计算信任使用多个异构社会网络

文摘

在今天的互联网,网络用户成为多个社交网络的成员由于不同类型的每一个提供的服务网络。这创造了一个机会,信任决策超越个人社交网络,因为这些网络提供单一视角的信任。让信任推理在多个社交网络,这些网络需要巩固。它是重要的,因为这些网络是异构性质的由于不同的命名约定中使用这些网络。此外,信任指标提取这些网络也不同在自然界中由于不同的信任评价算法中使用这些网络。这些社交网络的异质性可以克服使用语义技术,因为它允许我们使用本体来表示知识。信任数据可以合并使用数据融合技术,不仅提供这样保持信任数据完整性从每个个人的社交网络资料。提出的语义框架是评估使用两组实验。通过模拟在这个工作中,我们分析了各种数据融合的技术。识别合适的技术,保留了完整的信任巩固从每个个人的网络,分析显示,加权有序加权平均参数最佳聚合数据,信任,与其他技术不同,它保存的完整性的信任每个网络不同参与者重叠和领带重叠( )。同样,为实验分析,我们使用仿真研究的结果最好的信任聚合技术和应用该框架在现实生活中的参与者之间的信任数据,我们从对专业社交网络。分析部分证明了我们的假设生成更好的信任值合并来自多个异构网络。我们目睹了整体的改善结果为所有参与者的多个社交网络( ),在证伪要求现有的社交网络的不重叠的区域。

1。介绍

目前,在线社交网络(OSNs)取代真实的社交网络,人们远程相互作用[1,2]。由于这些社交网络,一些交互和活动所需的物理交互方便可能现在坐在遥远的地点通过万维网。由皮尤研究中心的一项调查(https://www.pewresearch.org/internet/fact-sheet/social-media/)2019年2月在美国使用在线社交网络披露,成年网民占72%的利用在线社交网络在线互动(3]。相同的调查还显示统计信息的使用多个社交网络。它表示,56%的成年网民使用不止一个社交网络,其中95%的Twitter用户和92%的LinkedIn用户也使用Facebook。它表明使用多个社交网络不断增加的趋势,由于这些网络提供的服务的性质不同。我们描述这种情况作为个体属于多个异构(MuHe)社交网络;“多”,因为有多个网络结构,和“异类”,因为网络代表不同类型的关系。MuHe网络通常是由网络由各种组织拥有和管理,因此,通常情况下,用户在每个系统有不同的虚拟身份。

信任的研究人员已经开发出了一系列算法对个人社交网络(4,5]。这些检查用户的个人信息和交互历史计算信任指标在各自的网络。这样的机制已经成为一些成功的社交网络的基本特征;例如,eBay (http://www.ebay.com)网络评估的声誉卖家评级的基础上买家,这有助于确保高标准的网上购物。同样,专家推荐机制在LinkedIn (http://www.linkedin.com)网络使用网络中的其他专业人士提供的建议,这对于新用户有很大帮助。

有几个信任的定义在文献中,但我们已经给出的定义6),因为它既通用又简洁:“信任的X党Y的服务是一个可衡量的信念X, Y的行为值得信任地在指定时间内(在指定上下文与服务)“(3]。

OSNs可能是基于友谊等这些网络提供的服务网络,专业网络和电子商务网络。当考虑上下文的信任,这些网络代表了多方面的信息,可能会有帮助如果信任为多个网络。然而,现有的信任机制往往是局限于一个单一的网络,而用户通常参与MuHe网络。基于信任决定MuHe网络将有两个明显的优点:(1)它增加了信任值的计算机会,作为个人不需要采用相同的网络,和(2)基地信任值在多元化的信息,可以准确地反映出用户的行为在多个社交网络平台。信任指出,信任计算的定义在一个特定的内容,因此我们希望MuHe网络将与一个特定的信任域(如专业网络),而不是一个一般的所有这些网络聚合个人存在。

不幸的是,这个任务链接多个社交网络生成一个大的社交网络进行信任计算不是微不足道的,原因是不同结构之间的联系网络和权重的专业人员在这些不同的网络(7,8]。聚合机制不应该人为地抬高或降低信任值基于信息的可用性的部分或全部组成网络。它应该能够特别区分缺乏信任的和不信任从某些网络不可用的信息并不意味着不信任。

本文提出了一种新型的框架上执行信任计算MuHe网络。框架是基于语义web技术和使用数据融合技术,如加权有序加权平均总个人网络没有扭曲的信任值。然后,我们提出了两种评估的框架。第一次使用一个模拟环境看巩固两个网络的影响对他们的信任属性(力量的信任关系和信任路径的长度);在此基础上模拟,然后选择最合适的数据融合技术。第二个使用拟议的框架和选择技术进行比较评估的信任计算基于现有单一的社交网络对那些基于MuHe网络。它使用真实世界的信任值从参与者中抽取的黄金标准。

其余论文的结构如下:关于语义web的相关工作,数据融合和在线信任是部分中描述2。部分3提出了提出了语义web框架和数据融合技术的概述。它进一步描述了不同的数据融合技术的特点可以相比。部分4介绍了模拟实验,证明了数据融合技术的选择。部分5介绍了实际实验,比较信任值计算使用现有的单一网络计算使用MuHe网络。最后一节7提出了未来扩展和总结了纸。

有各种各样的研究在文献中报道,试图巩固多个社交网络,但他们仅仅关注这些网络相结合,而不是探索它们对trust-related措施的影响。例如,在[工作9]试图合并从多个信任网络但缺乏信任和不信任关系两个维度;首先,它不能区分不信任和缺乏信任,,第二,的影响,整合信任度量的准确性不是检查(3]。

在语义web,指称相同分辨率的概念解决问题在多个社交网络的用户有不同的身份。有许多现有的方法解决这个问题,如(10),讨论了URI指称相同分辨率的两种方法:(1)逻辑推理和(2)标签的比较。逻辑推理匹配ifp来说(逆功能属性)来评估是否coreferred一双URI,而标签比较比较数据属性分类URI对coreferred或non-coreferred URI。uri列为coreferred可能与使用谓词猫头鹰:篇作为owl DL规范的一部分提供的语义网(11,12]。信任可以带注释的数据使用的URI中定义的现有网络或通过使用重新生成的URI使用目标命名空间(13]。MuHe环境中生成的注释信息可能出版作为一个单独的命名图(14]。它帮助这些重用数据范围查询目标图而不是写长查询模式在现有的图形。

