基于推荐节点可信度计算的激励机制构造方法

摘要

基于推荐节点可信度计算的激励机制构造方法是一种策略性方法，通过对环境中推荐节点可信度的更新并结合资源节点信任值的计算而提出，其目标是通过更新推荐节点的可信度激励网络中的资源节点对其他节点进行评价，同时可以有效的防止网络中信任模型中节点之间共同作弊问题。本计算方法中首先引入了资源节点信任值贴近度变量，计算出资源节点信任值接近的程度；然后引入资源节点信任值时间衰减加权平均变量，是以时间衰减作为加权因子，对资源节点历史信任值进行加权平均；最后结合资源节点信任值贴近度变量和时间衰减加权平均变量，计算出资源节点的综合信任值。此方法避免了以往算法的过于简单而且计算结果可信度更高。

主权项

1、一种基于推荐节点可信度计算的激励机制构造方法，其特征在于该方法所包含的步骤为：步骤1.用户节点通过推荐节点的推荐和直接信任关系，利用公式t＝w_d×t_d+w_r×h计算出对资源节点的信任值t_i→j；其中：w_d表示直接信任权重，t_d表示用户节点对资源节点的直接信任值，w_r表示推荐信任权重，h表示推荐节点诚实度，d表示直接信任，r表示推荐信任，t_i→j表示用户节点i对资源节点j的信任值；步骤2.结合资源节点信任值的历史记录t_i，计算出资源节点的综合信任值T_i→j，以此为根据更新对资源节点评价的推荐节点的可信度C_i→k，i＝1、2、…；①资源节点信任值贴近度：${\mathrm{Match}}_t=1-\frac{1}{n+1}\underset{h=0}{\overset{n}{\Sigma }}(t_h-t_{i-j}),$②资源节点信任值时间衰减加权平均：$V_t=\frac{\underset{h=0}{\overset{n}{\Sigma }}(e^{-\sqrt{n-h}}*t_h)}{\underset{h=0}{\overset{n}{\Sigma }}\left(e^{-\sqrt{n-h}}\right)},$结合以上两个因子计算资源节点的综合信任值为：T_i→j＝Match_i*V_t；若用户节点和此资源节点没有历史交互记录，就把此次的信任值记为该资源节点的综合信任值；步骤3.利用计算资源节点综合信任值相同的方法，结合推荐节点综合可信度计算公式C_i→k＝Match_c*V_c，计算出推荐节点此次之前的综合可信度C_i→k；步骤4.计算资源节点的综合信任值和推荐节点对其评价值的近似度，此近似度将是作为更新资源节点可信度的一重要因素。计算以资源节点综合信任值T_i→j为推荐节点评价值e_i的均值的这一离散数列的方差σ_e，则资源节点的信任值和推荐节点评价值的近似度为：doa＝σ_e；步骤5.利用上一步计算出的近似度因子制定更新推荐节点可信度的修正函数R，$R=\left\{\begin{array}{c}{C}_{i\to j}+\mathrm{doa},T_{i\to j}>e_i\\ C_{i\to j}-\mathrm{doa},T_{i\to j}<e_i\end{array}\right.;$步骤6.制定衰减函数θ，定期的减少推荐节点的可信度，以起到更好的激励作用，其中，由系统具体设定；步骤7.结合以上计算出的推荐节点的综合可信度C_i→k、修正函数R、衰减函数θ，制定一个推荐节点可信度的综合更新激励函数Update，以此对推荐节点的可信性进行更新，Update＝R+doa+θ_i；步骤8.根据更新函数得到的数据Update分别对推荐节点的可信度更新，全过程结束。