融合相似用户和信任关系的动态反馈协同过滤推荐算法

为了克服推荐算法的静态性缺点,提出融合相似用户和信任关系的动态反馈协同过滤推荐算法.该算法用动态因子融合相似用户和信任关系,动态因子初始取随机数,根据用户反馈和系统预测的误差建立正负反馈机制.按照反馈类型,选择增值或衰减函数适当调整动态因子,以便系统更好预测用户评分.在真实数据集Epinions上的实验表明,采用正负反馈的动态融合算法,不仅克服了静态性缺点,而且较基于相似用户或者信任关系的推荐进一步提高了推荐准确率.     

制造网格中基于节点行为信任的访问控制模型研究

为了给协同制造网格节点之间的资源访问和共享的交互行为提供信任度量,提出一种制造网格环境下基于节点行为信任的访问控制模型.将制造网格节点的关系划分为管理域内信任关系和管理域间信任关系,给出制造网格节点之间交互行为的信任关系描述和定义,以及节点间交互行为的信任度公式表达和计算方法,通过计算将制造网格中节点交互的信任情况反映到交互行为中.实验结果表明,该模型在一定程度上可有效用于解决制造网格环境中自私节点的动态性和不确定性带来的安全问题.     

基于信任社区的个性化推荐策略研究

针对传统的协同过滤算法推荐准确率较低的问题,提出一种基于信任社区的个性化推荐策略.首先利用社区发现算法,从用户网络中挖掘出具备类似兴趣喜好的信任社区,然后实施基于社区的个性化推荐.为及时发现用户的兴趣迁移及恶意攻击节点,引入一种信任度的反馈评价机制,将交易后的评价数据与预期值进行比较,以实现信任度的自适应更新.实验数据显示,该算法使得系统推荐准确率得到有效提高,从而提高了用户对系统的信任度.     

基于QoS和声誉的Web服务信任度评估方法

Web服务的可信性往往对面向服务的应用起决定性作用.由于服务的信任信息来源很多,整合多种来源的服务信任信息,准确地评估服务的可信性是一个挑战.针对这一挑战,提出了一种基于QoS和声誉的服务信任度评估方法.与其他服务信任度评估模型相比,本模型融合了多个信任信息来源,在直接信任度中综合了QoS和用户对服务的历史信任,并加入时间衰减因子,逐渐削弱历史信任对直接信任度的影响,提高直接信任度的可靠性;在推荐信任度中引入推荐者声誉概念,建立用户之间的信任评估机制,从而将推荐信任分为熟人推荐信任和陌生人推荐信任两类,使推荐信任的评估更加完整、准确.此外,本方法在时间和空间复杂度方面,也存在诸多优势.实例分析表明,本文提出的评估方法可以用来解决Web服务选择的可信问题,并且能够提高服务信任度评估的准确性.     

一种基于信任度的协同过滤推荐方法

提出了一种基于朋友网数据的推荐方法,包括好友推荐和应用服务推荐。通过分析朋友网中用户之间的好友关系、互动行为等来计算用户之间的信任度,可以获取更真实的社会关系;根据计算得到的信任度构建用户社会网络,并根据凝聚子群和朋友网中已有的分组信息对构建的社会网络进行社区划分,可以获得更细的社会关系;根据已获得的社区和用户使用的应用服务,提出了一种朋友网中好友和应用服务的推荐计算方法,在计算应用服务推荐时区分了社区内和社区外的用户与目标用户相似度计算方法的不同,提高了寻找近似邻居的准确率以及服务推荐的准确率。     

一种上下文敏感的信任管理系统

提出并实现了一种基于贝叶斯网络的主观信任管理方案.显式地加入上下文信息.并使用统计学方法推算上下文对实体行为的影响因子,使之比使用特定算法(影响因子固定)的系统更准确地反映出实体行为的不确定性和动态性.仿真对比实验表明,提出的主观信任度映射方法,能够更准确地推算出陌生上下文中的信任度.     

