基于邻接用户双重剪枝的用户可信度计算算法

在线社交网络用户可信度计算的算法和模型普遍是通过对用户的信息进行量化计算得到用户自相关可信度,以此对主节点用户所有的从属节点的可信度进行加权求和。但以上算法和模型忽视了邻接用户间可信度传递对计算结果的影响和用户从属节点过多的问题,从而导致计算结果较差和计算开销过大。针对此类问题,提出一种基于邻接用户双重剪枝算法的用户可信度计算算法(User credibility calculation method based on adjacent user double pruning algorithm,UCDPA),该方法考虑了邻接用户间的可信度传递,提高了用户可信度计算准确度,同时使用剪枝算法对用户从属节点进行双重裁剪,在保证用户可信度计算准确度的基础上,降低了计算开销。仿真实验验证了文中所提方法在用户可信度计算结果中优越性。

基于评分用户可信度的信任模型分析与构建

本文从理论上证明,现有在线信誉系统的信任模型存在忽视评分用户信任度的缺陷,难以激励用户从事持续的诚实交易。针对此问题,本文构建了基于评分用户可信度的信任模型。理论分析表明,该模型可有效弥补现有信任模型的不足。

新浪微博平台上的用户可信度评估

随着新浪微博用户数的增加,微博上的可信度危机凸显出来。定义了一种叫做用户可信度的新概念,并提出了一种评估用户可信度的模型User-Rank。该模型由自评估模型和互评估模型两个子模型组成。提出了一种计算用户可信度,并对其得分进行排序的算法。在基于新浪微博平台抽取的数据集上进行了实验,结果表明该算法优于一般的基础性算法,且互评估模型算法的时间复杂度仅为O(n2)。

基于链接的微博用户可信度研究

以新浪微博为研究对象,基于PageRank算法思想,参考网络群体结构平衡理论并且结合微博用户固有属性等因素,提出一种评估微博用户可信度的模型UC及相应的算法,以解决微博用户可信度比较问题。UC模型由用户自评估和用户互评估两个子模型构成,首先根据每个微博用户的固有属性使用自评估模型计算出每个用户的初始可信度值,然后将用户的初始可信度值作为用户互评估模型的输入计算出每个用户互评估可信度得分,从而对用户的可信度进行比较排序。真实数据集上的实验结果验证了该方法的有效性。

基于用户可信度的误用入侵检测系统的研究

提出了基于用户可信度的误用IDS模型,该模型对IDS框架结构、签名匹配策略及协同机制都进行了改进。鉴于通用入侵检测框架CIDF(CommonIntrusionDetectionFramework)结构中缺少对入侵等级划分的机制,提出了基于用户可信度量化的等级划分方法,提高了系统的合理性。定义了误用IDS安全级别,通过预警原理实现低安全级别IDS对未知入侵的预防作用。另外,在用户可信度IDS中使用了局部性原理,进而改善了签名匹配策略并提高了签名的匹配效率和准确率。

基于多重图的社交网络用户可信度评价方法研究——网络欺凌与隐私泄露视角

[目的/意义]提出基于多重图的社交网络用户可信度评价方法,为网络信息生态治理提供有效依据,为有害次生舆情管理提供理论基础。[方法/过程]构建了网络欺凌和隐私泄露特征抽取指标体系;利用多重图表示社交网络用户动态信息网络;根据提取到的网络欺凌和隐私泄露信息进行用户信息行为分析;利用德尔菲法确定网络欺凌行为与隐私泄露行为概率的权重,综合分析社交网络用户可信度。[结果/结论]实验结果表明,基于多重图的用户可信度评价结果与基于调查问卷的用户可信度评价结果基本一致,说明利用多重图的社交网络用户可信度评价方法具有一定的可行性。

