SNS中結合聲譽與主觀邏輯的信任網絡分析

摘 要:提出一種結合聲譽與主觀邏輯的信任網絡分析方法，結合聲譽與朋友間的信任關系來獲得信任值。由于推薦來自信任的朋友也基于普遍的社會聲譽，信任計算的結果更能反映真實情況。仿真實驗及分析表明，該方法具有較高的效率和準確度。

關鍵詞:社會性網絡服務; 聲譽; 主觀邏輯; 信任網絡

中圖分類號:TP301.6文獻標志碼:A

文章編號:1001-3695(2010)06-2321-03

doi:10.3969/j.issn.10013695.2010.06.093

Integrating reputation and subjective logic to analyze trust network in SNS

LEI Huan， PENG Jian

(School of Computer Science， Sichuan University， Chengdu 610065， China)

Abstract:This paper proposed a method integrating reputation and subjective logic to analyze trust network， which derived trust value according to reputation and trust relationship between friends. As the recommendation comes from trusted friends and also based on the general public opinions， the results of trust calculation could represent the real situation better. The stimulation and analysis show that the method has high efficiency and accuracy.

Key words:SNS(social networking services); reputation; subjective logic; trust network

0 引言

在基于Web的社會性網絡中，人們與各自認識的朋友交流，也與朋友的朋友鏈中的成員交流，他們在網絡中分享關于產品或者服務等項目的經驗和評價，這些評論對于團體中其他用戶選擇項目有很大的影響。首要問題是，用戶如何確定他能多大程度地相信某條評價，從而選擇一個項目。例如，一個用戶想要選擇一家成都的酒店入住，他可能會瀏覽他的朋友中曾經入住某家酒店的經驗。當收到一條來自信任的朋友對于某家酒店的推薦時，也可能會考慮普遍意見或酒店聲譽，以便全面地了解服務質量，從而更好地作出決定。

隨著社會性網絡的快速發展，每年加入的人數成倍增長，對于某個項目得到大量評價很常見。如何根據評價的質量和用戶與給予意見者之間的信任關系來總結過濾意見或推薦成為一個重要問題。

對信任的研究，P2P領域已經有很多優秀的算法和模型，如Kamvar等人[1]提出的EigenRep信任模型、Song等人[2]提出的FuzzyTrust、Xiong等人[3]提出的PeerTrust信任機制。目前社會性網絡中信任的研究還處于起步階段，研究成果較少。其中，Bhuiyan等人[4]提出了在基于地理位置的社會性網絡中結合信任與社會聲譽來決策推薦的機制，該機制僅適用于特定網絡，且沒有給出社會聲譽的具體計算方法;Golbeck等人[5]提出了FilmTrust模型，將語義Web社會性網絡融入到電影推薦系統，使用信任網絡推理算法TidalTrust為每個用戶生成個性化的預測評價，該模型同樣不具有普適性。

現有的信任機制只考慮聲譽或只考慮社會人際關系，不能很好地度量社會性網絡中的信任關系。本文運用P2P中信任研究的方法，針對SNS的特性，提出一種結合聲譽與主觀邏輯的信任網絡分析方法，通過聲譽與朋友間的信任關系來獲得信任值。由于推薦來自信任的朋友也基于普遍的社會聲譽，信任計算的結果更能反映真實情況。此外，這種方法具有廣泛的適用性。

1 社會性網絡

社會性網絡的出現已經有一段時間了，Facebook、LinkedIn、MySpace和Hi5已經成為經典。基于Web的社會性網絡的數量和規模都在飛速增長，從2004年12月~2006年12月的兩年中，網站的數量幾乎增加了一倍。同一時期，所有網站的成員總數增長了4倍[6]。

社會性網絡服務(SNS)，專指旨在幫助人們建立社會性網絡的互聯網應用服務，其理論基礎源于六度分割理論，簡單地說:“你和任何一個陌生人之間所間隔的人不會超過六個，也就是說，最多通過六個人你就能夠認識任何一個陌生人。”按照六度分隔理論，每個個體的社交圈都不斷放大，最后成為一個大型網絡。

2 信任管理

本文提出的信任網絡分析方法以基于聲譽的信任機制為基礎，局部聲譽的推導使用主觀邏輯，根據朋友關系網中過去使用過該產品或者服務的朋友的評價，以及此人與用戶的關系計算出局部聲譽值，全局聲譽由整個網絡中使用過該產品或者服務的用戶的評價經向量疊加得到。利用置信因子綜合局部聲譽和全局聲譽來獲得信任值。最后，為了提高感知主體失常行為的靈敏度，引入風險評價對信任值進行修正。

2.1 基于聲譽的信任機制

基于聲譽的信任機制的基本思想是:對于任意一個主體N，信任機制根據N執行過的交易情況和其他主體對其交易行為的評價，為該主體分配一個信任值，使得其他主體可以根據N的信任值作出是否與N交易的決策。

