基于强弱联系反馈的多媒体社交网络信誉值计算方法

摘要

本发明公开了一种基于强弱联系反馈的多媒体社交网络信誉值计算方法，主要解决现有技术在多媒体社交网络中用户信用程度的表示问题。其方法步骤为：划分网络强联系和弱联系用户、计算用户内容评价值、计算用户行为评价值、计算用户阶段评价值、计算用户信誉值。本发明充分考虑多媒体社交网络中用户间的身份关系，使用内容评价值和行为评价值表示用户在信誉周期内的表现情况，提高了信誉值计算的综合性和准确性，降低了恶意用户和共谋用户对信誉值的影响；利用衰落窗口机制充分考虑信任随时间变化的特点，提高了信誉值计算的全面性。

说明书

技术领域：

本发明属于互联网技术领域，具体涉及一种基于强弱联系反馈的 多媒体社交网络信誉值计算方法。

背景技术：

随着近年来，通信、网络及计算机技术的迅速发展，互联网进入 以用户为中心的WEB2.0时代。作为多媒体分享技术与社交网络技术 的结合产物，多媒体社交网络不同于用户被动接受多媒体数据内容方 式的传统网络，它为用户提供了一个动态、开放平台，允许用户主动 参与到多媒体数字服务的共享与监督之中。该网络形态是以用户为主 体，通过用户之间的联系而形成。经过近十年的发展，社交网络已经 发展成从传统虚拟社区到以用户为中心的分布式网络。“无中心”的 结构特征同样为数据的快速、广泛传播创造了条件。传播方式也兼具 有一对一、一对多的传播形态。

多媒体社交网络具有个体性、传播高效性、分享性、交流下等特 点。这些特征给大众提供便利的同时，也给网络安全带来隐患。多媒 体数据的分享与传播往往会带来非安全数据的欺骗、相同数字内容大 量冗余、数字版权混乱和恶意内容扩散迅速等问题。与针对以上问题， 一个主要的解决方案是采用数字版权管理技术。但由于数字版权技术 严格的控制技术与管理自主、传播快速的多媒体社交网络的发展存在 一定的冲突，并且在控制的“度”上目前也没有完全界定。因此，工 业界和学术界寻求更佳的技术方法，而信任被认为是解决多媒体社交 网络问题的重要方法。信任是构建社会关系的基础，是构建社交网络 的基石，并且信任管理具有独立性、动态性、软硬件要求小等特点。 采用信任管理方案被认为是解决多媒体社交网络安全问题的重要手 段，对建立可信度高、健康传播的多媒体社交网络具有重要意义。

Zhang Zhiyong等在Social Network Analysis and Mining上 发表的文章“A trust model for multimedia social networks”提 出了一种基于小世界理论的多媒体社交网络的信任模型。该模型利用 直接信任关系和推荐信任关系，并分别建立了直接信任评估模型和推 荐信任模型，最终得到综合的信任评估模型。但该文章所提及信任模 型存在以下问题：首先该方法没有考虑到各个反馈用户与目标用户的 关系，不能准确反映出社交网络的社会性特点。其次该模型只是简单 考虑到数字内容的基本属性，未考虑到网络中用户的行为。最后信任 评价模型中直接信任和推荐信任权重值没有给出，不能动态地反映多 媒体社交网络中信任情况。

Nepal等在Trust,Security and Privacy in Computing and  Communications发表的文章“Strust:a trust model for social  networks”中采用公众信任值和参与信任值进行融合得到最终信任 值。但该模型存在以下问题：首先该信任模型没有涉及到网络的信任 关系，更没有考虑用户间的关系。其次，该方法对信任的时间性考虑 不周到，未准确反映信誉值随时间衰落的特点。

发明内容：

本发明针对现有技术的不足，提出一种基于强弱联系反馈的多媒 体社交网络信誉值计算方法，可在对用户进行强联系和弱联系用户划 分的基础上，考虑内容评价值和行为评价值，结合衰落窗口机制，以 提高多媒体社交网络中信誉值计算的全面性、合理性和准确性，有效 抵制恶意反馈和共谋攻击，并促进健康的数据在网络中的扩散和抑制 恶意数字内容的传播。