基于用户可信度聚类的协同过滤推荐模型

针对目前推荐算法面临的响应时间长、推荐不准确和冷启动的问题,本文以电影推荐系统为例提出了一种基于用户可信度聚类的协同过滤推荐模型,该模型将推荐过程分为离线和在线两部分。离线时,计算用户可信度,以此聚类,并将聚类信息储存在数据库中的聚类表里;在线时,寻找目标用户所属聚类,产生推荐。模型整体上减少了响应时间,提高了推荐准确率,同时解决了新用户冷启动问题。

电子政务集成用户可信度的PKI/PMI安全机制的研究

据PKI来确定用户身份的合法性,再据PMI来为用户分配角色,这基本能满足电子政务较高的安全需求。然而这种机制的安全性的一个重要前提是假设用户提供的信息都是真实可信的。如何杜绝假冒用户的非法访问?在PKI/PMI安全机制中集成用户可信度管理被证明是一个坚固、可靠、可管理的安全机制。

基于关联关系的微博用户可信度分析方法

随着微博研究的深入,对微博用户可信度的评价成为一个研究热点。针对微博用户可信度评价的问题,提出了一种基于关联关系的用户可信度分析方法。以新浪微博为研究对象,首先从用户的资料信息、交互信息和行为信息三个方面出发,分析了用户的7个相关特征,利用层次分析法(AHP),进而得到用户自评价可信度;然后以用户自评价作为基点,以用户关系网络作为载体,结合用户之间潜在的用户互评关系,通过改进PageRank算法,提出了用户可信度评价模型User-Rank,进而,利用关系网络中其他用户对待分析用户的可信度进行综合评价。大规模的微博真实数据的实验表明,所提方法能够取得良好的用户可信度评价效果。

一种考虑用户可信度的动态RBAC模型

基于角色的访问控制(RBAC)是一种广泛应用的授权访问控制方式。但传统的RBAC模型既没有给出控制角色指派的方法,也不能保证角色许可最少优先原则。该文针对传统RBAC系统中存在的上述缺陷,通过引入用户可信度和角色实例的概念,提出了一种考虑用户可信度的动态RBAC模型,给出了模型执行过程。

融合用户可信度的改进奇异值分解推荐算法

基于信任的协同过滤推荐算法在缓解数据稀疏性、提高推荐准确度上具有明显优势.在协同过滤推荐算法中引入信任关系需要解决两个问题:一是信任数据的获取与信任的度量问题,二是信任度与具体算法的结合问题.传统算法在解决这两个问题时,仍存在信任信息挖掘不足、利用率不高的现象,导致推荐准确率难以进一步提升.为此,引入用户可信度的概念,提出一种改进的奇异值分解算法,算法同时考虑了用户的信任信息、被信任信息以及各自的隐性反馈.在真实数据集上的实验结果表明:与传统算法和其他主流信任算法相比,本文算法能有效提高推荐准确度.

基于用户可信度的Web服务推荐方法

协同过滤是推荐系统中广泛使用的一种推荐技术,但是目前多数基于协同过滤的Web服务推荐算法默认用户反馈数据是可信的,没有考虑到用户反馈数据中会出现的一些范围异常数据和恶意评价数据。如果没有对含有这些干扰数据的用户进行处理,最终的预测结果会受到严重的影响。在分析了用户反馈的服务质量(Qo S)数据的基础上,提出了一种基于用户可信度的Web服务推荐方法。计算用户的可信度并根据可信度对用户进行聚类,选取可信度高的类别中的数据进行协同过滤完成推荐,排除了范围异常数据以及恶意评价数据的干扰,避免了对预测结果的影响,最后使用平均绝对误差和均方根误差评判预测结果。实验结果表明,该方法能有效提高Qo S预测的准确率和Web服务的推荐质量。

一种结合用户可信度与相似度的鲁棒性推荐算法

协同过滤推荐系统面临着托攻击的安全威胁。研究抵御托攻击的鲁棒性推荐算法已成为一个迫切的课题。传统的鲁棒性推荐算法在算法稳定性与推荐准确度之间难以权衡。针对该问题,首先定义一种用户可信度指标;然后改进传统的相似度计算方法,通过结合用户可信度与改进的相似度,滤除攻击概貌,为目标用户作出推荐。实验表明,与传统算法相比,该算法具备更强的稳定性,同时保持了良好的推荐准确度。

