存在对用户u_i所上传视频v_j的正确举报行为，如果存在，则

否则

采用以下公式计算得到社交网络用户u_i的浏览视频信任值t_{i_ve}：

其中，T_ve表示预设的所有社交用户浏览视频的信任值基准，K表示被用户u_i正确举报视频的上传用户序号集合，M_k表示集合K中用户u_k上传视频集合，

表示社交网络用户u_i是否存在对用户u_k所上传视频v_m的正确举报行为，如果存在，则

否则

σ表示预设的错误举报惩罚因子，S表示被用户u_i错误举报视频的上传用户序号集合，Z_s表示集合S中用户u_s上传视频集合，

表示社交网络用户u_i是否存在对用户u_s所上传视频v_z的正确举报行为，如果存在，则

否则

对上传视频信任值t_{i_up}、浏览视频信任值t_{i_ve}分别进行归一化，计算公式如下：

其中，t′_{i_up}与t′_{i_ve}分别是用户u_i归一化的上传视频信任、浏览视频信任，max(t_{i_up})、min(t_{i_up})分别是所有社交用户的最大上传视频信任值与最小上传视频信任值，max(t_{i_ve})、min(t_{i_ve})分别是所有社交用户的最大浏览信任值与最小浏览信任值；

计算得到用户u_i的信任值t′_i＝t′_{i_up}+t′_{i_ve}，再进一步归一化得到归一化的信任值

max(t_i′)、min(t_i′)分别是所有社交用户的最大信任值与最小信任值；

S2.4：对于社交网络中每个用户u_y，y∈Y，Y表示社交网络中用户集合，获取其历史浏览视频集合Φ_y，然后对于历史浏览视频集合Φ_y中的每个视频v_h，按照预先设置好的统一内容定位符提取记录中该视频的内容定位符向量L_y,h，h＝1,2,…,|Φ_y|，|Φ_y|表示历史浏览视频集合Φ_y中的视频数量，从而得到用户u_y的历史浏览视频内容定位符向量集合

然后两两计算两个用户u_y和u_y′之间浏览视频内容定位符向量集合的相似度，即作为用户u_y和用户u_y′对视频的兴趣相似度S_y,y′，y′∈Y且y′≠y；

S2.5：根据步骤S2.4得到的用户间对视频的兴趣相似度，采用如下方法计算得到每个用户u_y在共享视频社交网络中的影响力

1)令每个用户u_y在共享视频社交网络中的初始影响力

γ为预设的常数；

2)令迭代次数τ＝1；

3)对于社交网络中每个用户u_y，采用如下公式计算得到其本次迭代后的影响力

其中，λ表示预设的阻尼系数，其取值范围为0＜λ＜1，|Y|表示社交网络中用户数量，B(u_y)表示所有关注用户u_y的用户的序号集合，

表示上一次迭代所得到的用户u_b在共享视频社交网络中的影响力，C(u_b)表示用户u_b关注的用户的序号集合，S_b,y表示用户u_b和用户u_y对视频的兴趣相似度，S_b,c表示用户u_b和用户u_c对视频的兴趣相似度；

4)判断是否τ＜τ_max，τ_max表示预设的最大迭代次数，如果是，进入步骤5)，否则进入步骤6)；

5)令τ＝τ+1，返回步骤3)；

6)将最后一次迭代所得到的用户u_y的影响力

作为其在共享视频社交网络中的影响力

然后计算得到集合ψ中用户u_i对用户u_*的影响力值

具体分为以下两种情况：

当用户u_i和用户u_*存在一阶关注，则用户u_i对用户u_*的影响力值F_i,*的计算公式如下：

其中，

表示用户u_i在共享视频社交网络中的影响力，S_i,*表示用户u_i与用户u_*对视频的兴趣相似度，C(u_*)表示用户u_*所关注用户的序号集合，

表示用户u_*与用户

对视频的兴趣相似度；

当用户u_i和用户u_*存在二阶关注，则用户u_i对用户u_*的影响力值F_i,*的计算公式如下：

其中，W_i,*表示户u_i和用户u_*形成二阶关注时的中间用户集合，F_i,w表示用户u_i对用户u_w的影响力值，计算公式如下：

其中，S_i,w表示用户u_i与用户u_w对视频的兴趣相似度，C(u_w)表示用户u_w所关注用户的序号集合，

表示用户u_w与用户

对视频的兴趣相似度；

F_w,*表示用户u_w对用户u_*的影响力值，计算公式如下：

其中，

表示用户u_w在共享视频社交网络中的影响力，S_w,*表示用户u_w与用户u_*对视频的兴趣相似度；

S2.6：采用以下公式计算得到共享视频v_*的社交属性信任值S_*：

S3：将步骤S1得到的共享视频的内容信任值C_*和社交属性信任值S_*进行加权求和得到共享视频的可信度O_*：

O_*＝(1-α)×C_*+α×S_*

其中，α表示预设的权重，其取值范围为0＜α＜1。

2.根据权利要求1所述的在线社交网络下共享视频的信任度计算方法，其特征在于，所述步骤S2.4中采用Jaccard相似度计算两个用户之间浏览视频内容定位符向量集合的相似度，即用户u_y和用户u_y′对视频的兴趣相似度S_y,y′的计算公式如下：

其中，L_y′,h′表示用户u_y′对其历史浏览视频集合Φ_y′中视频v_h′的内容定位符向量，h′＝1,2,…,|Φ_y′|，|Φ_y′|表示历史浏览视频集合Φ_y′中的视频数量。

3.根据权利要求1所述的在线社交网络下共享视频的信任度计算方法，其特征在于，所述步骤S3中的权重α采用以下方法确定：

社交网络中获取N个共享视频，对其进行可信度标注，第n个共享视频的可信度为O_n，采用步骤S1中的方法计算每个共享视频的内容信任值C_n，采用步骤S2中的方法计算每个共享视频的社交属性信任值S_n，然后进行归一化得到归一化的内容信任值C′_n和社交属性信任值S′_n，归一化公式如下：

其中，max(C_n)、min(C_n)表示N个共享视频内容信任值的最大值和最小值，max(S_n)、min(S_n)表示N个共享视频社交属性信任值的最大值和最小值；

然后采用如下公式计算得到权重系数α：

其中，O＝(O₁,O₂,…,O_N)，C′＝(C′₁,C′₂,…,C′_N)，O＝(S′₁,S′₂,…,S′_N)。

Images