基于多维决策属性的网络用户行为可信度评估

网络用户行为可信的评估具有不确定性、复杂性等特点。针对已有模型在动态适应性、主观分类权重、决策属性建模粗糙等方面的不足,本文提出了一种新的网络用户行为可信评估模型。采用更完善的决策属性来衡量用户行为可信性,基于AHP原理计算直接可信度,运用信息熵理论客观的分类方法,确定各个决策属性的权重,并通过加权几何平均融合各决策属性。实验结果表明,该模型能够准确评价网络用户行为的可信性,反映网络用户行为可信性的动态变化特性。与传统模型相比,在准确度和安全性方面有了很大提高。     

基于Swarm模型的微博用户影响力评价方法

微博作为一种重要的社交媒体,许多学者都对微博中用户的影响力进行研究,但大多数影响力的评价算法都是根据微博话题中用户的静态属性或微博话题发生后用户的行为特征对用户影响力进行评价。从用户的转发、评论和点赞三种行为入手,结合突现计算模型,提出一种基于Swarm模型的用户影响力排序算法,SMRank算法可以在微博话题发生的过程中对用户每个时间段的影响力进行计算,给出了一种计算微博话题用户影响力的新方法。通过使用真实的微博话题数据进行实验,结果表明提出的SMRank算法可以有效地发现微博话题中影响等级较大的用户,并能计算出不同用户不同时刻的影响力。     

大数据下基于信息流的快速种子用户识别

针对大数据下的种子用户的精准识别,分析了影响用户成为种子用户的两大因素:时间优先和属性特征,以及种子信息传播的两大特征:传播时差和方向性。据此,提出了一种快速寻找种子用户的方法,即先将用户按属性特征分到不同的组中,通过分析所有组之间短信流通关系和传播时差找到信息流,即方向性,从而逐步缩小了搜索范围,再通过阈值筛选备选种子。最后验证备选种子,建立树状评价模型,设计种子用户的评价体系,由评价体系的最后得分寻找出种子用户。     

基于关联关系的微博用户可信度分析方法

随着微博研究的深入,对微博用户可信度的评价成为一个研究热点。针对微博用户可信度评价的问题,提出了一种基于关联关系的用户可信度分析方法。以新浪微博为研究对象,首先从用户的资料信息、交互信息和行为信息三个方面出发,分析了用户的7个相关特征,利用层次分析法（AHP）,进而得到用户自评价可信度;然后以用户自评价作为基点,以用户关系网络作为载体,结合用户之间潜在的用户互评关系,通过改进PageRank算法,提出了用户可信度评价模型User-Rank,进而,利用关系网络中其他用户对待分析用户的可信度进行综合评价。大规模的微博真实数据的实验表明,所提方法能够取得良好的用户可信度评价效果。     

一种改进的基于角色的授权委托模型

委托是访问控制模型中非常重要的组成部分,已成为分布式计算环境下重要的访问控制管理机制.提出了一种改进的基于角色的授权委托模型,此模型对用户的角色划分不仅仅基于用户的身份,还要考虑用户的信任度、能力等属性,通过综合多种因素对用户进行属性级别划分,不同的属性级别对应不同的角色从而对应不同的访问权限,以达到对用户进行访问控制的目的,是一种基于属性的角色授权委托模型.与传统基于身份划分的角色委托模型相比,此模型具有更细的访问控制粒度和更高的安全性.     

基于社交意识和支付激励的D2D协作传输策略

在D2D协作传输场景下,传统的协作方案忽略了节点的自私性及在每个时间点个性化需求的差异性,导致D2D用户配对成功率较低。为了解决上述问题,提出一种基于社交意识和支付激励的D2D协作传输策略。具体地,首先利用物理层终端用户间相遇的历史信息,计算不同时刻用户间的社会关系强度;接着通过节点属性、节点对内容兴趣度计算出内容对节点的重要程度;其次该方案采用熵定义用户服务属性等级,根据节点对内容的不同服务属性等级对不同服务主体进行区别定价,以激励自私节点参与协作;然后用以上因素来构造效用函数,使系统总效用最大化;最后采用模拟退火算法求解从而得到一个稳定的协作传输策略。仿真结果表明,所提策略可满足不同时间段终端个性化需求,有效提高用户满意度和吞吐量。     

基于微博的用户相似度计算研究

针对传统的相似度计算方法和评价标准在准确、高效地度量微博用户相似关系时不理想的缺陷,提出一种新的微博用户相似度的计算方法。该方法针对不同的属性数据结构采用不同的计算方式,并根据属性统计信息对各个属性赋值,利用层次分析法确定各属性权值,最后构建综合相似度计算模型。实验结果表明,相对于传统的相似度计算方法,所提计算方法衡量用户相似的准确度提高了22.6%,召回率提高了12.7%,F1度量值提高了29.5%。     

