基于社交网络的全局信任算法研究
在线社交网络下基于信任度的消息传播模型
Ｃ Ｏ ＤＥＮ Ｊ ＹＩ Ｉ ＤＵ
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ ． ｊ ｏ ｃ ａ ． ｃ ｎ
ｄ ｏ ｉ ： １ ０ ． １ １ ７ ７ ２ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ９ ０ ８ １ ． ２ ０ １ ４ ． ０ ２ ． ４１ ０ １
在 线社 交 网络 下 基 于信 任 度 ｅ ｒ ｃ ｅ ｂ ｅ ｃ ｏ ｍｅ ｓ ｍｏ ｒ ｅ ａ ｎ ｄ ｍｏ ｒ ｅ ｐ ｏ ｐ ｕ ｌ ａ ｒ ， ｗｈ ｉ ｃ ｈ ｍａ ｋ ｅ ｔ ｈ ｅ ｓ ｔ ｕ ｄ ｙ ｏ ｆ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｇ ｒ ｅ ａ ｔ ｓ ｉ ｇ ｎ ｉ ｉ ｆ ｃ ａ ｎ ｃ ｅ ． Ａ ｔ ｒ ｕ ｓ ｔ
中图分 类号 ： Ｔ Ｐ ３ ９ ３ ． ４ 文献标志码 ： Ａ
Ｔｒ ｕ ｓ ｔ － ｂａ ｓ ｅ ｄ ｉ ｎｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｐａ ｇ ａ ｔ ｉ ｏ ｎ ｍｏ ｄｅ ｌ ｉ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ｓ ｏ ｃ ｉ ａ ｌ ｎｅ ｔ ｗｏ ｒ ｋｓ
发展趋 势， 因此研究社 交网络 中消息的传播具有重 大的现 实和 经济意 义。通过 借鉴 日常生活 中人 与人之 间的信任 原
大学生毕业论文范文基于大数据分析的社交网络用户影响力研究
大学生毕业论文范文基于大数据分析的社交网络用户影响力研究社交网络用户影响力是一个备受关注的话题，在互联网时代背景下，通过大数据分析社交网络用户的影响力可以帮助我们更好地了解用户的行为和社会影响力。
本文将以大数据分析为基础，探讨大学生毕业论文范文——基于大数据分析的社交网络用户影响力研究。
一、引言社交网络已经成为人们日常生活不可或缺的一部分，而社交网络用户的影响力也逐渐成为研究的焦点。
通过大数据分析，我们可以全面系统地研究用户在社交网络中的行为和影响力。
二、大数据分析的重要性大数据分析使我们能够获取和处理来自社交网络的庞大数据量。
通过有效的数据分析工具和算法，我们可以发现和解读数据背后的规律和趋势，进而深入了解用户的影响力。
三、社交网络用户行为分析通过大数据分析，我们可以了解社交网络用户的行为。
例如，用户在社交网络上的活跃程度、发布的内容以及与其他用户的互动情况等。
这些数据可以帮助我们更好地理解用户的行为特征，从而评估用户的影响力。
四、社交网络用户影响力度量为了准确衡量用户的影响力，我们需要选择合适的指标和方法。
例如，可以采用用户的粉丝数、转发和评论数、与其他用户的关联程度等作为衡量用户影响力的指标。
此外，还可以基于图论和网络分析等方法，研究用户在社交网络中的中心性和影响力传播路径。
五、大数据分析应用案例大数据分析在社交网络用户影响力研究中的应用可以帮助我们发现一些有趣的现象和规律。
例如，我们可以通过分析用户的社交网络关系，发现一些潜在的领袖用户，通过他们影响所在社交圈内的其他用户。
此外，大数据分析还可以帮助我们预测用户的行为和趋势，为企业和政府提供决策参考。
六、挑战与未来发展虽然大数据分析在社交网络用户影响力研究中起到了重要作用，但仍面临一些挑战。
例如，数据的隐私问题、数据采集和处理的成本、数据可信度等。
未来，我们可以通过改进算法和模型，提高数据分析的效果和准确性。
同时，也需要加强数据隐私保护和合规性，确保数据的安全使用。
基于图论的社交网络分析研究