多个信任值之间出现coreferred用户当MuHe网络整合。这些信任值代表主观信任的背景下,一个特定的网络。将这些值时,数据融合算法应该尊重信任这些社交网络的完整性。中存在大量的数据融合技术等先进的文学(15),作者提出了一个聚合算子基于有序加权平均(OWA),它考虑了多个信任值基于相对重要性降序排名数据值。同样,另一种方法,WOWA,提出的16)认为数据和来源的重要性。爱荷华州的行为类似于WOWA但允许排名数据点对不同的信任来源(17,18]。

此外,文献中有不同的实现,这些技术用于聚合的信任。例如,在[工作19]从多条路径收集任何两个用户之间的信任分数在一个网络和聚集他们使用不同的数据融合技术。这种情况类似于巩固信任指标从多个社交网络。知识的结果awarding-OWA (K-OWA)和知识awarding-averaging (KAAV)方法表现出更好的性能与其他技术相比。同样的,(20.]介绍了聚合技术用于产生了信任分数超过传递三合会以现实的方式。有先进的深度学习的方法为了执行建议基于信任分数在社交网络21]。

整合MuHe网络也有助于发现孤立用户之间的链接。这个特性量化间接信任和信任衰变的场景是在文献中讨论的方法之一。信任衰变使用信任传递性的原则,最初是由心理学家分析讨论了传递性在现实世界的社交网络的存在22]。进行了实验测试积极人际情感的传递性。这项工作后来被社会心理学家研究扩展这方面的社会关系通过运行一个实验在一组917社会关系网图(23]。一个随机的一群人被问及他们对其他人的情绪。他们发现,在70%的情况下,是传递性很强的倾向。

大量的信任算法使用的概念开发信任衰变;例如,[24提出了信任和不信任传播的方法,”苹果子“它使用扩散激活的理论25]。据,信任或不信任朋友流从朋友的所有路径。他们选择了一个现实的衰减系数基于实证实验和正常化当地优势体重, ,分配给每个链接的网络。工作(26)利用强化学习当地社交网络中信任值计算。信任从源向目的地使用不同的传播策略。实验结果表明该混合方法的加权平均数聚合和min-max最短路径是最好的方法。同样的,(27)提出了一种将多个信任路径的想法不同长度的增强信任计算的准确性。衰变的信任被认为是和信任计算最短和最长的信任路径。结果表明,短路径生成更精确的信任措施比长路径。的方法28从大规模异构网络中提取特定于域的信任网络,声称信任传播是一种domain-dependent现象,不能解决异构关系3]。另一项研究阐述了信任衰减泄漏在网络流量的函数,提出基于网络流的信任评估方案GFTrust(29日]。工作在进行30.发展一个信任路径搜索算法(TPS)来评估信任间接连接用户使用信任传递性的原则。的研究(31日)总结了不同信任衰变文献所使用的方法和提供这些技术的比较分析。

3所示。提出了语义Web框架

拟议的框架使用统一格式的语义web技术模型组成网络,然后允许用于集成不同的数据融合技术。语义web的关键思想是,每个资源都应该有一个独一无二的标识符(URI),但是,在实践中,对知识表示不同的在线社交网络有不同的名称空间。结果,个人社交网络有多个跨MuHe uri。拟议的框架应该解决多个uri参考单用户在现实生活。进一步,它应该提供一个机制来聚合多个用户之间的信任值,产生由于MuHe网络的存在。

MuHe整合框架如图1,提出了我们的解决方案构建信任应用程序在多个分布式社交网络。实验装置测试的可行性框架连接多个网络驻留在芝麻triplestore (http://rdf4j.org/)。大量的预处理模块是用Python编写的(https://www.python.org/),它从多个来源收集数据(包括本地和远程triplestores本地RDF文件),并将其转换成一个单一的语义表示的整合。然后他们应用不同的信任评估算法计算信任度量的直接和间接连接的用户。

第一个模块,命名数据采集模块使用Python SPARQL包装类(http://rdflib.github.io/sparqlwrapper/)从MuHe中提取RDF数据用户之间的网络。它特别的目标信息,可以帮助建立链接的网络节点的网络代表排名和权重的链接显示信任的人。

剩下的三个模块更复杂,下面描述。

3.1。算法模块

指称相同模块定位不同的URI从MuHe网络(在不同的本体定义)表示同一个人,让我们重新生成目标名称空间的URI(自己的本体中定义)。生成的注释可以添加作为一个单独的图形与现有的图形使用猫头鹰:不同谓词。命名的概念图(14,32当巩固MuHe网络)是有帮助的。它允许我们代表统一网络作为一个单独的层建立在现有的图形作为一个覆盖网络。这样一个网络的样本表示如图2。个人网络层代表两个出版物网络,广场的形状代表出版物,而研究人员描述使用椭圆形。这一层是与现有的出版资料猫头鹰:不同语句指定uri的整合网络与uri相对应的个人网络。一旦出版,这消除了需要编写长查询模式对指称相同或检索个人网络信息用户之间的信任。

直观的方式识别coreferred用户从这些网络比较元数据。在语义web,该信息可以提取猫头鹰:DP(数据属性)谓词。方程(1)提供了一种规则来执行算法两个uri:? 1和?。在这里,? 1和?个人网络和uri吗1吗?是新分配URI聚合网络。p ?代表数据集的属性选择的比较。如果两个数据属性相同的uri的值都? 1和?,那么他们决心表示同一个人在多个网络和生成的URI1吗?在这些网络的统一版本。此外,它可以与有关? 1和?在个人网络使用猫头鹰:不同谓词,从而说明两个uri是相同的。注意,该数值? 1和一个字符?在个人网络和1吗?在合并版本是原始的速记uri。

本体需要在合并图进行注释。图3提出了该本体中定义的类和属性。它扩展了现有的本体中给出(33并添加对象和数据属性,尤其需要注释相信MuHe网络的上下文。单一TrustRelationship定义新类信托委托人和受托人类的实例使用之间的关系和属性。委托人类持有委托人的身份,而受托人类代表被委托人信任的人。委托人和受托人都是人,所以他们使用person类生成的uriFOAF名称空间。

