基于樸素貝葉斯的信任決策模型

沈宏偉,邵 堃,張陽(yáng)洋,霍 星,劉宗田

1(合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,合肥 230009) 2(合肥工業(yè)大學(xué) 數(shù)學(xué)學(xué)院,合肥 230009) 3(上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院,上海 200072) 4(南瑞集團(tuán) 國(guó)電南瑞科技股份有限公司,南京 211106)

1 引 言

信任關(guān)系是一種在人類社會(huì)中普遍存在的人際關(guān)系,這種關(guān)系表現(xiàn)在日常生活中的各個(gè)方面.隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展及其應(yīng)用的普及,日常生活中的交互活動(dòng)逐漸向網(wǎng)絡(luò)生活中轉(zhuǎn)移,比如網(wǎng)購(gòu)、微博、微信等.由于網(wǎng)絡(luò)環(huán)境具有動(dòng)態(tài)性、匿名性、開(kāi)放性的特點(diǎn),日常生活中對(duì)信任的評(píng)估方法已經(jīng)不能充分適應(yīng)當(dāng)前復(fù)雜的網(wǎng)絡(luò)環(huán)境.

因此,適用于網(wǎng)絡(luò)環(huán)境下的信任評(píng)估方法作為衡量網(wǎng)絡(luò)實(shí)體行為可靠性的有效方法,得到越來(lái)越多的學(xué)者們關(guān)注.Blaze[1]為解決internet上網(wǎng)絡(luò)服務(wù)的安全問(wèn)題,首先提出了“信任管理”的概念.至今,信任管理總體上仍處于發(fā)展初期.但是,國(guó)內(nèi)外學(xué)者對(duì)信任模型的研究一直不斷取得突出成果[2-8].學(xué)者們對(duì)信任模型的研究主要分為兩大類:一類是基于概率理論的信任模型[2-5];一類是基于模糊理論的信任模型[6-8].

信任是來(lái)源于信任主體所擁有的經(jīng)驗(yàn),主體對(duì)客體某種特定行為的預(yù)期,會(huì)隨著客體的行為而發(fā)生變化.jsang[9]等人基于主觀邏輯信任,通過(guò)引入事實(shí)空間和觀念空間的概念來(lái)描述和度量信任關(guān)系.唐文[10]等人針對(duì)信任的模糊性提出了一種基于模糊邏輯的主觀信任計(jì)算方法.文獻(xiàn)[11]對(duì)開(kāi)放式系統(tǒng)中的動(dòng)態(tài)信任預(yù)測(cè)模型進(jìn)一步優(yōu)化,提出了一種符合人類心理認(rèn)知過(guò)程的信任預(yù)測(cè)模型,摒棄了已有的文獻(xiàn)中常用的確定權(quán)重來(lái)進(jìn)行預(yù)測(cè)的主觀方法,同時(shí)提出了在直接信任不存在情況下解決信任計(jì)算的辦法.文獻(xiàn)[12]提出了一種正態(tài)分布下的動(dòng)態(tài)推薦信任模型,通過(guò)計(jì)算間接信任影響因素,運(yùn)用分級(jí)剪枝方法過(guò)濾推薦信息,計(jì)算得到后驗(yàn)分布期望的貝葉斯估計(jì).文獻(xiàn)[13]提出了一個(gè)基于服務(wù)Agent的可信性評(píng)估方法,從社交認(rèn)知角度建立的服務(wù)Agent信任本體,提出一系列的信任推理的計(jì)算規(guī)則來(lái)支持信任值的計(jì)算.

在對(duì)以上研究成果的分析研究過(guò)程中發(fā)現(xiàn),現(xiàn)有的信任研究都專注于對(duì)信任度值量化分析,忽略了信任度對(duì)決策的指導(dǎo)性作用,并且在計(jì)算信任度時(shí),學(xué)者們普遍使用直接信任和間接信任忽略了信譽(yù)的重要作用.文獻(xiàn)[14]指出了直接信任、間接信任、信譽(yù)之間的相互作用關(guān)系,認(rèn)為信譽(yù)和直接信任之間存在一定的修正關(guān)系,可以避免直接信任的誤導(dǎo).如果當(dāng)直接信任、間接信任以及信譽(yù)出現(xiàn)差異時(shí),主體很難通過(guò)其中一種信任關(guān)系來(lái)對(duì)客體進(jìn)行客觀行為進(jìn)行決策.而且,信任關(guān)系是一種不確定關(guān)系,兼具主觀性和模糊性.因此,本文通過(guò)深入研究信任關(guān)系中直接信任、間接信任、信譽(yù)的聯(lián)系,將樸素貝葉斯算法和模糊理論相結(jié)合建立信任決策模型,能夠更加準(zhǔn)確可靠的幫助主體進(jìn)行信任決策.

