CN116484113A - 一种基于动态信任感知的群体观点预测方法及系统 - Google Patents
一种基于动态信任感知的群体观点预测方法及系统 Download PDFInfo
- Publication number
- CN116484113A CN116484113A CN202310412337.2A CN202310412337A CN116484113A CN 116484113 A CN116484113 A CN 116484113A CN 202310412337 A CN202310412337 A CN 202310412337A CN 116484113 A CN116484113 A CN 116484113A
- Authority
- CN
- China
- Prior art keywords
- trust
- individuals
- social
- network
- viewpoint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000008447 perception Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims description 24
- 238000012546 transfer Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 14
- 101000721034 Homo sapiens Opticin Proteins 0.000 description 12
- 102100025913 Opticin Human genes 0.000 description 12
- 230000003068 static effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 102100030492 1-phosphatidylinositol 4,5-bisphosphate phosphodiesterase epsilon-1 Human genes 0.000 description 5
- 101100408465 Homo sapiens PLCE1 gene Proteins 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001078983 Tetradium ruticarpum Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于动态信任感知的群体观点预测方法及系统,涉及观点动力学领域,具体方案包括:为社交网络建模,得到初始的社交网络;基于社会相似性、结构相似性和社交关系强度,构建完整信任网络;计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,不稳定则利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,进行基于新的社交网络的观点演化过程;本发明将社交关系强度引入到信任传播过程中,考虑个体间的观点相似性和个体间的信任度对观点演化的影响,特别是非邻节点对自身观点演化的影响,提高了观点演化趋势预测的准确性。
Description
技术领域
本发明属于观点动力学领域,尤其涉及一种基于动态信任感知的群体观点预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着互联网的迅速普及和发展,现实社会中涌现出越来越多不同的观点和看法,这些观点和看法代表了人们思维和行为的一种表现方式。此外,人们的观点并非固定不变的,社会中的交流、社会环境变化等因素会导致每个人的观点不断更新;正是由于观点的动态变化,社会中出现了一些群体现象,如共识形成、正反方对立以及各种讨论等,这些群体现象无处不在,逐渐推动着人类认知水平的提高和社会科技的发展。面对社会中观点的不断演化,相关研究人员开始考虑对观点的演化进行建模分析,研究观点是如何形成、如何更新以及最终的演化结果,这形成了一个新的研究领域——观点动力学(Opi nionDynamics)。
观点动力学主要研究社会中不同观点在社会网络中产生、扩散、聚合等过程,从而得到群体观点演化的普遍规律。近年来随着计算机科学、复杂网络等技术的迅速发展,观点动力学逐渐成为数学、经济学、控制科学、统计物理学等诸多学科领域的交叉研究热点,相关学者通过基于多智能体的建模和仿真方法,从分析个体观点演化的动力学特征入手,逐渐推广到刻画群体观点的演化趋势。观点动力学的研究成果正在被大量应用于社会各领域中,例如市场竞争、交通运输、公共舆论引导等。因此,对群体观点演化现象的建模与分析,不仅有利于人们更好掌握社会发展规律,而且对科学技术的发展也有重要推动作用。
近年来,复杂网络与观点的共同演化问题逐渐引起了研究者的关注,苏等人研究了随机网络中的观点演化,并提出观点和社会网络可以协同演化的观点;吴等提出了混合的观点动力学模型,结合了传统的DeGroot模型和HK模型的特点,引入了个体的关系强度,扩展了个体的交互集合,假设网络中的观点相似度和结构相似度都随时间动态变化,并发现动态网络演化会导致较小的观点聚类和较小的观点差异;Kan U等人基于观点的同质性提出了一个自适应的有界置信模型,并发现在动态网络环境下,群体的观点更难达到共识;董等在置信阈值内基于共同朋友的观点引入了局部世界观点,并提出了一种融合个体和局部世界观点的自适应观点演化模型。
此外,在社交关系网络中,个体之间通常存在信任关系,这种信任关系是个体之间互动的基础,被广泛用于观点动力学的研究中。然而,在某些情况下,个体之间可能无法直接获取对方的信任度(TD)。因此,越来越多的学者致力于研究如何在社会组织中的成员之间传播关系信息,以获得社交关系网络的完整信息,这些研究试图通过引入信任传播算子来获得一个完整的社交关系网络,例如,张等人考虑到在观点演化过程中个体之间的观点相似度会随着时间动态变化这一事实,提出了一个讨论信任演化在社会网络群体决策中共识达成问题的方法;刘等人考虑了信任发起者与直接或间接信任节点之间的关系,提出了考虑信任度相对重要性的信任传播方法;董等人通过仿真验证了信任关系改善在基于信任关系的DeGroot模型中的重要作用;张和董等人在社会网络群体决策问题中考虑了具有信任关系的个体之间的交互作用,并将有界信任模型引入到反馈机制中来更新个体的观点。