本体可以让我们信任模型在三个不同的格式:绝对的,处理和模糊。绝对信任是主观信任值提取任何特定的网络。例如,考虑出版网络为例,研究人员之间的信任在哪里coauthorship频率来计算的;在这种情况下,绝对值的项的次数是一对研究人员一起出现在出版物。处理价值在这种情况下是一个绝对值正常化的范围在0和1之间。这个翻译的价值转换信任来自多个上下文可以比较或格式的总和。模糊信任是人类可以理解的版本的数值如高信任和中信任信任值。有各种造型技术模糊信任;然而,信任建模使用模糊逻辑已经超出了本文的范围。

相信MuHe社交网络可以看作是一组来自多个社交网络的直接经验或建议由其他成员提供的网络。在我们的本体,它模仿使用has_type数据属性,域属性是URI的相关人范围是“直接的字符串值”或“间接的。“直接提取的信任是基于直接相互作用(可以是显式或隐式的活动),而间接孤立用户之间的信任计算,通常属于多个社交网络。有各种方法计算间接信任,所以has_process对象属性记录技术和has_pathLength对象属性存储信任路径的长度。

信任定义用于这项工作需要它作为一种主观价值,所以has_scope数据属性指定的区域属于任何特定的信任值。它只相信数据时尤为重要与特定区域需要合并等如果系统必须总信任信息信任领域的学者语义web,机器学习,等等。

指称相同技术的结果是一个与网络有合并uri之间的重叠用户和多个信任值提取MuHe网络。下一步是把这些多个信任值到一个单一的一个,使用数据融合技术。本体还必须记录这个过程,这是模仿使用两个属性:has_metricNature has_aggregationTechnique。前者定义是否对用户目标重叠或不重叠的,因此必须建立是否有多个值聚合或只有一个值的重新估值。后来的一个商店的名称数据融合技术用于聚合如果存在多个信任值或重新评估如果只有奇异值是可用的。

3.2。信任数据融合模块

数据融合模块聚合属于多个社交网络和用户之间的信任值生成一个值代表多方面的信任。合并多个信任关系的任务基本上是一个数据融合问题,尤其是它可能被视为数据聚合的案例研究。最简单的方法之一是执行求和(年代)或平均(一个)的信任值。这可能为简单的数值量工作,但在信任的情况下它可能会破坏信任值通过夸大他们不必要的(通过求和)或者降低他们大大(一些信任值可以有效地零由于缺少信息的网络整合)。因此,需要更全面的技术总信任值,因为他们代表着不同的上下文和天真的信任聚合扭曲的完整性可以信任的方法。

之间的信任度量一对用户可以从一个到n网络参与整合。假设代表一对从多个社交网络和用户是他们之间的信任值的集合n社交网络;也就是说, 。有两个参数参与信任聚合:(1)信任值从个人社交网络的重要性,表示 ,(2)信息的来源的重要性,表示。这两个参数的值在[0,1],零值表明重要性较低,而价值一个代表更高的重要性。这个函数聚合这些值并生成一个值通过考虑和为每一个在数据集。

有各种数据融合技术在文献和部分讨论2给出了详细的背景。更丰富的描述这些方法可以在找到34),报道了模拟实验的一个子集,但完整的试验集中在以下,所有这些数据融合模块中实现:加权平均(WA)技术整合多个信任值仅考虑数据来源的重要性。个人信托的数据点聚合是通过相应的权重相乘来源。每个源网络的重要性使用权向量表示p,它的大小等于信任值的数量。有序加权平均(OWA)作品以类似的方式对佤邦的重量而不是与一个给定源有关,来源是命令(根据最信任)和重量与排序中的位置有关。信托数据点从高到低的顺序排序;然后交换信任值已经从重量乘以相应的权重向量生成一个聚合值。加权顺序加权平均(WOWA)同事重要性参数源和信任值的顺序。需要两组权重设置的信任值 :首先是权重向量信托数据点显示的重要性;其次是权重向量p显示信任的来源信息的相关性。向量既有整数和分数值,而和p向量是连续值在[0,1]。

3.3。信任评估模块

孤立用户间的信任计算使用信任传播算法。它传递性和现有研究的主要工作(部分中提到2)经验证明信任减少间接连接的用户之间的路径的长度增加。简而言之,人,在现实生活和在线社交网络,有高度的信任向他们的朋友的朋友,而不是陌生人,但这种信任减少信任路径的长度增加。利用这些知识,我们使用一个传递decay-based信任计算模块。

第一步是计算所有可能的任何两个用户之间的信任路径;信任值与给定路径相关所有信任值相乘的结果(在[0,1])之间的所有节点之间的路径。然后有两个可能的选项选择信任路径。第一个是最强的路径,算法返回信任路径的最大强度的用户之间的信任关系不考虑它的长度,也就是说,用户参与的路径的数量。第二个是最短路径,选择最短的路径长度,无论其信任值。然而,如果相同的多个信任路径最短长度存在,那么选择一个最高的信任值。在这项工作中,我们使用的最短路径方法实验,虽然最强的路径方法已经发表在34]。

本文中讨论的模拟实验是作品中描述的扩展(3,34),它进一步扩展了这些作品包括OWA数据融合方法和最短路径算法的信任。仿真分析了影响MuHe整合的网络信任属性使用的最短路径算法(部分中描述的信任3所示。3如上图所示)。仿真是基于对网络的整合,使用四个数据融合技术从天真的如求和(年代)和加权平均(WA),然后扩展到更复杂的技术,如加权有序加权平均(WOWA)和有序加权平均(OWA)。最好的技术,满足信任属性限定用于制造信任计算真实数据。仿真和实际实验都使用NetworkX(实现http://networkx.github.io/documentation/latest/reference/introduction.htmlPython编程语言的)库。它包含的代码生成网络,整合他们,测量网络性能和应用信任推理算法。

4.1。实验设计

对社交网络的生成,随机分配信任值之间的联系用户,有不同比例的参与者重叠(PO)和领带重叠在每一对网络。这是评估信任属性的值,当网络与不同比例的重叠合并。N1和N2表示生成的原始网络仿真;MuHe最后的联系网络,而CN1和CN2代表MuHe映射到N1和N2的子网。我们可以看到的影响整合通过比较CN1 N1和N2 CN2。