基于图论的社交网络分析研究社交网络已经成为了现代社会中的一种重要社交媒介，它们为人们建立起了一种新的互动方式，改变了人们的相互联系和交往方式。
社交网络不仅是人们日常生活中的必要工具，还被广泛应用于商业、政治、教育等领域。
在社交网络的背后，图论是一种强有力的数学工具，可以用来分析和了解社交网络的结构和性质。
本文将介绍基于图论的社交网络分析方法，并探讨在社交网络分析中的应用。
一、社交网络的基础社交网络是由人们之间的互动所构成，这些互动包括消息、评论、分享、点赞等等。
社交网络将这些互动又通过图形结构联系起来，形成了一个有机的整体。
社交网络中的节点通常代表个人或实体，边则代表两个节点之间的联系。
在简单的社交网络中，节点可以只代表人，边则代表人与人之间的直接联系。
而在更加复杂的社交网络中，节点还可以代表组织、事件、物品等实体，边则代表这些实体之间的联系。
通过对社交网络的节点和边的分析，我们可以更好地理解社交网络的结构和特点。
二、图论的基础图论是一种研究图形结构的数学分支，它广泛应用于物理、化学、计算机科学、工程学等领域。
在图论中，图被表示为一组节点和一组边组成的结构，其中节点表示对象，边表示连接对象间的关系。
在图中，我们可以通过节点和边的属性来描述节点和边的特征，例如节点的度、中心性、介数等。
三、社交网络的分析方法社交网络的分析通常包括以下几个方面：1. 社交网络的结构分析社交网络的结构分析主要是研究社交网络的基本属性，包括节点数、边数、网络密度、平均度、直径等。
通过对社交网络的结构分析，我们可以了解社交网络的规模和复杂程度，并推测一些社交网络特性，例如中心性、群聚现象等。
2. 社交网络的节点分析社交网络的节点分析主要是研究社交网络中节点的度、介数、中心性、聚集系数等属性，并通过这些属性来判断节点的重要性和社交影响力。
例如，度数较高的节点可能具有更广泛的社交影响力，而介数较高的节点则可能在不同社交群体中发挥着重要的桥梁作用。
基于社交网络的用户偏好分析与推荐研究
基于社交网络的用户偏好分析与推荐研究社交网络服务已经成为当今信息社会中不可缺少的组成部分。
人们在社交网络中交流、分享、互动，也在其中产生、存储大量的个人数据，这些数据被广泛应用于各种服务中，如广告投放、商品推荐、个性化推荐等。
本文旨在深入探讨基于社交网络的用户偏好分析与推荐研究，以期更好地理解和应用这些数据。
一、用户偏好分析的基础用户偏好是指用户对一些事物的好恶选择，是由用户的个人因素、社会环境等多种因素综合影响所形成的。
在社交网络中，用户通过发布、互动来表达自己的偏好，比如点赞、评论、分享等操作。
这些操作产生了大量的数据，通过对这些数据的分析可以了解用户的喜好，从而提供个性化服务。
因此，用户偏好分析是推荐系统中非常重要的一环。
二、社交网络中的用户偏好分析社交网络平台常常采集用户的行为数据，这些数据反映了用户的兴趣、偏好和行为特征等。
下面列举几种常见的用户偏好分析方法。
1. 基于用户兴趣标签的分析用户在社交网络上标注自己喜欢的话题，如音乐、电影、美食等。
对于这些标签，可以通过聚类分析的方法，将用户分为具有相似兴趣的群体，从而可针对不同的群体提供不同的个性化推荐服务。
2. 基于用户社交关系的分析在社交网络中，用户之间建立了好友关系，形成了一个社交图谱。
通过社交图谱，可以分析用户的社交圈子及其成员，这些信息对于推荐系统中的个性化推荐非常有用。
3. 基于用户行为轨迹的分析社交网络平台可以通过跟踪用户的页面浏览、评论、喜欢等操作来分析用户行为，通过行为分析，可以了解用户的行为习惯和偏好，进而为用户提供个性化的推荐服务。
三、社交网络中的推荐算法推荐算法主要分为基于内容的推荐算法、协同过滤算法、混合推荐算法等。