开放式网络环境下的上下文敏感的信任管理

为了更准确地反映出开放式网络环境下实体行为的不确定性和动态性,提出一种基于贝叶斯网络的信任管理方案.该方案显式地加入了上下文信息,并使用一种统计学方法推算出上下文信息对实体行为的影响因子.采用一种上下文间的信任度映射方法,使得实体能够根据一些相关上下文中的信任信息推算出其他实体在陌生上下文中的信任度.仿真结果表明,该方案的信任度估算比其他使用特定算法的系统更精确.     

大规模信任域联盟中基于本体构建动态的信任声明

在基于格理论所构建的跨大规模信任域认证联盟模型的基础上,针对模型中动态信任声明的进化性问题.根据本体的动态特性,提出了以本体描述并构建动态信任声明的思想.给出其算法策略,很好地体现了一个均衡的奖罚体制,也充分地考虑了历史、间接信任度,信任动态性,它与时间的滞后性,同样也受环境因子的影响.研究表明:算法具有较好的动态适应性、抗攻击性,公平性、计算收敛性和扩展性.     

大数据场景下基于可信社团的服务推荐

为实现大数据场景下高效、可信的服务推荐,将社交网络理论和信任理论的研究成果有机融合,提出了大数据场景下基于可信社团的服务推荐方法.首先,利用现有的信任模型理论研究成果建立用户间的信任关系,计算用户对服务提供者的信任度;其次,在大数据场景下利用信任关系构建用户可信社团,确定社团中新用户的加入、甄别并删除恶意用户的方法;最后,在构建的可信社团基础上,利用MapReduce框架提出大数据场景下的基于可信社团的服务推荐方法.仿真实验结果表明:提出的方法适用于大数据场景,与传统的服务推荐方法相比,具有更好的性能.     

基于多层次结构模型的云服务信任评估算法优化

为了提高云服务信任度水平和推荐能力,需要对云服务信任度进行优化评估,提出基于多层次结构模型的云服务信任评估算法。在云服务平台的用户行为信息特征采集中,建立云服务信任度分布大数据模型,挖掘云服务用户偏好性特征量,根据采集结果采用模糊信息调度方法提取云服务信任度特征量,在此基础上构建云服务信任度评估的粗糙集分布模型,通过大数据多层次结构分析方法进行云服务信任评估和推荐,结合模糊C均值聚类方法实现对云服务信任度的优化聚类和自适应评估。仿真结果表明,云服务信任度分布的多层次结构分布均匀,采用该方法进行云服务信任评估的准确度较高,评估的精度较好,用户满意度较高,提高了云服务信任评价能力。     

一种基于信任度量的Web服务跨域访问控制模型

Web服务具有开放性、高度动态性、松散耦合性及跨平台性等特点,传统的访问控制方式已不能满足其跨域访问的安全需求。通过集成信任管理及可信平台度量扩展了XACML访问控制模型,提出基于信任度量的跨域访问控制模型。该模型在对用户统一身份认证的基础上,通过分析用户历史访问行为,引入用户信任度、平台配置完整度和域间信任度,提高了跨域访问控制的动态性和安全性。同时,给出了域内信任度管理点和跨域信任度管理点两个功能模块的具体实现描述,采用信任度缓存实时更新的方法分析了海量历史访问行为的复杂度问题,提高了系统效率。     

一种改进的基于云模型的链式推荐算法

为了在网络社区中监督和提高产品概念设计方案的质量,提出了一种改进的基于云模型的链式推荐算法。该算法对网络社区中的用户数据进行预处理,基于集合信任度和相似度推荐一位候选设计专家;应用链式推荐方式推荐另外二位候选设计专家,扩大了推荐范围;进一步利用云模型的信任云逆向生成器计算三位候选者的全局信任度,得到候选设计专家的全局信任度,信任度最大者即是要推荐的设计专家。实验结果验证了该算法的可行性和有效性。     

基于记忆的注意力图神经网络专家推荐方法

在问答社区专家推荐算法中,图神经网络主要利用问答社区中用户与问题的交互关系建模,其模型性能取决于交互数据的稠密度,难以对无交互信息的用户及问题进行有效表示学习.针对这一问题,提出了一个基于记忆的注意力图神经网络专家推荐方法.该方法首先设计了面向用户多维特征的联合表示子网络,然后构建了一个记忆网络,为每个问题保存用户回答...     