尽管已有的研究工作在观点演化方面取得了一定的成果,但仍然存在以下不足:
(1)目前的观点演化模型研究已经提出了多种信任传播方法,但这些方法都基于一个假设:即个体之间的信任度大小已知,同时,这些方法未考虑社交关系强度在信任传递过程中的影响。
(2)当前观点演化模型研究仅考虑了个体间观点相似性对社交关系网络演化的影响,而忽略了个体间的信任度的作用。
(3)目前的观点演化模型研究仅考虑了邻居节点对自身观点的影响,而忽略了非邻居节点所带来的影响。此外,在现有研究中,个体在每个时刻平均分配对邻居观点的权重,然而在现实社会中,人们往往对不同邻居具有不同的信任程度,信任度越高,观点被接受的可能性就越大。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于动态信任感知的群体观点预测方法及系统,将社交关系强度引入到信任传播过程中,考虑个体间的观点相似性和个体间的信任度对观点演化的影响,特别是非邻节点对自身观点演化的影响,提高了观点演化趋势预测的准确性。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种基于动态信任感知的群体观点预测方法;
一种基于动态信任感知的群体观点预测方法,包括:
步骤S1:将群体建模成社交网络,并设置社交网络中每个个体的初始观点信息,得到初始的社交网络;
步骤S2:基于社会相似性、结构相似性和社交关系强度,进行信任传播,计算社交网络中个体间的信任度,构建完整信任网络;
步骤S3:基于完整信任网络中个体间的信任度,计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,稳定则将得到的群体观点作为最终的预测结果,不稳定则转至步骤S4;
步骤S4:利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,转至步骤S2,进行基于新的社交网络的观点演化过程。
进一步的,所述个体间的社会相似性、结构相似性和社交关系强度,具体为:
所述社会相似性,通过对比个体的不同社会属性来计算它们之间的相似度,用于评估它们之间的社会联系的强度;
所述结构相似性,通过计算个体之间共同邻居占节点最大邻居数量的比例来度量节点之间的结构特征相似性;
所述社交关系强度,通过设置个体之间所表现出的亲疏远近程度来度量个体之间的关系强度。
进一步的,所述构建完整信任网络,具体为:
基于个体间的社会相似性、结构相似性和社交关系强度,通过加权方法计算个体间的直接信任度,构建社交网络的初始信任网络;
对初始信任网络进行信任传播,得到完整信任网络。
进一步的,所述对初始信任网络进行信任传播,具体步骤为:
基于社交关系强度,计算个体间的信任传递效率;
根据个体间的直接信任度和信任传递效率,使用最短路径计算非邻个体间的间接信任度,组成个体间的信任度;
基于个体间的信任度,选择最短路径中的信任度最大值作为个体间的最终信任度。
进一步的,所述计算个体间的影响权重,具体为:
通过预设的置信阈值和信任度阈值,为社交网络中的每个个体筛选满足置信区间和信任度区间的个体,组成该个体的交互集合;
基于个体间的信任度,计算交互集合内所有个体间的影响权重。
进一步的,所述交互集合内所有个体间的影响权重,具体为:
将个体vi和个体vj之间的信任度Γij作为影响观点接受度的指标,对信任度Γij进行归一化处理,得到个体vi和个体vj之间的影响权重ωi,j。
进一步的,所述对社交网络进行演化,具体为:
(1)基于个体间的观点相似性,从有边连接的两个个体中,选择预断开的两个个体,根据个体间的信任度计算断开的概率,依据概率进行断开操作;
(2)基于个体间的观点相似性,从无边连接的两个个体中,选择预连接的两个个体,根据个体间的信任度计算连接的概率,依据概率进行连接操作。
本发明第二方面提供了一种基于动态信任感知的群体观点预测系统。
一种基于动态信任感知的群体观点预测系统,包括初始化模块、信任传播模块、观点预测模块和网络演化模块:
初始化模块,被配置为:将群体建模成社交网络,并设置社交网络中每个个体的初始观点信息,得到初始的社交网络;
信任传播模块,被配置为:基于社会相似性、结构相似性和社交关系强度,进行信任传播,计算社交网络中个体间的信任度,构建完整信任网络;
观点预测模块,被配置为:基于完整信任网络中个体间的信任度,计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,稳定则将得到的群体观点作为最终的预测结果,不稳定则进入网络演化模块;
网络演化模块,被配置为:利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,转至信任传播模块,进行基于新的社交网络的观点演化过程。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种基于动态信任感知的群体观点预测方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种基于动态信任感知的群体观点预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明引入了社会相似性、结构相似性和社交关系强度的概念,运用这些概念推断出个体之间的直接信任程度,并将社交关系强度纳入信任传播过程中,提出了一种新的基于社交关系强度的信任传播方法,进而构建了一个完整的信任传播矩阵。
