王鵬，楊華民，邱寧佳，楊迪，李松江

（長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春130022）

基于CNN算法的網(wǎng)絡(luò)信任等級(jí)模型研究

王鵬，楊華民，邱寧佳，楊迪，李松江

（長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春130022）

提出一種基于CNN算法的網(wǎng)絡(luò)信任等級(jí)模型，解決用戶節(jié)點(diǎn)信任值的高低對(duì)整個(gè)網(wǎng)絡(luò)信任度造成影響問題。使用設(shè)定好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)用戶節(jié)點(diǎn)數(shù)據(jù)進(jìn)行訓(xùn)練，完成用戶信任等級(jí)分類工作，在提高執(zhí)行效率的基礎(chǔ)上，對(duì)數(shù)據(jù)完成有效分類，確定用戶特征屬性的具體維度范圍，并通過噪聲、運(yùn)行時(shí)間、準(zhǔn)確率和分類精度等不同方面對(duì)不同算法進(jìn)行對(duì)比驗(yàn)證模型，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在集群環(huán)境下執(zhí)行的效率得到很大提升，能夠高效處理實(shí)驗(yàn)數(shù)據(jù)。

CNN；信任模型；信任等級(jí)分類；模型驗(yàn)證

近年來(lái)，社交網(wǎng)絡(luò)普遍流行發(fā)展起來(lái)，隨之而來(lái)的網(wǎng)絡(luò)安全問題也受到了人們的重視。學(xué)者們也開始了對(duì)社交網(wǎng)絡(luò)的信任關(guān)系模型的廣泛探討。Magnusson等人提出一個(gè)能實(shí)現(xiàn)信任問題仿真的信任計(jì)算系統(tǒng)，能通過仿真模擬信任社交網(wǎng)絡(luò)上的個(gè)人直接連接，通過整合的信任值計(jì)算最終返回代表實(shí)際信任的信任評(píng)分［1］。Nepal等人提供了一個(gè)信任推理模型，比較和評(píng)估可用的信任路徑和聚合方法的長(zhǎng)度會(huì)影響預(yù)測(cè)的準(zhǔn)確性，然后提出最佳的策略，以最大限度地提高預(yù)測(cè)精度［2-3］。Moyano等人提出了FIRE模型，該模型全面考慮信任的來(lái)源，并對(duì)其進(jìn)行分類，融合了多種不同的信任評(píng)價(jià)方式［4］。孟憲佳等人在進(jìn)行信任評(píng)估的同時(shí)綜合了用戶的態(tài)度、經(jīng)驗(yàn)和行為三者來(lái)完成，并通過實(shí)驗(yàn)驗(yàn)證了模型對(duì)復(fù)雜網(wǎng)絡(luò)的各種變化具有較高的適應(yīng)能力［5］。王勇等人針對(duì)傳統(tǒng)社交網(wǎng)絡(luò)缺乏用戶關(guān)系描述方法的問題，從用戶關(guān)系角度出發(fā)，將信任引入作為表征用戶關(guān)系的要素，提出了一種信任鏈形式化模型（TCFM）［6］。

針對(duì)信任預(yù)測(cè)所存在的問題，大量學(xué)者提出了利用人工神經(jīng)網(wǎng)絡(luò)的計(jì)算網(wǎng)絡(luò)結(jié)構(gòu)對(duì)評(píng)估過程進(jìn)行改進(jìn)，Djuric等人提出了基于神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)評(píng)估模型，成功地解決了金融風(fēng)險(xiǎn)管理領(lǐng)域的一個(gè)研究熱點(diǎn)問題［7-9］。Yang等人提出了基于神經(jīng)網(wǎng)絡(luò)的城市信用評(píng)估模型，利用遺傳算法提高了分類精度達(dá)到了評(píng)級(jí)精準(zhǔn)的目的［10］。徐旭等人設(shè)計(jì)了基于專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的混合智能信用排序系統(tǒng)，通過實(shí)驗(yàn)分析驗(yàn)證了系統(tǒng)的推薦和理解能力的智能化，以及更加準(zhǔn)確和強(qiáng)大的信用排名功效［11-12］。Bissacot等人提出了一種基于Hopfield神經(jīng)網(wǎng)絡(luò)的信任模型以及網(wǎng)絡(luò)可信度的評(píng)估方法，最大限度地減少偽穩(wěn)定點(diǎn)的數(shù)目，極大可能地提高穩(wěn)定點(diǎn)的吸引力［13-15］。韓艷等人通過對(duì)人工神經(jīng)網(wǎng)絡(luò)與邏輯回歸分析在信用風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用比較，驗(yàn)證了人工神經(jīng)網(wǎng)絡(luò)相比于邏輯回歸具有更好的評(píng)分效果［16］。結(jié)合上述研究，本文構(gòu)建了一種針對(duì)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練用戶信任等級(jí)劃分過程的CNN信任模型，使用該模型可以對(duì)設(shè)定好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，能夠較快的確定特定應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)算法中用戶信任等級(jí)分類問題。