在社交网络中，由于用户产生了丰富的行为数据，所以推荐算法的应用范围更为广泛。
下面介绍几种在社交网络中常见的推荐算法。
1. 基于社交关系的推荐算法社交网络中用户之间存在好友关系，基于此，可以构建用户的社交图谱。
社交网络中的影响力评估与推荐算法
社交网络中的影响力评估与推荐算法引言：社交网络在当今数字时代中具有巨大的影响力和作用。
人们可以通过社交网络平台与朋友、家人和同事保持联系，获取信息和分享资源。
然而，随着社交网络的快速发展，用户面临着过多信息和信息过载的问题。
因此，社交网络平台需要评估用户的影响力，并利用推荐算法为用户提供个性化的内容，使得社交网络能够更好地满足用户的需求。
一、社交网络中的影响力评估社交网络中的影响力评估是通过分析用户在社交网络中的活动、交互和内容来衡量用户的影响力大小。
以下是几种常用的影响力评估指标和方法。
1. 节点度中心性节点度中心性是指一个用户在社交网络中被其他用户连接的频率或度数。
节点度中心性高的用户往往代表着在社交网络中有更广泛的影响力和更多的社交联系。
2. PageRank算法PageRank算法最初用于评估网页的重要性，现在也被应用于社交网络中。
该算法通过分析用户节点之间的连接关系，将高度连接的节点评估为更具影响力的节点。
PageRank算法可以衡量用户在社交网络中的影响力和重要性。
3. 社群检测算法社群检测算法能够识别社交网络中具有相似兴趣和行为的用户群体。
对于一个社交网络平台来说，社群检测算法可以帮助识别潜在的领域专家和影响力用户，进而促进内容的分享和传播。
4. 用户活跃度评估用户活跃度评估是通过分析用户在社交网络中的活动频率和交互行为，来评估用户的活跃度和社交网络的影响力。
用户活跃度评估指标包括发布内容的频率、与其他用户的互动和参与度等。
以上方法和指标可以组合使用，以综合评估用户在社交网络中的影响力和重要性。
二、社交网络中的推荐算法社交网络中的推荐算法旨在为用户提供个性化的内容和推荐。
1. 基于用户的协同过滤算法基于用户的协同过滤算法通过分析用户的历史行为和偏好，找到具有相似兴趣的其他用户，进而推荐这些用户喜欢的内容。
该算法可以帮助用户发现更多的有趣和相关的内容。
2. 基于内容的推荐算法基于内容的推荐算法主要通过分析用户的行为和偏好，并结合内容特征，为用户推荐与其兴趣相关的内容。
基于大数据分析的社交网络用户行为研究
基于大数据分析的社交网络用户行为研究随着互联网的普及和社交媒体的崛起，社交网络已成为人们交流、获取信息和娱乐的重要平台。
而社交网络用户行为的研究，可以为企业、政府和个人提供宝贵的信息，用于精确的广告投放、舆情分析和用户画像构建等方面。
本文将基于大数据分析的方法，探讨社交网络用户行为的研究。
一、社交网络用户行为的定义社交网络用户行为是指用户在社交网络上的活动和行为，包括发布内容、点赞、评论、分享、关注等。
通过对用户行为的研究，可以揭示用户的兴趣偏好、社交互动方式和影响力等信息。
二、社交网络数据的获取与处理对用户行为进行研究首先需要获取和处理社交网络上的数据。
由于平台限制和隐私政策，本文不涉及具体的数据获取方式和隐私问题，只做理论研究。
三、社交网络用户行为的特征分析通过对社交网络数据进行大数据分析，可以发现用户行为的一些普遍特征。
例如，用户的活跃时间段、发布内容的类型和数量、用户关注与被关注的比例等。
这些特征可以被用于用户分类、推荐系统和社交网络广告投放等领域。
四、社交网络用户行为的情感分析社交网络上用户的行为常常伴随着情感的表达，例如积极的点赞、负面的评论等。
通过情感分析算法，可以对用户的情感进行分类和评分，进一步揭示用户的情感倾向和对内容的态度。
这对于舆情分析、情感营销等领域有重要的意义。
五、社交网络用户行为的网络影响力研究社交网络的本质是人与人之间的连接，因此用户的行为和活跃度对网络的影响力具有重要的作用。
