面向移动社交网络的动态信任评估

数百万用户每天在参与移动社交网络互动及相关资源获取,在没有直接联系的2个用户之间建立信任关系,对于提高移动社交网络服务质量和增强用户安全感方面具有重要的作用.在分析移动社交网络体系架构的基础上,设计了一种综合考虑直接信任、推荐信任、信任风险函数、激励机制等多个影响因子的动态信任评估模型,并对信任值计算方法、信任决策和信任更新等进行分析.基于真实社交网络数据集Epinions.com的实验表明,本模型的信任值计算准确可信,且能够有效抵御恶意节点的攻击.     

基于加权启发式搜索的鲁棒性信任路径生成

在社交媒体中,信任传递在用户交互关系的建立上发挥着至关重要的作用.实际应用中,通常将信任传递过程应用于推荐系统来预测起始用户对特定目标用户的信任程度,从而更好地作出下一步决策.选择的信任路径是否较优与预测的准确性息息相关.针对路径长度和信任值在整条路径上的值分布,提出一种新的加权启发式搜索信任预测模型.该模型将改进的经典A*算法应用于信任网络进行路径寻找,其中,改进的A*算法在寻路过程中使用了二次启发并将启发函数设置为筛选条件进行路径筛选.该模型最终得到的信任路径具有相对较好的鲁棒性,相对提高了预测的准确性,而且在信任累加计算中融入了信任的衰减.最后,通过对比实验验证该模型的有效性,并分析了参数的变化对结果预测的影响.     

在线社交网络中基于机器学习的多维用户信任评估方法

为了解决在线社交网络中识别不可信用户的问题，提出了基于机器学习的多维用户信任评估方法.该方法首先定义了最大平均值对数偏差用于计算特征；其次，充分考虑在线社交网络的特点以及现实中信任建立的过程，从用户的历史数据中提取出一共4类13项特征用以计算用户的信任值.此外，方法使用了6种不同的机器学习模型，用来衡量所提出的特征识别不可信用户的效果.在真实数据集上的测试结果表明，基于最大平均值对数误差计算得到的特征能够在正确率等各项指标上取得优异表现.     

基于多层感知机的个性化链接排序预测

社交网络链接预测,即通过历史社交网络结构信息,预测未来一段时间内社交用户之间可能会产生新的链接关系,是社会网络分析中的一个重要问题。现有的模型挖掘了用户之间的浅层交互关系,或者通过深层网络去学习用户的特征描述。然而,由于社会网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对上述问题,文章提出基于多层感知机的个性化链接排序预测模型(PRMLP),从而实现了社交链接预测任务。PRMLP同时考虑了用户之间的交互关系,并采用了多层网络结构深入挖掘社会网络的拓扑结构,因此能够学习得到更精准的用户特征描述。文章针对模型训练中正负样本不平衡的问题提出了解决方案,在2个真实数据集进行的实验表明,文中提出的基于多层感知机的个性化链接排序预测模型相对于现有的其他链接预测模型表现更优。     

社交网络中基于信任评估的推荐控制模型

针对社交网络中无法有效管理陌生推荐安全性难题,提出了一种基于信任的评估推荐控制模型(TRCM).该模型描述了社交网络推荐中个体角色、推荐路径、可信任值、控制规则等方面内容.模型结合社交网络个体之间取信度、信誉度评估方法,分别计算串路型、并路型和复合型3类推荐信任度,并给出了客观偏移度和信心指数评估.同时,TRCM定义了一组信任控制规则以管理社交网络中的推荐行为.实验表明,该方法是有效可行的.     

基于贝叶斯网络和行为日志挖掘的行为信任控制

目前评估网络用户行为的方法成本高且缺乏可操作性,为了便捷有效地对用户行为信任进行预测与评价,文中首先提出了基于贝叶斯网络的用户行为信任预测和控制算法,算法利用聚类和分布密度函数设置算法参数,建立可量化的证据与信任等级之间的对应关系.接着实现基于IIS和.Net底层架构的可配置式信任管理插件,形成用户行为日志,为预测和控制算法提供证据,免除了一般Web日志的清洗工作.实验结果表明,文中算法可预测多属性下的行为信任等级,提高服务器的安全性和可靠性,并约束了用户的商业行为.     