1 CNN模型

CNN網(wǎng)絡(luò)在本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，只須用已知的模式對(duì)卷積網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入輸出對(duì)之間的映射能力。在開始訓(xùn)練前，所有的權(quán)重都用一些不同的“小隨機(jī)數(shù)”進(jìn)行初始化，“小隨機(jī)數(shù)”用來(lái)保證網(wǎng)絡(luò)不會(huì)因權(quán)值過大而進(jìn)入飽和狀態(tài)，從而導(dǎo)致訓(xùn)練失?。弧安煌庇脕?lái)保證網(wǎng)絡(luò)可以正常地學(xué)習(xí)，若用相同的數(shù)去初始化權(quán)矩陣，則網(wǎng)絡(luò)無(wú)能力學(xué)習(xí)。

圖1 CNN簡(jiǎn)化模型

CNN模型如圖1所示，第l層的每一組特征映射都依賴于第l層的所有特征映射，定義一個(gè)連接表T來(lái)描述不同層的特征映射之間的連接關(guān)系，如果第l層的第k組特征映射依賴于前一層的第p組特征映射，則Tp,k=1，否則為0。映射關(guān)系表達(dá)式如下所示：

如果連接表T的非零個(gè)數(shù)為K，每個(gè)濾波器的大小為u×v，那么共需要K×(u×v)+nl個(gè)參數(shù)。對(duì)于卷積層得到的一個(gè)特征映射X(l)，將其劃分為多個(gè)子采樣Rk函數(shù)定義為：

其中，down(Rk)指子采樣后的特征映射。這里假定卷積層為l層，子采樣層為l+1層，由于子采樣層是下采樣操作，l+1層的一個(gè)神經(jīng)元節(jié)點(diǎn)的誤差項(xiàng)δ對(duì)應(yīng)于上一卷積層的相應(yīng)特征映射的一個(gè)區(qū)域。

l層的第k個(gè)特征映射中的每個(gè)神經(jīng)元節(jié)點(diǎn)都有一條邊和l+1層的第k個(gè)特征映射中的一個(gè)神經(jīng)元節(jié)點(diǎn)相連。根據(jù)鏈?zhǔn)椒▌t，第l層的一個(gè)特征映射的誤差項(xiàng)δ(l,k)，只需要將l+1層對(duì)應(yīng)特征映射的誤差項(xiàng)δ(l,k)進(jìn)行上采樣操作，再和l層特征映射的激活值偏導(dǎo)數(shù)逐元素相乘，再乘上權(quán)重w(l,k)，就得到了δ(l,k)。第l層的第k個(gè)特征映射的誤差項(xiàng)δ(l,k)的具體推導(dǎo)過程如下：

其中，up()為上采樣函數(shù)（Upsampling）。

2 網(wǎng)絡(luò)信任評(píng)估算法實(shí)現(xiàn)

2.1 信任網(wǎng)絡(luò)

由基本理論可知，令xi為評(píng)估屬性向量，wij為評(píng)估屬性的影響權(quán)值，以yi為輸出的信任，那么對(duì)社交網(wǎng)絡(luò)用戶某行為的信任程度可以表示為信任度yi。

