基于通信數據上下文的用戶信任度預測

張小可

基于通信數據上下文的用戶信任度預測

張小可

（廣州杰賽科技股份有限公司，廣東 廣州 510310）

為了解決社交網絡信任度不全面的問題，通過采用通信數據上下文的用戶信任度預測方法，分析了移動用戶之間的熟悉信任度以及相似信任度，并結合時間衰減因子，提出了基于時間相關性的用戶信任度預測方案。實驗證明，考慮時間衰減因子和上下文的通信用戶信任度預測方法能夠在一定程度上提升用戶之間的信任度預測，并具有一定的擴展性。

社交網絡 信任度 上下文 時間衰減因子

1 引言

隨著移動通信技術的發展和移動互聯網應用的廣泛普及，國內外有越來越多的基于社交網絡和位置融合的移動應用應運而生。因此，很多研究學者利用用戶在使用移動應用業務時產生的各類交互通信信息（包含用戶交互信息以及用戶在特定時間、特定地點的興趣信息）來研究移動通信用戶之間的信任度，以熟人推薦來促進大量的消費行為。例如，張豐[1]結合P2P網絡拓撲結構和社交網絡自身的關系，提出基于社交網絡關系模型的靜態信任模型以及基于反饋的動態信任模型；喬秀全等[2]基于社交網絡服務中用戶上下文信息，將信任度分為熟悉信任度和相似信任度；史艷翠[3]根據通信用戶數據的上下文信息計算用戶直接信任度，利用用戶社交網絡的傳播距離來計算用戶的間接距離；雷環等[4]通過用戶之間的熟悉性和相似性來計算用戶之間的信任度。這些研究既有針對社交網絡，也有針對移動通信行為提出的信任度預測模型。本文通過借鑒上述研究成果，結合當前移動社交網絡和移動通信行為的具體情況，提出基于上下文的移動用戶行為的信任度預測模型。

2 信任度的研究

2.1 問題定義

信任度是社會心理學的一個關鍵性問題。用戶之間的信任度產生的機制大概分為[2]：

（1）通過其過去的行為以及聲譽的了解給予了一定的信任，這種一般是通過對他人進行交互通信而產生的熟悉信任度；

（2）由于社會或者興趣的相似性程度而產生的信任度；

（3）由法制產生的信任度。

當前對信任度的描述往往是基于人際關系形成的社交網絡產生的人與人之間的心理信任。本文借鑒社會心理學的原理，提出基于上下文的通信用戶行為信任度模型，該信任度分為熟悉信任度和相似信任度。其中，熟悉信任度源于移動用戶的交互行為產生用戶關系以及熟悉性程度的信任度；相似信任度源于移動用戶使用移動業務相似性程度的信任度。

首先采用分析用戶的交互（通話和移動社交業務）行為來獲取用戶的關系和關系深度（用戶之間聯系的頻率、時長、時間間隔），進而根據用戶關系計算用戶的熟悉信任度；然后分析用戶自身使用移動業務行為（包括使用移動業務的時長、次數），根據用戶使用移動業務行為的相似性來計算用戶的相似信任度；最后結合時間衰減因子來修正用戶熟悉信任度和相似信任度，利用時間相關性提高信任度預測的準確性。

2.2 信任度預測方法

（1）社會相似度預測方法

用戶之間共同朋友數越多，其社交、興趣、偏好就越相似，因此共同朋友的數量也是衡量用戶之間的信任程度。設任意兩個直接相連的移動用戶節點u和v具有共同朋友，節點u的朋友集合為F(u)，節點v的朋友集合為F(v)，則u和v的共同朋友為F(u)與F(v)的交集。

（2）基于關系強度的預測方法

用戶之間的移動社交網絡關系網其實就是真實社交網絡的鏡像，因此不少研究學者提出通過用戶交往次數和見面次數來衡量用戶的信任程度，其中有選取用戶的交往頻率等關系強度的因素來計算用戶之間的信任度。

用戶之間的信任度可以用交往指數來衡量，公式如下：

F=a1×交往頻率+a2×通話次數+a3×通話時長(2)其中，交往頻率=(雙方通話天數+通話的周數量)/30；a1、a2、a3（三個系數之和為1）分別為權重系數，用戶可根據衡量的側重點設定。