本文利用置信因子綜合局部聲譽和全局聲譽來獲得信任值，并引入風險評價對信任值進行修正。用TAB表示A對B的信任度，LAB表示A對B局部聲譽，RB表示B的全局聲譽，RIB表示B的風險值。TAB的計算方法如式(1)所示:

TAB=αLAB+βRB+γRIB(1)

其中:α、β、γ為置信因子，且0≤α，β，γ≤1。

把對交易的滿意程度分為五類，即E(excellent)、G(good)、C(common)、N(not good)和P(poor)。定義評價函數U，如式(2)所示:

U(x)=v1 x=E，0.5

2.2 主觀邏輯信任推導

信任網絡由主體之間的可傳遞信任關系組成。在某個域中各方之間的信任可以通過分析所有連接各方的路徑組成的信任圖得到。主觀邏輯分析信任網絡(trust network analysis with subjective logic)[7，8]取對之間的有向信任邊作為輸入，可以得到通過網絡互相連接的任意方之間的信任，甚至在沒有明確信任路徑的情況下，主觀邏輯允許通過默認空意見得到信任。

用大寫字母表示可傳遞信任網絡中的主體，用有向圖的基本結構來表示可傳遞信任網絡。單個信任關系可以表示為兩個主體間的有向邊，兩個主體分別是有向邊的信任源和信任目標，如邊[A， B]表示A信任B。符號“:”表示兩條連續的信任邊的可傳遞連接，從而構成可傳遞的信任路徑。假設A信任B，B信任C，C信任D，則A與D之間的信任關系可以表示為

([A， D]) = ([A，B]:[B，C]:[C，D])(3)

用符號“”表示平行信任路徑的連接。圖1中左邊A~D的三條平行信任路徑的結合表示為

([A，D])=(([A，B]:[B，D])([A，C]:[C，D])([A，B]:[B，C]:[C，D]))(4)

不同信任路徑間的依賴可能引起不一致性。結合時多次考慮相同的信息，如式(4)中的邊[A，B]和[C，D]，多次包含相同的信任邊將產生不一致的結果，因此希望以一條弧只出現一次的范式形式表示圖。分割一條給定信任邊的信任度量為幾個獨立部分，這樣每個部分可心被考慮進不同的信任路徑。

式(4)中B分割為B1和B2，C分割為C1和C2，這就產生了圖1右邊的信任網絡和范式:

([A，D])=(([A，B1]:[B1，D])([A，C1]:[C1，D])([A，B2]:[B2，C2]:[C2，D]))(5)

A與B之間的信任表示為ωAB=(b，d，u，a)。其中:b、d和u分別表示相信度、不相信度和不確定度，且b，d，u∈[0，1]，b+d+u=1;參數a∈[0，1]稱為基礎概率，用來計算意見的概率期望值E(ωAx)=b+au。在對給定方缺乏具體證據的情況下，基礎概率確定團體中任意成員的先驗信任。

定義傳遞運算符“”用來從信任邊鏈組成的信任路徑中取得信任;合并運算符“⊕”用來合并平行信任路徑的信任。用A、B、C表示三個主體，ωAB和ωBC分別表示A對B的信任和B對C的信任。通過用A對B的信任折算B對C的信任取得A對C的信任，用ωA:BC表示，定義如下:

ωA:BC=ωABωBC=bA:BC=bABbBCdA:BC=bABdBCuA:BC=dAB+uAB+bABuBCaA:BC=aBC(6)

用ωAC和ωBC分別表示A對C的信任和B對C的信任，ωABC稱為ωAC與ωBC的合并信任，表示假想的主體[A， B]對C的信任。ωABC=ωAC⊕ωBC表示的合并運算定義如下:

情形Ⅰ uAC+uBC-uACuBC≠0

bABC=bACuBC+bBCuACuAC+uBC-uACuBCdABC=dACuBC+dBCuACuAC+uBC-uACuBCuABC=uACuBCuAC+uBC-uACuBCaABC=aAC(7)

情形Ⅱ uAC+uBC-uACuBC=0

bABC=(γA/BbAC+bBC)/(γA/B+1)dABC=(γA/BdAC+dBC)/(γA/B+1)uABC=0aABC=aC(8)

其中:相對權重γA/B=lim(uBC/uAC)。

2.3 聲譽系統確定信任值

主觀邏輯中信任的表示直接符合貝葉斯聲譽系統中聲譽的表示，因此，可以使用聲譽系統來確定信任度量。貝葉斯聲譽系統允許主體評價其他主體(肯定的或否定的)，對任意金額的單次交易，這種評價使用向量形式:

ρ=rs，其中r≥0，s≥0(9)

一個簡單的二值評價系統能用如ρ+=[1，0]表示滿意的交易和ρ-=[0，1]表示不滿意的交易來實現。一個特定的評價可以表示為

ρAB，tR(10)

