移動社交網絡中隱社交行為的研究

劉 蔚， 胡昌龍

(湖北工業大學經濟與管理學院， 湖北 武漢 430068)

移動社交網絡中隱社交行為的研究

劉 蔚， 胡昌龍

(湖北工業大學經濟與管理學院， 湖北 武漢 430068)

移動社交網絡本質上是一個用戶之間擁有信任關系的動態虛擬網路，可以通過群體間存在于現實世界的一些屬性，推斷出用戶之間的信任關系水平，使整個在線群體的信任關系得以支撐。提出一種集群的算法框架，可以通過分布式的分區來產生一個集群的細粒度層次結構，并從中提取實際的群體特征，以解決集群重疊的問題。基于上述算法所構造的一個隱社交行為圖形，包含了足夠多用來評估集群內部個體之間信任關系的信息。使用隱社交行為圖形理論，可以進一步計算出分組信任值；通過討論組內信任值的聚合和傳遞，可以計算出全局移動社交網絡中的集群信任和間接的信任值。

移動社交網絡； 集群行為感知； 隱社交行為

移動社交網絡本質上是一個用戶之間擁有信任關系的動態虛擬網路。隨著微信、微博、Facebook等社交工具的數量穩步增長，基于移動社交網絡的應用已經無處不在。在這個新的移動社交范式下，每一個移動設備扮演著自己的角色，其輸出的信息都被收集到了移動社交網絡之中，因而需要資源共享和計算負荷做合理的分配[1-5]。相比于傳統的社交網絡，該環境下數據的數量和數據的復雜性都呈爆炸性增加，因此研究用戶數據信任度的測量方法是必要的[6]。在移動智能終端所處的網絡環境中，人們主要通過社交網絡與他人進行交流，通過互動來共享他們在移動社交網絡中的角色，通過彼此的行為表現來獲取自己周圍所接觸用戶的信任。然而虛擬的在線社交關系總是取決于物理現實世界的關系。因此，我們可以通過存在于現實世界中群體的一些屬性，來推斷用戶的信任關系水平，從而來支撐在線群體信任關系[7-11]。

相關基于可信計算和減少社交網絡中人際社交風險的研究[12-27]為本文研究奠定了基礎，但是在用戶聯系和基于推理信任分組性質的影響因素方面的研究仍有不足。

筆者提出了一種根據分組的隸屬關系來計算信任度排名的方法。該方法中，集群是位于高度連接的社交圖中頂點的子集，假設一個集群內的邊(簇內邊)的密度比連接集群內的頂點到集群外頂點的邊的密度大。一個集群包括許多層次結構，每一個層次結構表示一個組。基于發現特征，筆者根據緊密聯系的一維信任關系，構建了一個全局社交信任模型，并提出了一個基于聯系等級和組群同質性的量化信任關系的方法。被量化的社交信任模型支持用戶間的信任關系和整合，換言之，該方法不僅有助于確定移動網絡環境下的交流路徑，而且隨著可信度評估體系的建立，安全問題也得以解決。此外，隱含的信任和社交網絡中的社交糾正機制也可以應用于其他領域。事實上，社交網絡平臺已經為用戶提供了多種集成應用社交網絡證書可以在許多不同場合提供身份認證，例如很多國外網站允許用戶通過Facebook賬號登錄，如同國內網站能使用QQ、微信、微博、支付寶等賬號統一登錄一樣[28]。本文提出的集群算法，可以通過分布式分區來產生一個集群的細粒度層次結構，并可以從中提取實際的群體特征，以應對重疊的集群，然后構造了包含足以用來評估信任關系等信息的隱社交行為圖；并利用隱社交行為圖，構建了一個基于集群結構的移動社交網絡分層可信計算模型，根據聯系、互動評估和用戶的屬性水平可以計算組內的信任值(分組信任值)；在后續研究中，基于對組內信任值的聚合和傳遞機制的分析，可由此計算出全局移動社交網絡中的集群信任和間接的信任值。