基于交互链路的相似用户推荐算法

用户推荐是社交软件中必不可少的功能之一。针对目前绝大多数的用户推荐算法仅从用户的关注和粉丝中寻找相似用户,忽略了与其有过交互但却未关注该用户的人,以及仅关注用户间的直接交互、未考虑间接交互对推荐效果的影响等问题,该文提出了一种有效的基于交互链路的相似用户推荐算法。该算法将用户基本信息相似度与交互强度相结合,实现了相似用户的推荐。与已有算法相比,该算法扩展了发现相似用户的范围,并在交互链路的大背景下将间接交互引入交互强度计算中。实验结果表明,该文算法能够发现更多的相似用户。     

基于用户多维度信任的冷启动推荐模型

在传统协同过滤(collaborative filtering,CF)算法中存在着用户冷启动低效推荐问题,基于社交信息的社会化推荐算法通过引入用户的社交关系来缓解冷用户的数据稀疏问题,具有很好的研究应用前景。但该算法对用户间的信任度量较为片面单一而难以准确地对冷用户做出个性化推荐。针对此缺点,从不同维度量化分析了影响用户信任的因素,理论推导出用户多维度信任度量模型,将该模型计算得到的用户综合信任与传统协同过滤中的用户评分相似度值进行有效线性融合,提出了一种基于用户多维度信任的冷启动推荐模型。通过使用真实数据集Epinions并采用留一法进行实验对比分析。实验结果表明,提出的模型在对冷启动用户的推荐中,其平均绝对误差(mean absolute error,MAE)、覆盖率(rating coverage,RC)和F1值(F-measure)3个评估指标相比其他算法有了明显改善。     

一种社交网络用户领导者挖掘算法

社交网络中的用户领导者挖掘是用户影响力分析的重要问题.提出一种基于用户影响力评估的社交网络用户领导者挖掘算法.首先,描述问题模型以及模型相关定义;其次,提出了基于用户影响力和用户活跃度计算的用户领导力评估方法;最后,依据用户领导力和用户中心度计算实现用户领导者的挖掘.实验印证了该方法对于社交网络挖掘用户领导者的可行性和有效性.     

面向教育云E-learning服务用户的信任评估

基于用户主观性及其能力客观性分别提出了用户信任云评估模型及其能力信任评估模型,用户信任云模型使用期望、熵和超熵对具有随机性和模糊性的复杂实体进行主观信任评估;而用户能力评估模型在考虑能力对象和交互属性基础上综合评估用户客观能力的信任度.结合这2种模型提出了用户综合信任评估模型,实验结果表明该评估模型能较好地实现教育云计算环境下E-learning服务用户综合信任评估.     

一种新的分布式网络环境信任评估模型

针对分布式网络中缺乏权威机构导致网络中的实体缺乏足够的全局信息,使实体的信任度难以评估的问题. 综合考虑具有全局性与客观性的声誉值及具有局部性与主观性的信任值,提出一种新的基于声誉计算规则、信任推荐规则、声誉加权规则及信任计算规则的4规则信任评估模型. 通过模拟实验将该信任模型与抗攻击信任度模型的安全性进行了比较. 仿真实验表明,该信任模型在安全性问题上较已有模型有一定的改进.     

云环境下基于模糊粗糙AHP的企业信任综合评估

针对传统供应链上合作企业之间信任评估模型的不足,建立了云环境下模糊粗糙AHP信任评估模型,改进了以往信任评估模型中无法很好体现综合权重的缺陷,构建AHP模型计算信任证据的主观组合权重,利用模糊粗糙集原理来定义指标的客观权重,进而计算综合权重,最后建立信任模糊模型综合评估企业信任值。实例证明,该模型可以很好地应用于云计算环境下供应链上各节点企业信任度的评估,是一种有效的综合评估方法。     

面向网络传输的立体视频QoE评价模型

面向立体视频网络传输业务,分析影响用户感知质量的关键因素,提出了一种网络立体视频用户感知质量的多指标评价模型.该模型融合了网络服务质量因素、立体视频内容质量因素、用户互动质量因素及终端设备质量因素,利用模糊层次分析法对立体视频感知质量影响因素进行层次分析,建立评估指标体系.计算得到各指标权重,并建立最终的评价模型.通过网络仿真实验,并利用主观评测值,验证各个指标对网络传输中立体视频用户感知质量的影响.实验结果表明,此方法与用户主观评价值相关性较高,能够更全面地反映网络传输中立体视频的用户感知质量.     