2 信任特征屬性量化

2.1 直接信任度量化

定義1.直接信任度(Direct Trust,DT)是依據(jù)信任主體i根據(jù)與信任客體j的歷史交互經(jīng)驗(yàn)得到的信任客體的可信度.

直接信任來(lái)自信任的主客體之間頻繁的歷史交互,是信任主體對(duì)信任客體的主觀判斷,受到多個(gè)方面因素的影響,包括信任主體的心理因素,歷史交互數(shù)量及時(shí)間因素,交互的順利程度等,這些因素都會(huì)影響信任主客體之間的直接信任度.由于主體的心理和交互的順利程度無(wú)法進(jìn)行獲取,因此本文借助歷史交互數(shù)量及時(shí)間因素來(lái)對(duì)直接信任建立數(shù)學(xué)模型,如公式(1)所示:

(1)

2.2 間接信任度量化

定義2.間接信任度(Indirect Trust,IDT)是信任主體(i)借助與信任客體(j)有過(guò)交互經(jīng)驗(yàn)的第三方推薦所獲得的信任度.若有第三方推薦者p向信任主體推薦信任客體,則推薦信任度可用公式(2)表示:

(2)

(3)

2.3 信譽(yù)量化

定義3.信譽(yù)(Reputation,RE),也稱聲譽(yù)是信任客體為獲得信任主體的認(rèn)可,通過(guò)大量交互來(lái)獲得信任主體對(duì)其的客觀評(píng)判.信譽(yù)是全部信任主體對(duì)信任客體信任度的加權(quán)平均.因此,信譽(yù)可以表示為:

(4)

3 樸素貝葉斯信任決策模型

3.1 樸素貝葉斯分類算法

貝葉斯算法由英國(guó)數(shù)學(xué)家Thomas Bayes提出,并成為概率論的基礎(chǔ)理論,主要應(yīng)用于決策理論、統(tǒng)計(jì)推斷、統(tǒng)計(jì)的估算等領(lǐng)域.樸素貝葉斯(Native Bayesian,NB)是貝葉斯的一種特例,是貝葉斯證據(jù)獨(dú)立的表達(dá)形象.樸素貝葉斯與一般貝葉斯的主要區(qū)別在于,樸素貝葉斯要求各個(gè)特征屬性(characteristic attribute,CA)相互獨(dú)立.滿足獨(dú)立條件的樸素貝葉斯分類算法比一般貝葉斯算法速度更快,更簡(jiǎn)單,分類準(zhǔn)確率更高.

樸素貝葉斯分類算法應(yīng)用在本文信任模型需滿足兩個(gè)基本假設(shè):

假設(shè)1.交互成功的事件要比交互失敗的事件平均具有更高的直接信任度、間接信任度以及信譽(yù)值.

假設(shè)2.直接信任、間接信任和信譽(yù)在交互結(jié)果給定的情況下是獨(dú)立的.

假設(shè)1,顯然很容易滿足.假設(shè)2,由于間接信任通過(guò)直接信任計(jì)算而來(lái),兩者看似不獨(dú)立.但是兩者來(lái)自不同信任主體,間接信任計(jì)算所采用的是推薦者與信任客體之間的直接信任,此直接信任和信任主體與信任客體之間的直接信任是相互獨(dú)立的,所以假設(shè)2也可滿足.

3.2 樸素貝葉斯信任決策模型

直接信任,間接信任,信譽(yù)作為信任交互結(jié)果的三個(gè)特征屬性,而且很好的滿足了樸素貝葉斯的特征條件相互獨(dú)立的基本假設(shè).建立樸素貝葉斯信任決策模型,首先需要對(duì)訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)和計(jì)算,包括交互成功和失敗的樣本數(shù)目,以及交互結(jié)果所對(duì)應(yīng)的三個(gè)特征屬性,直接信任,間接信任以及信譽(yù)的分布.