融入用户和项目特征的概率矩阵分解推荐算法

与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间.基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF.首先,根据用户属性信息计算用户属性相似度,利用项目标签信息和用户评分信息计算用户偏好相似度,并通过加权构建用户相似度矩阵;然后,构建基于项目标签信息的项目相似度矩阵;接着,将用户相似度矩阵和项目相似度矩阵融入到概率矩阵分解模型中;最后,在电影公开数据集Movielens上进行模型训练和对比实验.实验结果表明,在训练集比例为90％、隐性特征维度为10的情况下,与PMF、基于用户偏好的概率矩阵分解推荐算法(USPMF)和融合物品相似度的概率矩阵分解推荐算法(ISPMF)相比,UFIF-PMF算法的均方根误差(RMSE)分别下降6.27％、3.65％和3.49％,平均绝对误差(MAE)分别下降8.46％、4.8％和4.67％,同时有效缓解了推荐系统的冷启动和数据稀疏问题,有较强的可扩展性.     

基于灰色层次分析法的老年人APP 用户体验评价研究

为了提高老年人APP 的用户体验水平,提出一种基于灰色层次分析法(AHP)的老 年人APP 用户体验评价模型。首先,构建用户体验的评价体系;接着,通过AHP 计算评价指 标的权重;最后,采用灰色关联分析法(GRA)将用户体验的评价指标整合为灰色关联度,从而 根据灰色关联度选择最优方案。以移动医疗APP 作为案例,结果表明基于灰色AHP 的APP 用 户体验评价模型可以有效地评价老年人APP 的用户体验水平,为设计决策提供依据。     

基于贝叶斯网络的遥感云用户行为认证方法

针对遥感云服务平台中不可信用户的入侵现象，结合遥感云用户行为特点和贝叶斯网络算法设计了一种用户行为认证方案。该方案论述了遥感云平台用户的行为认证机制，并且根据用户行为特点建立了用户行为认证集，结合贝叶斯网络算法预测特点和用户行为属性建立了用于认证等级预测的贝叶斯网络模型，把该模型中分析得出的用户行为属性的权重信息应用到用户等级预测算法中，使该算法针对遥感云用户认证更安全准确，从而实现对用户行为认证等级的预测。仿真实例表明该方法能够准确识别出不可信用户，有效保证遥感云服务平台的安全性。     

FAHP在用户行为信任评价中的研究

针对层次分析法（AHP）的缺点,提出了一种基于三角模糊数的模糊层次分析法,该评估方法通过使用模糊数来反映专家评判的模糊性,弱化了单纯使用AHP方法存在的主观性,并对网络用户行为各属性的权重进行量化计算,使评判结果更加客观,通过实例说明如何在实际中应用该方法。评价结果为基于动态信任的安全控制提供量化分析基础,为服务提供者采取更加安全的策略来响应用户请求提供量化依据。     

基于权邻域的代表性用户抽样算法

代表性用户抽样方法在社会网络分析领域中得到广泛的应用，如何使其抽取的子集代表网络中所有用户具有重要的研究意义。现有方法较少关注网络拓扑结构中用户潜在的大量有用信息，通过对统计分层抽样模型进行优化，提出了一种基于权邻域的代表性用户抽样算法。为了从网络拓扑结构中获得用户更多有价值的内容，该算法使用权邻域对用户代表度计算方法进行改进，同时与用户属性相结合。之后根据用户属性值将用户分成不同属性组，计算用户在每个属性组的代表度。接着通过质量函数来衡量代表性用户的代表程度。采用启发式贪心算法抽取代表性用户。在4个数据集上与6种传统抽样算法进行实验比较，结果表明基于权邻域的代表性用户抽样算法在精确率、召回率和F1-Measure评价指标上均有提升。     

云计算环境下用户行为的认证与预测

云计算环境下,传统的身份认证技术表现出一定的缺陷,为了遏制不可信用户的入侵行为,本文结合传统的身份认证和行为认证,论述了云计算环境下的用户行为认证机制.建立了用户行为认证集,论述了整个机制的实现过程.建立了预测用户行为认证等级的贝叶斯网络模型,并结合历史和实时用户行为信息实现对用户行为认证等级的预测.通过实例分析论证了预测模型的有效性.论文理论分析表明该研究对增强用户认证,有效遏制不可信用户的入侵行为具有重要的理论和实际指导意义.     

用户体验质量(QoE)的模型与评价方法综述

随着信息时代的到来,新的多样性的信息服务大量涌现,人们对信息服务的要求也越来越高.为了获得用户对服务的认可,服务提供商必须确保良好的用户体验质量.因此,用户体验质量不仅成为学术界重要的研究课题之一,而且也成为工业界关键的服务评价指标之一.文中综述了用户体验质量的模型与评价方法等方面的工作.介绍了该领域的研究现状与进展,总结归纳了用户体验质量的影响因素、量化方法及三类评价方法学,重点讨论了几种具体的基于不同学科的用户体验质量的模型和评价方法.基于这些讨论,该文以视频流媒体服务为背景,提出了基于隐马尔可夫的用户体验质量模型,建立了基于随机模型的评价方法,对未来的研究方向进行了展望.     