1 基本概念和定義

1.1 隱社交行為圖形的概念

在移動社交網絡中，大部分參與者經常通過移動智能終端在多人之間組織并協調活動。參與者被分成不同的組，組之間的交流通常是與現實生活中群體的成員之間(如某項目組的成員、同學或家人)進行的[19]。在這樣的移動社交網絡中，用戶連接到彼此以顯示關系，從而得出社會行為圖，其中相關用戶通過關系連接。為了捕捉同一組中兩個用戶之間的關系，本文介紹的隱社交行為圖形[29]是社交圖的一種特殊形式。它是高度連接的移動社交網絡的頂點的子集，并且是由感興趣的用戶(Iuser)和他/她的直接相鄰組成。在隱社交行為圖形中的每條邊都是有兩個方向和一個權重。邊的方向根據其是由用戶傳出還是接受訪問信息來確定。以自我為中心的用戶和直接的相鄰之間的邊的權重是由聯系行為模式決定的。該以自我為中心的用戶i的隱社交行為圖形被表示為Iuser-i圖形，圖1展示了一個Iuser-i圖形的例圖，為了簡單，其中邊的方向被忽略了。

圖 1 Iuser-i示例圖形

1.2 基本定義

設U是設定的論域，f,h是隨機函數，f：U→[0,1]和h：U→[0，1]。為方便討論，定義用戶i和用戶j，R之間的關系模型作為一個元組〈f,h,j〉。

定義1 對于移動社交網絡G中任意兩個用戶i和j，它們之間的信任關系R，并且可以被定義為

trij?R〈Exij,WEnij,J(i,j)〉

(1)

其中，Exij是一個預期的信任值，WEnij是一個加權熵，J(i,j)是一個Jaccard相似系數。

本文中，trij是信任空間的基本元素。據定義1，Exij表示j對于i的基本信任度；WEnij反映用戶i和j之間信任關系的重要性；J(i,j)反映了用戶i和用戶j的均一水平性。

定義2 對于用戶i和在第k組用戶i的gik中的用戶j，該組內的信任顯示了用戶i和同組其他人的信任關系，并且可以定義為一個元組：

(2)

用戶j可以屬于多個集群組Gi，因此，給集群信任的定義為

定義3 假設用戶j同時屬于集群i的組gi1,gi2，…，gik，該集群信任和c_trusti是集群i組內信任的聚合。關于如何計算c_trusti的值，筆者將在后續研究中予以闡明。

2 隱社交行為圖形的構建

2.1 理論基礎

使用社交激勵機制和底層現實世界作為信任的一個替代的基礎。圖2給出了微信中一個真實的隱社交行為圖形的拓撲圖，也是現實世界中常見的大多數隱社交行為圖，顯示出了這一社交網絡的特征性結構。圖中，富于變化的組被密集地連接在一起，但只與網絡的其余部分有稀疏的關聯。這些密集區域顯示出群體的社交特性即：群體中的成員通常認識對方，因此形成了緊密的子連接。另一方面，群體內的其他成員不認識其他群體的成員，形成了稀疏的相互交接。如圖2所示，每一個以自我為中心的用戶可以屬于多個組，每個組用不同的顏色標記。例如，用戶i和j有三組，分別是家(粗實線)，同學(細實線)和同事(虛線)。換句話說，Iuser-i圖形和Iuser-j圖形中分別有3個交流組。

圖 2 從微信中檢索到的一個真實的隱社交行為圖

G=G(V,E)表示一個移動社交網絡系統，其中頂點的集合V表示用戶(節點)，邊的集合E表示這些用戶之間的關系。如果用戶i信任用戶j，就會存在一個從用戶i到用戶j方向的邊，反之亦然。在本文中，忽略邊的方向，并且每個邊意味著都是雙向邊。假設圖G可以被劃分為多個子圖(圖3)，假設在Gi中有Ni個點，Gi中的每個邊由發送和接收聯系形成的。每個Gi是一個Iuser-i圖形，盡管它可能由單一的節點組成。接下來，將交換著使用術語“Iuser-i圖形”、“Gi”和“集群”。個體被作為一個“朋友”加入到其中，意味著至少用戶i對于被添加個體有一定了解。個人之間的這種連接可以用來推斷存在于它們之間的信任關系，但這種信任關系尚未達到“信任”或“上下文關系”的水平。因此，一個描述信任關系的定量方法至關重要。