由于直接信任,間接信任和信譽(yù)的值所在區(qū)間是[0,1],不能夠體現(xiàn)出人對(duì)其評(píng)價(jià)的主觀模糊性.人在對(duì)事物進(jìn)行評(píng)價(jià)的時(shí)候往往只是“好”、“壞”之分,而不是有一個(gè)精確的度量.但是,完全采用這種二值邏輯無(wú)法完全勝任這種模糊表達(dá)的能力,而且缺乏靈活性.據(jù)此對(duì)其做一個(gè)模糊劃分,如下頁(yè)表1所示.本文將屬性值劃分為5個(gè)區(qū)間:{ Lowest,Low,General,High,Highest }.這樣不僅符合模糊評(píng)價(jià)的質(zhì)量要求,而且有一個(gè)中間等級(jí)符合自然語(yǔ)言描述.

依據(jù)表1中的劃分,直接信任DT={Lowest,Low,General,High,Highest},間接信任IDT={Lowest,Low,General,High,Highest},信譽(yù)RE={Lowest,Low,General,High,Highest}.

定義4.交互結(jié)果(Interaction Result,IAR),是信任主體與信任客體直接發(fā)生交互,對(duì)此次交互成功與失敗的評(píng)判,其中IAR={Success,Fail}.將交互結(jié)果分為成功和失敗兩大類,是本文模型進(jìn)行決策的最終依據(jù).

表1 屬性值模糊劃分
Table 1 Attribute values fuzzy divided

屬性值模糊劃分[0，0．2)Lowest[0．2?0．4)Low[0．5?0．6)General[0．6?0．8)High[0．8?1．0]Highest

通過(guò)以下式子計(jì)算各個(gè)類別下各個(gè)特征屬性的條件概率估計(jì),即P(CA|IAR).首先將訓(xùn)練樣本集根據(jù)交互結(jié)果IAR={Success,Fail}進(jìn)行分類.然后根據(jù)直接信任度,間接信任度,信譽(yù)值的劃分進(jìn)行統(tǒng)計(jì),獲得在不同交互結(jié)果下的先驗(yàn)條件概率分布.

具體步驟如下:

1)輸入訓(xùn)練樣本數(shù)據(jù);

2)計(jì)算樣本數(shù)據(jù)中,信任主客體的直接信任、間接信任、信譽(yù);

3)根據(jù)計(jì)算結(jié)果對(duì)交互結(jié)果及其直接信任、間接信任、信譽(yù)所屬劃分進(jìn)行計(jì)數(shù);

4)重復(fù)1),2),3)步,直至訓(xùn)練樣本數(shù)據(jù)處理完畢.

根據(jù)以上步驟操作可以獲得交互成功、交互失敗的交互數(shù)量,及各個(gè)交互所對(duì)應(yīng)的直接信任、間接信任、信譽(yù)所屬劃分的數(shù)量.特征屬性統(tǒng)計(jì)數(shù)量如表2所示.

表2 交互結(jié)果及其特征屬性統(tǒng)計(jì)數(shù)量表
Table 2 Interaction result and characteristic attributes statistical table

交互結(jié)果(IAR)numIAR={Success}，numIAR={Fail}直接信任(DT)numDT={Lowest}，numDT={Low}，numDT={General}，numDT={High}，numDT={Highest}間接信(IDT)numIDT={Lowest}，numIDT={Low}，numIDT={General}，numIDT={High}，numIDT={Highest}信譽(yù)(RE)numRE={Lowest}，numRE={Low}，numRE={General}，numRE={High}，numRE={Highest}

根據(jù)表2,可計(jì)算信任三維特征屬性的先驗(yàn)條件概率:P(DT| Success),P(IDT| Success),P(RE| Success),P(DT| Fail),P(IDT| Fail),P(RE| Fail).

