基于Agent的情感劝说的信任识别模型研究

由于Agent系统的分布式特征,使得传统的安全手段已经不适用于新的应用需求,而解决该问题最重要的思路是信任管理,其基础之一就是信任识别。本文在Agent情感劝说的背景下,利用多维度评价信息和Agent关系网络,运用Dempter-Shafer证据理论,提出基于Agent的情感劝说的信任识别模型,引入动态权重因子,将直接交互信息和推荐信息进行组合,计算出各合作伙伴的综合信任度值,从中寻找出适合的合作伙伴,为Agent的决策提供大力的支持。

基于Multi-Agent的网络谣言传播事件中信息主体信任识别研究

[目的/意义]全媒体背景下,网络舆情的爆发使谣言借助通信渠道快速扩散,群体辟谣效果下产生各种质量层次不齐的信息。为了对信息主体进行信任识别,构建信任识别模型。[方法/过程]运用Agent关系网络,结合Agent间的历史交互信息,提出基于Multi-Agent的信任识别模型,考虑到个体异质性,引入动态权重因子,将直接信任和间接信任进行组合,计算出目标主体的综合信任值,从中寻找出最为可靠的信息主体。[结果/结论]网络谣言事件下构建的信任识别模型对恶意信息主体能够有效识别;使用动态权重因子计算的综合信任值敏感性增强;信任判别网络中Agent的数量并不影响信任模型的有效性。

基于自然语言处理和深度学习的在线信任识别研究

在消费者与商家的线上交易过程中,信任起到中介作用。已有信任研究仅停留于问卷调查,而用于信任识别的大量购物评论缺少信任标注。针对上述问题,结合自然语言处理方法提出信任触发词,结合转折词与程度副词完成对线上购物评论数据集的“不信任、中性、信任”三类信任标注。在深度学习模型中,BiLSTM模型能够增强对上下文语义的理解,进行模型对比实验确定BiLSTM模型结构,完成信任识别任务,取得F_(1)值77.71%的实验结果。同时,对比情感分析实验结果,评论文本中的信任倾向与情感倾向不完全一致,更具研究与实际运用价值。