基于Kendall tau距离的在线服务信誉度量方法

用户偏好及评价准则不一致导致不同用户对同一服务的评分不可比较,基于评价准则一致性假定的信誉机制不能保证不同服务信誉间具有可比较性,从而用户利用这种信誉进行服务选择时会产生不客观的结果.为此提出一种基于Kendall tau距离的在线服务信誉度量方法.该方法首先定义距离指标以衡量2个评分向量之间的一致性,然后将在线服务信誉度量建模为寻找一个与用户-服务评分矩阵距离最小的信誉向量的最优化问题,最后采用模拟退火算法来求解该优化问题,将得到的信誉向量作为服务信誉.通过实验验证了该方法的合理性和有效性.实验结果表明:该方法能够满足大多数用户的偏好,从而使得用户可以参考该信誉结果做出正确的服务选择决策,并且方法在保证信誉度量效率的同时提高了信誉度量方法的抗操纵性.

节点偏好一致性最大化的DPoS记账权分配

委托权益证明(Delegate Proof of Stake, DPoS)通过投票选择见证人节点出块,实现了交易的快速认证,但其仍存在选择得到的见证人节点无法满足多数投票节点意愿、投票结果易被恶意节点操纵的问题,影响了DPoS的公平性与安全性.为此,本文将投票节点偏好的一致性作为选择见证人节点的指标,提出一种基于Kendall tau距离的DPoS记账权分配方法-DPoSKD (DPoS with Kendall tau distance).方法首先考虑到投票节点偏好不完整的问题,通过扩展Kendall tau距离定义以衡量不完整偏好间的一致性程度,然后将记账权分配过程建模为一个寻找与所有投票节点偏好一致性最大化的Top-k候选节点排列最优化问题,最后通过遗传算法来求解该优化问题,得到的Top-k候选节点作为见证人节点负责出块.实验结果表明通过该方法选择的见证人节点符合多数投票节点的意愿,提高了DPoS的公平性.同时,该方法具备更强的抗操纵性能,提升了DPoS的安全性.

面向推荐系统的音乐内涵空间建模研究

针对现有音乐推荐系统中音乐情感分析方法很难满足用户情感需求的问题,提出音乐内涵空间方法分析音乐情感。该方法选取音乐力度、速度、音强等表现要素,基于两极尺度的语义,构建音乐内涵空间。通过音乐内涵空间表示音乐情感,减少了音频特征客观水平与主观情感范围之间的差距,解决了情感标签标注音乐中由于用户情感经历不同造成的对音乐情感标注的主观差异性问题。在10 672条音乐评价数据集上,采用Kendall’s tau距离进行有效性验证,与基于情感标签推荐相比,实验结果表明,基于音乐内涵空间推荐音乐能较好地满足用户的情感需求。

面向不完整序数偏好的在线服务评价

为解决在不完整序数偏好场景下的在线服务评价问题,提出一种面向不完整序数偏好的在线服务评价方法。首先,通过定义面向不完整序数偏好的Kendall tau胜者距离,将其作为服务评价指标,实现了在不完整序数偏好场景下的在线服务评价;然后,设计了用于评估和优化服务评价结果质量的评估算法与偏好抽取策略,用于在需要时对服务评价结果质量进行评估,并向用户进行少量但关键的偏好查询,以实现快速优化服务评价结果质量;最后,基于真实数据集与人工合成数据集的实验结果验证了该方法的合理性和有效性。

基于不等概率叠加随机游走关键点识别

关键节点识别是网络科学的重要研究内容,在医学、社会学、网络安全、电力交通、政治与经济学领域有重要研究意义。当前流行的关键点识别算法的原理是通过考虑局部范围和全局范围网络节点的特性衡量节点中心性,结合节点自身及邻居节点贡献进行关键节点识别。存在识别有效性低和时间复杂度高的问题,不能在大规模网络中扩展。针对等概率叠加随机游走关键点识别方法没有考虑随机游走倾向性问题,采用节点相似性构造转移概率矩阵的方法,开展了不等概率叠加随机游走进行关键点识别的研究。通过在无向网络中与度中心性、介数中心性、接近中心性、等概率叠加随机游走评估方法间进行比较,各中心性算法与SIR模型的相关性比较的实验,证明基于不等概率叠加随机游走能以较高的精度进行网络中关键点识别,并且优于等概率叠加随机游走方法。

基于DoubleDQN的用户群体满意度最大化在线服务信誉度量

传统的信誉度量无法实时反映动态环境中服务质量和用户需求的变化.在线服务信誉度量机制依赖于用户反馈评分且服务于用户,用户满意度会受该机制的影响.未考虑用户群体满意度最大化的信誉度量机制难以吸引用户群体.此外,用户评价标准的不一致性会使不同用户的评分难以直接比较,从而导致信誉度量结果不客观.为此,作者提出了一种基于Double DQN的用户群体满意度最大化在线服务信誉度量方法.首先,针对用户评价标准不一致的情况,借助Kendall tau距离定义用户群体满意度;其次,将动态环境下的在线服务信誉度量问题通过马尔可夫决策过程建模为一个寻找最大化用户群体满意度的优化问题;最后,采用Double DQN算法求解该优化问题.通过在Movielens数据集上进行实验验证了该方法的有效性.实验结果表明该方法能够给出最优信誉决策策略,从而最大化用户群体满意度.