通过分析用户的传播路径、转发率、关注关系等指标，可以计算用户的网络影响力，并辅助社交网络的营销策略和舆情管理。
六、社交网络用户行为的预测与建模基于大数据分析的方法还可以对社交网络用户行为进行预测和建模。
通过建立合适的机器学习模型，可以根据用户的历史行为和特征，预测其未来的行为趋势，例如用户的关注偏好、购买意向等。
这对于个性化推荐和精准广告投放具有重要的作用。
七、社交网络用户行为的价值与意义社交网络用户行为的研究对于各个领域都有重要的价值与意义。
社交网络中的信息传播分析及机制研究
社交网络中的信息传播分析及机制研究社交网络已经成为了人们日常生活中必不可少的一部分，通过社交网络，我们可以和朋友家人及时联系，并分享大量的信息和生活体验。
然而，社交网络中信息传播的问题已经引起了广泛关注。
一些虚假信息和谣言在社交网络中迅速传播，给公众带来了诸多不良影响。
因此，对社交网络中的信息传播机制进行研究，对于加强社交网络监管，提升公众的网络素养具有重要意义。
本文旨在分析社交网络中的信息传播和机制，并提出相关建议。
一、社交网络中的信息传播机制社交网络中信息传播机制是指社交网络中的信息是如何被发布，传播和接受的，主要可以分为以下几个方面：1.信息发布信息发布是指用户将信息通过社交网络发布出去的过程。
用户可以通过文字、图片、视频等多种形式发布信息。
然而，在社交网络中，信息发布的门槛是极低的，任何人都可以发起信息，这也导致了一些虚假信息和谣言的无限放大。
因此，社交网络需要对用户发布的信息进行审核和过滤。
2.信息传播信息传播是指社交网络中的信息被不同的用户转发和分享的过程。
社交网络中的信息传播存在着传播路径和传播速度等多种特点。
传播路径是指信息传播的路线，每个信息传播路径都包含了一系列用户和节点。
传播速度是指信息传播的快慢。
在社交网络中，一些重要的人物和话题可以通过热门话题和热门搜索推动信息的传播速度。
3.信息接受信息接受是指用户对社交网络中的信息的感知和理解。
在信息接受的过程中，用户会对不同的信息进行判断和筛选。
用户接受信息的能力和素质会影响到对其真伪性的判断。
二、社交网络中信息传播的影响尽管社交网络给人们带来了巨大便利，然而，信息传播问题也不可忽视。
社交网络中的定性推廣和摆渡式操作已经调整了新媒体的发展速度，影响整个社会的理论与实践的发展趋势。
1.传播算法传播算法是指社交网络中的信息传播依赖的算法，它具有推荐、排序和推广等作用。
传播算法是否公正不但关系到信息的准确性，也有可能影响到公众的观念和态度。
基于社交网络的社交异常检测技术研究
基于社交网络的社交异常检测技术研究随着社交网络平台的普及，人们之间互动的方式也发生了显著的变化。
越来越多的人使用社交网络来交友、互动和分享信息。
然而，社交网络也带来了一些负面影响，如欺诈、虚假信息等，这些都给人们带来了很大的安全隐患。
为了保障社交网络的安全和用户利益，社交异常检测技术被提出并广泛应用于社交网络中。
社交异常检测技术是一种通过分析社交网络中的异常行为来识别潜在威胁的方法。
这种方法可以分析用户在社交网络中的互动行为、信息传播、用户画像等多个方面来检测异常行为。
基于社交网络的社交异常检测技术主要可以分为以下几个方面：1.异常用户行为检测社交网络中的用户行为都会被记录下来，如登录行为、发布内容、点赞等。
这些数据可以用来检测异常行为。
比如，一个用户在短时间内发布了大量的内容，或者点赞次数明显超出了正常范围，这些都可能是异常行为。
通过对这些数据进行智能分析，可以识别出异常用户。
2.社交关系分析社交网络是基于用户之间的关系建立的，因此社交关系分析也是检测异常行为的一种重要方法。
通过分析用户之间的关系、信息传播等情况，可以识别出与其他用户不同的异常行为。
