learning服务的用户信任评估模型及算法研究18 最后根据m个云滴生成期望、
|
learning服务的用户信任评估模型及算法研究18 最后根据m个云滴生成期望、熵、超熵 代码具体实现如下 用户信任云评估模型用户信任云评估模型是一种特殊的云模型 是对基础云模型的扩展与延伸。根据用户的信任关系的主观性、模糊性、不确定性和动态性的特点 用户信任云评估模型将用户的期望、熵与超熵结合起来准确表达用户的复杂信任。E learning服务平台下的用户是服务平台的客体 是完成学习服务的主体 用户信任对服务的安全顺利实施和高效运作起着十分重要的作用云模型计算。用户信任云评估模型的提出有着重要的意义。 用户信任云的定义定义2 用户信任云 UTC 用户信任云是用云模型表示的用户的主观定性信任概念 用户信任云由若干云滴组成 用户信任度空间UTD定义为 每次对用户的操作评价值x称为一个云滴x的取值范围是 UTD是有稳定倾向的随机数 xxUTDxUTD整个云滴的分布反映了用户信任情况。 用户信任云由三个特征值来表示 Ex En He。Ex是用户信任期望 是用户信任的平均情况 在云图表示为确定度为1的x的值。En是用户信任熵 是信任不确定性的度量 它的大小反映了在论域中被定性概念接受的范围 在云图中反映为云滴偏离中心线的距离。 He是用户信任熵的熵反映云滴的离散情况 He越大 云滴越离散 He越小 云滴越聚合 表明用户信任的稳定性越好。 用户信任云的评估算法云模型很好的反映了用户的主观信任 传统的云模型根据历史评价求出用户的信任 没有伪码 Ex mean X1 En1 zeros absX1 Exsqrt logY1 EndEn mean En1 He HeHe En1 Hesqrt He End南京航空航天大学硕士学位论文 19 考虑时间对用户信任的影响 这种模型过于理想化 而且偏离现实生活。因此 本文提出时间影响因子概念 并把时间影响因子加入到用户信任评估中。在用户信任云评估中 时间影响因子以权重的形式参与到期望 时间影响因子是基于时间影响信任的原则上提出来的时间越长 影响越小 提出的时间因子满足以下要求 历史评价时间超过一年该评价记录失效。 历史评价时间距评估的时间距离越近该评价的有效度越高 反之越低。 时间影响因子影响评估的结果根据上述原则 时间影响因子设计如下 时间影响因子ip 时间差iT为365 总时间量niitotalTT1 ip为第i个记录时间影响因子365 iniitotalitotaliTTTTTp本文把时间因子当作影响信任评估的权重 参与到信任评估中去 则用户信任云主观评估算法表示如下 niiixpEx1 21211ExxpNSinii ExxpEninii12 learning服务的用户信任评估模型及算法研究20 其中 niiiExxp1为一阶样本中心距 反映为变量与期望的平均偏离情况。 用户信任云评估模型图形用户信任云评估模型通过正态云发生器产生云图 云图可以清晰显示用户的信任情况。云滴在图中的分布可以反映出期望 云图是信任信息的图形表示更加直观反映出用户的信任情况。 为了说明用户信任云评估模型的特征 本文选择四组比较有代表性的用户信任度 数据的仿真实验的环境为Intel CoreTM i3 27GHz CPU 2048 MB内存 64位Microsoft Windows 7家庭普通版操作系统 仿真结果基于Matlab 0实现采用的数据是Mathlab平台产生的模拟数据 我们选用客体A、客体B、客体C、客体D进行分析说明 对于每个客体本文选择50个数据进行分析 数据选取的原则是期望、熵或超熵不同 具体的模拟数据如下表所示 4992南京航空航天大学硕士学位论文 21 2181根据上节提出算法计算并利用正态云发生器产生不同的云图 具体的云图表示如下 00 20 40 60 8100 10 20 30 40 50 60 70 80 91Reputation xCertainty learning服务的用户信任评估模型及算法研究22 00 20 40 60 8100 10 20 30 40 50 60 70 80 91Reputation xCertainty 6客体B主观信任云00 20 40 60 8100 10 20 30 40 50 60 70 80 91Reputation xCertainty 客体C主观信任云南京航空航天大学硕士学位论文 23 00 20 40 60 8100 10 20 30 40 50 60 70 80 91Reputation xCertainty 客体D主观信任云从上面四张云图中可以大概的判断用户客体的信任情况 用户客体A的平均值为0 4左右 图形较汇聚 说明熵和超熵比较小 用户客体B的评价值为0 5左右 图形较汇聚 并且比用户客体A的图形更靠紧中间值 这说明用户客体B的熵和超熵更小 用户客体C的平均值为0 5左右 图形较发散 云滴比较紧凑 说明用户的熵比较大 超熵比较小 用户客体D的平均值为0 5左右 图形相对图3较紧凑 云滴较发散 这说明该用户熵比较小 超熵比较大。 