（3）基于興趣相似度的預測方法

基于興趣相似度預測信任度是基于一種假設：如果用戶的興趣偏好相似，那么相似偏好用戶之間的信任度一般會比非相似偏好用戶之間的信任度高。設用戶u和用戶v共同感興趣的移動應用集合為Iu,v，Ru,c表示某個時段用戶u對移動應用c的偏好程度（一般可以用使用次數、使用頻率、使用時長來衡量），Rv,c表示用戶v對移動應用c的偏好程度，Ru表示某個時段用戶u對移動應用集合的平均偏好程度，Rv表示某個時段用戶v對移動應用集合的平均偏好程度，則用戶u和用戶v的興趣相似度為：

（4）基于用戶上下文的通信用戶行為信任度預測

綜合目前的研究成果，本文結合通話行為本身的屬性，提出基于用戶上下文的通信用戶行為信任度預測模型。該模型除了需要衡量用戶之間聯系的相處時長、頻率、通話時長、時間間隔外，還要分析用戶使用移動業務行為（包括使用移動業務的頻率、次數、時間間隔），根據用戶使用移動業務行為的相似性，計算用戶的相似信任度。

◆用戶熟悉信任度預測

假設用戶u和用戶v是有通信行為交互的兩個用戶，用戶u在特定時間段內的軌跡可以表示為：＜t1, l1＞,＜t2, l2＞, …, ＜tn, ln＞。其中，n表示發生語音業務或者數據業務的次數；t表示時間戳；l表示基站ID。那么，用戶u的區域分布為：

其中，r的集合為關注的基站Loc，當用戶u的第i次軌跡點與集合中的某個值匹配時，δ(r, li(u))=1，否則為0。

參考地理和時間的重合度概念，以△T為時間精度（一般設為1個小時），反映用戶u與其他用戶在鄰近時間相同地理位置的比例。

此外，還需要考慮工作時間與非工作時間的影響因素，在工作時間段和非工作時間段權重分別設置不同的θ。

那么，用戶的相處時長為：

其中，duration(u, v)表示在特定時間段內用戶u和用戶v的相處時長；△T表示時間精度；θ表示用戶u和用戶v通信時刻所屬時間段權重；n(u)表示用戶u的通信次數；n(v)表示用戶v的通信次數；Ti(u)表示用戶u第i次通信時刻；Tj(v)表示用戶v第j次通信時刻；Ti(u)-Tj(v)表示在特定時間段內用戶u第i次通信時刻與用戶v第j次通信時刻的時間差；δ(li(u), lj(v))表示用戶u第i次通信基站ID和用戶v第j次通信基站ID是否相同，當li(u)=lj(v)時則等于1，當li(u)≠lj(v)時則等于0。

[5]的信任度計算方式，則用戶之間相處時長的信任度為：

其中，D(u, v)表示在特定時間段內用戶u和用戶v的相處時長；D(u)表示在特定時間段內用戶u與其通信的所有用戶的相處時長。

同時考慮用戶通信時長，采用任意兩個用戶在特定時間段內每次通信時長來衡量兩個用戶的熟悉信任度。因此，任意兩個用戶的通信時長熟悉信任度表達式為：

其中，TL(u, v)表示在特定時間段內用戶u和用戶v通信時長熟悉信任度；L(u, v)表示在特定時間段內用戶u與用戶v每次通信時長總和；L(u)表示在特定時間段內用戶u與其通信的所有用戶的每次通信時長總和。

用戶的熟悉信任度最后還需要考慮用戶的通信次數，則在特定時間段內任意兩個用戶的通信次數熟悉信任度表達式為：

表示在特定時間段內用戶u和用戶v之間通信次數熟悉信任度；Nuv表示在特定時間段內用戶u向用戶v主動發起通信的次數；Luv表示在特定時間段內用戶u向用戶v主動發起每次通信的通信時長總和；Lvu表示在特定時間段內用戶v向用戶u主動發起每次通信的通信時長總和。

◆用戶相似信任度預測

參考相似度協同過濾算法，通過提取用戶使用同一種移動業務的時長和間隔，設用戶u和用戶v共同感興趣的移動應用集合為Iu,v，則具有相似性用戶使用移動業務行為的時長信任度計算公式為：

