Agent动态交互信任预测与行为异常检测模型

在agent理论中,信任计算是一个有意义的研究方向.然而目前agent信任研究都是以平均交互成功率来计算,较少考虑信任动态变化,因而准确预测和行为异常检测的能力不能令人满意.针对上述问题,以概率论为工具,按时间分段交互历史给出agent交互信任计算模型CMAIT;结合信任的变化率,给出信任计算的置信度和异常检测机制.实验以网上电子商务为背景,实验结果显示该计算模型的预测误差为TRAVOS的0.5倍,计算量也较少;既可用于对手历史行为的异常检测,防止被欺骗,又可用于对手未来行为的预测.改进了Jennings等人关于agent信任的工作.

基于用户聚类与动态交互信任关系的好友推荐方法研究

【目的】利用用户信息和社交网络拓扑信息,提出基于用户聚类与动态交互信任关系进行精准好友推荐的方法。【方法】基于用户信息进行特征向量建模,改进K-Prototypes算法分类型变量的距离计算公式,并使用改进的K-Prototypes算法将最有可能成为好友的用户预先聚为k个簇类,然后在每一簇中基于拓扑社交网络信任关系对目标用户进行好友推荐。从全局信任关系和交互信任关系两个维度衡量用户之间的拓扑网络信任关系,并创新性地引入三个动态信任调节因子对交互信任度进行调节。最后在各个簇中融合全局信任度和动态交互信任度计算动态综合信任度,基于此为用户产生Top-N好友推荐列表。【结果】通过与传统的好友推荐方法FOAF和SNS+Content进行比对,本文基于用户聚类与动态交互信任关系的好友推荐方法在准确性、召回率、F1-Measure指标上均高于传统方法。【局限】本文的信任衡量模型只涉及多对一和一对一之间的群体信任关系,暂未考虑到一对多、多对多的群体信任关系。【结论】本文综合利用用户信息和社交网络拓扑结构信息,深度挖掘用户间交互行为变化所反映的动态信任关系,能为社交用户做出更有效的好友推荐。