本文根据云模型的评估算法 分别求出用户客体A 客体B 客体C 客体D的期望 用户客体的期望、熵和超熵用户客体 Ex En He 029通过云图分析的信任结果和表3 5中数据的进行比较 可以得出 正态云模型图形反映的信任信息与云评估算法计算的信任信息相一致 这说用户信任云评估模型能够很好评估用户信任 并且能够较完整的反映用户的主观信任情况。 learning服务的用户信任评估模型及算法研究24 用户信任云综合评估算法用户信任云离散的反映出用户信任信息 期望反映用户信任的平均值 熵反映用户信任的稳定范围 超熵反映用户的信任离散度。为了综合反映用户主观信任情况 根据用户信任云评估模型和用户复杂主观信任情况 本文提出期望、熵和超熵相结合的用户主观信任评估算法 即用户信任云综合评估模型 公式表示如下 211 CtrEX代表用户X的云信任值是超熵因子 表明超熵对用户云信任值有所影响 但是超熵对客体的整个信任评估值影响较小。从这个算法中 我们可以看出 当期望值越大 熵和超熵越小时 用户信任评估值就越大 这种思想比较符合实际用户信任情况。 用户信任云评估实验仿真为了验证用户信任云综合评估模型的有效性和优越性 本文选择典型的三组用户数据进行测试 实验分别为A组、B组和C组三组 每组又分两种情况对比分析。 A组反映的是期望不同 熵和超熵相同的数据信息 B组反映的是熵不同 期望和超熵相同的数据信息 期望和熵相同的数据信息则它们反映的信任情况如下图所示 100200300400500600700800900100000 10 20 30 40 50 60 70 80 91The testing times User trust cloud evaluation A组A1信任云评估曲线南京航空航天大学硕士学位论文 25 100200300400500600700800900100000 10 20 30 40 50 60 70 80 91The testing times User trust cloud evaluation 10A组A2信任云评估曲线 100200300400500600700800900100000 10 20 30 40 50 60 70 80 91The testing times User trust cloud evaluation 11B组B1信任云评估曲线 learning服务的用户信任评估模型及算法研究26 100200300400500600700800900100000 10 20 30 40 50 60 70 80 91The testing times User trust cloud evaluation 12B组B2组信任云评估曲线 100200300400500600700800900100000 10 20 30 40 50 60 70 80 91The testing times User trust cloud evaluation 13C组C1信任云评估曲线 南京航空航天大学硕士学位论文 27 100200300400500600700800900100000 10 20 30 40 50 60 70 80 91The testing times User trust cloud evaluation 14C组C2信任云评估曲线 对三组图形进行对比分析 从A组两个图中我们看出 期望影响用户的综合信任度 但是并不影响着用户信任的稳定性 从B组B2图中的信任曲线较B1图中的信任曲线波动较大 我们可以得出 熵影响着用户信任的稳定性 从C组两个图中可以看出 超熵对用户信任的稳定性有所影响 但影响的程度不大。 这三组实验反映出了期望、熵和超熵对用户主观信任的影响。因此 本文提出的用户信任云综合评估模型能够有效的反映用户的主观信任情况 相比传统模型中用期望评估用户的主观信任更具有优越性。 本章小结本章首先介绍了云模型的概念和性质 在此基础上提出用户信任云的概念和用户信任云评估模型 接着介绍了用户信任云模型的定义与特点 并利用正态云发生器产生不同情况下用户信任云图 通过分析用户信任云图可以得到用户的期望、熵、超熵的大致情况 仿真实验验证了用户信任云评估模型的优越性。本章的具体工作有 提出了用户信任云评估模型扩展了云模型的范围。 利用云发生器产生用户信任云图分析用户信任特点。 （编辑：源码门户网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