表示在tR時間，A對B的評價。

主體(特別是人類主體)可能隨時間改變他們的行為，因此評價越近權重越大。這可以通過引入一個壽命因子來實現，它控制舊的評價被遺忘的速率。

ρA，tB，tR=λt-tRρAB，tR(11)

其中:0≤λ≤1，tR是收集評價的時間，t是當前時間。

評價通過組成部分的向量加法來匯總。對于每對主體(A， B)，匯總評價ρt(A，B)即B相對于A的局部聲譽可以通過以下計算得到，它反映在t時刻A對B的總體評價:

LAB=ρt(A，B)=∑ρA，tB，tR，其中tR≤t(12)

設S為所有主體的集合，則所有主體對B的匯總評價即B的全局聲譽可以通過以下計算得到:

RB=ρt(Z)=∑X∈Sρt(X，Z)(13)

2.4 風險評估

式(1)中RIB表示B的風險值。風險是指損失發生的不確定性，是由于不確定性造成的后果與預期目標的負偏離[9]。風險總是由危險、損失等不利后果所造成的，這里的風險是由發生N和P這兩種情況帶來的。引入信息論中的信息熵的理論來描述風險，只考慮直接交易所帶來的風險因素，風險可量化為

RIB=∑i=N，PU(i)H(pi)U(I)(14)

其中:H(pi)=-pilog pi為i ( i = N， P )的熵，pi為與B的交易中i情況發生的次數在全部交易中的比例，滿足0≤pi≤1，∑i=E，G，C，N，Ppi=1。

3 仿真實驗及結果分析

通過NetLogo上的仿真實驗來驗證本文提出的信任網絡分析方法的有效性和準確度。NetLogo是用來對自然和社會現象進行仿真的可編程建模環境，特別適合對隨時間演化的復雜系統進行建模。本文用NetLogo模擬SNS中主體的信任網絡關系并進行信任值計算，設定所有主體的初始信任值為0.5，觀察的主體總數為100個。

3.1 有效性分析

圖2和3分別反映了局部聲譽和全局聲譽的變化趨勢，可以看出，誠信主體的聲譽很快上升收斂，而惡意主體的聲譽也迅速下降收斂。

3.2 對比實驗

選取經典的信任分析方法Beta[10]與本文提出的方法(簡稱RSL)進行比較。誠信主體和惡意主體的信任值變化趨勢分別如圖4和5所示。可以看出，本文提出的信任網絡分析方法信任值更快收斂，具有較高的效率和準確度。

4 結束語

本文分析了基于Web的社會性網絡中需要解決的信任管理的問題，提出結合聲譽與主觀邏輯的信任網絡分析方法，結合聲譽與朋友間的信任關系來獲得信任值。由于推薦來自信任的朋友也基于普遍的社會聲譽，信任計算的結果更能反映真實情況。仿真實驗及分析表明，該方法具有較高的效率和準確度。由于社會性網絡中用戶的關系十分復雜且是隨時更新的，本文提出的信任網絡分析方法暫未考慮信任網絡中的其他干擾信息。在未來的工作中，筆者將繼續研究SNS的復雜性，提出更加完善的信任網絡分析方法。

參考文獻:

[1]KAMVAR S D， SCHLOSSER M T. EigenRep: reputation management in P2P networks[C]//Proc of the 12th International World Wide Web Conference. Budapest: ACM Press， 2003:123-134.

[2]SONG Shanshan， HWANG K， ZHOU Runfang， et al. Trusted P2P transactions with fuzzy reputation aggregation[J]. IEEE Internet Computing， 2005， 9(6):24-34.

[3]XIONG Li， LIU Ling. PeerTrust:supporting reputationbased trust for peertopeer electronic communities[J]. IEEE Trans on Knowledge and Data Engineering， 2004， 16(7):843-857.

[4]BHUIYAN T， XU Yue， JSANG A. Integrating trust with public reputation in locationbased social networks for recommendation making[C]//Proc of IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology. 2008:107-110.

[5]GOLBECK J， HENDLER J. FilmTrust: movie recommendationsusing trust in Webbased social networks[C]//Proc of IEEE Consumer Communications and Networking Conference. 2006.

[6]GOLBECK J. The dynamics of Webbased social networks: membership， relationships and change[J]. First Monday， 2007，12(11).

[7]JSANG A， HAYWARD R， POPE S. Trust network analysis with subjective logic[C]//Proc of the 29th Australasian Computer Science Conference. 2006.

[8]JSANG A， BHUIYAN T. Optimal trust network analysis with subjective logic[C]//Proc of the 2nd International Conference on Emerging Security Information， Systems and Technologies. 2008.

[9]田春岐， 鄒仕洪， 王文東， 等. 面向P2P網絡應用的基于聲譽的trust管理模型[J]. 通信學報， 2008， 29(4):63-70.

[10]JSANG A， ISMAIL R. The beta reputation system[C]//Proc of the 15th Bled Electronic Commerce Conference. 2002:324-337.