由于各個(gè)特征屬性相互獨(dú)立,則可根據(jù)貝葉斯定理得到公式(5):

(5)

由于P(CA)對(duì)于各個(gè)類別都是相同的,可看作常數(shù).因此,分子主要觀察對(duì)象.由于各個(gè)特征屬性之間相互獨(dú)立,因此分子部分等價(jià)于聯(lián)合分布模型.則反復(fù)使用鏈?zhǔn)椒▌t將其改寫為條件概率形式,如公式(6):

P(IAR|CA)

=P(IAR|DT,IDT,RE)

=P(IAR)P(DT,IDT,RE|IAR)

=P(IAR)P(DT|IAR)P(IDT,RE|IAR,DT)

=P(IAR)P(DT|IAR)P(IDT|IAR,DT)P(RE|IAR,DT,IDT)

=P(IAR)P(DT|IAR)P(IDT|IAR)P(RE|IAR)

(6)

由式(6)知,交互結(jié)果的后驗(yàn)概率通過(guò)交互結(jié)果的先驗(yàn)概率及信任特征屬性的先驗(yàn)概率計(jì)算獲得.因此,獲取先驗(yàn)概率是樸素貝葉斯信任決策模型的重點(diǎn).通過(guò)對(duì)訓(xùn)練樣本集的統(tǒng)計(jì)訓(xùn)練,獲得各個(gè)特征屬性的先驗(yàn)概率是進(jìn)行判別計(jì)算的關(guān)鍵.在得到三維特征屬性的先驗(yàn)概率之后,便可對(duì)未知交互結(jié)果的交互事件進(jìn)行預(yù)測(cè)并提供相關(guān)的決策信息.對(duì)于已知直接信任DT,間接信任IDT,信譽(yù)RE的交互事件X,交互事件X的交互結(jié)果未知.則可通過(guò)比較P(CA|Success)P(Success)和P(CA|Fail)P(Fail)的值,預(yù)測(cè)此次交互X的交互結(jié)果.

4 實(shí)驗(yàn)及分析

實(shí)驗(yàn)數(shù)據(jù)集來(lái)自EPINIONS dataset,本文選用EPINIONS dataset是由于此數(shù)據(jù)集在研究社會(huì)網(wǎng)絡(luò)信任關(guān)系領(lǐng)域被許多學(xué)者所采用.EPINIONS dataset中包含49290位用戶對(duì)139738個(gè)對(duì)象進(jìn)行了評(píng)價(jià),并且評(píng)價(jià)次數(shù)不低于1次,一共發(fā)表了664824次評(píng)論,一共擁有487181對(duì)相互信任的用戶.

首先對(duì)獲取的664824次評(píng)論進(jìn)行統(tǒng)計(jì),根據(jù)評(píng)論來(lái)將此次交互結(jié)果(IAR)分為成功(Success)和失敗(Fail)兩類.數(shù)據(jù)集中評(píng)論分為1-5,5個(gè)等級(jí),實(shí)驗(yàn)過(guò)程中規(guī)定1-3為較低的評(píng)價(jià),即交互失敗,4-5為較高評(píng)價(jià),即交互成功,見(jiàn)表3.

表3 交互結(jié)果統(tǒng)計(jì)
Table 3 Statistical interaction results

交互結(jié)果(IAR)成功(Success)失敗(Fail)統(tǒng)計(jì)數(shù)量495393169431

接下來(lái)對(duì)交互結(jié)果的三個(gè)屬性特征直接信任,間接信任,信譽(yù)進(jìn)行統(tǒng)計(jì),統(tǒng)計(jì)結(jié)果如下頁(yè)表4所示.

實(shí)驗(yàn)過(guò)程中,直接信任度是信任主體對(duì)信任對(duì)象的直接評(píng)價(jià),與直接信任所屬劃分相對(duì)應(yīng).親密度的計(jì)算是根據(jù)信任主體與推薦者所交互對(duì)象共同數(shù)量確定的.

建立樸素貝葉斯模型的關(guān)鍵在于計(jì)算每一個(gè)特征屬性的條件概率分布,借助條件概率分布實(shí)現(xiàn)各個(gè)特征屬性的融合.條件概率分布為樸素貝葉斯模型提供了不確定性計(jì)算所必需的先驗(yàn)概率,進(jìn)而可以求出交互結(jié)果的后驗(yàn)概率.樸素貝葉斯模型各個(gè)特征屬性的條件概率估計(jì)如下頁(yè)表5-表7.