基于社区发现及主题分析的微博用户推荐

在现行的几种好友推荐机制基础上,考虑社交网络的信任传播因素,设计了一种推荐模型。提出一种先基于信任度发现社区,再通过主题分析计算用户相似度的两阶段推荐方法。旨在向用户推荐其感兴趣的潜在好友,帮助用户扩大其朋友圈,进而提高用户黏性。     

网格环境下一种基于分类的行为信任模型

在网格环境中,针对不同上下文环境下实体之间的交互行为,提出了一种新的基于分类的行为信任模型.模型根据信任等级对实体进行相应分类,在此基础上与实际社会相结合引入了交互事件重要性因子,惩罚因子,惩罚加速因子等,实现了实体动态的主体特征.分析和仿真表明,模型在性能上得到了一定程度的提高,并对恶意实体的恶意交互行为起到了一定的抑制作用.     

基于反馈评判的SPIT检测与防范方法

针对全IP融合网络环境下的垃圾语音信息(spam over Internet telephony,SPIT)隐患,提出了一种基于反馈评判的检测与防范方法.该方法引入了终端用户的参与,结合信任与信誉机制,能够简单、高效、无损地利用直接和间接的反馈信息.改进的信任度与信誉度推理算法充分体现了SPIT行为的分布特性并反映了影响评判结果的各因素的权重关系.增量学习算法保证了信任度和信誉度的实时性,融合算法则动态调整了信任度和信誉度在评判中的角色.实验及分析表明上述方法具有较好的准确性和敏感性,能够对SPIT进行有效的检测及防范.     

MAS中一种基于稳定性的直接信任计算方法

为了更有效地对Agent之间的直接信任度进行评估,首先将交互记录分为近期和历史两部分,然后从交互记录的稳定性、异常行为记录以及新旧交互记录之间的差异三个方面的因素决定新交互记录的更新权重,从而动态地反映出近期信任度的变化;同时由近期信任度与历史信任度根据两者之间的差异决定各自的权重,共同构成Agent的直接信任度.试验证明该方法有效提高了直接信任度的可靠性,更适用于实际环境.     

基于AHP的云环境用户行为信任评估研究

随着云环境下用户的异常行为日益增多,身份认证技术无法完全阻止风险用户对资源的非法访问。而对用户行为进行分析和评估,根据行为信任判定用户信任度成为当前云安全研究的热点之一。通过用户的行为证据,提出一种基于AHP分析法的行为信任评估方法,以风险用户运行威胁程序次数和扫描服务器端口次数为例,仿真用户信任度变化情况。实验证明,基于AHP的行为信任评估方法可有效计算用户行为信任值,降低风险用户信任度,提高云环境安全水平。     

基于信任度的网格动态访问控制研究

针对网格环境下的访问控制技术需要解决与陌生实体建立动态信任关系等问题,提出了一种基于信任度的动态访问控制(TBDAC)模型.TBDAC模型综合了信任管理和RBAC模型的优势,首先通过自动信任协商为用户分配普通角色,从而有机结合了认证和访问控制.TBDAC模型将普通角色派生系列临时角色,为临时角色分配带有信任阈值的权限集,通过实时计算出的用户信任值激活临时角色,实现了细粒度和动态授权.TBDAC模型已投入测试,运行正常.     

基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户和社区中最具影响力的人兴趣相似,本文算法采用Louvain和超链接诱导主题搜索(HITS)方法寻找社交网络中最具影响力的用户节点,以正则化的方式将约束信息添加到矩阵分解的目标函数中.实验结果表明:本文算法明显优于其他对比推荐算法,不仅可以缓解用户的冷启动问题,还提高了推荐质量.