1.一种基于证据理论的社交网络信任度计算方法,所述社交网络包括平台和活跃于平台上的若干个用户,每个用户包括多个属性和一个黑名单,每个属性具有一个用于表征属性强弱的属性值,黑名单中包括零个、一个或多个拒联用户,其特征在于:所述计算方法包括用户隐私偏好评估部分、风险性评估部分和融合部分;
所述用户隐私偏好评估部分包括如下步骤:
A1、平台从所有用户中选取60~90%作为训练用户,然后对训练用户进行训练;
A2、平台在训练过程中考察训练用户在做出信任决策时对属性的偏好程度;
A3、平台根据所有训练用户对属性的偏好程度生成若干个第一区间数;
A4、平台将待评估用户的属性转化为第二区间数;
A5、平台根据第一区间数和第二区间数生成信任证据;
所述风险性评估部分包括如下步骤:
B1、平台根据用户之间的连接关系计算用户通信内容泄漏到拒联用户的风险概率;
B2、平台根据风险概率生成风险证据;
所述融合部分包括如下步骤:
C1、平台对信任证据和风险证据进行证据融合得到用户之间的信任度。
2.如权利要求1所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:A1中,平台从所有用户中选取80%作为训练用户。
3.如权利要求1所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:A2中,平台考察训练用户在做出信任决策时对每个属性的偏好程度的方法为:对于任一个属性f,平台将所有训练用户中除用户ui外的其他训练用户分为set1和set2两组,其中set1中的用户均被ui信任,set2中的用户均不被ui信任。
4.如权利要求3所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:A3的具体方法包括如下步骤:A3.1、平台按照属性f的属性值v从小到大的顺序分别对set1和set2内的用户进行排序,得到两个第一区间数sco1和sco2,sco1=[min(set1),max(set1)],sco2=[min(set2),max(set2)];
A3.2、平台根据sco1和sco2生成第三个第一区间数sco3,得到ui对于属性f的第一区间
数集合scof=<sco1,sco2,sco3>,其中sco1表示用户ui对属性f的关注区间,其中sco2表示用户ui对属性f的不关注区间,sco3表示用户ui对属性f的不确定关注区间。
5.如权利要求4所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:A4中,第二区间数为scov=[v,v],其中v为待评估用户的属性f的属性值。
6.如权利要求5所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:A5的具体方法包括:A5.1、平台计算第二区间数与所有第一区间数之间的距离,具体的计算方法是:其中a和b分别是区间数,a1是区间数a的下限,a2是区间数a的上限,b1是区间数b的下限,b2是区间数b的上限,k是比例系数,并且有k=1;
A5.2、平台根据第二区间数与所有第一区间数之间的距离生成信任证据mf:{mf(Trust),mf(Distrust),mf(Ambiguity)},其中其中mf(Trust)表示关注程度,mf(Distrust)表示不关注程度,mf(Ambiguity)表示不确定关注程度。
7.如权利要求1所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:B1中,平台根据用户之间的连接关系计算用户通信内容泄漏到拒联用户的风险概率的方法包括如下步骤:B1.1、从社交网络中提取以用户ui为中心的局部网络,局部网络中包括若干个节点用户和若干条连边,且局部网络是有向的;
B1.2、随机删除局部网络中的连边;
B1.3、判断从用户ui到用户uj是否存在传播路径,如果存在则返回B1.2,如果不存在则停止删除;
B1.4、依据删除掉的连边的数量计算风险概率。
8.如权利要求7所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:B1.2的具体步骤包括:
B1.21、定义N=0,r=0;
B1.22、选中任意一条连边
B1.23、计算所有以y为起点的边个数与以y为终点的边个数的比值k,如果k大于1,则令k=1;
B1.24、生成随机数t(0
B1.25、如果t>k,则删除连边
B1.26、r的数值加1。
9.如权利要求7所述的一种基于证据理论的社交网络信任度计算方法,其特征在于:B1.3中,如果从用户ui到用户uj存在传播路径,则N的数值加1后返回S22,如果从用户ui到用户uj不存在传播路径,则风险概率确定为N/r。