为了实现上述目的，本发明基于强弱联系反馈的多媒体社交网络 信誉值计算方法，包括如下步骤：

(1)初始化：将多媒体社交网络中用户信誉值的初始值设定为 0.5，将用户的内容评价值和行为评价值设定为0.5，将用户的内容 评价状态值和行为评价状态值设定为0；

(2)划分强联系和弱联系用户：

(2a)按下式计算用户U_i和用户U_j的同质性：

H=R·S

其中，H表示用户U_i和用户U_j的同质性，R表示用户U_i的信誉 值，R∈[0,1]，S表示用户U_i和用户U_j的属性相似度，S∈[0,1]；

(2b)按照帕累托分布计算用户强联系和弱联系用户划分值：

$d=\sqrt[10]{5}-1\approx 0.1746$

其中，d表示强联系和弱联系用户的划分值；

(2c)当H≤d时，用户U_j为用户U_i的弱联系用户；当H＞d时， 用户U_j为用户U_i的强联系用户；

(2d)划分多媒体社交网络中强联系和弱联系用户：判断用户U_j到用户U_i最短路径，若小于等于3跳且最短路径上的用户均为用户U_i的强联系用户，则用户U_j为用户U_i的强联系用户；反之，用户U_j为 用户U_i的弱联系用户；

(3)计算内容评价值：

(3a)强联系和弱联系用户在信誉周期内对目标用户U_x分享的 内容进行1次内容质量评价，并上传评价值给目标用户；

(3b)设定目标用户U_x的内容评价值为目标用户的平均内容评 价状态值的均值，按照下式计算内容评价值：

$C=\frac{\underset{i=1}{\overset{m}{\Sigma }}{p}_i+\underset{j=1}{\overset{n}{\Sigma }}{q}_j}{m+n}$

其中，C表示目标用户的内容评价值，p_i表示强联系用户U_i的内 容评价值，q_j表示弱联系用户U_j的内容评价值，m表示强联系用户数， n表示弱联系用户数；

(3c)存储内容评价值到目标用户的信任数据库中；

(4)计算行为评价值：

(4a)强联系用户在信誉周期内对目标用户U_x行为进行1次行为 评价，并将s个行为评价状态值的抽样结果反馈给目标用户U_x；

(4b)设定目标用户的行为评价值为评价行为评价状态值的抽样 结果的均值，按照下式计算行为评价值：

$B=\frac{\underset{i=1}{\overset{s}{\Sigma }}\overline{x_i}}{s}$

其中，B表示目标用户的行为评价值，表示强联系用户第i次 抽样的平均行为评价状态值，s表示抽样次数；

(4c)存储行为评价值到目标用户的信任数据库中；

(5)计算阶段评价值：

(5a)采用贝叶斯估计计算目标用户的阶段评价值：

$E=\frac{\frac{s}{{\sigma }^2}}{\frac{s}{{\sigma }^2}+\frac{1}{{\theta }^2}}B+\frac{\frac{1}{{\theta }^2}}{\frac{s}{{\sigma }^2}+\frac{1}{{\theta }^2}}C$

其中，E表示目标用户的阶段评价值，s表示抽样次数，δ²表 示强联系用户平均行为评价状态值的方差，θ²表示平均内容评价状态 值的方差；

(5b)存储阶段评价值到目标用户的信任数据库中；

(6)更新信誉值：

(6a)目标用户U_x确定信誉值时采用衰落窗口机制，并根据多个 信誉周期的阶段评价值和衰落窗口计算信誉值；

(6b)按照下式计算目标用户的信誉值

$R=\left(\begin{array}{ccc}\underset{l=0}{\overset{t}{\Sigma }}E\left(l\right)·\mathrm{Win}\left(l\right)+\underset{l=t-\left|\mathrm{Win}\right|}{\overset{-1}{\Sigma }}E\left(0\right)·\mathrm{Win}\left(l\right),& \underset{l=t-\left|\mathrm{Win}\right|}{\overset{t}{\Sigma }}\mathrm{Win}\left(l\right)=1& \mathrm{ift}\le \left|\mathrm{Win}\right|\\ \underset{l=t-\left|\mathrm{Win}\right|}{\overset{t}{\Sigma }}E\left(l\right)·\mathrm{Win}\left(l\right),& \underset{l=t-\left|\mathrm{Win}\right|}{\overset{t}{\Sigma }}\mathrm{Win}\left(l\right)=1& \mathrm{ift}\ge \left|\mathrm{Win}\right|\end{array}\right)$

