分享6篇关于信任网络的计算机专业论文

今天分享的是关于信任网络的6篇计算机毕业论文范文, 如果你的论文涉及到信任网络等主题,本文能够帮助到你

分布式环境下可靠信任网络构建研究

这是一篇关于信任网络,MET,TrustINF,Spark,数据倾斜的论文, 主要内容为电商平台中的恶意买家会通过提供虚假评价等手段实施恶意攻击,以此来影响其他买家的购物选择,传统的串行信任模型虽然能有效抵御恶意攻击,但是面对日益增加的数据量,其运算效率较低,无法满足大规模数据的计算需求。因此,研究信任模型的并行化设计,构建可靠的电商平台信任网络具有重要意义。本文以提升多主体信任进化模型(Multi-agent Evolutionary Trust Model,MET)、信任感知的社交影响者发现算法(Trust-aware Social Influencer Finding,TrustINF)运算效率为目标,主要工作包括以下几方面:(1)针对数据集中评价数据过于稀疏导致MET适应度值无法计算问题,引入填充算法结合信任关系对评价数据进行预测填充,提升了填充结果的准确性。针对MET在大数据环境下时效性低的问题,提出一种基于Spark的并行MET模型—SparkMET,该模型采用主从式架构,由主节点进行变异、交叉、选择过程,从节点计算适应度值。针对MET并行化过程中出现的数据倾斜问题,提出一种新的数据分区策略—LBP算法,该算法在SparkMET计算适应度值之前,根据合适的分区标签将输入数据重分区,能进一步提升MET的运算效率。最后,在Epinions数据集上进行实验,实验结果表明,本文提出的并行模型能大幅提高原模型的运算效率。(2)针对TrustINF算法对恶意买家识别率较低问题,通过引入新的斜率计算方法和信任数变化率因子改进了TrustINF算法,然后通过加入挂起函数以模拟大规模数据集,在此基础上,实现了改进TrustINF算法在Spark平台的并行化。最后,在Epinions数据集上进行实验,实验结果表明,本文改进的算法不仅运算效率得到显著提高,而且恶意买家识别率达到71%,能有效抵御恶意攻击,构建可靠的信任网络。

基于信任关系的微博推荐系统研究

这是一篇关于微博推荐系统,信任关系,信任网络,情感分析的论文, 主要内容为随着大数据时代的到来,各个领域为用户挖掘有效信息已成研究重点。微博是现在主要社交平台之一,由于微博传播快、实时性强导致微博数据量非常大,因此国内外为微博用户推荐有效的微博信息自Twitter出现至今一直是研究重点。针对传统微博推荐系统中,基于内容的推荐系统推荐效果不佳,基于用户行为的推荐系统解释性不佳,基于用户好友的推荐范围局限性等问题,本文提出了基于信任关系的微博推荐系统。该系统的主要目的是通过用户信任关系的传播行为,为用户推荐好友的好友发布的可信的以及与用户近期情感极性相符的微博内容。本文的主要研究内容如下:通过分析微博用户关注情况及用户交互行为,提出以用户关注关系、用户共同好友及用户交互关系等多项因素为基础的用户直接信任关系度量模型。在分析用户之间信任传播特征的基础上,提出了以用户直接信任关系为基础的用户间接信任关系预测模型,构建了用户信任网络。通过对微博文本进行情感分析,提出了基于情感词典与基于SO-PMI算法相结合的情感词提取方法,实现了基础情感词词典的动态扩充。在判断微博情感极性时,引入了程度级别词和否定词的影响,从而一定程度上提高了情感极性判断准确率。结合用户信任关系和微博情感分析的研究成果,设计了一个基于信任关系与情感分析的微博推荐系统。并针对该系统的一些局限提出了用户可信度,借鉴PageRank的思想计算出用户可信度,结合用户间信任关系和用户可信度为用户进行最后的推荐。通过实验确定了直接信任关系度量模型中的各个参数的取值,并在多个数据集上进行对比实验分析,从精确度、召回率和F1-measure值三个指标对结果进行了比对,验证了本文提出的微博推荐系统的推荐效果优于传统的基于内容、基于用户好友、基于用户行为的微博推荐系统。

