唐仕喜

(鹽城師范學(xué)院信息科學(xué)與技術(shù)學(xué)院，江蘇鹽城 224002)

信任模型中推薦信息有效性評(píng)判

唐仕喜

(鹽城師范學(xué)院信息科學(xué)與技術(shù)學(xué)院，江蘇鹽城 224002)

在大規(guī)模、開放、動(dòng)態(tài)的分布式物聯(lián)網(wǎng)環(huán)境中，相當(dāng)一部分推薦者為了最大限度地提高自身的收益，傾向于給出不公正的推薦信息.與一般主觀判斷算法不同，提出了均值受限熵推薦信息可靠性判斷算法，構(gòu)建了適用于物聯(lián)網(wǎng)環(huán)境的具有可靠推薦能力的信任模型，通過客觀判斷出總體推薦信息的可靠性，并過濾掉隨機(jī)發(fā)布的不負(fù)責(zé)任的推薦信息、個(gè)人不合理的推薦信息以及不公平的推薦信息.實(shí)驗(yàn)結(jié)果表明，算法與實(shí)際相符，所構(gòu)建的物聯(lián)網(wǎng)環(huán)境的可靠推薦能力的信任模型更具有客觀性.

信任；推薦信息；均值受限熵；可靠推薦

0 引 言

目前，可計(jì)算的信任模型廣泛地應(yīng)用于物聯(lián)網(wǎng)環(huán)境中:當(dāng)服務(wù)請(qǐng)求者與服務(wù)提供者之間相互不熟悉，或服務(wù)請(qǐng)求者對(duì)某些服務(wù)沒有足夠的訪問權(quán)限時(shí)，可計(jì)算的信任模型為服務(wù)提供者是否提供相應(yīng)的服務(wù)和服務(wù)請(qǐng)求者是否接受相應(yīng)服務(wù)并提供實(shí)時(shí)的決策.這種信任模型的決策是基于與請(qǐng)求者相關(guān)的推薦者的推薦信息來完成的.而在大規(guī)模、開放、動(dòng)態(tài)的分布式物聯(lián)網(wǎng)環(huán)境中，相當(dāng)一部分推薦者基于自身的利益考慮，傾向于給出不公正的推薦信息.同時(shí)，由于物聯(lián)網(wǎng)環(huán)境的高度動(dòng)態(tài)性，要獲取推薦者足夠多的信息是一件非常困難的事情.目前，人們對(duì)分布式網(wǎng)絡(luò)中信任關(guān)系的研究主要集中在信任的5段量化評(píng)判、直接信任與間接信任合成總體信任以及信任隨時(shí)間衰減模型等方面[1-6].在此基礎(chǔ)上，本研究提出了均值受限熵推薦信息可靠性判斷算法，構(gòu)建了適用于物聯(lián)網(wǎng)環(huán)境的具有可靠推薦能力的信任模型.

1 信任模型構(gòu)建

1.1 物聯(lián)網(wǎng)環(huán)境下各種推薦場景

對(duì)處于物聯(lián)網(wǎng)環(huán)境的信任模型，推薦者給出的推薦信息的各種可能情況如下:

1)正常推薦，包括:a，誠實(shí)的推薦者給出準(zhǔn)確的推薦.

2)異常的推薦，包括:b，由于不正確的觀察，誠實(shí)的推薦者給出不準(zhǔn)確的推薦；c，由于服務(wù)請(qǐng)求者對(duì)不同推薦者的推薦信息響應(yīng)不一，誠實(shí)的推薦者給出與其他推薦者相異的推薦；d，由于推薦者缺乏責(zé)任感，輕率地給出隨機(jī)的推薦信息.