其中，R表示目标用户的信誉值，E(l)表示第l个信誉周期的阶段 评价值，E(0)表示初始阶段评价值，Win(l)表示l的窗口权重值，|Win|表 示窗口大小，t表示当前信誉周期的序号；

(6c)存储信誉值到目标用户的信任数据库中。

本发明的有益效果：第一，本发明在初始化后对网络用户进行强 联系和弱联系用户的划分，克服了已有方案中对用户身份单一化处理 的缺点，通过强联系和弱联系用户不同用户身份所反馈的评价值能够 反映评价值反馈的准确性、社会性等特点，为方案中最终信誉值的计 算提供更加全面的依据。

第二，本发明对目标用户的信任度量从内容质量和用户行为两方 面考虑，克服单纯从内容质量进行评价的局限性，并且阶段评价值计 算中内容评价值和行为评价值的权重参数根据强联系和弱联系用户 数和强联系行为评价状态抽样数而动态变化，使得阶段评价值和信誉 值的计算具有动态性。

第三，本发明在信誉值计算时引入衰减窗口机制，充分考虑过往 阶段评价值的经验作用，使信誉值的计算克服了单纯以本信誉周期作 为唯一考虑因素的片面性，从而体现出信任的时间性特点，使得用户 信誉值更具有全面性、公平性。

第四，本发明中信誉值的计算建立在概率统计知识，通过融合强 联系和弱联系用户的内容评价和行为评价，减小了恶意用户和共谋用 户对阶段评价值计算的影响，从而提高了信誉值计算的准确度。

附图说明：

图1为本发明的应用场景图；

图2为本发明的总流程图；

图3为本发明的强联系和弱联系用户划分图。

具体实施方式：

为使本发明的优点和技术方案更加清楚明白，下面结合具体实施 例对本发明的技术方案作详细说明。

本发明适用于图1所示的多媒体社交网络场景。多媒体社交网络 是以用户为中心组织的分布式网络形态，场景中的电脑，手机等设备 均可认为是用户。本发明中的每个信任用户具有评价值反馈和信誉值 计算两个功能，并且都配有一个小型的信任数据库。数据库负责存储 信誉值计算中相关数据。

参照图2，对本发明的具体步骤如下：

步骤1：初始化。

将多媒体社交网络中用户信誉值的初始值设定为0.5，将用户的 内容评价值和行为评价值设定为0.5，将用户的行为评价状态设定为 0。

步骤2：划分强联系和弱联系用户。

(2a)按下式计算用户U_i和用户U_j的同质性：

H=R·S

其中，H表示用户U_i和用户U_j的同质性，R表示用户U_i的信誉 值，R∈[0,1]，S表示用户U_i和用户U_j的属性相似度，S∈[0,1]，属性 相似度计算如下：

$S=\frac{|I\cap J|}{|I\cup J|-2}$

其中，S表示两用户的属性相似度，I、J分别表示用户U_i和用 户U_i的邻居用户集合；

(2b)强联系和弱联系用户数满足帕累托分布，分布律为 其中，α表示帕累托分布形状参数，设定为10，m表 示帕累托分布门限参数，设定为1，计算用户强联系和弱联系用户划 分值：

$d=\sqrt[10]{5}-1\approx 0.1746$

其中，d表示强联系和弱联系用户的划分值；

(2c)当H≤d时，用户U_j是用户U_i的弱联系用户；当H＞d时， 用户U_j是用户U_i的强联系用户；

(2d)根据“三度影响力”理论，认为强联系用户的影响力超 出三度则已消失。参照图3，划分多媒体社交网络中强联系和弱联系 用户：判断用户U_j到用户U_i最短路径，若小于等于3跳且最短路径 上的用户均为强联系用户，则用户U_j为用户U_i的强联系用户。反之， 用户U_j为用户U_i的弱联系用户。

步骤3：计算内容评价值。

(3a)强联系和弱联系用户在信誉周期内对目标用户U_x分享的 内容进行1次数字内容评价，并上传评价值给目标用户；

(3b)目标用户的平均内容评价状态值均值的计算步骤如下：

第一步：内容评价状态值表示用户U_k对用户U_x发布内容的满意 情况，服从两点分布，其分布律为p_k表示 强弱联系内容评价值；

第二步：平均内容评价状态值满足李雅普诺夫中心极限定律，分 布服从N(μ,σ²)，μ和σ²分别表示平均内容评价状态值的均值和方差；

设定目标用户U_x的内容评价值为目标用户的平均内容评价状态 值的均值。按照下式计算内容评价值：

$C=\frac{\underset{i=1}{\overset{m}{\Sigma }}{p}_i+\underset{j=1}{\overset{n}{\Sigma }}{q}_j}{m+n}$