一种移动社交网络中的信任机制

为了进一步提高移动社交网络中信任评价的可靠度,对移动社交网络中的信任机制进行了研究,提出了一种移动社交网络中的对等反馈信任机制(Mutual feedback trust module,MFTM)。该机制将信任对象分为服务节点与用户节点两部分,对服务节点的信任值采用刷新信任权值与评价信任权值两部分累计的方法。对用户节点,通过用户信任折算率来引导用户做出客观反馈并对用户本身的可信度做出评价,同时引入了活跃度来保持用户在社交网络中的活跃性。通过仿真实验表明MFTM能提供平稳、准确的信任累积,并对恶意节点做出有效的惩罚。     

基于云模型的网格用户主观信任管理模型

传统网格计算的信任管理模型中,网格服务提供者(GSP)难以有效评估和管理数量庞大的用户的信任度,且难以抵御Whitewash攻击并保障自身安全.为此,文中提出一种基于云模型的网格用户主观信任管理模型.该模型由自治域信任代理(UTA)管理域内用户的信任度,GSP则利用云模型评估UTA.实验结果表明,该模型符合网格架构的结...     

社交网络用户的社交关系和签到行为分析

 理解社交关系和移动行为的相关性,对于研究社交网络演化及建模人类移动是非常重要的。分析了两个基于位置社交网络网站用户的社交关系和签到行为,以量化社交关系与移动性的相关性。结果表明,社交或签到排名的概率分布反比于其排名,这意味着社交关系和移动性间存在着隐含的联系。通过对不同粒度下用户社交关系和签到行为的比较,以及用户皮尔逊相关系数的计算,证明社交关系和人类移动性存在较强的相关性。     

P2P网络环境下基于信任度的动态访问控制模型

综合信任管理和RBAC模型的优势,提出了一种P2P网络环境下基于信任度的动态访问控制模型.该模型通过自动信任协商为用户分配普通角色,在陌生实体间建立动态信任关系,然后网络实时计算用户的信任值,大于信任度阈值的普通角色派生系列带有特权限集的临时角色,临时角色能够访问网络资源,从而实现了细粒度的动态授权策略.     

可信网络中基于熵权法的信任评估模型

在开放式网络环境下,建立信任模型对节点身份或行为进行考察和评估是保证交互过程安全的有效手段,决策属性的权重设置是信任量化和评估的基础.为了使量化模型贴近开放环境动态变化的客观要求,本文提出了基于熵权法的信任评估模型.在多维决策属性的融合计算过程中,利用信息熵理论确立各决策属性的分类权重, 避免主观判断方法在权重设定上适应性不强的问题,保证推荐信任评估决策的有效性和客观性.仿真实验表明,与同类典型的几种模型相比,本文提出的模型具有更稳健的动态适应性特点,并且在安全性方面也具有显著优势.     

电力社会耦合网络面对虚假信息传播的鲁棒性研究

为研究在电力社会耦合网络中电力社交用户受到虚假信息影响的后耦合网络的鲁棒性变化,基于用户自身的影响力以及虚假信息影响力,考虑虚假信息免疫节点,改进了信息传播的独立级联传播模型,将网络中受影响节点与耦合网络鲁棒性计算的渗流模型相结合,并在此基础上拓展了1种电力社会耦合网络鲁棒性评估指标.通过仿真实验模拟发现改进的独立级联模型传播模型避免了影响的随机性,影响结果合理,耦合网络鲁棒性计算的理论值与实际验证值相符,电力社会耦合网络鲁棒性评估指标结论与耦合网络鲁棒性变化情况符合,结果表明,社交网络中初始影响节点比例对耦合网络的鲁棒性具有一定影响,且电力-Facebook耦合网络的鲁棒性优于电力-Last FM耦合网络.     

基于GitHub的用户影响力评估算法

GitHub社交平台是代码托管领域的主流平台,拥有超过7300万开发人员.评估GitHub社交网络中用户的影响力对开源成果的学习和应用有重要意义.针对PageRank算法及其改进方法在评估用户影响力时对用户交互行为与用户自身因素分析不全面的局限性,提出了一种引入用户行为权值分配策略的影响力计算方法CUIE(Comprehensive User Influence Evaluation)算法,将用户行为对其他用户影响力的贡献比例作为权值计算用户的CUIE值.基于真实数据的实验结果表明：将用户交互行为作为评价用户影响力分析的因素之一,能使模型获得更好的结果,与传统算法进行对比,在Top-500及以上的情况下,CUIE算法均取得最优的准确率和召回率.此方法能有效发现被传统方法忽略的部分核心用户,可作为传统方法的补充,在舆情分析与引导中也具有一定实用价值.