設(shè)zi為構(gòu)成神經(jīng)網(wǎng)絡(luò)的某個(gè)神經(jīng)元節(jié)點(diǎn)的內(nèi)部狀態(tài)，xi為輸入信號(hào)，wij表示從zi到zj連接的權(quán)值。bi為外部輸入信號(hào)（在某些狀態(tài)下，可以控制神經(jīng)元節(jié)點(diǎn)zi，使其保持在某一個(gè)狀態(tài)），則其形式化描述如下：

信任節(jié)點(diǎn)的輸入xi可以表示為對(duì)行為屬性的測(cè)算值，而行為的每一個(gè)屬性對(duì)于用戶信任值的影響可以通過權(quán)值wij來(lái)表現(xiàn)。

對(duì)于計(jì)算密集型的網(wǎng)絡(luò)應(yīng)用，同樣是傳輸行為，排隊(duì)時(shí)長(zhǎng)、CPU的利用率和通信帶寬利用率等屬性則更重要。

2.2 評(píng)估方案

首先尋找到CNN網(wǎng)絡(luò)的權(quán)重收斂點(diǎn)，并通過求得每個(gè)不同等級(jí)樣本所對(duì)應(yīng)各節(jié)點(diǎn)信任值的平均值來(lái)獲得樣本各個(gè)信任等級(jí)節(jié)點(diǎn)的信任值，再利用CNN網(wǎng)絡(luò)的學(xué)習(xí)功能，將權(quán)重收斂點(diǎn)作為一個(gè)評(píng)估點(diǎn)，一旦輸入端有待分類的網(wǎng)絡(luò)信任值輸入時(shí)，經(jīng)過一個(gè)由初始輸入向穩(wěn)態(tài)收斂的過程，網(wǎng)絡(luò)中的權(quán)重系數(shù)就會(huì)確定，最終達(dá)到穩(wěn)定狀態(tài)后，網(wǎng)絡(luò)信任等級(jí)就是所對(duì)應(yīng)的分類等級(jí)。具體的網(wǎng)絡(luò)信任度評(píng)估實(shí)現(xiàn)算法如下：

輸入：待評(píng)級(jí)的網(wǎng)絡(luò)中的樣本節(jié)點(diǎn)信任值

輸出：網(wǎng)絡(luò)信任度等級(jí)

step1：通過CNN信任模型獲得社交網(wǎng)絡(luò)中的樣本節(jié)點(diǎn)信任值；

step2：通過給出的節(jié)點(diǎn)信任值等級(jí)樣本求出收斂點(diǎn)；

step3：設(shè)計(jì)節(jié)點(diǎn)信任值等級(jí)評(píng)定規(guī)則；

step4：根據(jù)評(píng)定規(guī)則分別對(duì)待分類的社交網(wǎng)絡(luò)的節(jié)點(diǎn)信任值等級(jí)進(jìn)行匹配；

step5：創(chuàng)建CNN神經(jīng)網(wǎng)絡(luò)；

step6：設(shè)定神經(jīng)網(wǎng)絡(luò)的初始狀態(tài)值；

step7：將待評(píng)級(jí)的各節(jié)點(diǎn)信任值作為CNN神經(jīng)網(wǎng)絡(luò)的輸入值；

step8：網(wǎng)絡(luò)通過自學(xué)收斂到評(píng)估點(diǎn)，得到網(wǎng)絡(luò)信任度等級(jí)。

3 信任神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建

圖2所示為網(wǎng)絡(luò)信任度評(píng)估算法的仿真流程圖。先需要對(duì)用戶特征屬性、交互信息等進(jìn)行數(shù)據(jù)預(yù)處理工作，得到構(gòu)成每個(gè)用戶的信息列表。然后利用在上文提到的CNN信任模型，從模型文件中選出代表用戶信任關(guān)系的詞向量。使得每個(gè)用戶信息都變成多個(gè)詞向量的集合，最終可以用一個(gè)矩陣來(lái)表示每個(gè)用戶。將待評(píng)估用戶矩陣的集合劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用作訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，測(cè)試集用來(lái)對(duì)模型進(jìn)行評(píng)估，最終得到判斷模型性能的評(píng)估指標(biāo)。