圖 3 隱社交行為圖形和它們的信任關系

在本文的方法中，社交網絡中用戶之間的社交信任關系可以由沒有外部限制的用戶交流行為所推斷。這種信任表示在同一組中的用戶之間的信任關系，并被稱為組內信任。基于組內信任(見定義2)，可以得到集群中的用戶之間的信任值，這個信任值即為集群的信任。然而，使用顯式或隱式社交網絡關系來促進信息的擴展是不容易的。因此，使用用戶的集群信任來建立一個全局信任社交網路十分重要。

2.2 算法框架

從圖2中可以發現有一些密集的連接子圖和屬于多個組的部分用戶。該密集的連接子圖是由群體中的成員組成，并且這些子圖是使用集群算法從圖形中提取出來的。一個群體檢測算法應該提取實際的群體，需要算法來處理重疊的組。采用擴展了Newman和Girvan算法[32]的CONGA算法[33]。本文受制于空間而省略了CONGA算法的細節以此用提取實際的群體，處理重疊集群。如前所述，G=G(V,E)是一個包含所有頂點的移動社交網絡系統。先從G點開始，通過分布式分區產生一個細粒度集群的層次結構。分區方法可以被重復，直到所有節點形成單個節點的集群，這是該層次結構的水平。本文的算法基于3個基本操作，即CalEdBetw( )、splitting( )和SplitVerBetw( )(表1)。

表1 基本算法運算符

因此，本文算法的主要思想如下所示。

Input V ∥節點集合； E ∥邊集合；

Output cluster ∥用戶i的簇；contactij∥用戶i和j間的關系；

repeat

for Each edgee∈E do

Calculate Ebete=CalEdBetw(e,G)，of edgee∈E；

end for

Ebetmax=MAXEbetee∈E；∥MAXEbete從Ebete獲得最大值；

for Each node v∈V do

Calculate node Sbetv=SplitVerBetw(v,G)，of node v∈V；

end for

Sbetmax=MAXSbetvv∈V；∥MAXSbetv從Sbetv獲得最大值；

if Sbetmax>Ebetmaxthen

splitting(v)；

else

Delete the edge e with maximum Ebetmax；

end if

until E=?∥邊遍歷結束.

一個隱社交行為圖是由一個用戶 (即發起人) 發起的，發起人可以邀請一組聯系人參加。本文初始化算法基于發起人同時和另一群體中的多個成員進行交流。為了給以自我為中心的用戶和他直接相鄰之間的每一個聯系進行打分，提出了一個根據分數進行排名的機制。該排名機制的核心是，聯系排名高的用戶與已經被邀請的人分享很多的群。對于每一個在被邀請的群里出現過的人，每一個聯系，分數則增加1。如果分數相同，用戶可以根據字母順序列表(升序或降序)來排名。排名實例如圖4所示。

圖 4 根據組的屬性關系對聯系進行評分排名

每當用戶希望發起建立一個隱社交行為圖形，他/她發起一個新的組，并開始選擇第一聯系人。接著，算法引擎提出一個名單列表，在名單中的人與被挑選聯系分享一個或多個群體。這個列表是根據相關性進行排序，它是由共享的群體的數目給出的。選出一個分數最高的聯系到發起人，并且重復這個過程，直到該組執行完畢。

3 結論

本文提出了一種基于隱社交行為圖形的新方法用于計算移動社交網絡中的信任度。該方法中，用戶的隱社交行為圖形可以從移動社交工具(如微信、微博和Facebook)中提取，并被標記為一個集群。一個集群可以被分為諸如家庭、合作伙伴和同學等多個組，可以通過給每一組打分，對組內的用戶之間的聯系進行排名。在后續的研究中，我們會提出一種新的量化信任管理模型，并研究如何計算分組的信任值，以及在集群和全局的傳遞和聚集，通過仿真來評估信任模型的有效性。

[1] 張朝陽.移動社交網絡中上下文感知推薦機制的研究與設計[D].北京：北京交通大學，2013.