整合的影响在信任属性使用近似测量两个指标:平均领带强度(TS)和平均领带长度(TL)。TS是使用最短的平均信任网络信任路径,和TL的平均长度最短的信任网络中路径。理想情况下,TS度量从CN1和CN2 MuHe应该类似于N1和N2,即使没有明显的阿宝和。这表明信任整合过程没有被夸大。此外,它是可取的,由于额外的信任路径的出现,TL指标是总体减少CN1和CN2 MuHe相比N1和N2。如果TS保持稳定和TL减少,这可能是推断整合成功地增强信任计算通过开放新的信任路径没有升级网络中的信任值。更正式,我们可以说,任何数据融合技术为信任选择应满足以下的命题(改编自15- - - - - -17])。

命题1(边界条件)。信任聚合函数应该保持综合信任值的最大值和最小值范围内。

命题2(幂等性)。的合成价值聚合函数应该等于信任如果所有的信任值是相同的;也就是说, 。

命题3(单调性)。信任聚合函数应该是单调,这意味着它应该生成高聚合信任信任值相比低信任值。

最后的财产,被称为信任的缺失,确保信任从个体网络的完整性。指对丢失的信任信息的任何组成网络和建议,认为这是缺乏信任,而不是人与人之间的不信任。

命题4(信任缺失)。信任聚合函数应该区分缺乏信任的和一个不信任。零的数值,在这项研究中,代表缺乏信任的信息从个人的网络,所以他们总应该产生信任值大约是类似于一个没有生成数字零。

这个模拟为四个不同的参与者生成网络重叠(PO)百分比,也就是说,40%,60%,80%,和100%,然后为每个PO(除了40% PO)的值是不同的,从0到PO在增量的20%。在每个模拟,信任信息的链接是聚合使用不同的聚合方案命名的年代,佤邦,WOWA, OWA。表1提供网络的详细信息和整合这个模拟实验中所使用的参数。


	描述

网络参数
的节点数量	30.
网络密度(D)	0.43
网络的平均聚类系数(C)
网络的平均最短路径长度(l)	1.57
的比例C,D,l之间的和	1

整合参数
参与者重叠(PO)
领带(重叠)

4.2。结果和分析

在我们的分析中,我们认为整合影响信任关系(TS)的平均强度和平均长度的信任路径(TL)。这些都是分别在以下部分中讨论。

4.2.1。准备平均强度的信任关系

结果在表2现在TS标准不同固结参数的值阿宝和使用的最短路径算法。这表明TS度量使用WOWA CN1方法有更稳定的测量,CN2, MuHe比所有其他的方法(年代、佤邦和OWA)。简单的技巧年代和佤邦严重扭曲TS度量两个极端值,也就是说,阿宝和100%至100%,值为0.93时,阿宝和0%和40%,它站在0.17。同样OWA还执行不佳低参与者和领带重叠及其价值MuHe阿宝和0%至0.22降至40%。TS度量WOWA记录的方法在不同价值观的阿宝和保持稳定,它站在0.66童博和100%为40%和0.44 100%和0%。结果的基础上所有的数据融合技术,WOWA聚合信任似乎是更好的技术信息。


阿宝	来	平均强度的关系网络(TS)
		N1	N2	CN1				CN2				MuHe
		N1	N2	年代	佤邦	WOWA	OWA	年代	佤邦	WOWA	OWA	年代	佤邦	WOWA	OWA

40	0	0.53	0.55	0.56	0.21	0.48	0.44	0.58	0.21	0.50	0.17	0.52	0.17	0.44	0.22
	20.	0.52	0.55	0.59	0.24	0.47	0.39	0.64	0.26	0.52	0.15	0.54	0.19	0.44	0.19
	30.	0.55	0.52	0.66	0.26	0.52	0.42	0.61	0.25	0.49	0.14	0.55	0.19	0.44	0.20

60	0	0.58	0.55	0.61	0.23	0.53	0.51	0.60	0.23	0.52	0.28	0.58	0.20	0.49	0.30
	20.	0.55	0.58	0.65	0.27	0.53	0.39	0.67	0.27	0.55	0.19	0.62	0.23	0.51	0.24
	40	0.55	0.54	0.68	0.30	0.54	0.42	0.66	0.29	0.53	0.21	0.61	0.24	0.49	0.25
	60	0.46	0.55	0.63	0.29	0.48	0.37	0.73	0.32	0.56	0.23	0.61	0.23	0.46	0.23

80年	0	0.56	0.54	0.59	0.24	0.51	0.50	0.59	0.25	0.52	0.38	0.59	0.23	0.51	0.38
	20.	0.61	0.56	0.69	0.29	0.57	0.39	0.67	0.29	0.55	0.27	0.67	0.27	0.55	0.30
	40	0.57	0.60	0.74	0.34	0.59	0.42	0.75	0.34	0.59	0.30	0.71	0.31	0.57	0.32
	60	0.55	0.54	0.76	0.38	0.57	0.45	0.76	0.38	0.57	0.34	0.70	0.32	0.53	0.33
	80年	0.50	0.53	0.74	0.38	0.55	0.44	0.78	0.39	0.58	0.37	0.69	0.32	0.51	0.32

One hundred.	0	0.58	0.56	0.59	0.27	0.53	0.53	0.59	0.27	0.53	0.53	0.59	0.27	0.53	0.53
	20.	0.54	0.53	0.64	0.29	0.54	0.32	0.64	0.29	0.54	0.32	0.64	0.29	0.54	0.32
	40	0.55	0.59	0.72	0.34	0.59	0.37	0.72	0.34	0.59	0.37	0.72	0.34	0.59	0.37
	60	0.52	0.55	0.77	0.38	0.59	0.40	0.77	0.38	0.59	0.40	0.77	0.38	0.59	0.40
	80年	0.57	0.58	0.87	0.46	0.65	0.48	0.87	0.46	0.65	0.48	0.87	0.46	0.65	0.48
	One hundred.	0.58	0.52	0.93	0.50	0.66	0.53	0.93	0.50	0.66	0.53	0.93	0.50	0.66	0.53