由于評(píng)論矩陣的列數(shù)是可變動(dòng)的，這里選取用戶屬性維度不超過100，這樣，評(píng)估矩陣的行數(shù)為100，設(shè)定用戶屬性維度不足100時(shí)，在矩陣中用零向量補(bǔ)齊。在CNN信任模型中，詞向量的維度是在模型學(xué)習(xí)時(shí)就設(shè)定好的，當(dāng)?shù)玫皆~向量模型后，根據(jù)訓(xùn)練特征的維度信息計(jì)算得到了各個(gè)詞語(yǔ)的詞向量，再根據(jù)兩個(gè)詞向量之間的余弦值大小來(lái)判斷兩個(gè)用戶的相關(guān)程度。這里的任務(wù)是評(píng)估用戶的信任等級(jí)，因此這里在詞向量模型上增加一個(gè)維度來(lái)表示這個(gè)用戶的信任傾向性信息。

圖2 網(wǎng)絡(luò)信任度評(píng)估算法的分析流程

4 實(shí)驗(yàn)分析

4.1 評(píng)估指標(biāo)

采用了分類方法中經(jīng)常使用的評(píng)估指標(biāo)，分別是：正確率（Precision）、召回率（Recall）、F1值（F Measure）、分類精確率（Classification accuracy）。本文希望得到分類器在所有類別上的綜合性能，因此這里實(shí)驗(yàn)主要考察微平均（Micro-averaging）F1值作為衡量標(biāo)準(zhǔn)，即對(duì)類別集合中每個(gè)尊群都計(jì)算TP、FP和FN，并完成累加計(jì)算P、R和F1。它們的計(jì)算公式如下：

其中，TP表示分類并判定都正確的用戶，F(xiàn)P表示分類錯(cuò)誤但判定為該分類的用戶，TN表示分類正確但判定不是該分類的用戶，F(xiàn)N表示分類并判定都錯(cuò)誤的用戶。

4.2 實(shí)驗(yàn)配置

使用Newsgroup數(shù)據(jù)集中用戶實(shí)體作為數(shù)據(jù)節(jié)點(diǎn)（如表1所示），用戶關(guān)注與評(píng)論作為用戶交互實(shí)驗(yàn)數(shù)據(jù)，共計(jì)200個(gè)節(jié)點(diǎn)，38020條交互數(shù)據(jù)，網(wǎng)絡(luò)用戶信任等級(jí)分為5等：一級(jí)、二級(jí)、三級(jí)、四級(jí)、五級(jí)。選取其中各族群29853條交互數(shù)據(jù)作為訓(xùn)練集，8167條交互數(shù)據(jù)作為測(cè)試集。同時(shí)，又在訓(xùn)練集中取出了30%的數(shù)據(jù)作為驗(yàn)證集，用來(lái)在訓(xùn)練模型時(shí)評(píng)估模型的性能。參數(shù)設(shè)置如下：輸入矩陣為100×n（n為詞向量維度），卷積過濾器100個(gè)，卷積過濾器窗口3，選取ReLU函數(shù)作為卷積層激活函數(shù)，設(shè)定2層采樣層，使用梯度下降法進(jìn)行參數(shù)優(yōu)化反復(fù)訓(xùn)練迭代100次。

4.3 實(shí)驗(yàn)分析

（1）詞向量維度界定

本實(shí)驗(yàn)先訓(xùn)練出不同維度的詞向量模型，利用詞向量模型將每個(gè)用戶特征轉(zhuǎn)化為了不同維度的詞向量，因此得到了不同維度的特征矩陣。通過本實(shí)驗(yàn)得到了不同維度特征矩陣和模型的F1值的關(guān)系，如圖3所示。