基于二部图的推荐算法研究

这是一篇关于推荐算法,二部图,资源分配,信任网络的论文, 主要内容为随着大数据时代的到来,信息过载问题变得越来越严重,推荐系统是用于解决信息过载的有效途径,它用来给用户推荐可能感兴趣的事务。推荐算法是推荐系统的核心,它用于处理输入信息并将其形成推荐信息。近年来,基于二部图的推荐算法受到了很多研究者的关注,本文通过分析二部图推荐算法的优劣势,对其进行改进,主要工作如下:1.针对传统二部图推荐算法所存在的初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题,研究一种基于差异化资源分配的二部图推荐算法。首先利用评分规范化和最大最小值的方法对项目初始资源进行修正,在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响。然后分别利用用户评分相似性函数和用户偏好函数对两个阶段的分配系数进行差异化设置,使资源流转变得更加合理。最后在推荐系统经典的Movie Lens数据集和Netflix数据集中进行实验验证,结果表明新提出的算法在提高准确率和召回率的同时也改善了推荐的多样性。2.针对二部图推荐算法所存在的用户冷启动等问题,研究一种基于马尔可夫链信任网络的二部图推荐算法。首先将基于差异化资源分配的二部图推荐算法第一阶段资源分配过程中项目流向用户的资源值作为目标用户对其他用户的隐式信任值,并结合显式信任值得到直接信任值;然后把信任值的传递过程看成是马尔可夫链模型,利用马尔可夫链对直接信任值进行传播聚合,并结合小世界理论和信任熵设置迭代的终止条件;最后利用迭代后得到的全局信任值为目标用户生成推荐。在带有用户间信任关系的Epinions数据集中进行实验验证,结果表明新算法不仅提高了推荐的用户覆盖率,同时推荐的准确率也有了一定的提升。

基于二部图的推荐算法研究

基于信任网络的推荐系统研究

这是一篇关于推荐系统,协同过滤,信任网络,数据稀疏的论文, 主要内容为互联网和电子商务的快速发展使得信息爆炸增长,呈现信息过载状态。在这个背景下,推荐系统应运而生。协同过滤是推荐系统中应用较成功的技术之一,该算法根据用户项目评分矩阵进行预测,而矩阵通常非常稀疏,可能因为用户共同评分项目数太少而无法计算用户相似度,导致用户不能获得满意的推荐。从web1.0到web2.0的转变中,用户之间的交互逐渐增多。一些电子商务系统基于web2.0构建,用户可以对商品进行评分、评论,表达其对商品的观点。这使得系统能够更了解用户的想法,同时也加强了用户之间的沟通。因此系统同时提供了用户对用户的评价功能,用户可以对评论具有参考价值的用户建立信任关系,形成信任网络。本文将信任网络引入推荐系统中,将用户信任度取代用户相似度参与推荐。然而信任网络即用户信任数据可能比较稀疏,需要扩展信任网络,预测新的信任关系。因此提出基于扩展信任网络的推荐算法框架(Extended Trust-aware Network based Recommendation, ETNR)。针对二值信任网络：用户因为信任类似的用户而存在一定的相似性,提出GenTrust算法扩展信任网络；二值信任网络中信任值只有0、1,提出IndegreeTrust区分被同一个用户信任的所有用户。针对非二值信任网络：运用已被广泛应用的Slope One算法扩展信任网络。与其他一些算法相比,改进后的算法准确率有所提升。由用户相似度得到的推荐列表具有新颖性,而由用户信任度得到的推荐列表比较可靠。本文给出CombineList算法,整合得到的两个推荐列表,考虑用户对新颖性和可靠性的不同要求。