比如，一个用户的社交关系明显少于其他用户，或者信息传播区域不同，这些都可能是异常行为。
3.用户画像分析用户画像分析是通过分析用户的行为、兴趣等信息来识别异常行为。
通过分析用户画像，可以识别出与其他用户不同的异常行为。
比如，一个用户的兴趣与其他用户完全不同，或者用户画像信息有明显的矛盾，这些都可能是异常行为。
4.机器学习算法建模机器学习算法建模是社交异常检测技术的重要组成部分。
通过分析大量的社交网络数据，可以训练出机器学习算法模型，从而实现自动化检测。
这些模型可以识别出社交网络中的异常行为，从而提高社交网络的安全性。
社交异常检测技术对于社交网络的安全保障十分重要。
随着社交网络的不断发展，社交异常检测技术也需要不断地更新和改进。
未来，随着技术的不断进步，社交异常检测技术将会越来越完善和智能化，为用户带来更好的使用体验和安全保障。
移动社交网络中的社交关系建模与朋友推荐算法研究
移动社交网络中的社交关系建模与朋友推荐算法研究移动社交网络的兴起给人们的社交方式带来了很大的改变。
社交网络中的社交关系建模和朋友推荐算法成为了研究的热点之一。
本文将从两个方面进行探讨，首先介绍了社交关系建模的方法，然后重点研究了朋友推荐算法。
一、社交关系建模社交关系建模是对用户之间的社交关系进行建模和描述的过程。
在移动社交网络中，用户的社交关系可以通过用户之间的交互行为来构建。
常见的社交关系建模方法包括网络分析和图论。
1.1 网络分析网络分析是一种用于研究网络结构和关系的方法。
在移动社交网络中，可以通过构建用户之间的关注、好友关系等来构建网络。
网络的节点表示用户，边表示用户之间的关系，比如好友关系、关注关系等。
通过网络分析，可以获取网络的拓扑结构，比如节点的度、聚类系数等。
这些信息可以进一步用来计算用户的社交影响力、社交距离等。
基于网络分析的社交关系建模方法能够帮助我们更好地理解用户之间的社交模式和行为。
1.2 图论图论是一种用于研究图结构和关系的数学理论。
将移动社交网络建模为图，可以利用图论的方法来分析和描述社交关系。
图的节点表示用户，边表示用户之间的关系。
图论中常用的算法包括最短路径算法、连通分量算法等。
通过这些算法，可以计算用户之间的社交距离、社交中心性等指标，进而了解用户之间的社交关系。
二、朋友推荐算法研究移动社交网络中朋友推荐算法是一项重要的研究内容，通过挖掘用户的社交关系，可以为用户提供更好的社交体验。
2.1 基于用户兴趣的推荐算法基于用户兴趣的推荐算法是根据用户的兴趣爱好和行为，为用户推荐具有相似兴趣的人。
该算法主要通过分析用户的社交行为、话题讨论参与以及点赞、评论等行为，来判断用户的兴趣，并根据用户喜好的兴趣进行推荐。
2.2 基于社交关系的推荐算法基于社交关系的推荐算法是根据用户的社交关系，为用户推荐与他们有着较强社交关系的人。
该算法主要通过分析用户之间的好友关系、互动频率、用户之间的共同好友等信息，来判断用户的社交关系，并根据用户与好友的关系推荐相应的人。
社交网络分析的原理和应用
社交网络分析的原理和应用社交网络分析（Social Network Analysis，SNA）是一门从数学、网络科学和社会学角度对人际关系网络的结构、特性和演化规律进行定量分析的交叉学科领域。
它主要研究人与人之间的关系及其网络结构，利用图论、复杂网络、统计学和计算机科学等多学科的方法和技术，分析个体或群体之间在不同维度下的联系和交互模式，以及社会演化和信息扩散等现象的行为模式和机理。
一、社交网络分析的基本原理社交网络分析的基本原理是利用图论中的图（Graph）模型，将网络中的个体称为节点（Node），其之间的联系称为边（Edge），用一系列的指标和算法来描述网络的结构、组织和特性。