基于TF-IDF改进算法和喜好度的视频用户分类

根据用户观看的视频时长与视频的实际时长信息来计算用户对该视频的喜好度,在spark内存计算框架下,以喜好度作为特征项,使用朴素贝叶斯,TF-IDF和改进了的TFC-IDFC分类算法,对视频用户属性进行分析,建立用户年龄区间的分类模型。此分类模型适合视频网站运营商将信息准确的推荐给用户,同时可提高信息的利用率。考虑到传统的TF-IDF算法没有体现特征项在类内和类间的分布特点,提出了改进的TFC-IDFC算法,通过正确率和F1值两个指标对以上三种分类算法的评价,证明了加权的分类算法比不加权的算法分类效果更好,改进的TFC-IDFC算法比传统的TF-IDF算法效果更优。     

基于AHP方法计算电信用户信用度

AHP（Analytical Hierarchy Process）方法是一种定性分析与定量分析相结合的多目标决策分析方法。AHP方法将决策者的经验判断给予量化,当目标结构复杂或者缺乏必要的数据情况下,采用此方法较为实用有效。针对电信行业这一特殊的应用背景,抽取用户相关信息,构建数学模型,进行信用度计算。基于AHP方法的技术特点,在实际计算过程中,合理地构造了判别矩阵并进行了一致性检验。最后给出相应的数值实验,验证了这种计算技巧的有效性。     

融合用户属性交互的个性化评论摘要生成

个性化评论摘要旨在针对一篇评论文本，面向不同用户产生反映他们不同偏好的摘要，具有较高的应用价值.现有工作存在新用户偏好无法增量学习、忽略用户属性关联对偏好的影响等不足.为了解决上述问题，本文提出了融合用户属性交互的个性化评论摘要生成算法.该算法自动学习用户各方面属性的嵌入表达，在此基础上利用自注意力机制捕捉所有属性之间的交互关联，从而使获得的用户偏好表达更加准确.得到的偏好表达被用于捕捉评论中用户可能感兴趣的信息，进而指导模型生成符合用户个性化偏好的摘要文本.实验结果表明，本文提出的算法在评价指标ROUGE上明显高于已有的先进算法.     

基于TOPSIS方法改进的多属性决策模型:最小化偏好反转

针对多属性决策方法(MCDM)中出现的偏好反转问题,提出一种基于TOPSIS方法改进的MCDM模型.该模型用MAX法代替矢量法对数据进行标准化处理,并根据备选方案的相似距离衡量每个选项的优劣性.这种基于距离计算的综合属性评价方法不仅计算简单,而且可以较好地测度选项间的差异,增强决策结果的准确性.同时,将该模型计算的结果与SAW、AHP、TOPSIS、VIKOR方法进行对比分析,发现只存在原选项时,所提出的模型与SAW、AHP方法的排序结果一致,而当添加或删除某个选项时,SAW、AHP、TOPSIS、VIKOR方法均会产生不同程度的偏好反转现象,而所提出的基于TOPSIS改进的模型可以保持选项的相对顺序不变,表明所提出的模型是有效的,且在避免偏好反转问题时较SAW、AHP、TOPSIS、VIKOR方法具有一定的优越性和可靠性.     

基于情境感知的用户个性化兴趣建模

用户兴趣模型作为个性化信息推送的基础和核心,其性能的好坏直接关系到个性化推送服务的质量,如何全面了解用户动态的兴趣需求,并及时为用户提供其实时有效的兴趣,是目前用户兴趣模型研究的热点问题。本文主要利用情境感知、用户行为等多维因素建立一种M-C-W用户兴趣模型,提出结合用户显示和隐式兴趣度的计算,挖掘出用户显式兴趣和隐式兴趣的关联性,实现多维动态情境兴趣的结合。通过多角度综合计算用户的兴趣度,实时而准确地表达用户的兴趣爱好。最后,通过实验验证了该模型的有效性和可靠性。     

基于粗糙集的AHP评估模型研究

判断矩阵是层次分析法(Analytic Hierarchy Process,AHP)进行相对重要度计算的重要依据,而判断矩阵一般由专家根据个人经验而建立,因而伴有较多的主观因素,甚至生成的判断矩阵出现不一致性,不利于客观地进行系统评估;针对此问题,将粗糙集引入到AHP中,建立了基于粗糙集的AHP评估模型,为了提高属性集属性约简效率,改进了集合近似质量属性约简算法;应用粗糙集理论计算相同层次两两评价指标的近似质量差,根据差的大小确定指标重要性,并通过实例证明了该模型的合理性和正确性。