本发明同时考虑了个体间的观点相似性和个体间的信任度这两个因素对社交关系网络演化的影响,在个体进行观点更新时,考虑了邻居节点对个体的影响,同时也考虑了信任度较大的非邻居节点对个体的影响;此外,该模型通过引入个体间信任度参数对权重进行分配,改进了经典HK模型中存在的权重设置缺陷。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例在不同的置信阈值ε下的演化过程图。
图3为第一个实施例的平均演化步数随置信阈值ε和信任度阈值β的变化图。
图4为第一个实施例的平均观点聚类数随置信阈值ε和信任度阈值β的变化图。
图5为第一个实施例的最大集合人数比例随置信阈值ε和信任度阈值β的变化图。
图6为第一个实施例的在不同的重连边数M下OPTC方法的演化过程图。
图7为第一个实施例的不同置信阈值ε和不同重连边数M值下群体最终观点集群数NOC图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例公开了一种基于动态信任感知的群体观点预测方法。
如图1所示,一种基于动态信任感知的群体观点预测方法,包括:
步骤S1:将群体建模成社交网络,并设置社交网络中每个个体的初始观点信息,得到初始的社交网络。
本实施例以选择HK模型作为本实施例的建模方法,主要是由于它比较符合现实中个体与个体之间交流观点的实际情况,任何个体在进行观点交流的时候都有自己独有的能接受别人观点影响的范围,但是这种基于观点相似进行交互的思想在现实社会观点演化的研究中还不够全面。在现实社会中存在两种情况,如果两个人互相都不认识,但是这两个人之间也可能通过中间人介绍而存在信任关系;此外,一个人的朋友圈并不是静态不变的,而是会因为各种影响因素动态的更新,因此,基于上述原因,本实施例提出了基于动态信任感知的观点演化趋势预测方法,简称OPTC方法,下面采用采用传统HK模型为社交网络建模,具体为:
考虑一个含有n个个体的社交网络G=(V,E),其中,V={v1,v2,…,vn}表示个体集合,也就是“群体”,E∈V×V分别表示连边集合,记网络中个体i∈V在t时刻下的观点为оi(t),其中,оi(t)∈[0,1],εi∈[0,1]为个体i的置信半径。Ni(t)表示t时刻下满足个体i交互条件的邻居集合,即j∈Ni(t),都满足|оi(t)-оj(t)|≤εi,在有界置信模型中,若对任意的i,j∈V,都有εi=εj=ε,则称该模型为同质有界置信模型,若存在εi≠εj,则称该模型为异质有界置信模型,本实施例假设所有个体都有相同的置信阈值,即εi=εj=ε。
定义1(网络连通性):用邻接矩阵At=(aij)N×N∈[0,1]来表示在t时刻社交网络G中所有个体之间的关系强度,用公式表示为:
其中,E(t)表示t时刻的连边集合,在社交网络G中,如果这意味着个体vi和vj之间有一条直接相连的边,其中,/>表示这两个个体之间的关系强度大小。
定义2(信任矩阵):用矩阵Γt=[τu,v]N×N表示在t时刻社交网络G中个体之间的信任度,τi,j∈[0,1]表示个体i对个体j的信任度,其中,τi,j=0,表示完全不信任,τi,j=1,表示完全信任,需要注意的是,本实施例所假设的社交网络是无向图,因此,信任矩阵具有对称性,即τij=τji。
定义3(收敛条件):若存在常数ST,使得对都有:
如果在任何条件下公式(2)都恒成立,则称群体观点演化达到稳定的收敛状态,观点演化过程结束,其中,ST为预设的群体观点收敛步数。
初始观点信息,包括观点值、社会属性和社交关系强度,其中,观点值是群体中的n个个体对一个事件的观点值,比如,个体a对某一事件的观点认同度为0.4;社会属性是每一个个体处于社会上的属性,包括性别、职业、地理位置、文化程度等;每对个体间的社交关系强度是初始设置的一个[0,1]的小数,用于表征两个个体间的亲疏远近程度,比如,个体a和个体b之间的关系强度为0.6。
步骤S2:基于社会相似性、结构相似性和社交关系强度,进行信任传播,计算社交网络中个体间的信任度,构建完整信任网络。
信任传播是指在一个信任网络中,通过节点间的信任关系传播,对节点的信任值进行推断的方法,针对信任网络构建问题,本申请分析了直接信任度的计算方法,并将社交关系强度引入信任传播过程,讨论了如何在不完整的初始信任网络中实现信任传递的过程,最终构建出完整信任网络,具体步骤为:
步骤S201:计算个体间的直接信任度,构建社交网络的初始信任网络。
为充分考虑个体间的信任关系对观点演化的影响,结合个体间的社会相似性、结构相似性和社交关系强度,并通过加权方法计算得到邻居个体间的直接信任度。
(1)社会相似性
社会属性相似性,是通过对比个体的不同社会属性来计算它们之间的相似度,用于评估它们之间的社会联系的强度,在观点演化研究中,社会属性相似性度量可用于计算个体之间在思想、信仰等方面的相似程度,从而影响他们在观点演化过程中的交互行为。
用向量来表示个体vi的m个社会特征属性,取值过程如下:
若两个个体对应的属性相同,则他们的属性均赋值为1,,不同则他们的属性分别赋值为0或1,例如,若双方性别相同,则sex(vi)=1,sex(vj)=1,否则sex(vi)=1,sex(vj)=0或sex(vi)=0,sex(vj)=1。
常用的度量方法包括欧氏距离、余弦相似度、皮尔逊相关系数等,本实施例采用余弦相似度来计算个体之间的社会相似度Sij,如公式(4)所示:
其中,sij表示个体vi和vj间的社会相似性度量值,sij∈[-1,1],为了简化计算量,本实施例仅考虑个体的性别、职业、地理位置和文化程度四个特征属性,并在计算时进行了归一化处理。
(2)结构相似性
结构相似性通常是指在社交网络中比较节点之间结构特征相似度的方法,这些方法用于确定节点之间的相似性,以便进行网络分析和应用,如计算个体间的信任度。本实施例使用Jaccard系数来度量个体间的结构特征相似性,该方法计算节点之间共同邻居占节点最大邻居数量的比例,该比例越高,节点之间的相似度越高,如公式(5)所示:
其中,Jij表示个体vi和vj间的结构相似性度量值,Jij∈[0,1],Ni表示节点vi的邻居集合,Nj表示节点vj的邻居集合,表示在t时刻节点vi和节点vj共同邻居的数量。
(3)社交关系强度
