社交信任下的可信服务推荐方法

随着能满足用户需求的服务海量增加,推荐系统成了用户解决服务信息过载的重要手段.传统的协同过滤推荐方法普遍存在着数据稀疏、冷启动的问题,且大多数以用户评分作为判断用户相似性的基础,这使得恶意用户能够轻易复制、模拟目标用户的行为,并进行恶意推荐.针对以上问题,文中将Mark Granovetter所提出的社会网络理论引入到服务推荐方法中,将用户之间的社交关系热度、社交关系亲密度及推荐用户的社交关系核心度作为社交信任因素进行考虑,同时对用户的服务评分进行加权计算,并考虑推荐用户的服务认知程度,提出一种基于社交信任的可信服务推荐方法.实验结果表明:与现有的其他推荐方法相比,该方法在平均绝对误差和均方根误差上都取得了更好的计算结果,并且该方法能够较好的抵抗用户的恶意推荐攻击.

社交感知的D2D内容安全缓存算法

Device-to-Device(D2D)内容共享技术在使用户能够更加便捷、高效地获取内容的同时,也面临着更为严峻的安全挑战。针对窃听用户存在的D2D内容共享场景,通过设计基于最大距离可分(Maximum Distance Separable,MDS)码的D2D内容安全缓存机制,在提高缓存性能的同时实现内容共享的信息安全。首先,为了避开窃听用户并选择能够带来更好传输性能的内容提供者,提出了基于用户距离和社交信任度的内容提供者选择方案,以明确进行预缓存的用户。在此基础上,为了保证内容在D2D链路上的传输性能,并促使内容更多地缓存在用户更信任的内容提供者中,基于社交信任度和能效提出了社交相关能效的性能度量指标。然后,以最大化社交相关能效为目的,设计缓存内容布设方案,其核心优势在于:利用MDS编码特性提出安全缓存条件,从而在优化社交相关能效的基础上确保窃听用户无法获取足以恢复出原内容的编码块。最后,提出社交感知的基于MDS编码的D2D内容安全缓存算法。仿真分析表明,相比内容提供者随机选择的D2D内容安全缓存算法,所提算法的最优性能提升了15%;相比没有安全缓存条件的D2D内容缓存算法,所提算法虽然需要以42%的性能损失来确保信息安全,但其能够在内容提供者的缓存容量相对更小时实现性能最优。

融合信任关系的联合矩阵分解推荐算法仿真

针对推荐系统中普遍存在的冷启动和数据稀疏的问题,研究从社交行为中挖掘信任关系的方法,并提出了一种基于信任机制和社交行为的联合矩阵分解社会化推荐算法。首先,从显示和隐式两个方面对用户信任度进行度量,计算社交信任矩阵,其次构造一种反映用户偏好随时间变化时间增强“用户-项目”关注矩阵,通过项目关注度对项目关联关系进行度量,最后基于联合矩阵分解提出了结合信任机制和社交行为的联合矩阵分解社会化推荐算法(TMS-CMF)。实验结果表明,与其矩阵分解推荐算法相比,上述算法能够在推荐精度和Top-K推荐能力方面有显著提高。