明显的统计学意义保存WOWA信任完整性的评估使用的小动物——一张长有配对t以及。评估的结果是否WOWA方法明显优于其他两种方法。这个测试生成一个价值和价值指示意义。表3显示值两种类型的参与者重叠(PO);前四行显示值不同比例的阿宝,而过去的测量,也就是说,整体显示系统的集体表现,包括阿宝的TS百分比指标。的分析值显示,WOWA的要求比其他两种技术,佤邦和爱荷华州,是统计学意义和适用于所有PO的价值观。


阿宝(%)	佤邦			OWA
阿宝(%)	CN1	CN2	MuHe	CN1	CN2	MuHe

40	0.010	0.010	0.010	0.050	0.010	0.010
60	0.010	0.010	0.010	0.040	0.010	0.010
80年	0.010	0.010	0.010	0.020	0.010	0.010
One hundred.	0.010	0.010	0.010	0.010	0.010	0.010
整体	0.010	0.010	0.010	0.010	0.010	0.010

4.2.2。平均长度(TL)的信任关系

表4礼物的TL度量结果不同百分比的阿宝和使用信任的最短路径算法。这表明CN1 TL指标的值,CN2, MuHe相同相似的参与者和领带重叠在所有的数据融合技术。对于子网CN1 CN2,它与阿宝的增加和减少由于出现新的信任路径,但是,对于MuHe,阿宝时只会降低80,然后它开始再次上升的增加。原因是价值较小的参与者之间的重叠网络产生瓶颈由于更多数量的不重叠的节点,从而导致用户之间不再信任路径。这一趋势降低当阿宝的价值增加。与原来相比网络N1,N2,都信任路径的平均长度(TL) 1.57;TL(即高。,1.69)than both the original networks when the participant overlap and tie overlap are 40% and 0%, respectively. It becomes even higher (i.e., 1.79) when the value of PO and TO reaches 60%. The number of new shortest paths becomes maximum at 因此TL下降至1.14,1.57和1.57在N1和N2。然而,在100%的参与者和领带重叠,一遍就等于N1和N2由于合并MuHe网络完全类似于原始网络。


阿宝	来	信任路径的平均长度(TL)
		N1	N2	CN1				CN2				MuHe
		N1	N2	年代	佤邦	WOWA	OWA	年代	佤邦	WOWA	OWA	年代	佤邦	WOWA	OWA

40	0	1.57	1.57	1.52	1.52	1.52	1.52	1.50	1.50	1.50	1.50	1.69	1.69	1.69	1.69
	20.	1.57	1.57	1.56	1.56	1.56	1.56	1.54	1.54	1.54	1.54	1.76	1.76	1.76	1.76
	30.	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.79	1.79	1.79	1.79

60	0	1.57	1.57	1.44	1.44	1.44	1.44	1.43	1.43	1.43	1.43	1.57	1.57	1.57	1.57
	20.	1.57	1.57	1.48	1.48	1.48	1.48	1.50	1.50	1.50	1.50	1.62	1.62	1.62	1.62
	40	1.57	1.57	1.53	1.53	1.53	1.53	1.53	1.53	1.53	1.53	1.68	1.68	1.68	1.68
	60	1.58	1.58	1.55	1.55	1.55	1.55	1.56	1.56	1.56	1.56	1.79	1.79	1.79	1.79

80年	0	1.57	1.57	1.33	1.33	1.33	1.33	1.30	1.30	1.30	1.30	1.41	1.41	1.41	1.41
	20.	1.57	1.57	1.39	1.39	1.39	1.39	1.38	1.38	1.38	1.38	1.47	1.47	1.47	1.47
	40	1.57	1.57	1.46	1.46	1.46	1.46	1.46	1.46	1.46	1.46	1.53	1.53	1.53	1.53
	60	1.57	1.57	1.50	1.50	1.50	1.50	1.50	1.50	1.50	1.50	1.59	1.59	1.59	1.59
	80年	1.62	1.60	1.59	1.59	1.59	1.59	1.56	1.56	1.56	1.56	1.73	1.73	1.73	1.73

One hundred.	0	1.57	1.57	1.14	1.14	1.14	1.14	1.14	1.14	1.14	1.14	1.14	1.14	1.14	1.14
	20.	1.57	1.57	1.23	1.23	1.23	1.23	1.23	1.23	1.23	1.23	1.23	1.23	1.23	1.23
	40	1.57	1.57	1.31	1.31	1.31	1.31	1.31	1.31	1.31	1.31	1.31	1.31	1.31	1.31
	60	1.57	1.57	1.40	1.40	1.40	1.40	1.40	1.40	1.40	1.40	1.40	1.40	1.40	1.40
	80年	1.57	1.57	1.49	1.49	1.49	1.49	1.49	1.49	1.49	1.49	1.49	1.49	1.49	1.49
	One hundred.	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57	1.57

TL度量的结果表明,该聚合版本的网络,也就是说,MuHe网络,基本上是依赖于PO。当阿宝的比例很低,道路瓶颈存在于合并网络,这使得TL度量更糟比原始网络N1和N2。这是由于数量少的新鲜信任路径生成的低价值的参与者重叠。当阿宝的价值增加时,它会导致TL下降由于重叠用户的数量增加,这可以减少瓶颈问题。此外,每个子网的TL低CN1和比相应的原始CN2网络N1和N2,分别,无论阿宝的价值。这显示了额外的信任路径的出现由于整合。这个模拟的结果和讨论的一个34]证明WOWA整合是最好的方法在所有不同的重叠值,而其他技术展示为阿宝和某些值的表现。在低参与者重叠,尊重信任的完整性(以稳定TS、平均强度的关系)而创造新的信任路径(以TL下降,平均长度的信任路径)。

5。实验2:网络信任和宣布代理信任

仿真表明,原则上WOWA聚合技术可以导致MuHe网络改善信任特色;然而,没有将这项技术应用于现实世界的网络,不可能评估的信任值是否出现计算的结果比单一网络。为了验证这一点,我们进行一个评估,比较信任值计算出两个真实网络及其整合对信任值从直接测量获得网络的成员。