其中，SL(u, v)表示在特定時間段內用戶u和用戶v使用同種通信業務的時長信任度；Iu,v表示在特定時間段內用戶使用的所有同種通信業務類型的集合；RL,u,c表示在特定時間段內用戶u使用通信業務類型c的總時長；RL,u表示在特定時間段內用戶u使用Iu,v中所有通信業務類型的平均時長；RL,v,c表示在特定時間段內用戶v使用通信業務類型c的總時長；RL,v表示在特定時間段內用戶v使用Iu,v中所有通信業務類型的平均時長。

同理，具有相似性用戶使用移動業務行為的次數信任度計算公式為：

其中，RN,u,c表示在特定時間段內用戶u使用通信業務類型c的次數；RN,v,c表示在特定時間段內用戶v使用通信業務類型c的總次數；RN,u表示在特定時間段內用戶u使用Iu,v中所有通信業務類型的平均次數；RN,v表示在特定時間段內用戶v使用Iu,v中所有通信業務類型的平均次數。

2.3 引入時間衰減因子修正用戶信任度

移動用戶總是關注當前較近時間段內的交互以及近期的移動應用使用偏好，用戶之間的近期交互行為以及偏好的相似性等更能反映用戶之間的信任程度。隨著用戶交互的推進，越早的交互行為對當前的信任值計算影響越小，因此在計算信任值時需要對其進行更多的折扣。本文通過用戶交互行為、移動偏好使用的時間間隔來描述時間衰減因子。假如用戶u和用戶v在進行第n次交互或者使用移動應用偏好，則第k次使用相關業務所產生的信任值的時間衰減因子為γn-k。γ的取值為0至1，表示信任值對當前用戶之間的交互或者用戶偏好使用的重視程度，γ越接近1則表示越重視。因此，引入時間衰減因子后用戶之間的信任度為：

其中，n1表示在特定時間段內用戶u和用戶v相處總次數；n2表示在特定時間段內用戶u和用戶v通信總次數；n3表示在特定時間段內用戶u和用戶v使用同種通信業務的總次數；k1表示用戶u和用戶v第k1次相處；k2表示用戶u和用戶v第k2次通信；k3表示用戶u和用戶v第k3次使用同種通信業務；TD(u, v)表示用戶u和用戶v相處信任度；TN(u, v)表示用戶u和用戶v通話次數信任度；TL(u, v)表示用戶u和用戶v通信時長信任度；SL(u, v)表示用戶u和用戶v使用同種通信業務的時長信任度；SN(u, v)表示用戶u和用戶v使用同種通信業務的次數信任度；γ表示時間衰減因子。并且a1+a2+a3=1， a1、a2、a3的取值一般需要根據真實數據情況并結合經驗進行取值。

3 基于上下文的通信用戶行為的信任度預測的應用

3.1 數據獲取

用戶在發生移動業務的過程中，運營商會記錄用戶的各種信令信息，包括發生業務的用戶ID、開始時間、結束時間、業務類型、開始站點、切換站點、結束站點、接收ID等。

本文提取某地市運營商20萬用戶一個月的信令數據，并按照一定的規則把切換基站進行預處理，形成滿足本文數據分析的表格。具體如表1所示：

表1 移動用戶的業務詳單數據示例

由表1可知，如果用戶在通話過程中存在基站的切換（從基站20556切換到基站23221），那么基站23221既可作為切換時的結束站點，也可作為切換后的開始站點。

3.2 結合用戶共同朋友剔除無效數據

結合用戶共同朋友來剔除無效數據，考慮到本文的重點是識別用戶之間的信任度，因此重點是預測用戶的關系。基于實際工作經驗，本文設置用戶的共同朋友數量為5，則最后得到滿足共同朋友的用戶數量為8702。

3.3 基于上下文的通信用戶行為的信任度預測的建立

通過剔除無效數據后按照日期分為兩部分，其中前15天作為訓練集，后15天作為測試集。參考實驗結果，設置a1為0.32、a2為0.28、a3為0.4，可保證訓練集和測試集的準確性，并避免模型的過擬合性。然后根據用戶的信任關系模型對訓練集進行打分，得到一系列用戶間的信任值，選擇信任值區間為[0.3, 0.55]，并以此為標準選取用戶信任關系的候選集合，再分別將考慮時間衰減因子的信任度和不考慮時間衰減因子的信任度進行對比，最后與測試集比較，得到用戶信任度預測準確率如圖1所示：