可以看到，當(dāng)詞向量的維度在增加到100維之前，模型的微平均F1值呈明顯的上升趨勢(shì)，而詞向量的維度從100維再增加時(shí)，微平均F1值開始了震蕩的過程，微平均F1值的增加不再明顯。當(dāng)詞向量為100維時(shí)，微平均F1值為0.8965，模型預(yù)測(cè)的準(zhǔn)確率為89.5%。說(shuō)明當(dāng)詞向量的維度較小時(shí)，詞向量所包含的信息并不能準(zhǔn)確的表示出這個(gè)用戶的等級(jí)歸屬，向量之間的評(píng)估也不能較好的表明兩個(gè)詞語(yǔ)的在統(tǒng)計(jì)意義上的相似度，隨著詞向量維度的增加，代表用戶的向量包含的統(tǒng)計(jì)信息相應(yīng)增多。但是當(dāng)維數(shù)大于100時(shí)，向量已經(jīng)基本能夠代表這個(gè)詞語(yǔ)，更多的維度在分類問題上帶來(lái)的效果也越來(lái)越小，故F1值在高于100維后出現(xiàn)震蕩。

圖3 微平均F1值與維度關(guān)系

（2）實(shí)驗(yàn)設(shè)置和結(jié)果分析

為了處理不同維度的用戶特征，本文定義用戶維度最大為100，不足最大長(zhǎng)度的維度用零向量填充。模型參數(shù)均采用隨機(jī)梯度下降算法更新，模型中每個(gè)卷積層和全連接層的輸出均連接到ReLU激活函數(shù)，最后一個(gè)全連接層的輸出采用softmax進(jìn)行分類，且采用dropout以防止過擬合。在詞向量確定的基礎(chǔ)上增加一維，用來(lái)表示這個(gè)用戶的信任等級(jí)傾向性，并根據(jù)維度的傾向程度設(shè)定權(quán)重，若不包含傾向信息，則設(shè)置為0。由于要預(yù)測(cè)的是用戶行為信任等級(jí)，因此根據(jù)二八準(zhǔn)則提取數(shù)據(jù)集的80%作為樣本訓(xùn)練集，其余20%的數(shù)據(jù)為測(cè)試集，在不同領(lǐng)域的數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證測(cè)試模型在數(shù)據(jù)集上的信任等級(jí)評(píng)估準(zhǔn)確率。

這里選取傳統(tǒng)的機(jī)器學(xué)習(xí)方法SVM、樸素貝葉斯（NB）、KNN、RNN和本文使用的CNN信任模型（CNN Trust）做對(duì)比。實(shí)驗(yàn)分三個(gè)層次：第一個(gè)層次是輸入特征維度分析，在加入信任等級(jí)傾向維度前后，分析用戶信任等級(jí)劃分準(zhǔn)確率情況；第二個(gè)層次是對(duì)比五種算法對(duì)數(shù)據(jù)集結(jié)果產(chǎn)生的性能分析；第三個(gè)層次是算法在數(shù)據(jù)集上得到的準(zhǔn)確率對(duì)比情況。

圖4 信任等級(jí)傾向維度對(duì)準(zhǔn)確率的影響

加入信任等級(jí)傾向維度前后，用戶信任等級(jí)劃分準(zhǔn)確率情況如圖4所示?？梢钥闯觯褂幂^多的特征屬性參與卷積計(jì)算時(shí)，信任等級(jí)分類準(zhǔn)確率會(huì)明顯提高，但并非屬性特征越多越優(yōu)，選擇不當(dāng)?shù)奶卣鲗傩詴r(shí)會(huì)降低分類的準(zhǔn)確率，因此在本實(shí)驗(yàn)中選取維度為80時(shí)，出現(xiàn)準(zhǔn)確率波動(dòng)情況；在增加了信任等級(jí)傾向維度后，準(zhǔn)確率明顯優(yōu)于未增加信任等級(jí)傾向維度的模型計(jì)算，且在維度增至90時(shí)效果最好。

針對(duì)特征屬性維度增加時(shí)準(zhǔn)確率降低的問題，我們?cè)谛湃蔚燃?jí)分類中加入噪聲值來(lái)比較分類算法的性能。如圖5所示，分別將分類噪聲比例增加至20%、30%、50%和80%一起作為四種分析環(huán)境，對(duì)五個(gè)算法的正確率在數(shù)據(jù)集上進(jìn)行比較。結(jié)果顯示在噪聲比例較小的情況下，CNN Trust已顯現(xiàn)出較好的正確率，當(dāng)噪聲比例加大時(shí)，進(jìn)一步實(shí)驗(yàn)分析NE算法的分類效率，從圖中可以看出，隨著噪聲比例的增加，五個(gè)算法的分類正確率都有不同程度的降低，其中SVM算法、NB算法和KNN算法正確率下降幅度明顯，RNN算法下降幅度稍緩，CNN Trust算法變化不大。因此證明CNN Trust在噪聲比例逐漸增大的情況下，仍能保持良好且穩(wěn)定的正確率，與其他算法相比，可見其在噪聲消除上的高效性和在信任等級(jí)分類過程中的穩(wěn)定性。