网络与纯粹的信任值是罕见的,所以一双专业社交网络从出版和项目领域。这些网络是由南安普顿大学的和他们所代表的代理用户使用coauthorship之间的信任和合作频率。假设是人一起工作(表现为联合出版物或参与同一个项目)将表现出更高的信任。从eprint coauthorship频率提取”(http://www.eprints.soton.ac.uk)网络出版,而合作频率来自公众研究项目目录》由极冰原(Web和网络科学)研究小组在南安普顿(http://www.wais.ecs.soton.ac.uk/projects),包含与这些项目相关的项目和人员的详细信息。数据集包含的信息活动和过去的项目正在在wia研究小组完成。

网络在线RDF格式,这是转换成图中描述的本体3和传递到MuHe整合框架(描述的部分3)。这然后执行WOWA聚合和链接结果合并图与现有的图猫头鹰:不同谓词。

这些网络都是在相同的环境中,所以有重大PO(参与者重叠)和(领带重叠),几乎与协作网络的一个子集coauthorship网络,现用户以外的大学项目工作。阿宝和对极冰原分别为51%和78%,而对于eprint他们分别为2%和1.4%,分别。表5显示在这个实验中使用的网络参数的描述。这两个网络包含双向对称的信任,如coauthorship和协作表示相同的信任值在两个方向上。


参数	eprint	极冰原

N	3286年	154年
阿宝(%)	2	51
(%)	1。4	78年

5.1。实验设计

实验的目的是测试一项调查的准确性提出了现实世界的社交网络框架。它收集代理用户的专业背景之间的信任值,然后与信任测量从原始和巩固对网络。这是一个web应用程序(使用Django开发(https://www.djangoproject.com/)框架),它首先检查存在的用户在一个或两个网络,然后给每个用户一个随机选择的组相关的人从这些网络,基于用户在这些网络的存在。一组被要求的问题,这代表代理信任帮助我们测量它们之间的信任度。

5.1.1。参与者

设计调查两种类型的参与者。第一组的参与者被称为评级参与者和他们代表参与调查。第二组的人包括那些评级参与者表示他们相信谁回答代理信任问题。这组的人被称为额定的参与者。额定参与者选择从自我中心网络由以评级参与者为ego-node和随机选择的一组用户。仿真实验索赔存在的信任衰变路径在社交网络上,间接信任评估的准确性通过选择额定参与者属于路径长度的一个,两个,三个。如果评级参与者在选择网络,然后四个额定参与者选择的每个网络;否则,所有的八个评价参与者选择的网络。

5.1.2中。问卷调查

该调查旨在提取参与者感到彼此的信任专业背景。信托调查可以道德的实质困难,参与者可以为别人不愿意透露真正的信任评级;我们的解决方案是问问题太敏感专业的亲密关系,将这些视为代理信任值。有两个问题要求每个参与者的评级。第一个一个是关于过去的工作经验和一些相关的人,随机选择第二个的问题是关于他们的可能性一起工作在未来应该有这个机会。这部分的数字数据的调查范围(0,- 0.8)0.8对应的工作的价值非常密切地,而0意味着工作几乎在所有。然后测量值与系统的数据相比,已经在(0,1)的去年问题在调查中要求评级参与者简要解释他们关系的每一个评价人分开。这是我们可以探索不同的类别是否更准确地代表的代理网络或改进的综合网络。

5.1.3。信任指标体系和调查

图4显示的节点数(人)和关系(关系)的eprint和项目网络用于实验。其中,共有26个人参与这个调查实验;平均每个评级参与者提供信任评级3.15 5.38级的参与者。的最大数量信任评级提供了路径长度,,正如所料,这个数字随着路径长度的增加而减少。

作为讨论的部分3所示。2、信任的数据合并MuHe网络可分为两种类型,完全和部分。参照图4完整的数据来自该地区电子战,和用户对属于该地区被称为用户,而部分信任信息来自地区E或W或在不同的地区,例如,E电子战以及用户对属于这一类被称为用户。表6实验显示了不同信任参数以及它们的值。它可以被归类为系统和调查数据。


数据类型	信任评级	范围

系统数据	eprint coauthorship代理信托( )	(0,1)
	极冰原项目合作代理信托( )	(0,1)
	合并代理信托( )	(0,1)

调查数据	过去代理信托( )	[0,0.2,0.4,0.6,0.8)
	未来的信任代理( )	[0,0.2,0.4,0.6,0.8)
	关系(Rel)	(TM、EC、WC, SP)

系统数据的生成通过评估信任eprint,极冰原网络,同时调查数据收集从相应的实际用户。上面的两类用户指定,总有两种信任值可以从调查实验,但是有数量可变的信任值可以从系统读数。从调查中提取的信任值表示为和分别代表过去信任和未来的信任。有三个系统生成的重叠对参与者的信任值,表示为 :两个人从每个网络eprint ( )极冰原( )和一个统一的版本,表示为。为对参与者,然而,只有两个值,一个来自个人的网络eprint ( )或极冰原( )基于用户从他们的合并存在,另一版本,表示为MuHe ( )网络。旁边,有一个额外的参数描述的类型之间的关系(Rel)每个用户对。这是评估聚合信任度量的准确性对每个类别的关系。

5.2。结果和分析

这个实验的结果是彻底分析测试是否信任度量从MuHe网络( )是更紧密的现实生活中的信任度量(和 )比个人网络(和 )。测试是由第一个采取绝对的均值差异系统和调查数据为每个类别的用户从个别和合并网络,然后评估值之间的数据集使用t以及演绎的差异是否显著。

5.2.1。重叠的用户数据

改进分析重叠用户的数据,我们计算平均值的绝对差异系统和调查数据。表7礼物意味着最强和最短路径算法。这表明,对于算法,EP ( )和WP ( )比议员更大( ),这体现整合MuHe网络系统和测量指标之间的差异减少,拉近了信任度量现实指标比个人网络。类似的结果也证明了EF ( )和WF ( )相比与MF ( )。


用户类别	EP	WP	国会议员	英孚	WF	曼氏金融

的意思是	0.23	0.23	0.20	0.23	0.22	0.19

EP = ( ),EF = ( )
WP = ( ),WF = ( )
议员= ( ),MF = ( )

测试是否明显改善在和具有统计学意义,值的计算进行单侧配对t以及系统组绝对差异和调查数据。如果 ,我们判断这个改进是统计上显著的数据集。表8介绍了评估价值。结果表明,所有类别的用户,这证明了声称从巩固MuHe生成信任度量指标的接近真实的信任度量对这个数据集。