在社交网络中,社交关系强度(Relationship Strengths,RS)是指个体之间所表现出的亲疏远近程度,通常可以用来描述两个人之间的联系有多密切、亲密,或者彼此之间的交互有多频繁、深入;在研究社交网络结构和动态变化时,关系强度通常是一个重要的变量,可以对个体和网络进行描述和分析;本实施例用Rij来表示个体vi和vj间的社交关系强度,其中,Rij服从区间[0,1]之间的均匀随机分布,Rij越接近1,表明个体间的关系强度越强,反之,越弱。
(4)个体间的直接信任度计算
综合个体间的社会相似性Sij(t)、结构相似性Jij(t)和社交关系强度Rij(t),得到社交网络中个体间的直接信任度Γij(t),如公式(6)所示:
Γij(t)=aSij(t)+bJij(t)+cRij(t) (6)
其中,a、b、c∈[0,1],a+b+c=1,分别表示Sij(t)、Jij(t)和Rij(t)在信任度构成中的权重。
步骤S202:对初始信任网络进行信任传播,得到完整信任网络,具体为:
(1)基于社交关系强度,计算个体间的信任传递效率。
社交关系强度是信任传播过程中的一个重要因素,但是当前的观点演化研究在信任传播过程中都没将这一因素考虑进来;关系强度越强,信任传播效率就越好,也就是说信任传递效率是关系强度的函数,用ps来表示个体间的信任传递效率,用公式(7)计算信任传递效率ps。
其中,Rij∈(0,1)表示个体之间的社交关系强度,ps∈(0,1)。
用下面的例子进一步说明了社交关系强度在信任传播过程中的重要性,假设存在两条信任传播路径,和/>箭头上的数字就表示个体间的社交关系强度,在路径I中,当A和B之间的关系强度为0.3时,A到B之间的信任传递效率为而路径II中,当A和B之间的关系强度为0.5时,A到B之间的信任传递效率为/> 而这个计算出的信任传递效率用于下面公式(8)中计算信任度。
(2)根据个体间的直接信任度和信任传递效率,使用最短路径计算非邻个体间的间接信任度,组成个体间的信任度。
这是一种信任传递方法,在社交关系网络中,两个节点间的中间节点越多,信任的传递效率就越差,因此,假设两个节点间有多条路径,选取跳数最小的路径作为最短路径,使用最短路径上的信任度乘积来计算两个节点间的间接信任度,则两个非邻个体间的信任度,由公式(8)得到:
其中,ps是个体vi和vj间的信任传递效率,θ=min(Γi,σ(1),Γσ(1),σ(2),...,Γj-1,j),θ是一个修正系数,用来确保通过信任传播得到的信任度始终小于信任传播路径中的任何一个信任度大小,由于信任值会随着路径长度的增加而降低,因此,用θ来表示最终计算出的信任度始终低于信任传播路径中的每一跳的信任值。
(3)基于个体间的信任度,选择最短路径中的信任度最大值作为个体间的最终信任度。
这是一种多信任路径中的信任聚合方法,当两个个体间存在多条最短信任传播路径时,就会产生多个信任度,信任度越小,其参考价值就越低,因此,本实施例选择多条最短路径中的信任度最大值作为这两个个体的信任度,公式为:
其中,表示个体vi的n条最短路径中第i条信任路径上的信任度。
步骤S3:基于完整信任网络中个体间的信任度,计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,稳定则将得到的群体观点作为最终的预测结果,不稳定则转至步骤S4,具体为:
步骤S301:确定个体的交互集合
通过预设的置信阈值和信任度阈值,为社交网络中的每个个体筛选满足置信区间和信任度区间的个体,组成该个体的交互集合。
传统的有界置信算法仅考虑了邻居节点对自身观点演化的影响,而忽视了非邻居节点所带来的影响,显然这是不合理的,本实施例将通过信任传播得到的非邻居节点加入到交互集合中,对传统HK模型的交互集合进行了扩展,基于有限信任和信任度计算交互集合,因此个体vi交互集合的选择过程可分为三步:
(1)按照有界信任算法,选择与vi直接连接且与vi的观点差处于置信阈值ε内的个体集合:
(2)根据信任传播矩阵,得到与个体vi不直接连接但其信任度大于信任度阈值β的个体集合:
(3)个体vi在t时刻的交互集合为:
步骤S302:计算影响权重
传统的HK模型在确定下一时刻的观点时,使用了交互集合中所有节点的平均观点,然而,在现实社会中,个体对不同个体的信任程度不同,当个体间的信任度较高时,会更容易相信他人的观点,反之,则更可能坚持自身的观点。因此,本实施例将个体间的信任度视为影响观点接受度的指标,并对其进行归一化处理,得到个体vi对个体vj的影响权重ωi,j,公式为:
其中,ωi,j(t+1)≥0,且
步骤S303:观点演化
在t+1时刻,所有个体观点被同步更新,根据不同的影响权重接受交互集合内所有个体的观点,计算t+1时刻个体vi的观点Oi(t+1),公式如下:
其中,表示节点vi对自身观点的坚持程度,/>表示节点vi对其他节点观点的接受程度。
受社会相似性、结构相似性和社交关系强度等因素的影响,群体对某一事件的观点发生了变化,比如,初始阶段个体a对某一事件的观点认同度为0.4,下一时刻个体a对这一事件的观点认同度变为0.9。
步骤S304:稳定判断
使用定义3的收敛条件,对步骤S303得到的观点Oi(t+1)进行稳定性判断,如果已经达到稳定的收敛状态,则观点演化过程结束,否则转入步骤S4,进行社交网络的演化。
步骤S4:利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,转至步骤S2,进行基于新的社交网络的观点演化过程。
社交关系演化网络(Social Relation Evolution Networks,SREN)是一种时变网络,其节点和节点间的连接会随时间推移而不断添加或删除,在现实社会中,个体间的信任度变化会导致动态建立或删除个体之间的连接,如果两个非邻居节点的观点足够相似且信任度较高,则它们之间成为朋友的概率会增加;相反,如果两个邻居节点的观点差异较大且信任度较低,则由于观点冲突,它们之间的连接关系会被断开的概率会增加。
因此,考虑到上述两个因素,本实施例基于SREN,利用个体间的观点相似性和个体间的信任度来确定社会网络的演化规则,具体为:
(1)基于个体间的观点相似性,从有边连接的两个个体中,选择预断开的两个个体,根据个体间的信任度计算断开的概率,依据概率进行断开操作。
如果节点vi和vj之间有边连接,即那么从观点差大于置信阈值的所有节点对(即/>)集合中,选择m对节点,然后以概率p1来断开他们之间的连接关系,个体间的信任度越小,被选择的概率越大,概率p1的计算公式为:
(2)基于个体间的观点相似性,从无边连接的两个个体中,选择预连接的两个个体,根据个体间的信任度计算连接的概率,依据概率进行连接操作。
如果节点vi和vj之间没有边连接,即且节点vi和vj之间的观点距离小于置信阈值/>那么从所有满足条件的节点对中,以概率p2选出m对节点进行连接,个体间的信任度越大,被选则的概率就越大,概率p2的计算公式为:
步骤S5:在得到最终的群体观点后,还可以对群体中这n个人的观点聚类,得到群体观点演化趋势。
所述群体观点演化趋势,比如,所有个体对某一事件都持有一种观点,或者20%的个体对某一事件的观点支持度是0.4。
本实施例通过Python运行环境对OPTC方法进行了模拟仿真,以观察和比较动态和静态网络环境中信任度阈值β和网络重连数量M对OPTC性能的影响。
实验参数设置如下:N=62,每个个体的初始观点 服从[0,1]之间的均匀随机分布,为了消除随机性的影响,在相同的条件下将以不同观点初值做10次重复数值仿真实验,取10次仿真结果的平均值作为最终结果。
(1)置信阈值对观点演化的影响
研究社交关系网络中置信阈值ε对OPTC中观点演化的影响,分别取ε=0.1,0.2,0.3,仿真结果如图2所示,图2在不同的置信阈值ε下OPTC方法的演化过程(a)M=4,β=0.5,ε=0.1;(b)ε=4,β=0.5,ε=0.2;(c)=4,β=0.5,ε=0.3。
结果表明:在其他参数(β,M)一定的条件下,随着ε的增大,OPTC方法中观点簇的分布逐渐从分散到集中;这与经典的HK模型得出的结论相似,ε越小,个体间的交流范围越小,因此,观点的趋同在局部发生,导致群体观点以多元形式出现,随着ε的增加,个体可以与更多的节点进行观点交流,群体的观点逐渐趋于一致。
(2)观点演化的统计指标
为了深入研究在社交关系网络中群体观点演化的规律,本实施例定义了三个统计学指标,以期从宏观角度研究观点演化的特征:
平均演化步数(ST):全部个体同时在离散时刻t更新他们的观点,ST即为“步数”。
群体最终观点聚类数(NOC):当满足公式(3)时,观点更新过程结束,最后形成的是观点集合的平均数。
最大集合人数比例(PPLC):表示当群体观点演化达到稳定状态时,最大观点集合人数占全部人数的比例。当最大集合人数比例为1时,表示群体中所有个体持有相同的观点,观点达成共识。
1)信任度得分对观点演化的影响
研究社交关系网络中信任度阈值β对OPTC方法中群体观点演化步数ST、群体最终观点聚类数NOC和最大群体人数比例PPLC的影响,分别取β=0.4,0.5,0.6,仿真结果如图3、4和5所示。
图3反映了信任度阈值β对群体观点演化步数ST的影响,从中可以得到两个观察结果:(1)无论是在动态环境还是在静态环境下,β越大,ST逐渐越大;(2)个体的观点在动态网络环境下比静态网络环境下更容易达到稳定的收敛状态。
图3的观察结果可以解释为:随着ε的增加,个体间的交流范围就越大,群体观点就越达到稳定状态的时间就更少;动态网络环境下,在每一轮的观点演化过程中,部分观点差异较大的邻居节点对之间的连接会断开,而部分非邻居关系但观点足够相似的节点对之间可能会连接成边,因此,这也相当于增大了节点的交流范围,进而导致比静态网络环境下需要更少的时间达到稳定的状态。
图4反映了信任阈值β对群体最终观点聚类数NOC的影响,可以观察到,在相同的β下,动态网络中的聚类数量明显少于静态网络中的聚类数量。在动态网络中,在ε<0.10之前,β越大,聚类数量越少,以ε=0.05为例,β=0.4,0.5,0.6时最终观点集群数NOC的平均值分别为26.3,3.2,1.4,1.2。而在ε>0.10之后,无论β为多少,NOC变化趋于平稳,且接近于1,此时观点达成一致,最终形成一个统一的观点共识。
图5显示了PPLC随ε和β的变化情况,在动态网络环境下,当β=0.4时,PPLC受ε的影响较大,而在静态网络中,当β=0.6时,PPLC受ε的影响较大,且两者都是在ε<0.15之前,随着ε的增加,PPLC呈上升趋势。此外,从图5中还可以观察到,ε<0.15之前,在动态网络下,当ε固定时,β越大,PPLC越大,而在静态网络下,则相反。当ε>0.15时,动态网络和静态网络中的最大集合人数比例相差不大,均接近于1,因为此时观点通常达成统一,最终形成一个统一的舆论共识,即使没有达成共识,也只有少数个体游离于主体之外。
2)网络结构特征对观点演化的影响
研究OPTC方法中,社交关系网络重连边数M对NOC的影响,分别取M=1,4,5,6,10,仿真结果如图6所示。
仿真结果表明:随着重连步数M的增加,最终观点集群数NOC减少。这意味着当网络结构变化越大,个体的交互集合增大,观点演化速度越快,群体观点分裂程度越低。
图6显示了在社交关系网络中重连边数M对OPTC方法中观点演化的影响。分别取M=1,4。结果表明:在其他参数(ε,β)一定的条件下,随着M的增大,OPTC方法中观点簇的分布逐渐从分散到集中。说明了网络结构的动态性对群体观点演化有显著的影响,网络结构变化越大,个体的交流范围就越大,观点分裂越少。
图7反映了重连边数M对群体观点演化集群数NOC的影响,以ε=0.07为例,M=1,4,5,6,10时,最终观点集群数NOC的平均值分别为23.9,12.0,2.4,1.8,1.3;这说明重连边数M会影响最终观点收敛结果;重连边数越多,最终观点分裂越少。
在现实社会中,当社交关系网络变化越大,即在每一轮观点更新的过程中,个体会断开更多观点不相似的邻居节点,而与更多观点相似的非邻居节点相连,这就使得每一轮个体的交互集合增大,个体的交流范围增大,以至于观点收敛时间减少,群体最终观点聚类系数减少。
