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<sub>d</sub>×t<sub>d</sub>+w<sub>r</sub>×h计算出对资源节点的信任值t<sub>i→j</sub>;其中:w<sub>d</sub>表示直接信任权重,t<sub>d</sub>表示用户节点对资源节点的直接信任值,w<sub>r</sub>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<sub>i→j</sub>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<sub>i</sub>,计算出资源节点的综合信任值T<sub>i→j</sub>,以此为根据更新对资源节点评价的推荐节点的可信度C<sub>i→k</sub>,i=1、2、…;①资源节点信任值贴近度:<maths num="0001"><![CDATA[<math><mrow><msub><mi>Match</mi><mi>t</mi></msub><mo>=</mo><mn>1</mn><mo>-</mo><mfrac><mn>1</mn><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>h</mi><mo>=</mo><mn>0</mn></mrow><mi>n</mi></munderover><mrow><mo>(</mo><msub><mi>t</mi><mi>h</mi></msub><mo>-</mo><msub><mi>t</mi><mrow><mi>i</mi><mo>-</mo><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths>②资源节点信任值时间衰减加权平均:<maths num="0002"><![CDATA[<math><mrow><msub><mi>V</mi><mi>t</mi></msub><mo>=</mo><mfrac><mrow><munderover><mi>Σ</mi><mrow><mi>h</mi><mo>=</mo><mn>0</mn></mrow><mi>n</mi></munderover><mrow><mo>(</mo><msup><mi>e</mi><mrow><mo>-</mo><msqrt><mi>n</mi><mo>-</mo><mi>h</mi></msqrt></mrow></msup><mo>*</mo><msub><mi>t</mi><mi>h</mi></msub><mo>)</mo></mrow></mrow><mrow><munderover><mi>Σ</mi><mrow><mi>h</mi><mo>=</mo><mn>0</mn></mrow><mi>n</mi></munderover><mrow><mo>(</mo><msup><mi>e</mi><mrow><mo>-</mo><msqrt><mi>n</mi><mo>-</mo><mi>h</mi></msqrt></mrow></msup><mo>)</mo></mrow></mrow></mfrac><mo>,</mo></mrow></math>]]></maths>结合以上两个因子计算资源节点的综合信任值为:T<sub>i→j</sub>=Match<sub>i</sub>*V<sub>t</sub>;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<sub>i→k</sub>=Match<sub>c</sub>*V<sub>c</sub>,计算出推荐节点此次之前的综合可信度C<sub>i→k</sub>;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<sub>i→j</sub>为推荐节点评价值e<sub>i</sub>的均值的这一离散数列的方差σ<sub>e</sub>,则资源节点的信任值和推荐节点评价值的近似度为:doa=σ<sub>e</sub>;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,<maths num="0003"><![CDATA[<math><mrow><mi>R</mi><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><msub><mi>C</mi><mrow><mi>i</mi><mo>→</mo><mi>j</mi></mrow></msub><mo>+</mo><mi>doa</mi><mo>,</mo><msub><mi>T</mi><mrow><mi>i</mi><mo>→</mo><mi>j</mi></mrow></msub><mo>></mo><msub><mi>e</mi><mi>i</mi></msub></mtd></mtr><mtr><mtd><msub><mi>C</mi><mrow><mi>i</mi><mo>→</mo><mi>j</mi></mrow></msub><mo>-</mo><mi>doa</mi><mo>,</mo><msub><mi>T</mi><mrow><mi>i</mi><mo>→</mo><mi>j</mi></mrow></msub><mo><</mo><msub><mi>e</mi><mi>i</mi></msub></mtd></mtr></mtable></mfenced><mo>;</mo></mrow></math>]]></maths>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,<img file="A2009101838560002C4.GIF" wi="461" he="65" />其中,<img file="A2009101838560002C5.GIF" wi="37" he="26" />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<sub>i→k</sub>、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<sub>i</sub>;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。 |