圖5 四種比例下五個(gè)算法的準(zhǔn)確率比較

圖6 五個(gè)算法在數(shù)據(jù)集上的運(yùn)行時(shí)間

五種對(duì)比算法在數(shù)據(jù)集上產(chǎn)生結(jié)果的性能對(duì)比如圖6和7所示，可以看出五種算法在數(shù)據(jù)集上的算法總體運(yùn)行時(shí)間滿足下面的次序：RNN＜CNN Trust＜SVM＜KNN＜NB。由于在數(shù)據(jù)集上按數(shù)據(jù)總數(shù)從大到小排列，所以圖中處理數(shù)據(jù)使用時(shí)間沿x軸正向呈遞減趨勢(shì)，且振幅不大，因各算法差異運(yùn)行時(shí)間長(zhǎng)短不同。RNN、CNN Trust和SVM在運(yùn)行時(shí)間上相較差別不大，三條數(shù)據(jù)處理時(shí)間線段非常相近，故而進(jìn)一步在正確率上對(duì)這三種算法進(jìn)行比較。從五種算法在數(shù)據(jù)集上的Precision可以看出，正確率滿足下面的次序：CNN Trust＞RNN＞KNN＞SVM＞NB。CNN Trust在正確率上明顯優(yōu)于SVM算法和NB算法，與KNN算法相比，能將正確率提高1.16到3.29個(gè)百分點(diǎn)，與RNN算法相比，能提高0.06到1.39個(gè)百分點(diǎn)。由此可見，使用CNN Trust能更有效提高信任等級(jí)分類正確率，對(duì)減少整個(gè)信任等級(jí)分類過程的空間和時(shí)間消耗是非常有效的。

圖7 五個(gè)算法的準(zhǔn)確率比較

表2為使用本文模型學(xué)習(xí)訓(xùn)練的信任等級(jí)信任輸出與預(yù)測(cè)輸出結(jié)果對(duì)比情況，可以看出信任等級(jí)輸出情況基本與預(yù)測(cè)值保持一致。說(shuō)明利用本文構(gòu)建的模型能夠提取輸入的局部特征，再對(duì)局部特征進(jìn)行綜合考慮分析，對(duì)輸入特征進(jìn)行進(jìn)一步的學(xué)習(xí)，從而轉(zhuǎn)化為較高級(jí)的特征。輸入信息為一系列的特征屬性，經(jīng)過卷積操作之后，特征將通過卷積層的自我學(xué)習(xí)匹配相應(yīng)的信任等級(jí)類別。

5 結(jié)論

本文提出了一種針對(duì)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練用戶信任等級(jí)劃分過程的CNN信任模型，使用該模型可以對(duì)設(shè)定好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，研究其對(duì)目標(biāo)應(yīng)用的有效性，能夠較快的確定特定應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)算法中用戶信任等級(jí)分類問題。通過對(duì)不同特征屬性的維度、權(quán)值對(duì)CNN識(shí)別性能影響的模擬，確定用戶特征屬性的具體維度范圍，并通過噪聲、運(yùn)行時(shí)間、準(zhǔn)確率和分類精度等不同方面對(duì)不同算法進(jìn)行對(duì)比驗(yàn)證模型，說(shuō)明使用本文提出的方法可以大大提高其執(zhí)行效率，能夠高效處理實(shí)驗(yàn)數(shù)據(jù)。

表2 信任等級(jí)輸出結(jié)果對(duì)比

［1］Magnusson K.Resettled and connected：social networks in the integration process of resettled refugees［J］.Metabolomics Official Journal of the Metabolomic Society，2015，3（3）：211-221.