以上是對(duì)訓(xùn)練樣本中交互結(jié)果及其特征屬性的統(tǒng)計(jì),并計(jì)算各個(gè)特征屬性的條件概率估計(jì).下面對(duì)1000組測(cè)試樣進(jìn)行測(cè)試,已知直接信任DT,間接信任IDT,信譽(yù)RE的交互X={x1,x2,x3,…,x1000},交互X的交互結(jié)果已知,其中交互結(jié)果成功有628個(gè),失敗372個(gè).根據(jù)訓(xùn)練樣本計(jì)算獲得的預(yù)測(cè)交互結(jié)果與已知交互結(jié)果進(jìn)行比較獲得模型的準(zhǔn)確度.

表4 交互結(jié)果特征統(tǒng)計(jì)表
Table 4 Statistical feature attribute of interaction results

LowestLowGeneralHighHighest成功Success直接信任(DT)175152468443897169731239566間接信任(IDT)456121216094137386340246信譽(yù)(RE)85386616823143702333149失敗Fail直接信任(DT)2615428698416323956033387間接信任(IDT)422615176466996879434536信譽(yù)(RE)422615465489417040930390

表5 直接信任條件概率估計(jì)
Table 5 Direct trust conditional probability

直接信任(DT)LowestLowGeneralHighHighest成 功SuccessP(Lowest|Success)P(Low|Success)P(General|Success)P(High|Success)P(Highest|Success)3．5356%4．9827%8．8610%34．2619%48．3588%失 敗FailP(Lowest|Fail)P(Low|Fail)P(General|Fail)P(High|Fail)P(Highest|Fail)15．4364%16．9380%24．5717%23．3488%19．7053%

表6 間接信任條件概率估計(jì)
Table 6 Indirect trust conditional probability

間接信任(IDT)LowestLowGeneralHighHighest成 功SuccessP(Lowest|Success)P(Low|Success)P(General|Success)P(High|Success)P(Highest|Success)0．0920%0．2447%3．2487%27．7327%68．6819%失 敗FailP(Lowest|Fail)P(Low|Fail)P(General|Fail)P(High|Fail)P(Highest|Fail)2．4942%8．9570%27．5623%40．6029%20．3836%

表7 信譽(yù)條件概率估計(jì)
Table 7 Reputation conditional probability

信譽(yù)(RE)LowestLowGeneralHighHighest成 功SuccessP(Lowest|Success)P(Low|Success)P(General|Success)P(High|Success)P(Highest|Success)0．1722%0．1748%3．3959%29．0077%67．2494%失 敗FailP(Lowest|Fail)P(Low|Fail)P(General|Fail)P(High|Fail)P(Highest|Fail)2．4942%9．1276%28．8856%41．5561%17．9365%

具體步驟如下:

1)根據(jù)公式(1)(2)(3)(4)(5),計(jì)算獲得直接信任,間接信任以及信譽(yù)的值.

2)利用表1,對(duì)直接信任度,間接信任度,信譽(yù)值進(jìn)行劃分.

3)借助表5-表7,使用以下公式分別計(jì)算交互成功和交互失敗的后驗(yàn)概率如公式(7)(8):

(7)

(8)

其中

evidence=P(Success)p(DT|Success)p(IDT|Success)p(RE|Success)+P(Fail)p(DT|Fail)p(IDT|Fail)p(RE|Fail)

(9)

evidence是用來(lái)控制交互成功和交互失敗的后驗(yàn)概率之和為1.

4)比較交互成功的后驗(yàn)概率和交互失敗的后驗(yàn)概率獲得交互的預(yù)測(cè)結(jié)果,與已知結(jié)果進(jìn)行比較,并記錄.

5)反復(fù)執(zhí)行1),2),3),4)步,直到全部測(cè)試樣本測(cè)試完畢.

表8 對(duì)比結(jié)果
Table 8 Comparison result

已知結(jié)果預(yù)測(cè)結(jié)果誤差成功628592?36失敗37240836

根據(jù)以上步驟對(duì)測(cè)試樣本進(jìn)行測(cè)試,測(cè)試結(jié)果如表8、下頁(yè)表9所示.