	EP	WP

国会议员	0.01	0.02

	英孚	WF
曼氏金融	0.01	0.01

EP = ( ),EF = ( )
WP = ( ),WF = ( )
议员= ( ),MF = ( )

5.2.2。不重叠的用户数据

正如前面提到的,不重叠的组用户对部分信任信息,所以只有一个系统信任度量可用另他们之间从合并获得网络。


EP	国会议员	英孚	曼氏金融

0.31	0.32	0.21	0.22

EP = ( ),EF = ( )
WP = ( ),WF = ( )
议员= ( ),MF = ( )

像的用户,系统之间的绝对差异和调查数据和表计算7显示了结果。在这里,它显示了相反的行为存在的情况用户;国会议员和MF大于EP和EF,分别为最强和最短路径algorithms-see表9描述的MP, WP, MF, WF。这表明合并MuHe网络信任值远离调查值,导致恶化的信任值用户。

6。讨论

如果建立了一个基于信任的系统开发真实的社交网络,隐式信任的概念可以用来提取数值基于用户以个人社交网络的活动。这是由于没有明确的信任度量的知名社交网络的使用。在这些网络可能是基于信任度量的频率喜欢/收藏或转发的社交网络,例如,Facebook或Twitter。在喜欢的专业社交网络如堆栈溢出或Quora,票/股票的频率可能成为信任的度量。

从实际MuHe网络融合数据的任务也是重要的。在联邦网络,它是相对简单的作为一个用户的多个帐户是不允许在这些网络。职业社交网络选择实验也属于这一类。信任度量从这些网络可能会从每个网络使用隐式活动,可以很容易地聚合使用本文中所讨论的技术。然而,对于网络没有任何联合控制,有可能是假的或重复的账户,也可以创建数据融合问题。他们可能造成错误的信息,这不是反映现实生活的人。在这种情况下,数据应该严格预处理,以消除任何不符点之前喂这个框架进行分析。缺乏这样的预处理层可能产生扭曲的聚合,从而误导其他用户在做错误的预测如果他们完全依赖于数字世界trust-related决策。

未来研究方向出现的工作来实现该模型保持观点的挑战,可能出现由于联邦和nonfederated类型的真实社交网络。另一个研究方向可能是探索MuHe网络由多个组成网络的价值,同时也要理解网络的影响因不同的质量和大小。我们希望这项工作将说服开发人员的信任系统超越个人社交网络信任的计算。这可以改善现有的信任系统通过允许他们做出更聪明的决定信任将多种来源的信息在网络上。

7所示。结论

Web 2.0的《盗梦空间》以来,在线社交网络的使用日益增多,用户在多个网络的存在是一个很好的机会让信任度量网络更加复杂,通过融合一个各种各样的信息。介绍这是在多个异构计算信任(MuHe)网络,使三个贡献。

首先,它提出了一个基于语义web框架建模和整合异构信任网络和执行信任计算个人和巩固MuHe网络。

其次,它演示了该框架的有效性通过仿真创建MuHe网络从个体网络不同节点和领带重叠。仿真允许我们调查的影响,不同的数据融合技术的信任度量MuHe网络,我们表明,加权顺序加权平均(WOWA)技术产生MuHe网络与新信任路径,保护信任值(也可能是特大的或与其他整合技术抑制)。

第三,我们探索MuHe网络方法如何与现实网络和应用框架两个专业网络(eprint,出版物网络极冰原,一个项目网络)。这对重叠显示,用户,MuHe网络接近个人在这些网络的评估(如通过调查收集),但没有实质性区别nonoverlapped用户(个人只出现在两个网络之一)。

显然,我们的模拟实验表明,适当的数据融合技术,可以构造MuHe网络与信任属性比其组成网络。但是我们也表明,这在现实世界是强烈的价值影响距离的信任代表组成的网络应用程序所需的信任,在现实世界中网络的大小可以不均匀,导致比显示在我们的模拟更复杂的交互。因此,尽管MuHe网络似乎是一种很有前途的技术,提高信任的计算,他们不是灵丹妙药,仍然依赖于组成网络的质量以及这些网络密切反映信任特定应用程序所需的类型。

数据可用性

生成的数据集和/或分析本研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是高等教育委员会的支持下,巴基斯坦,在创业研究批准号21 - 1115。