3)惡意推薦，包括:e，誠實(shí)的推薦者給出過高或過低的推薦信息而這些推薦者過去的推薦行為是誠實(shí)的，由于現(xiàn)在與服務(wù)提供者或服務(wù)請(qǐng)求者間存在利益關(guān)系而給出不公平的推薦信息；f，惡意的推薦者給出過高或過低的推薦信息，惡意的推薦者從過去到現(xiàn)在，一直以來都給出的是惡意推薦信息；g，大量誠實(shí)的推薦者給出過高或過低的推薦信息，這些惡意推薦信息超過了總推薦信息的50%以上，導(dǎo)致了不公平推薦信息的洪泛；h，大量惡意的推薦者給出過高或過低的推薦信息，這些惡意推薦信息導(dǎo)致了不公平推薦信息的洪泛.

事實(shí)上，一個(gè)可靠的物聯(lián)網(wǎng)信任模型應(yīng)該有能力過濾掉b、d、e、f、g及h的推薦場景，并將a、c的推薦場景與b、d、e、f、g及h的推薦場景區(qū)分并分離出來.

1.2 具有可靠推薦能力的信任模型構(gòu)建

由于信任是基于每個(gè)用戶自身對(duì)信息的理解，具有主觀性.因此，容易造成惡意推薦者假扮成誠實(shí)推薦者，而誠實(shí)推薦者被誤解為惡意推薦者的情形，這增加了區(qū)分公平推薦與非公平推薦的難度.本研究提出的具有可靠推薦能力的信任模型構(gòu)建的核心思想是:不同的推薦者對(duì)同樣服務(wù)信息具有不同的理解，可能會(huì)給出不同的推薦信息，但從心理學(xué)的角度分析，在類似的情況下，個(gè)體推薦者通常給出類似的推薦信息，為了充分地利用有限的推薦信息并將有效的推薦信息從所有推薦信息中分離出來，可利用推薦信息的所有推薦者對(duì)其有效性來進(jìn)行評(píng)判，若評(píng)判結(jié)果為不合理，則說明推薦信息中存在惡意推薦或異常推薦.假定，在推薦信息有效性評(píng)價(jià)系統(tǒng)中采用百分制，其給定評(píng)價(jià)標(biāo)準(zhǔn) ——評(píng)價(jià)系統(tǒng)中的均值為m，則對(duì)應(yīng)在1～100間的評(píng)價(jià)系統(tǒng)所期望的概率為Pi(i=1，…，100).設(shè)，計(jì)算后的推薦信息有效性評(píng)價(jià)系統(tǒng)中各信源ai(i=1，…，100)對(duì)應(yīng)的極大期望概率為(Pi)(i=1，…，100)，由設(shè)定有，

再由均值受限熵理論有，

由式(2)、(3)得，

此時(shí)，方程為max(ai)次的非線性方程.解此方程，再由式(1)、(2)即可得出相應(yīng)Pi的解.若不考慮約束，方程f(x)=0有max(ai)個(gè)解，且每個(gè)解對(duì)應(yīng)相應(yīng)一組(λ1，λ2)值，每一組(λ1，λ2)值又對(duì)應(yīng)一組max(Pi)(i=1，…，n)的極值.在這 max(ai)組max(Pi)(i=1，…，n)的極值中若存在一組max(Pi)(i=1，…，n)使得Pi＜max(Pi)(i=1，…，n)，則評(píng)價(jià)系統(tǒng)是合理可行的.

在推薦信息有效性評(píng)價(jià)系統(tǒng)中，ai(i=1，…，n)為各信源域[0，100].當(dāng)采用四舍五入時(shí)，取ai=i(i=0，…，100)可能值時(shí)，對(duì)推薦信息有效性評(píng)價(jià)系統(tǒng)的評(píng)判影響甚微.采用此近似做法有，

由An(x)=0可將其看成是實(shí)矩陣，

的特征多項(xiàng)式方程，

求方程An(x)=0的全部實(shí)根就變?yōu)榍驛矩陣的全部特征值.矩陣A為一個(gè)上H陣，可采用帶原點(diǎn)位移的雙重步QR方法來計(jì)算A的全部特征值.先確定一個(gè)初等正交對(duì)稱矩陣 Q0，對(duì) A作相似變換，