表8中看出,測(cè)試樣本中,交互成功的數(shù)量為628,交互失敗的數(shù)量為372,使用模型進(jìn)行預(yù)測(cè)的結(jié)果是交互結(jié)果成功的數(shù)量為592,交互失敗的數(shù)量為408.

表9 交互結(jié)果轉(zhuǎn)移表
Table 9 Interaction results transfer table

成功(已知)→失敗(預(yù)測(cè))失敗(已知)→成功(預(yù)測(cè))5519

根據(jù)表9可以看到,在測(cè)試樣本中原來(lái)有55個(gè)交互成功的樣本經(jīng)過(guò)模型計(jì)算后預(yù)測(cè)結(jié)果是失敗,19個(gè)在測(cè)試樣本中交互結(jié)果是失敗的經(jīng)過(guò)模型計(jì)算后預(yù)測(cè)結(jié)果是成功,即一共有74個(gè)樣本預(yù)測(cè)結(jié)果與已知結(jié)果不匹配.可粗略估計(jì)本模型的準(zhǔn)確率在92.6%,這是一個(gè)可以讓人接受的準(zhǔn)確率.

表10 惡意評(píng)論
Table 10 Malicious bad review %

間接信任LowestLowGeneralHighHighest成功后驗(yàn)概率9．87187．499025．914966．964490．9089失敗后驗(yàn)概率90．128292．501074．085133．03569．0911交互結(jié)果預(yù)測(cè)失敗失敗失敗成功成功

模型不僅具有較高的準(zhǔn)確率,而且對(duì)惡意差評(píng)和過(guò)分好評(píng)也有著一定的抵御能力.惡意評(píng)論是指對(duì)交互對(duì)象給予過(guò)低的評(píng)價(jià).而過(guò)分好評(píng)相反,指的是給予交互對(duì)象一個(gè)過(guò)高的評(píng)價(jià),這直接影響到間接信任.以一次交互為例,直接信任和信譽(yù)均處于較高評(píng)分,即IDT、RE={High},交互成功和交互失敗的后驗(yàn)概率如表10所示.

表11 過(guò)分好評(píng)
Table 11 Extremely high praise %

間接信任LowestLowGeneralHighHighest成功后驗(yàn)概率0．21860．16200．69503．897916．6729失敗后驗(yàn)概率99．781499．838099．305096．102183．3271交互結(jié)果預(yù)測(cè)失敗失敗失敗失敗失敗

由表10可以看出,在直接信任DT=High,信譽(yù)RE=High時(shí),間接信任IDT={Lowest,Low,General}則預(yù)測(cè)交互結(jié)果為失敗;間接信任IDT={High,Highest}則預(yù)測(cè)交互結(jié)果為成功.即如果初始的間接信任為Highest時(shí),惡意評(píng)論對(duì)其影響不是很大,需要惡意評(píng)論影響間接信任度致其低于0.6方可影響到對(duì)交互結(jié)果的判斷.假設(shè)所有推薦者與信任主體親密度相等,初始推薦者有20人,融合間接信任度為0.9={Highest},現(xiàn)有n個(gè)惡意差評(píng)者,其信任主體對(duì)其間接信任度為0.1,則需要n>12個(gè)惡意推薦者才能影響模型對(duì)交互結(jié)果的預(yù)測(cè).同理可知,模型對(duì)過(guò)分好評(píng)也有一定的抵御作用.如表11所示,其中直接信任DT={Low},信譽(yù)RE={Lowest}.當(dāng)直接信任與信譽(yù)比較低的時(shí)候,過(guò)分好評(píng)對(duì)其的影響微乎其微,并沒(méi)有影響到對(duì)決策結(jié)果的判斷.因此,本文模型對(duì)惡意推薦也有著一定的抵御作用.

5 結(jié)束語(yǔ)

信任模型的構(gòu)建一直是信任研究領(lǐng)域的重點(diǎn).本文利用樸素貝葉斯理論,用直接信任,間接信任,信譽(yù)作為三維特征屬性描述交互結(jié)果.其中也涉及到了直接信任,間接信任以及信譽(yù)的計(jì)算問(wèn)題,借助模糊理論方法將三者根據(jù)值所屬范圍進(jìn)行劃分,然后計(jì)算信任的三維特征屬性的先驗(yàn)條件概率估計(jì).根據(jù)先驗(yàn)概率估計(jì)來(lái)計(jì)算交互結(jié)果的后驗(yàn)概率估計(jì),構(gòu)建信任決策模型.該模型將根據(jù)交互情況計(jì)算交互的三維特征屬性,并結(jié)合三維屬性特征劃分和交互結(jié)果的后驗(yàn)概率預(yù)測(cè)此次交互的結(jié)果,完成決策分析功能.本文模型不僅具有較高的準(zhǔn)確度,而且對(duì)惡意評(píng)論和過(guò)分好評(píng)也有一定抵御作用.