圖1 考慮時間衰減因子和不考慮時間衰減因子的用戶信任度預測準確率對比

由圖1可知，不考慮時間衰減因子的算法在用戶信任度預測準確率方面要比考慮時間衰減因子低。因此，結合時間衰減因子的用戶信任度預測能夠在一定程度上提升用戶信任度預測的準確率。

4 結束語

本文基于真實的上下文的移動用戶行為，提出了用戶信任度預測的模型。首先基于用戶共同朋友的算法剔除無效數據，并結合用戶發生業務的上下文信息和時間衰減因子預測用戶信任度，該方法是先從用戶交互行為的角度來衡量用戶的熟悉信任度；然后結合移動用戶的興趣偏好的角度來衡量用戶的相似信任度；最后結合時間衰減因子，采用時間的相關性來描述用戶在不同時間發生的業務行為對用戶信任度的不同程度的影響，從而能夠較好地預測用戶之間的信任度。實驗證明，考慮時間衰減因子與不考慮時間衰減因子的基于上下文的通信用戶行為的信任度預測算法相比具有較高的準確率。

參考文獻：

[1] 張豐. 社交網絡中信任度計算[D]. 南京: 南京航空航天大學, 2014.

[2] 喬秀全,楊春,李曉峰,等. 社交網絡服務中一種基于用戶上下文的信任度計算方法[J]. 計算機學報, 2011,34(12): 2403-2413.

[3] 史艷翠. 基于通信數據的上下文移動用戶偏好動態獲取方法研究[D]. 北京: 北京郵電大學, 2013.

[4] 雷環,彭艦. SNS中結合聲譽與主觀邏輯的信任網絡分析[J]. 計算機應用研究, 2010,27(6): 2321-2323.

[5] Huang D, Arasan V. On Measuring Email-Based Social Network Trust[C]//Global Telecommunications Conference. Miami, 2010: 1-5.

[6] 肖志宇. 基于社交網絡和信任模型的推薦系統的研究與實現[D]. 南京: 東南大學, 2015.

[7] 楊海月,朱玉婷,施化吉,等. 基于用戶信任度和社會相似度的協作過濾算法[J]. 電子技術應用, 2016,42(1): 100-103.

[8] 李默,梁永全,趙建立. 融合相似性評價、信任度與社會網絡的學術資源推薦方法研究[J]. 情報理論與實踐, 2015,38(5): 77-81.

[9] 馬堯. 在線社會網絡的信任網絡發現與信任融合研究[D]. 武漢: 華中科技大學, 2014.

[10] 祝幼菁. P2P網絡信任模型研究[D]. 武漢: 華中科技大學, 2006.★

Prediction of User Trust Degree Based on the Context of Communication Data

ZHANG Xiaoke
(G C I S c i e n c e & T e c h n o l o g y C o., L t d., G u a n g z h o u 510310, C h i n a)

In order to deal with the incomplete trust degree in social networks, a prediction method of user trust degree based on the context of communication data was used to analyze the trust degree of acquaintance and the trust degree of similarity between mobile users. Combined with the time decaying factor, a prediction scheme of user trust degree based on the temporal correlation was proposed. Experiments demonstrate that the prediction method considering both the time decaying factor and the user trust degree not only enhances the prediction accuracy of the trust degree between users to some extent, but has certain expansibility as well.

social networks trust degree context time decaying factor

10.3969/j.i s s n.1006-1010.2017.12.011

T P 391.4

A

1006-1010(2017)12-0054-05

張小可. 基于通信數據上下文的用戶信任度預測[J]. 移動通信, 2017,41(12): 54-58.

2017-03-10

責任編輯：袁婷 y u a n t i n g@m b c o m.c n

張小可：中級工程師，碩士畢業于西安交通大學，現任職于廣州杰賽科技股份有限公司研發中心，擅長于移動互聯網和大數據應用軟件設計開發以及產品化，主要從事產品架構設計、用戶行為分析等工作。