RM-RT^(2)NI:融合评论时效与可信近邻影响力的推荐模型

基于矩阵分解的推荐模型虽然能够处理高维评分数据,但容易遭受评分数据稀疏性的困扰。基于评分和评论的推荐模型通过外加隐藏在评论中的用户偏好与物品属性信息,缓解了评分数据的稀疏性,但在特征提取时大多没有关注评论时效性和可信近邻影响力,无法获得更丰富的用户和物品特征。为进一步提高推荐精度,提出了融合评论时效与可信近邻影响力的推荐模型RM-RT^(2)NI。基于评分矩阵,该模型使用矩阵分解提取了用户偏好和物品属性的浅层特征,利用云模型和修正的用户相似度评估模型和新构建的信度评估模型提取出可信近邻影响力;基于评论文本,该模型利用BERT模型获得每条评论的隐表达,利用双向GRU提取评论间的联系,利用新构建的融合时间因子的注意力机制识别各评论的时效贡献度,以获取用户和物品的深层特征。在此基础上,将用户浅层特征、深层特征以及可信近邻影响力特征融合成用户特征,将物品浅层特征和深层特征融合成物品特征,并将它们输入全连接神经网络以预测用户-物品评分。在5组公开数据集上对RM-RM-RT^(2)NI的推荐性能进行了实验评估,结果显示,与7个基线模型相比,RM-RT^(2)NI具有更高的评分预测精度,且RMSE平均降低了3.0657%。

应用于供应链的区块链PBFT共识算法优化

目前,区块链在供应链领域中的应用越来越受到业界的广泛关注.但由于供应链中存在大量复杂性的事务,这给可信的主节点选取工作带来了挑战.因此,在机器学习分类算法与PBFT(practical Byzantine fault tolerance)共识算法的基础上,提出一种应用于供应链的区块链PBFT共识算法优化方法.对构建供应链与区块链的集成框架进行分析,根据供应链中参与共识的节点属性特征,运用K-近邻(K-nearest neighbors)来优化PBFT共识算法的主节点选取规则.实验结果表明,对共识节点进行信任评估分类可以较好地解决因视图切换所引发的效率问题,从而提升区块链的吞吐量、时延、容错性等共识性能,具有一定的实用性,也给区块链在其他行业的应用提供了思路.

中国对东南亚国家睦邻信号传递的不对称视角分析

在信息不对称的国际关系中,意图识别问题是困扰外交互动的重要难题,尤其在权力转移背景下,周边国家的安全焦虑会因实力不对称和信息不对称而被进一步放大。东南亚地区是中国睦邻外交的重要方向,也是观察中国睦邻承诺的关键窗口。冷战结束后,中国对东南亚国家的睦邻外交可以细分“与邻为善、以邻为伴”的信任塑造阶段(1997—2002年)、实践“睦邻、安邻、富邻”原则的黄金阶段(2003—2012年)与共建“命运共同体”的战略互惠阶段(2013年至今)。为了缓解实力不对称和信息不对称压力,建构东南亚国家对中国的信任,中国睦邻信号传递通过强化情感修辞、展示自我克制诚意和积累互惠合作善意三种策略取得了显著成效。东南亚国家基于不对称认知,对中国采取多种信号识别策略,通过议价试探、制度约束和互惠交换等策略了解中国的战略意图。中国周边外交的睦邻信号传递需要关注小国“需求”,在威慑与安全的平衡过程中提升承诺可信度。只有先关注小国需求,才能更好地分析大国承诺的可信度。作为睦邻承诺的信号发出者,中国需了解对方的关切与需求,有针对性地塑造和平可信的大国形象。同时,中国作为发展中的大国,也需要坚决捍卫重大国家利益底线,由此形成强势与温和的两种形象。展望未来,东南亚国家对中国的形象认知将受大国竞争与小国对冲政策影响,在阶段性波动中变得愈发复杂。

基于信任因子的协同过滤推荐算法

传统协同过滤算法最后的预测值是用户最近邻评价的加权平均值,过于强调相似度的作用。除相似度以外,信任也是影响推荐结果的因素之一。该文提出以用户的评价个数和为他人提供推荐的次数为要素的可计算的信任模型与算法以及基于信任因子的协同过滤算法。该算法改变传统推荐过程中,用户之间的相似度唯一决定预测结果的现状,提高了推荐的精度。并通过一系列实验证明了该设想和算法的优越性。