其中，對(duì)稱正交陣Q0為，

且~Q為3×3矩陣，若令，

利用同樣的方法，可依次確定正交對(duì)稱矩陣Q1，…，Qn-2對(duì) A1，A2，…，An-2作相似變換，

最后，可得上 H陣，An-1=Qn-2An-2Qn-2，在這一過程中有，

通過上述計(jì)算反復(fù)迭代，當(dāng)次對(duì)角線元素的模小到一定程度，就可以把它們看成0.即，如果|ak，ak-1|≤ε(|ak-1，ak-1|+|ak|)，則ak，ak-1=0(ε為指定精度的參數(shù))，直到將上 H陣變換為對(duì)角塊全部是一階塊或二階塊為止，進(jìn)而從各一階塊或二階塊中求出全部特征值λ，即得相應(yīng)x的值.

據(jù)此:對(duì)給定滑動(dòng)窗口中的推薦信息屬性指標(biāo)ai(i=1，…，100)，若x存在實(shí)解，則該滑動(dòng)窗口中的推薦信息是有效的，可以直接進(jìn)行推薦信息對(duì)應(yīng)服務(wù)的可信度量化；若x不存在實(shí)解，則評(píng)判結(jié)果為不合理，說明推薦信息中存在惡意推薦或異常推薦.

2 實(shí)驗(yàn)結(jié)果與分析

設(shè)分布式系統(tǒng)∑由N個(gè)節(jié)點(diǎn)組成，記為∑ ={1，2，…，N}.分布式系統(tǒng) ∑中每 2個(gè)節(jié)點(diǎn)間都通過網(wǎng)絡(luò)連接，任意2個(gè)節(jié)點(diǎn)能直接通過網(wǎng)絡(luò)互相通信.本模型中，評(píng)價(jià)者與目標(biāo)分別分布在網(wǎng)絡(luò)的不同節(jié)點(diǎn)中.在分布式開放系統(tǒng)中，設(shè)評(píng)價(jià)者集合為A={a1，a2，…，ai，…，an}，例如，淘寶網(wǎng)電子商務(wù)應(yīng)用中，消費(fèi)者或潛在的消費(fèi)者是商品及其對(duì)應(yīng)商家的評(píng)價(jià)者.設(shè)目標(biāo)集合為B={b1，b2，…，bj，…，bm}，例如，淘寶網(wǎng)電子商務(wù)應(yīng)用中目標(biāo)為商品及其對(duì)應(yīng)的商家.設(shè)每個(gè)目標(biāo)bj對(duì)應(yīng)屬性的集合為Cj={c1，c2，ck，…，cp}，在電子商務(wù)應(yīng)用中屬性為商品及其對(duì)應(yīng)商家的售后、價(jià)格、保質(zhì)期、耗能量、噪音及穩(wěn)定性等.

實(shí)例1淘寶網(wǎng)電子商務(wù)中對(duì)衣服商品質(zhì)量評(píng)價(jià)的一個(gè)窗口數(shù)據(jù)為，

采用均值受限熵推薦信息可靠性判斷算法進(jìn)行分析，對(duì)給定滑動(dòng)窗口中的推薦信息質(zhì)量指標(biāo)ai(i=1，…，100)，x共有57個(gè)解，其中存在4個(gè)實(shí)解:x1=0，x2=1，x3=-1.09，x4=-1.02，其中 ，x2＞0，可見本次窗口數(shù)據(jù)的總體信任評(píng)價(jià)是有效的，可用于對(duì)產(chǎn)品進(jìn)行信息推薦(見圖1).經(jīng)實(shí)際分析，該產(chǎn)品質(zhì)量的均值是合理的，與其價(jià)位一致.

圖1 淘寶網(wǎng)對(duì)衣服質(zhì)量評(píng)價(jià)一個(gè)窗口數(shù)據(jù)

實(shí)例2淘寶網(wǎng)電子商務(wù)中對(duì)衣服商品質(zhì)量評(píng)價(jià)的另一個(gè)窗口數(shù)據(jù)為，

同樣采用均值受限熵推薦信息可靠性判斷算法進(jìn)行分析，對(duì)給定滑動(dòng)窗口中的推薦信息質(zhì)量指標(biāo)ai(i=1，…，100)，x無實(shí)解，可見本次窗口數(shù)據(jù)的總體信任評(píng)價(jià)是無效的，不可用于對(duì)產(chǎn)品進(jìn)行信息推薦(見圖2).經(jīng)實(shí)際分析，該產(chǎn)品質(zhì)量的均值是不合理的，質(zhì)量虛高于其價(jià)位.