[1] Blaze M,Feigenbaum J,Lacy J.Decentralized trust m anagement[C].IEEE Computer Society,1996:164-173.

[2] Abdul-Rahman A,Hailes S.A distributed trust model[C].The Workshop on New Security Paradigms,ACM,1998:48-60.

[3] Tan Zhen-hua,Wang Xing-wei,Cheng Wei,et al.A distributed trust model for peer-to-peer networks based on multi-dimension-history vector[J].Chinese Journal of Computers,2010,33(9):1725-1735.

[4] Angin P,Zhong Y,Lu Y,et al.A computational dynamic trust model for user authorization[J].IEEE Transactions on Dependable & Secure Computing,2015,12(1):1-15.

[5] Hoogendoorn M,Jaffry S W,Van Maanen P P,et al.Design and validation of a relative trust model[J].Knowledge-Based Systems,2014,57(to appear):81-94.

[6] Sentz K.Combination of evidence in dempster-shafer theory[D].Binghamton,NY:Systems Science and Industrial Engineering Department,Binghamton University,2002.

[7] Tajeddine A,Kayssi A,Chehab A,et al.Fuzzy reputation-based trust model[J].Applied Soft Computing,2011,11(1):345-355.

[8] Wang Ying,Wang Xin,Zuo Wan-li.Trust prediction modeling based on social theories[J].Journal of Software,2014,25(12):2893-2904.

[10] Tang Wen,Hu Jian-bin,Chen Zhong.Research on a fuzzy logic-based subjective trust management model[J].Journal of Computer Research and Development,2005,42(10):1654-1659.

[11] Li Xiao-yong,Gui Xiao-lin.Cognitive model of dynamic trust forecasting[J].Journal of Software,2010,21(1):163-176.

[12] Shao Kun,Luo Fei,Mei Xiao-xiong,et al.Normal distribution based dynamical recommendation trust model[J].Journal of Software,2012,23(12):3130-3148.

[13] Zhu Man-ling,Jin Zhi.Approach for evaluating the trust worthiness of service agent[J].Journal of Software,2011，22(11):2593-2609.

[14] Kiefhaber R,Jahr R,Msadek N,et al.Ranking of direct trust,confidence,and reputation in an abstract system with unreliable components[C].Ubiquitous Intelligence and Computing,2013 IEEE,International Conference on and,International Conference on Autonomic and Trusted Computing,IEEE,2013:388-395.

附中文參考文獻(xiàn)：

[3] 譚振華,王興偉,程 維,等.基于多維歷史向量的P2P分布式信任評(píng)價(jià)模型[J].計(jì)算機(jī)學(xué)報(bào),2010,33(9):1725-1735.

[8] 王 英,王 鑫,左萬(wàn)利.基于社會(huì)學(xué)理論的信任關(guān)系預(yù)測(cè)模型[J].軟件學(xué)報(bào),2014,25(12):2893-2904.

[10] 唐 文,胡建斌,陳 鐘.基于模糊邏輯的主觀信任管理模型研究[J].計(jì)算機(jī)研究與發(fā)展,2005,42(10):1654-1659.

[11] 李小勇,桂小林.動(dòng)態(tài)信任預(yù)測(cè)的認(rèn)知模型[J].軟件學(xué)報(bào),2010,21(1):163-176.

[12] 邵 堃,羅 飛,梅梟雄,等.一種正態(tài)分布下的動(dòng)態(tài)推薦信任模型[J].軟件學(xué)報(bào),2012,23(12):3130-3148.

[13] 朱曼玲,金 芝.一種服務(wù)Agent的可信性評(píng)估方法[J].軟件學(xué)報(bào),2011,22(11):2593-2609.