针对当前观点演化模型存在的不足,结合现实生活的实际情况,在已有研究工作的基础上,对传统的HK模型进行了改进,提出了一种基于动态信任感知的群体观点预测方法OPTC,该模型考虑了个体间的信任传播、社交关系网络的动态性,改进了传统HK模型中的权重计算方法,从宏观的统计学角度分析了观点演化情况,并且和静态网络中的统计指标进行了对比分析。本发明的研究成果可以应用到许多实际情况中,如社会群体中观点的形成或人的决策,可以对社会上的一些突发事件进行及时的舆论引导与监督,也能帮助对网络舆论的演化做合适的预测。
实施例二
本实施例公开了一种基于动态信任感知的群体观点预测系统;
一种基于动态信任感知的群体观点预测系统,包括初始化模块、信任传播模块、观点预测模块和网络演化模块:
初始化模块,被配置为:将群体建模成社交网络,并设置社交网络中每个个体的初始观点信息,得到初始的社交网络;
信任传播模块,被配置为:基于社会相似性、结构相似性和社交关系强度,进行信任传播,计算社交网络中个体间的信任度,构建完整信任网络;
观点预测模块,被配置为:基于完整信任网络中个体间的信任度,计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,稳定则将得到的群体观点作为最终的预测结果,不稳定则进入网络演化模块;
网络演化模块,被配置为:利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,转至信任传播模块,进行基于新的社交网络的观点演化过程。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例一所述的一种基于动态信任感知的群体观点预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的一种基于动态信任感知的群体观点预测方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于动态信任感知的群体观点预测方法,其特征在于,包括:
步骤S1:将群体建模成社交网络,并设置社交网络中每个个体的初始观点信息,得到初始的社交网络;
步骤S2:基于社会相似性、结构相似性和社交关系强度,进行信任传播,计算社交网络中个体间的信任度,构建完整信任网络;
步骤S3:基于完整信任网络中个体间的信任度,计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,稳定则将得到的群体观点作为最终的预测结果,不稳定则转至步骤S4;
步骤S4:利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,转至步骤S2,进行基于新的社交网络的观点演化过程。
2.如权利要求1所述的一种基于动态信任感知的群体观点预测方法,其特征在于,所述个体间的社会相似性、结构相似性和社交关系强度,具体为:
所述社会相似性,通过对比个体的不同社会属性来计算它们之间的相似度,用于评估它们之间的社会联系的强度;
所述结构相似性,通过计算个体之间共同邻居占节点最大邻居数量的比例来度量节点之间的结构特征相似性;
所述社交关系强度,通过设置个体之间所表现出的亲疏远近程度来度量个体之间的关系强度。
3.如权利要求1所述的一种基于动态信任感知的群体观点预测方法,其特征在于,所述构建完整信任网络,具体为:
基于个体间的社会相似性、结构相似性和社交关系强度,通过加权方法计算个体间的直接信任度,构建社交网络的初始信任网络;
对初始信任网络进行信任传播,得到完整信任网络。
4.如权利要求3所述的一种基于动态信任感知的群体观点预测方法,其特征在于,所述对初始信任网络进行信任传播,具体步骤为:
基于社交关系强度,计算个体间的信任传递效率;
根据个体间的直接信任度和信任传递效率,使用最短路径计算非邻个体间的间接信任度,组成个体间的信任度;
基于个体间的信任度,选择最短路径中的信任度最大值作为个体间的最终信任度。
5.如权利要求1所述的一种基于动态信任感知的群体观点预测方法,其特征在于,所述计算个体间的影响权重,具体为:
通过预设的置信阈值和信任度阈值,为社交网络中的每个个体筛选满足置信区间和信任度区间的个体,组成该个体的交互集合;
基于个体间的信任度,计算交互集合内所有个体间的影响权重。
6.如权利要求5所述的一种基于动态信任感知的群体观点预测方法,其特征在于,所述交互集合内所有个体间的影响权重,具体为:
将个体vi和个体vj之间的信任度Γij作为影响观点接受度的指标,对信任度Γij进行归一化处理,得到个体vi和个体vj之间的影响权重ωi,j。
7.如权利要求1所述的一种基于动态信任感知的群体观点预测方法,其特征在于,所述对社交网络进行演化,具体为:
(1)基于个体间的观点相似性,从有边连接的两个个体中,选择预断开的两个个体,根据个体间的信任度计算断开的概率,依据概率进行断开操作;
(2)基于个体间的观点相似性,从无边连接的两个个体中,选择预连接的两个个体,根据个体间的信任度计算连接的概率,依据概率进行连接操作。
8.一种基于动态信任感知的群体观点预测系统,其特征在于,包括初始化模块、信任传播模块、观点预测模块和网络演化模块:
所述初始化模块,被配置为:将群体建模成社交网络,并设置社交网络中每个个体的初始观点信息,得到初始的社交网络;
所述信任传播模块,被配置为:基于社会相似性、结构相似性和社交关系强度,进行信任传播,计算社交网络中个体间的信任度,构建完整信任网络;
所述观点预测模块,被配置为:基于完整信任网络中个体间的信任度,计算个体间的影响权重,根据不同的影响权重预测群体观点,判断群体观点是否达到稳定,稳定则将得到的群体观点作为最终的预测结果,不稳定则进入网络演化模块;
所述网络演化模块,被配置为:利用个体间的观点相似性和个体间的信任度,对社交网络进行演化,得到新的社交网络,转至信任传播模块,进行基于新的社交网络的观点演化过程。