集成用户信任度和品牌认可度的商品推荐方法

针对个性化商品推荐方法中普遍存在的推荐准确率不高的问题,提出一种集成用户信任度和品牌认可度的商品推荐方法(TBCRMI)。该方法通过分析用户的购买行为和评价行为,计算得到用户对商品品牌的认可度和用户自身的活跃度;然后利用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对用户进行聚类,并在此基础上融合用户信任关系,采用Top-K方法得到近邻关系;最后,依据近邻关系生成目标用户商品推荐列表。为了验证算法的有效性,使用Amazon Food和Unlocked Mobile phone两个数据集,选择基于用户的协同过滤算法(User CF)、融合用户信任的协同过滤推荐算法(SPTUser CF)与合并用户信任的协同过滤算法(MTUserCF),对准确率、召回率和F1值等指标进行了对比分析。实验结果表明,无论是多品牌综合推荐还是单一品牌推荐,TBCRMI在各项指标均优于目前常用的个性化商品推荐方法。

一种基于时效近邻可信选取策略的协同过滤推荐方法

传统协同过滤推荐通常基于数据是静态的假设,在数据稀疏时存在推荐精度低下的问题。为解决该问题,一些研究尝试向推荐策略中添加有关用户兴趣变化、推荐能力可信度等补充信息,但对误导或干扰推荐的恶意用户兴趣策略变化和推荐能力波动等异常情况欠缺考虑,系统抗攻击性、推荐稳定性与可信性均难以得到保证。通过引入兴趣时效相似度和推荐信度重估两个概念,提出了一种基于时效近邻可信选取策略的协同过滤推荐方法。该方法充分考虑了影响目标用户近邻筛选质量的用户兴趣异常变化和推荐能力波动两个关键因素,构建了包含时效近邻筛选、可信近邻选取和评分预测3个策略的推荐流程。在MovieLens数据集和亚马逊video game数据集上,利用平均绝对误差,平均预测增量,攻击用户查准率、查全率和调和平均等评估指标,对所提策略与其他6种基准策略进行了比较。结果显示,新策略在推荐精度、抗攻击力和攻击者识别力上均有明显的性能提升。

基于双重邻居选取策略的协同过滤推荐算法

协同过滤是电子商务推荐系统中应用最成功的推荐技术之一,但是传统的协同过滤推荐算法存在推荐精度低和抗攻击能力差的缺陷.针对这些问题,提出了一种基于双重邻居选取策略的协同过滤推荐算法.首先基于用户相似度计算的结果,动态选取目标用户的兴趣相似用户集.然后提出了一种用户信任计算模型,根据用户的评分信息,计算得到目标用户对兴趣相似用户的信任度,并以此作为选取可信邻居用户的依据.最后,利用双重邻居选取策略,完成对目标用户的推荐.实验结果表明该算法不仅提高了系统推荐精度,而且具有较强的抗攻击能力.

Ad Hoc网络中基于信任机制的安全ZRP协议分析

移动Ad Hoc网络是一种无中心、自组织的多跳网络。由于其移动性、不可靠的传递介质、缺少基础设施以及生存环境的恶劣,使得安全性问题成为Ad Hoc网络展开应用的巨大障碍。文中基于ZRP协议提出一种使用信任机制的安全路由协议。该协议在每个节点上加入信任模块,以供选择信任度高的安全路由。通过NS仿真软件对该安全路由协议进行分析,给出了仿真结果。

基于信任度匹配的改进PBFT共识算法

共识算法是去中心化的区块链系统实现数据状态一致的关键。针对传统的实用拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)共识算法在可扩展性和安全性方面存在的不足,提出一种基于信任度的匹配拜占庭共识算法(Trust-based Matching Byzantine Fault Tolerance,TMBFT)。首先,通过基于信任度的邻居匹配模型来选取部分节点进行投票共识,以降低区块链网络的通信量;其次,引入信任度评价机制来监督邻居节点的行为,确保有效检测出拜占庭节点,保证节点投票的安全性;最后,设计投票计数机制保证了共识结果的一致性,并提高了共识效率。与PBFT相比,TMBFT将通信复杂度从O(N^2)降到O(Nlog2N),有效降低了网络中的通信开销。安全性分析表明,信任度评价机制可降低节点作恶的概率,并有效提高系统安全性。实验结果表明,TMBFT较传统拜占庭算法具有更好的性能优势。

基于高度残缺信息的分布式语言信任网络群决策方法

针对缺失的分布式语言信任社会矩阵以及高度残缺的评价信息,提出一种新的分布式语言信任网络群决策方法。首先,提出了一种分布式语言信任传递模型以填充分布式语言信任社会矩阵中的缺失值。其次,定义了基于分布式语言信任社会矩阵的个体信任中心度和群体信任中心度,并在此基础上提出了确定评价网络中专家权重的方法。再者,鉴于决策矩阵中评价信息存在高度残缺的情形,利用K-近邻算法评估残缺的评价信息,并基于分布式语言信任函数的距离测度提出一种改进的逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)法。最后,通过外卖服务平台性价比的综合评估验证该群决策方法的可行性和有效性。

基于用户偏好和动态兴趣的多样性推荐方法

协同过滤是目前解决信息过载问题的主要方法之一,然而其推荐的多样性不足,且在冷启动场景下推荐效果较差.提出了基于用户偏好和动态兴趣的多样性推荐方法 DRMUD(A Diversified Recommendation Method Based on User Preference and Dynamic Interest).首先通过对用户历史反馈数据分析用户的多样性偏好,得出用户的多样倾向度;然后引入时间衰减函数,动态调整用户的历史评分数据;最后将矩阵分解和项目疲劳函数相结合,并加入多样倾向度调节两者所占比重.当新用户加入系统时,通过网格索引为其产生最信任邻居,新用户缺失的反馈信息由最信任邻居代替.实验结果表明,DRMUD算法有效缓解了用户冷启动问题,并能在保证准确率的前提下提高推荐结果的多样性.