圖2 淘寶網(wǎng)對(duì)衣服質(zhì)量評(píng)價(jià)另一個(gè)窗口數(shù)據(jù)

3 結(jié) 語

本研究基于推薦信息屬性，使用均值受限熵推薦信息可靠性判斷算法，構(gòu)建了適用于物聯(lián)網(wǎng)環(huán)境的具有可靠推薦能力的信任模型.在模型構(gòu)建方法中使用推薦信息屬性來分析用戶的活動(dòng)、狀態(tài)和意圖，分析出總體推薦的合理性，并過濾掉不合理的推薦信息.此模型方法的優(yōu)點(diǎn)是:它可以判斷出總體推薦信息的可靠性，并過濾掉隨機(jī)發(fā)布的不負(fù)責(zé)任的推薦信息、個(gè)人不合理的推薦信息以及不公平的推薦信息.進(jìn)一步的研究工作將包括:通過對(duì)推薦信息的不同屬性的縱向與橫向比較，分析出總體推薦的合理性，將總體推薦信息的信任量化到一個(gè)合理的階段；區(qū)分可疑的推薦信息，判斷出其推薦信息是惡意攻擊還是惡意推薦；對(duì)總體推薦信息進(jìn)行合理的定位，利用有限的推薦信息，得到該服務(wù)的一個(gè)可靠的信任度.

:

[1]詹濤，周興社，楊剛.基于相似度的分布式信任模型[J].西北工業(yè)大學(xué)學(xué)報(bào)，2010，28(1):67-71.

[2]郎波.面向分布式系統(tǒng)訪問控制的信任度量化模型[J].通信學(xué)報(bào)，2010 ，3(12):45-54.

[3]曲永花，竇萬峰，劉超.分布式系統(tǒng)推薦信任模型研究[J].計(jì)算機(jī)工程與應(yīng)用 ，2012，48(2):109-112.

[4]劉彬，張仁津.用于Web服務(wù)的分布式信任和聲譽(yù)模型[J].微電子學(xué)與計(jì)算機(jī)，2011，28(8):208-215.

[5]Das A，Islam M M.SecuredTrust:A Dynamic Trust Computation Model for Secured Communication in Multiagent Systems[J].IEEE Transactions on Dependa-ble and Secure Computing，2012，9(2):261-274.

[6]黃海生，王汝傳.基于隸屬云理論的主觀信任評(píng)估模型研究[J].通信學(xué)報(bào)，2008，29(4):13-19.

Validity Judgment of Recommended Information in Trust Model

TANGShixi

(College of Information Science and Technology，Yancheng Teachers University，Yancheng 224002，China)

In large-scale ，open ，dynamic and distributed networking environment，a considerable part of the recommended are based on their own interests and to maximize their own gains，they give unfair recommended information.Unlike the general subjective judgment algorithm，the validity judgment algorithm of recommended information in trust model was proposed based on the mean constrained entropy.A trust model was proposed which has reliable ability to recommend and is applicable to the network environment.It can subjectively judge the reliability of the general recommendation information and filter out randomly released and irresponsible information，personally unreasonable recommended information as well as unfair recommended information.The experimental results show that the algorithm is consistent with the reality of networking environment.And the reliable recommendation trust model is more objective.

trust；information recommendation ；mean restricted entropy ；dependable computing

TP393.08

A

1004-5422(2012)04-0360-04

2012-09-25.

江蘇省科技廳面向物聯(lián)網(wǎng)不確定流數(shù)據(jù)挖掘的若干問題研究(SBK201221532)資助項(xiàng)目.

唐仕喜(1975—)，男，碩士，高級(jí)工程師，從事數(shù)據(jù)挖掘及智能信息處理技術(shù)研究.