这些指标主要包括度（Degree）、聚类系数（Clustering Coefficient）、介数中心性（Betweenness）、紧密度（Closeness）等。
其中，1. 度（Degree）指的是一个节点的直接连接数量，即与其直接相连接的邻居节点的个数，用来描述节点的重要性和连接程度。
2. 聚类系数（Clustering Coefficient）指的是一个节点的邻居节点之间互相连接的程度，用来描述节点之间的密切程度。
3. 介数中心性（Betweenness）指的是在网络中所有最短路径上，通过该节点的数量，用来描述节点在网络中的“桥梁”作用。
4. 紧密度（Closeness）指的是一个节点到其他节点的平均距离，用来描述节点在网络中的“距离”和紧密程度。
基于这些指标和算法，可以对网络中的节点和边进行聚类分析、中心度分析、关键节点分析、社群发现等操作，以便于整体掌握网络的属性和结构。
二、社交网络分析的应用社交网络分析的应用领域非常广泛，主要包括社会学、心理学、管理学、市场营销、信息传播、安全防范等方面。
以下是一些典型的应用案例：1. 社交网络分析在社会学中的应用：用于研究人际关系的形成、演化和重要因素；研究不同人群之间的联系和差异；跨组织和跨国际的研究。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于社交网络的全局信任算法研究 高艳，袁玉宇1 （北京邮电大学软件学院，北京 100876）
摘要：失信行为已经成为阻碍社交网络发展的严重问题。在社交网络(SNS)中用户之间是存在信任关系，为了找出社交网络中的失信用户，可以利用社交网络中的信任关系，计算用户的信任度，从而找出失信用户。本文结合现实生活中的人际信任关系，提出直接信任、间接信任和全局信任概念。在现有的信任模型方法的基础上，结合直接信任度、间接信任度，利用迭代算法计算出用户的全局信任度，通过仿真，验证该全局信任算法可以合理的计算出社交网络中用户节点的全局信任度。 关键词：社交网络；信任计算；相似度
The Research on Global Trust Algorithm Based on SocialNetwork GAO Yan, YUAN Yuyu (School of Software Engineering,Beijing University of Posts and Telecommunications,Beijing100876)
Abstract: Discreditable behavior has become a serious problem hindering the development ofsocial network.We found that trust relationship is ubiquitous in social networking.In order to findout the dishonest user,we can use trust computing to find out the dishonest user.In this paper itbrings forward the concept of direct trust,indirect trust and global trust based on interpersonal trustrelationships in real life.Using an iterative algorithm to calculate the global trust of users combineswith direct trust and indirect trust on the basis of the existing trust model approach.We can usesimulation to verify that the global trust algorithm can calculate a reasonable degree of user’sglobal trust in social network. Key words: Social Network Services; Trust Computing; Similarit