引用

d·m·博伊德和n . b .埃里森”社交网站:定义、历史和奖学金,”《电脑仲介沟通,13卷,不。1,第230 - 210页,2007。视图:出版商的网站|谷歌学术搜索
l·加顿·c·Haythornthwaite b . Wellman,“学习在线社交网络”,《电脑仲介沟通,3卷,不。1,2006。视图:出版商的网站|谷歌学术搜索
m·伊姆兰“巩固的影响网络社会网络基于信任度量和专家推荐系统,“南安普顿大学,南安普顿,英国,2015年,博士论文。视图:谷歌学术搜索
j . Golbeck“信任在万维网上:一项调查,“网络科学的基础和趋势,1卷,不。2、131 - 197年,2006页。视图:出版商的网站|谷歌学术搜索
j . Golbeck和j·亨德Filmtrust:电影推荐使用信任网络社交网络,”第三届IEEE消费者通讯和网络研讨会论文集(CCNC),1卷,页282 - 286,拉斯维加斯,NV,美国,2006年。视图:出版商的网站|谷歌学术搜索
d . Olmedilla o . f . Rana b·马修斯和w·Nejdl“语义网格,安全与信任问题”Dagstuhl研讨会论文集卷。5271年,10 - 18,2006页。视图:谷歌学术搜索
陈龚,y, j .胡曹,p .回族和x王,“理解跨站点链接在线社交网络,”ACM在网上交易,12卷,不。4、1至29,2018页。视图:出版商的网站|谷歌学术搜索
j . k .蜀s . Wang, r . Zafarani h·刘,在在线社交网络用户身份联系,“ACM SIGKDD探索通讯,18卷,不。2,5,2017页。视图:出版商的网站|谷歌学术搜索
Bistarelli和f . Santini”合并在一个双相情感偏好两个可信赖的人际关系网,”在计算机科学的数学结构,27卷,不。2、215 - 233年,2017页。视图:出版商的网站|谷歌学术搜索
l .史d . Berrueta费尔南德斯,l .马球和s·费尔南德斯,”帕克RDF实例:爱丽丝和鲍勃是相同的开源开发人员,”学报第三个人识别和协作:知识中介和提取车间(PICKME)与第七届国际会议上Web语义,10 - 18页,柏林/海德堡:施普林格,卡尔斯鲁厄,德国,2008年。视图:谷歌学术搜索
h·格拉泽,米勒德,a . Jaffri t·路易。米勒德,和b·道林,“指称相同,语义web,”第七届国际语义Web研讨会论文集(ISWC)卡尔斯鲁厄,页26 - 30日,德国,2008年10月。视图:谷歌学术搜索
m·侯赛因·m·艾哈迈德·h·a·Khattak et al .,“对基于本体的多语种url过滤:大数据问题,“《华尔街日报》的超级计算,卷74,不。10日,5003 - 5021年,2018页。视图:出版商的网站|谷歌学术搜索
答:Jafri h·格拉泽,米勒德,“管理共同引用语义web,”关联数据在网络上的程序(LDOW)车间18国际会议上万维网(WWW),第293 - 288页,马德里,西班牙,2009年。视图:谷歌学术搜索
j·j·卡罗尔,c . biz·海耶斯和p . Stickler”命名图”,网络杂志的语义,3卷,不。4、247 - 267年,2005页。视图:出版商的网站|谷歌学术搜索
r . r .狙击兵”,在多准则决策有序加权平均聚合运营商,“IEEE系统,人,控制论,18卷,不。1,第190 - 183页,1988。视图:出版商的网站|谷歌学术搜索
t . Vicenc“加权OWA算子”,国际期刊的智能系统,12卷,不。2、153 - 166年,1997页。视图:出版商的网站|谷歌学术搜索
r . r .狙击兵和d . Filev操作粒度计算:混合文字和数字,”学报1998年IEEE国际会议上模糊系统程序,1998:IEEE国际代表大会上计算智能,1卷,页123 - 128,IEEE,安克雷奇,正义与发展党,美国,1998年5月。视图:出版商的网站|谷歌学术搜索
r . r .狙击兵和d . p . Filev诱导有序加权平均算子”,IEEE系统,人与控制论,B部分(控制论)卷,29号2、141 - 150年,1999页。视图:出版商的网站|谷歌学术搜索
p .维克多,c . Cornelis m . De Cock和e . Herrera-Viedma”实际聚合运营商逐步信任和不信任,“模糊集和系统,卷184,不。1,第147 - 126页,2011。视图:出版商的网站|谷歌学术搜索
y, h . Lu, z Gan和x妈,“信任打折和信任在在线社交网络融合,”网络技术及应用、体积8709年计算机科学的课堂讲稿,页619 - 626,施普林格国际出版,柏林,德国,2014年。视图:出版商的网站|谷歌学术搜索
邓,l .黄g .徐吴x和z . Wu”对深度学习trust-aware建议在社交网络上,“IEEE神经网络和学习系统,28卷,不。5,1164 - 1177年,2017页。视图:出版商的网站|谷歌学术搜索
f·海德人际关系的心理学,心理出版社,伦敦,英国,2013年。
p . w .荷兰和美国Leinhardt”,荷兰和Leinhardt回答:一些证据在积极人际情绪的传递性,”美国社会学杂志》,卷77,不。6,1205 - 1209年,1972页。视图:出版商的网站|谷歌学术搜索
C.-N。齐格勒和g . Lausen”传播模式在社交网络信任和不信任,“信息系统领域,7卷,不。4 - 5,337 - 358年,2005页。视图:出版商的网站|谷歌学术搜索
C.-N。齐格勒和g . Lausen“信任传播,扩散激活模型”《IEEE e-Technology国际会议上,电子商务和e-Service (EEE),页83 - 97,台北,台湾,2004年3月。视图:出版商的网站|谷歌学术搜索
y . a . Kim和h . s .歌曲,“战略预测当地的信任基于信任传播在社交网络上,“以知识为基础的系统,24卷,不。8,1360 - 1371年,2011页。视图:出版商的网站|谷歌学术搜索
n . Verbiest c . Cornelis p .维克多,e . Herrera-Viedma“信任和不信任与路径长度结合聚合增强,”模糊集和系统卷,202年,第74 - 61页,2012年。视图:出版商的网站|谷歌学术搜索
江,s . Liu林z, g .赵r .段和k .梁”Domain-aware信任网络提取信任传播在大规模异构网络的信任,”以知识为基础的系统卷,111年,第247 - 237页,2016年。视图:出版商的网站|谷歌学术搜索
f·w·江,j . Wu,和郑h . g . Wang“信任评价在线社交网络使用广义网络流,”IEEE计算机,卷65,不。3、952 - 963年,2016页。视图:出版商的网站|谷歌学术搜索
哈姆迪,a . l . Gancarski a . Bouzeghoub和s·b·“TISoN:信任推理trust-oriented社交网络,”ACM交易信息系统,34卷,不。3、学会年会,2016页。视图:出版商的网站|谷歌学术搜索
m . w .江,g . Wang z . a .下榻的饭店和j .吴”理解基于信任评估在线社交网络:方法和挑战,”ACM计算调查卷,49号1,1-35,2016页。视图:出版商的网站|谷歌学术搜索
j·卡罗尔,c . biz, p .海耶斯,p . Stickler“命名图、起源和信任”学报》第14届国际会议上万维网(WWW)ACM,页613 - 622年,千叶,日本,2005年5月。视图:出版商的网站|谷歌学术搜索
t·希斯和e·莫塔Hoonoh本体来描述信息寻求信任关系,”学报第三个人识别和协作:知识中介和提取车间(PICKME)与第七届国际会议上Web语义,第75 - 67页,柏林/海德堡:施普林格,卡尔斯鲁厄,德国,2008年。视图:谷歌学术搜索
m·伊姆兰·d·米勒德,t . Tiropanis”整合社交网络对派生信任的影响因素,”ASE人类杂志,1卷,不。2、88 - 99年,2012页。视图:谷歌学术搜索

无线通信和移动计算