9.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412337.2A CN116484113B (zh) | 2023-04-12 | 2023-04-12 | 一种基于动态信任感知的群体观点预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412337.2A CN116484113B (zh) | 2023-04-12 | 2023-04-12 | 一种基于动态信任感知的群体观点预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484113A true CN116484113A (zh) | 2023-07-25 |
CN116484113B CN116484113B (zh) | 2023-09-19 |
Family
ID=87226261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310412337.2A Active CN116484113B (zh) | 2023-04-12 | 2023-04-12 | 一种基于动态信任感知的群体观点预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484113B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290433A (zh) * | 2023-09-27 | 2023-12-26 | 烟台大学 | 信息网络与社交网络协同驱动的观点输出方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982236A (zh) * | 2012-11-07 | 2013-03-20 | 北京交通大学 | 一种通过网络用户建模的观点预测方法 |
US20130097056A1 (en) * | 2011-10-13 | 2013-04-18 | Xerox Corporation | Methods and systems for recommending services based on an electronic social media trust model |
CN109299808A (zh) * | 2018-06-04 | 2019-02-01 | 西安电子科技大学 | 基于群体劝说力建模的网民观点演化趋势预测方法 |
CN111523046A (zh) * | 2020-04-11 | 2020-08-11 | 西安电子科技大学 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
CN112487304A (zh) * | 2020-11-26 | 2021-03-12 | 杭州电子科技大学 | 基于观点向量化的影响力传播模型的建立方法 |
CN113537622A (zh) * | 2021-07-30 | 2021-10-22 | 烟台大学 | 基于动态信任感知的服务偏好预测方法及系统 |
CN114997621A (zh) * | 2022-05-25 | 2022-09-02 | 合肥工业大学 | 基于信任和意见相似度综合关系的方案筛选方法及系统 |
CN115495673A (zh) * | 2022-09-29 | 2022-12-20 | 西南财经大学 | 社交网络动态群共识衍进系统及衍进方法 |
-
2023
- 2023-04-12 CN CN202310412337.2A patent/CN116484113B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130097056A1 (en) * | 2011-10-13 | 2013-04-18 | Xerox Corporation | Methods and systems for recommending services based on an electronic social media trust model |
CN102982236A (zh) * | 2012-11-07 | 2013-03-20 | 北京交通大学 | 一种通过网络用户建模的观点预测方法 |
CN109299808A (zh) * | 2018-06-04 | 2019-02-01 | 西安电子科技大学 | 基于群体劝说力建模的网民观点演化趋势预测方法 |
CN111523046A (zh) * | 2020-04-11 | 2020-08-11 | 西安电子科技大学 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
CN112487304A (zh) * | 2020-11-26 | 2021-03-12 | 杭州电子科技大学 | 基于观点向量化的影响力传播模型的建立方法 |
CN113537622A (zh) * | 2021-07-30 | 2021-10-22 | 烟台大学 | 基于动态信任感知的服务偏好预测方法及系统 |
CN114997621A (zh) * | 2022-05-25 | 2022-09-02 | 合肥工业大学 | 基于信任和意见相似度综合关系的方案筛选方法及系统 |
CN115495673A (zh) * | 2022-09-29 | 2022-12-20 | 西南财经大学 | 社交网络动态群共识衍进系统及衍进方法 |
Non-Patent Citations (4)
Title |
---|
RAQUEL UREÑA等: ""A review on trust propagation and opinion dynamics in social networks and group decision making frameworks"", 《INFORMATION SCIENCES》 * |
张亚楠: "社交网络上舆论形成模型研究", 中国优秀硕士学位论文全文数据库 基础科学辑 * |
张亚楠;孙士保;张京山;尹立航;闫晓龙;: "基于节点亲密度和影响力的社交网络舆论形成模型", 计算机应用, no. 04 * |
