网络拓扑变权重信任度云模型定量评估仿真

针对复杂网络环境不同网络交易的特点,提出了采用变权重云模型网络拓扑理论对网上交易信任度及信任度变化量化评估方法。首先构建了基于云模型的信任度评估模型的总体结构,研究标准信任云生成器网络拓扑算法,通过调整网络拓扑权重向量,提出使用标准信任云生成器系统迭代的信息相似度为定量评估参数,设置信任云信息点的响应的频率计数器从而有效降低迭代算法的运算成本,构建标准信任云逆向生成器对网上交易信息进行完整逆向跟踪评价体系。结合淘宝网真实数据进行实验仿真,仿真结果表明该算法能更真实定量地反映商家信任度,有效降低复杂虚拟的网络交易所带来的交易风险,一定程度上完善了信任度评估机制。     

社交网络中基于模糊判定的固定信息推荐算法研究

社交网络是一种无现实限制的全天候信息交互网络,社交网络的固定信息推荐是保证网络安全,评估网络用户信任度和实现隐私保护的基础。社交网络的固定信息具有多主体性和随机性特点,难以实现有效的信息推荐。传统的社交网络固定信息推荐算法采用主体协商的云信任数据推荐,对社交网络的非常态固定信息推荐的主观性较大,性能不好。提出一种基于模糊判定的社交网络中固定信息推荐算法。构建社交网络固定信息特征提取模型,采用网格划分技术对路由结点所在的平面区域进行特征划分,对固定信息进行模糊跟踪判定,得到社交网络中固定信息自适应跟踪概率分布,实现固定信息推荐算法改进。仿真实验表明,该算法能有效提高社交网络中固定信息推荐准确投递率。对节点缓存依赖性较弱,网络开销比较稳定,性能优越。     

基于Lyapunov协同权重的信任度评价渐进控制模型

由于网络用户数据呈现渐进性非线性特征分离,导致对网络用户的信任度评价控制不准,无法有效实现对用户的准确推荐。提出一种基于Lyapunov协同权重控制的电子商务用户信任度评价渐进控制模型,将未知扰动和语义建模误差转化为满足给定信任评价的约束矩阵,完成用户信任网络控制器设计,采用Lyapunov指数系统感知策略,对用户信任权重值进行自适应调整,构建用户推荐模型构建与网络信任度控制模型,设计用户信任权重值协同感知算法,基于Lyapunov协同权重的电子商务用户信任度评价渐进控制模型改进设计。实验结果表明,该算法实现电子商务用户信任度渐进控制,控制精度较高,地域的分布特性也更加均衡,真实反映电子商务用户信任度评价的动态性、自适应性和稳健性特征,展示了较好的应用性能。     

基于互相关准则的电子物流信任渐进控制模型

通过对电子商务的物流信任度渐进控制模型设计,进行网络实体对象的信任度评级,提高对商家的定量评估性能。传统的电子物流信任度控制模型采用自相关函数分析的模型设计方法,由于自相关特征分析的主观性较大,评价效果不好。提出一种基于互相关准则的电子物流信任度渐进控制模型。首先构建电子物流的资源数据库结构模型,构建用户信任评估机制与网络控制模型。采用DOI(Degree of Interest)互相关准则描述用户对资源的信任度评价,基于互相关准则,两个用户共同作出对彼此信任值模型的归一化评价。仿真实验表明,采用该模型,对电子物流信任度具有较好的渐进控制性能,信任度评价准确,估计精度较高,实现了基于互相关准则的电子物流信任度渐进控制,提高对电子物流商家的监管能力。     

基于时滞相关负反馈的用户信任网络控制推荐模型

由于网络用户数据呈现稀疏状导致对用户信任值评价控制不准确,难以实现有效推荐。传统方法中使用语义Web结合协同过滤方法进行用户信任网络控制,在协同过滤中由于冷启动和不确定时延导致相似用户发现较为困难。提出一种基于Lyapunov稳定性理论的用户信任度评价渐进控制算法,完成用户信任网络控制器设计,并进行用户推荐模型构建,实现对用户信任度的准确评价。仿真实验表明,使用该算法和模型进行网络交易用户信任评价,能解决评价系统中存在的不确定误差、干扰和时滞等问题,用户推荐模型鲁棒性好。     

基于云计算的服务信任评估模型

提出一个新型的信任评估模型—基于云计算的服务信任评估模型。它的基本思想是通过对服务各属性的分类评价来获得服务的直接信任度,同时兼顾推荐信任在信任评估中的重要作用,通过引入交易次数影响因子、上下文环境因子、直接信任度调节因子等方式对直接信任度和推荐信任度进行加权综合得到服务的综合信任度。实验表明,该模型能较好地应对虚假反馈评价和共谋欺骗攻击。     

网络动态干扰监控的信任感知推荐算法设计

网络用户信任感知推荐的准确性设计是提高用户间的社交网络辅助信息信任度的重要依据。传统的网络用户信任感知推荐算法采用的是基于社交网络服务和用户评分的推荐系统,主观性较大,协同过滤效果不好。提出一种基于网络动态干扰监控的信任感知推荐算法设计新方法,设计自适应神经模糊系统网络动态干扰监测算法,构建基于向量空间模型的信任度评价指标体系结构,通过调整网络拓扑权重向量设置信任度周期响应加权变量自适应函数,有效降低迭代算法的运算成本,避免了自适应神经模糊系统网络动态干扰监测加权权重成固化状态,提高抗干扰性能。实验结果表明,算法能使社交网络感知推荐模型的预测误差减少,推荐可靠性优于传统方法。     

基于E-Learning随机场学习的信任节点定位算法

提出一种基于E-Learning随机场学习的信任节点定位算法,采用SVM监督学习辅助策略降低新标记样例中可能的误标记样例数以减少新训练集的噪声,设计富信息策略训练学习器,基于KKT原理,把训练ELM的过程等同于解决下面的对偶优化问题。通过E-Learning随机场学习,充分利用算法对噪声具有鲁棒性,实现对了个性化推荐网络信任节点的定位算法改进。仿真结果表明,该算法能准确定位到个性化推荐网络的信任节点,为P2P商家推荐和信任评估提供数据基础,信任节点定位的准确性优越于传统算法。算法采用E-Learning随机场学习,学习过程中不需要调整大量参数,所以算法学习速度快,尤其适合处理大规模的不平衡数据集分类问题,提高了个性化推荐网络信任节点的定位准确性。     

C2C电子商务中基于多影响因素的商家信任模型研究

针对C2C电子商务领域普遍存在的信任问题,在分析C2C电子商务网站商家的信任影响因素基础上,构建了一个完善的C2C电子商务信任模型。该模型融入了商家信任的各个影响因素,因而能较好地反映商家的信任度,进而为消费者的理性购物提供参考与指引。     

基于个性化情景的移动商务信任推荐模型研究

【目的/意义】移动互联网时代,移动电子商务用户的个性化信息需求具有极强的情景依赖性与感知信任 性,针对目前移动商务信息服务个性化和准确性较低,提出融入用户个性化情景与用户间信任关系的推荐模型。 【方法/过程】首先,通过用户当前情景和历史评分数据计算出对每个用户即时信息需求影响最大的K个情景要素, 以此构造用户个性化情景,然后结合不同信任环境下的用户信任度矩阵改进已有的不同信任信息环境下用户情景 兴趣推荐方法,进而进行项目推荐。【结果/结论】通过Movie lens与Book-Crossing数据集对本文提出的算法和其 它两种算法进行比较,实验结果表明：本模型具有较高的推荐准确率,可有效地解决移动商务环境下的个性化推 荐问题。