基金项目：国际自然科学基金资助项目（91118002） 作者简介：高艳（1990-），女，硕士研究生，主要研究方向：可信软件 通信联系人：袁玉宇（1971-），女，教授，主要研究方向：软件测试、可信软件、软件服务工程. E-mail:yuanyuyu@bupt.edu.cn 0 引言 自 20世纪60 年代以来，互联网络在规模和应用领域上日益得到拓展，今天已经成为最大的人造信息系统，网络的规模仍在继续膨胀。互联网已经转变并大大改善了人类社会经济生活的方式，人们可以通过社交网络进行人际交往，改变了人们生活方式。但同时也不得不面临网络带来的问题，由于网络的匿名性和虚拟性，导致社交网络中存在失信行为，如传播不健康信息、传播谣言等。为了找出社交网络中的失信用户节点，我们可以引入信任计算。在心理学中，信任是指基于对对方的意图和行为的积极预期，愿意向对方暴露自己的弱点并且不担心被利用的一种心理状态。最先尝试将信任引入计算机领域的是Beth[1]等人，紧接着有许多的国内外学者也开始研究信任在计算机网络中的应用。Jøsang等人在九十年代建立了基于模糊逻辑的信任模型，根据信任的主观性和不确定性，进一步研究建模信任的证据空间和信任空间，提出了一种度量信任的方法。而且在此基础上定义了信任计算的逻辑算子，因此奠定了信任表示的理论基础。在前人基础上Yonghong Wang40[2]等人在2010年提出了基于证据的信任模型，主要使用概率和基于统计的确定性来表示信任。Erma等人[3]采用信念传播方式改进全局信任计算的准确性，并应用到信任声望管理系统中。
1 信任计算 由于信任是一种心理状态，并且具有主观性，所以对于信任的准确评估有很大困难。在计算机领域中，信任关系的建模要结合现实生活中的人际信任关系对社交网络上的信任关系评估。 首先，一个用户被其他用户信任，在一定程度上说明该用户是可以信任的。对于信任的概念，在社会学、心理学、哲学等领域中，信任已经被广泛研究。二十世纪中期，信任在西 方社会科学中已经成为了一个中心研究问题，随着科技进步人们逐渐意识到信任对社会发展 的重要性。中国科技大学博士洪进总结信任内涵为五点：1.信任是双向的；2.信任包括人际 间信任与组织之间信任；3.信任的建立需要认知上和心理上的基础；4.理解信任的范畴有依 赖和风险；5.信任与控制机制紧密相连[4]。在计算机领域中，计算机网络其本质也是人类社 会的缩影，都需要人与人之间的信任。信任是一个非常复杂的社会与心理现象，涉及到很多 层面。本文提出如下概念： 信任最重要的特性是主观性。信任不是一个客观属性，不会有人天生就具有信任属性， 一个人是否被信任来自于其他人是否信任此人。这就引出了直接信任。直接信任指的是某一 用户对另一用户的信任，此信任没有考虑到借鉴其他人的意见。 信任的传递性。在现实社会中，A 可以通过B 被推荐给C，而产生C 与A 的信任关系，这引出了间接信任。间接信任是指一个用户通过其他用户（至少一个）与这一用户建立信任关系。 用户全局可信度概念是某一个用户在某个社交网络中的信任度。