李根强;刘莎;张亚楠;孟勇;: "信息熵理论视角下网络集群行为主体的观点演化研究", 情报科学, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290433A (zh) * | 2023-09-27 | 2023-12-26 | 烟台大学 | 信息网络与社交网络协同驱动的观点输出方法和系统 |
CN117290433B (zh) * | 2023-09-27 | 2024-02-23 | 烟台大学 | 信息网络与社交网络协同驱动的观点输出方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116484113B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christakis et al. | An empirical model for strategic network formation | |
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
Amintoosi et al. | Trust-based privacy-aware participant selection in social participatory sensing | |
CN103279512B (zh) | 利用社会网络上最有影响力节点实现高效病毒营销的方法 | |
Kasthurirathna et al. | Emergence of scale-free characteristics in socio-ecological systems with bounded rationality | |
Baccelli et al. | Pairwise stochastic bounded confidence opinion dynamics: Heavy tails and stability | |
CN116484113B (zh) | 一种基于动态信任感知的群体观点预测方法及系统 | |
Xu et al. | Trust propagation and trust network evaluation in social networks based on uncertainty theory | |
CN102571431A (zh) | 针对复杂网络的基于群思想改进的Fast-Newman聚类方法 | |
CN107566249B (zh) | 一种训练用于预测社交网络用户转发消息的模型的方法 | |
Fatehi et al. | An automata algorithm for generating trusted graphs in online social networks | |
Xie et al. | Dynamic D2D multihop offloading in multi-access edge computing from the perspective of learning theory in games | |
Yilmaz et al. | Misinformation propagation in online social networks: game theoretic and reinforcement learning approaches | |
Chen et al. | [Retracted] Modeling and Simulation of Cultural Communication Based on Evolutionary Game Theory | |
Hu et al. | AI Facilitated Isolations? The Impact of Recommendation-based Influence Diffusion in Human Society. | |
CN111292062B (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
CN106815653B (zh) | 一种基于距离博弈的社交网络关系预测方法及系统 | |
Wang et al. | Enhanced by mobility? Effect of users’ mobility on information diffusion in coupled online social networks | |
Mui et al. | A probabilistic rating framework for pervasive computing environments | |
CN113792802B (zh) | 基于聚类系数的叠加随机游走重力模型链路预测方法 | |
CN114792187A (zh) | 基于意愿和信任双重约束的群智感知团队招募方法及系统 | |
Liu et al. | An effective simulated annealing for influence maximization problem of online social networks | |
Liu et al. | Crowd intelligence evolution based on complex network | |
Cui et al. | The Data Value based Asynchronous Federated Learning for UAV Swarm under Unstable Communication Scenarios | |
Panigrahi et al. | A reputation-aware hierarchical aggregation framework for federated learning |
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 |