其中，C表示目标用户的内容评价值，p_i表示强联系用户U_i的内 容评价值，q_j表示弱联系用户U_j的内容评价值，m表示强联系用户数， n表示弱联系用户数；

(3c)存储内容评价值到信任数据库中。

步骤4：计算行为评价值。

(4a)强联系用户在信誉周期内对目标用户U_x行为进行1次行为 评价，并将s个行为评价状态值的抽样值反馈给目标用户U_x；

(4b)设定目标用户的行为评价值为评价行为评价状态值的抽样 结果的均值，按照下式计算行为评价值：：

$B=\frac{\underset{i=1}{\overset{s}{\Sigma }}\overline{x_i}}{s}$

其中，B表示目标用户的行为评价值，表示强联系用户第i次 抽样的平均行为评价状态值，s表示抽样次数；

(4c)存储行为评价值到目标用户的信任数据库中。

步骤5：计算阶段评价值。

(5a)采用贝叶斯估计,以平均行为评价状态值均值的共轭先验 分布为正态分布，其后验分布满足正态分布，该分布的均值设定为阶 段评价值，按照下式计算目标用户的阶段评价值：

$E=\frac{\frac{s}{{\sigma }^2}}{\frac{s}{{\sigma }^2}+\frac{1}{{\theta }^2}}B+\frac{\frac{1}{{\theta }^2}}{\frac{s}{{\sigma }^2}+\frac{1}{{\theta }^2}}C$

其中，E表示目标用户的阶段评价值，s表示抽样次数，δ²表 示强联系用户平均行为评价状态值的方差，θ²表示平均内容评价状态 值的方差。

(5b)存储阶段评价值到目标用户的信任数据库中。

步骤8：更新信誉值。

(6a)目标用户U_x确定信誉值时采用衰落窗口机制，并根据多个 信誉周期的阶段评价值和衰落窗口成功计算信誉值。目标用户U_x确 定信誉值时采用衰落窗口机制，服从一下规则：衰落窗口函数为连续 的增函数；若信誉周期序号t小于窗口大小|Win|，空缺的阶段评价值 由初始阶段评价值代替进行计算；若信誉周期序号t大于窗口大小 |Win|，截取从当前信誉周期为起始点，数量为窗口大小的过往的阶段 评价值进行计算。

(6b)按照下式计算目标用户的信誉值

$R=\left(\begin{array}{ccc}\underset{l=0}{\overset{t}{\Sigma }}E\left(l\right)·\mathrm{Win}\left(l\right)+\underset{l=t-\left|\mathrm{Win}\right|}{\overset{-1}{\Sigma }}E\left(0\right)·\mathrm{Win}\left(l\right),& \underset{l=t-\left|\mathrm{Win}\right|}{\overset{t}{\Sigma }}\mathrm{Win}\left(l\right)=1& \mathrm{ift}\le \left|\mathrm{Win}\right|\\ \underset{l=t-\left|\mathrm{Win}\right|}{\overset{t}{\Sigma }}E\left(l\right)·\mathrm{Win}\left(l\right),& \underset{l=t-\left|\mathrm{Win}\right|}{\overset{t}{\Sigma }}\mathrm{Win}\left(l\right)=1& \mathrm{ift}\ge \left|\mathrm{Win}\right|\end{array}\right)$

其中，R表示目标用户的信誉值，E(l)表示第l个信誉周期τ的阶 段评价值，E(0)表示初始阶段评价值，Win(l)表示l的窗口权重值，|Win| 表示窗口大小，t表示当前信誉周期的序号；

(6c)存储信誉值到目标用户的信任数据库中。

上述实施例仅用以说明本发明的技术方案，而非对本发明的构思 和保护范围进行限定，本领域的普通技术人员对本发明的技术方案进 行修改或者等同替换，而不脱离技术方案的宗旨和范围，其均应涵盖 在本发明的权利要求范围中。