［2］Nepal S，Bista S K，Paris C.Behavior based propagation of trust in social networks with restricted and anonymousparticipation ［J］.ComputationalIntelligence，2015，31（4）：642-668.

［3］Moyano F，F(xiàn)ernandez-Gago C，Lopez J.A modeldriven approach for engineering trust and reputation into software services［J］.Journal of Network and Computer Applications，2016，69（C）：134-151.

［4］Azadeh A，Zia N P，Saberi M，et al.A trust-based performance measurement modeling using DEA，T-norm and S-norm operators［J］.Applied Soft Computing，2015，30（C）：491-500.

［5］孟憲佳，馬建峰，盧笛，等.在社交網(wǎng)絡(luò)中綜合的信任評(píng)估模型［J］.通信學(xué)報(bào)，2014，35（12）：136-143.

［6］王勇，許榮強(qiáng)，任興田，等.可信計(jì)算中信任鏈建立的形式化驗(yàn)證［J］.北京工業(yè)大學(xué)學(xué)報(bào)，2016，42（3）：387-392.

［7］Djuric N，Wu H，Radosavljevic V，et al.Hierarchical neural language models for joint representation of streaming documents and their content［J］.International World Wide Web Conferences Steering Committee Republic and Canton of Geneva，2015：248-255.

［8］Mustafa H M H，Tourkia F B，Ramadan R M.On analysis and evaluation of comparative performance for selected behavioral neural learning models versus one bio-inspired non-neural clever model（Neural Networks Approach）［J］.Open Access Library Journal，2016，03（10）：1-20.

［9］Syriopoulos T.An integrated credit rating and loan quality model：application to bank shipping finance［J］.Maritime Policy&Management，2015，120（6）：1-22.

［10］Yang S M.Analysis and assessment of credit rating model in P2P lending：an instrument to solve information asymmetry between lenders and borrowers［D］.Massachusetts：Massachusetts Institute of Technology，2015.

［12］Chen W，Wilson J T，Tyree S，et al.Compressing neural networks with the hashing trick［J］.Computer Science，2015：2285-2294.

［13］徐旭，劉紅軍.基于BP神經(jīng)網(wǎng)絡(luò)模型的移動(dòng)電子商務(wù)客戶信任評(píng)價(jià)［J］.統(tǒng)計(jì)與決策，2016（10）：60-63.

［14］李凌霞.云環(huán)境下基于BP神經(jīng)網(wǎng)絡(luò)的電子商務(wù)企業(yè)信任評(píng)估模型研究［J］.電子商務(wù)，2016（5）：40-41.

［15］Bissacot A C G，Salgado S A B，Balestrassi P P，et al.Comparison of neural networks and logistic regression in assessing the occurrence of failures in steel structures of transmission lines［J］.Open Electrical&Electronic Engineering Journal，2016，10（1）：11-26.

［16］韓艷，王靜宇，譚躍生.云計(jì)算環(huán)境下網(wǎng)格用戶行為信任模型研究［J］.南京郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，36（1）：104-110.

Research on Network Trust Model Based on Convolutional Neural Network

WANG Peng，YANG Huamin，QIU Ningjia，YANG Di，LI Songjiang
（School of Computer Science and Technology，Changchun University of Science and Technology，Changchun 130022）

In paper，a convolutional neural network （CNN） based network trust model is proposed，aiming to solve the problem of how trust level of users affect the trust level of the whole network.We use configured convolutional neural network to train the user node data to complete the classification of user trust level，on the basis of improving the efficiency of the implementation，the data is classified effectively and the specific dimension range of user characteristics is determined.To verify the model，different algorithms are compared by different aspects such as noise，running time，precision and classification accuracy.The experimental results show that the efficiency of the improved algorithm in the cluster environment is greatly improved，and the experimental data can be processed efficiently.

CNN；trust model；trust classification；model verification

TP391

A

1672-9870（2017）04-0093-06

2017-05-04

吉林省科技發(fā)展計(jì)劃重點(diǎn)科技攻關(guān)項(xiàng)目（20150204036GX）

王鵬（1973-），男，碩士，副教授，E-mail：whping2000@126.com