基于Peoplerank的微博用户可信度排序算法

为了提升微博用户可信度排序的稳定性与合理性,结合Peoplerank的基本思想,提出了一种基于用户关注圈特征的微博用户可信度评估的算法。引入用户关注圈平衡特征作为rank值传递的影响因子,优化了用户rank值的传递过程,对每次迭代过程中的rank值的进行加权和修正。实验结果表明,该算法对不同规模的社交用户数据集具有良好的适应性,对用户可信度的排序和评估更加合理。

基于因子图模型的用户可信度评估

为克服传统方法在缺少用户个人信息及发布内容的情况下无法有效地评估用户可信度问题,提出基于评论反馈信息和信任关系的用户可信度因子图模型(UFGM)。该模型将信任关系和评论反馈对用户可信度评估的影响形式化为一个概率模型,并提出半监督分类的学习方法构建模型。在Extended Epinions数据集上验证了模型的有效性,并发现信任关系比评论反馈更易对用户可信度评估产生积极影响。与传统算法相比,UFGM能在缺少用户描述信息及评论信息的情况下将用户可信度评估的准确度提高12%~29%。

电力通信运维系统中基于用户可信度的访问控制

为提高电力通信运维系统安全性,提出基于用户可信度的访问控制模型(Credibility and Role-Based Access Control,CRBAC),通过引入可信度计算方法对用户行为进行分析,并赋予不同可信度值的用户不同等级的角色权限,实现静态角色的动态访问控制及系统资源的分级管理。此模型引导用户规范行为方式,在用户行为层面规避安全风险,且有效增强系统访问控制的灵活性,在运维系统的应用中取得了良好的效果。

本体协同构建环境下用户行为可信度评价研究

在用户参与的本体协同构建中,用户行为可信度是评价其创建本体质量的依据之一,而目前对此研究相对较少。本文在分析用户行为特征的基础上,借鉴生态学中种群的概念,提出一种基于模糊综合评价法的用户行为可信度评价方法。该方法引入优秀种群,分别从用户直接知识行为和评价行为两个指标综合用户可信度,并详细讨论了用户单个直接可信度和评价可信度的动态计算方法,最后对其进行模拟分析。该方法能够较好地控制本体协同构建中低质量行为对用户的可信度影响,动态的、较全面的表示用户在多领域的可信度。

基于可信相似用户的服务推荐方法

随着越来越多的用户与服务参与到服务计算中,服务推荐变得日益重要,但个别用户的虚假评价降低了服务推荐结果的可信性和有效性。为此,提出一种新的服务推荐方法,在分析用户历史评价的基础上挖掘可疑评价,通过用户可信度的计算将恶意用户筛除。基于相似度计算可得到剩余各可信用户的相邻用户集合,并最终结合用户偏好确定候选服务进行综合评分以完成有效推荐。实验结果表明,在剔除恶意用户的情况下,该方法推荐的服务更为真实可靠,可有效提高推荐质量。

参与式感知系统中用户累积行为信誉计算

参与式感知系统中,由于感知数据质量可能受参与者影响,提出了基于用户累积行为的信誉计算模型以帮助选择可信赖用户.针对感知环境中用户群体的广泛性及核心用户的不确定性,该模型采用OPTICS聚类算法定义用户场景并划分行为数据集,建立用户累积行为信誉计算模型,同时引入时间戳标记信息抛弃部分旧行为以更新用户信誉.实验表明,该信誉模型能够结合新旧行为较好地计算并调整用户信誉,在感知环境用户信誉评价中具有良好的应用前景.

搜寻者对用户生成信息的信任度研究

用户生成信息是搜寻者依赖的重要信息,但不同形式的用户生成信息可信度存在差异。基于信任的理性机制和关系机制,我们提出关系强度、生成者专业性会正向影响信息可信度,负向信息比正向信息具有更高可信度的假设。通过2×2×2的三因子实验,研究证实了上述假设。