1.1 直接信任度 在实际生活中，人们一般比较相信与自己有过交流的人，所以在系统中用户更加容易与 自己有过交流的人建立信任关系。但是，对于没有直接交互的人来说，人们更喜欢与自己兴 趣、背景和人格上相似的人，所以在系统中用户对没有直接交互的人，会根据其兴趣、背景 等建立信任关系。所以，本文将系统中的用户分为两类，一类是用户之间有过交互经验，一 类是用户之间没有过交互经验。要分别对这两类用户计算信任度。 对于没有交互经验的用户，可以通过其与其他用户的相似性来得到该用户的信任度，用 户之间的相似性，可以根据年龄、家庭所在地、喜爱偏好来计算用户之间的相似性[5]。其公式如下： (,)(,)(,)(,)AHITRABTABTABTAB (1)
其中(A,B)TR表示用户A 对用户B 由相似性产生的信任度；A(,)TAB用户A 与用户B 由年龄产生的相似性；(A,B)HT表示用户A 与用户B 由家庭所在地产生的相似性；(,)ITAB
表示用户A与用户B由兴趣产生的相似性；、、为调整系数，并且1。、、的系数可以根据历史数据分析或专家得出。
的相似性值根据年龄越相近值越高[6]，其计算公式如下：
1,10100， >10 (,){AgeAAgeBAgeAAgeBAAgeAAgeBTAB
(2)
(A,B)HT
的相似性值，一般来说，家庭所在地的行政区域单位越小则信任度越高，这是
根据人的地域性而决定的，但是这很难精确期间的比例。通过阅读相关文献，可以假定根据 用户A 与用户B 的家庭所在地位于一样的地址则为1，位于相同小区则为0.9，位于相同街道则为0.8，位于相同地区则为0.7，位于相同的城市则为0.5，位于相同的省市则为0.3，位于相同国家则为0.1，其余为06。
(A,B)IT
为社交网络中用户喜爱偏好的相似性值。用户A 与用户B 的喜爱偏好相似性
可以借鉴协同过滤计算用户相似性的方法，使用余弦相似性，我们假设用户A 和用户B 共同评分的事件集为I，其相似性计算公式为： 22A
.(,)x.AiBiIIiBiIIxyTABy
(3)
其中，Aix表示用户A 对事件i的评分，Biy表示用户B 对事件i的评分，事件i属于用户A 和用户B 共同评分的事件集I。求得和相关相似性系数的范围是[0，1]，相关系数越大，则表示这两个用户的兴趣爱好越相似。对于有交互经验的用户，可以根据用户直接交互评价来计算信任度。用户直接交互评价方法根据用户间的交互经历中所给出的肯定及否定的评价次数作为信任度评估的自变量，由此来计算用户间的直接信任度。设n 是用户A 直接获知的用户A 的经历次数，且在每次经历中，A都对 B给出一个肯定或者否定的评价，用 s表示交互成功后给出肯定评价的次数，f 表示交互失败后给出否定评价的次数，显然，
s+f=n。依照常理可以得出，一个合理的信任评价： (,B)TC(A,B)TSA (4)
TC（A,B)1s (5)
TS(A,B)表示为用户A 对用户B 交互产生的信任度； TC(A,B)表示为用户A 对用户B 由交互产生的信任度；由于在不同领域中，交互产生的信任度的比例不同，在本文中不重点 讨论，在此，假定相似性和交互产生的信任度的比例相同。TC(A,B)的计算方法借鉴于BBK 信任计算模型[7]，公式(5)中的是信任程度的阈值，由于在日程生活中，只有进行多次交互的人才能产生较强的信任关系，所以越大，则说明用户A与用户B需要多次交互才能产生交互较高的信任度。值由专家来确定。
1.2 间接信任度 当多数用户形成关系网络时，用户与用户就有可能产生间接信任度，其情形如下所示： 当用户A 对用户B 的信任度是T(A,B)，用户B对用户C的信任度是T(B,C)，并且用户A 到用户C 的路径就只有这一条，那么就会形成如下的串联信任关系：
图 1串联 Fig.1 Series connection
在这种情形下，用户A 对用户C 产生的信任度用(,)(,)TABTBC表示，其中是串联信任关系算子，的选择通常是根据领域来决定的，在此，我们假定使用Min()函数，Min()