一种SVD和信任因子相结合的协同过滤算法

针对推荐系统在数据稀疏情况下推荐质量不高的问题,提出将奇异值分解SVD(Singular Value Decomposition)技术和信任模型相融合的协同过滤算法.首先运用SVD降维技术得到项目的隐式特征空间.然后用改进的余弦相似度计算项目间相似度,根据k近邻k NN(k-Nearest Neighbor)算法得到第一阶段生成临时近邻居集.接着引入项目信任因子,建立信任模型并融入到相似度空间中,进行第二阶段k近邻选择,从而完成预测推荐.最后在Movie Lens数据集与传统的算法进行实验对比,本文提出的算法其标准误差RMSE(Root Mean Squared Error)的精度提高了0.53%.

共同利益、身份认同与中国—东盟战略互信的逻辑

冷战结束后,中国—东盟关系实现跨越式发展,双方已成为最大规模的贸易伙伴,最富内涵的合作伙伴,最具活力的战略伙伴。然而,在中国—东盟关系总体向好的情况下,中国—东盟战略互信仍有起伏波动。本文认为,中国—东盟战略互信的演进,主要受到共同利益和身份认同两个因素影响。基于共同利益的多少以及身份认同程度高低的综合考量,中国—东盟战略互信波动表现为战略互疑、计算型战略互信、了解型战略互信以及认同型战略互信四种类型。探讨中国—东盟战略互信演进的原因,不仅有助于厘清影响中国—东盟战略互信的内在机理,还有利于为中国辩证地看待和提升中国—东盟战略互信提供一定的启示,进而为构建中国—东盟命运共同体,保障中国周边地区的和平与稳定提供一定的政策参考。

低收入群体的短视行为:近邻信任的作用

大量研究表明,贫穷会带来短视。本研究通过引入近邻信任这一变量,旨在验证近邻信任可以减少低收入群体的短视行为。本文共进行了3个子研究,结果表明:对于低收入群体,高近邻信任组会比低近邻信任组更偏向于远期决策;而高收入群体的两组之间则不存在显著差异。研究结果可应用到社会治理当中,通过在街道或小区内构建起邻里之间的信任,减少低收入群体的短视行为,从而减少贫穷的恶性循环。

基于专家信任优先的协同过滤推荐算法

针对传统协同过滤推荐算法的不足,依据现实生活经验,认为在协同过滤推荐过程中考虑用户的专家信任因素十分必要。详细阐述专家信任的概念以及利用用户评分数据计算专家信任度的方法,提出一种基于专家优先信任的协同过滤推荐算法。在公开数据集GroupLens上的实验结果表明,该算法预测用户评分的精度和成功率都明显优于传统的最近邻法。

基于兴趣社区和信任邻居的混合推荐研究

个性化推荐系统中精确性与多样性似乎是一个鱼和熊掌不可兼得之难题。本文集成基于兴趣社区的用户偏好匹配算法和基于信任邻居的多样性信息推荐算法,构建一个融合精确性和多样性的混合信息推荐模型。实验结果显示:该方法在对推荐结果准确性影响很小的情况下明显提高了推荐列表的多样性。

基于最近邻居优化选取方法的协同过滤推荐算法

针对传统的协同过滤推荐算法推荐精度低和数据稀疏的问题,提出基于最近邻居优化选取方法的协同过滤推荐算法.首先,提出一种用户可用度计算模型,根据其他用户对目标用户的可用度计算结果,选取最近邻居候选集.然后,提出一种用户信任度计算模型,计算目标用户对最近邻居候选集中用户的信任度,进而选取目标用户的最近邻居.最后,根据最近邻居的评分情况,得到目标用户的推荐.实验结果表明,该算法提高了推荐精度,而且有效地改善了不同稀疏程度数据上的推荐效果.

车载自组网可信节点与可信路由分析及实现

将可信赖平台模块(TPM)芯片引入车载自组织网VANET,提出了一种有效保护地理位置信息路由协议GPSR(贪婪周边无状态路由协议)的可信安全机制,从而能够防止恶意篡改路由协议和邻居位置信息表的行为。在NS2.30下对网络真实场景进行了模拟,证实此可信安全路由协议模型是正确的、有效的和合理的。