[2] 徐小霞.移動社交網路用戶隱私安全問題及保護研究[D].重慶：重慶大學，2014.

[3] 張婷婷.移動社交網絡中用戶屬性匹配的隱私保護研究[D].成都：電子科技大學，2012.

[4] 隋濤，陳榮賞.面向移動社交網絡的動態信任評估[J].長沙：湖南科技大學學報，2014(3)：73-77.

[5] 趙卓鶴.移動互聯網社交應用軟件使用意愿影響因素實證研究----以“微信”為例[D].濟南：山東大 學，2014.

[6] 廉捷.基于用戶特征的社交網絡數據挖掘研究[D].北京：北京交通大學，2014.

[7] 張艷紅.云計算在移動環境下的多融合服務研究[J].電信工程技術與標準化，2009(11)：8-10.

[8] 喬秀全，楊春，李曉峰，等.社交網絡服務中一種基于用戶上下文的信任度計算方法[J].計算機學報，2011(12)：2403-2413.

[9] 趙倩.基于社交網絡的社會信任機制研究[D].北京：北京郵電大學，2013.

[10] 劉鳳鳴.P2P服務環境中基于社會網絡的信任計算研究[D].上海：東華大學，2008.

[11] 李小勇，桂小林.動態信任預測的認知模型[J].軟件學報，2010(21)：163-176.

[12] Kuada E, Olesen H. A social network approach to provisioning and management of cloud computing services for enterprises[M]. in: Proc. of Cloud Computing, 2011: 98-104.

[13] 定明靜.基于信任網絡的推薦技術研究及應用[D].成都：電子科技大學，2013.

[14] 林韶娟.基于信任網絡的推薦系統研究[D].上海：復旦大學，2012.

[15] 張麗娟.基于本體構建的虛擬社區知識組織模型研究[D].廣州：華南理工大學,2013.

[16] 白林根.基于復雜網絡的微博用戶關系網絡結構研究[D].杭州：杭州電子科技大學，2013.

[17] 趙紅強.合作博弈解及其應用研究[D].長春：吉林大學，2008.

[18] 劉英南.在線社會網絡中基于動態信任的推薦機制研究[D].上海：華東師范大學，2014.

[19] 蘇志毅.基于手機通訊錄的移動社交網絡服務器的研究與實現[D].北京：北京郵電大學，2011.

[20] 卞先華，陳亮，鄭倩冰.基于文本內容和社會結構的可信度[J].重慶理工大學學報，2013(1)：2334-2336，2356.

[21] 王偉偉.基于群體智能的關聯規則挖掘應用[D].濟南：山東師范大學，2007.

[22] 張宇.在線社會網路信任計算與挖掘分析中若干模型與算法研究[D].杭州：浙江大學，2009.

[23] 韓曉吉.在線社會網絡中基于人工免疫的信任模型構建[D].濟南：山東師范大學，2013.

[24] Balasubramaniyan V A, Ahamad M, Park H. CallRank: combating SPIT using call duration, social networks and global reputation[C]. Proceedings of Fourth Conference on Email and Anti-Spam, 2007: 18-24.

[25] 姜文君.在線社會網絡中個性化信任評價基礎與應用研究[D].長沙：中南大學，2014.

[26] Ankolekar A, Szabo G, Luon Y, et al. Friendlee:a mobile application for your social life[C/OL].[2015-01-31]. http:∥www.doc88.com/p-9899327362338.html.

[27] Roth M, Ben-David A, Deutscher D，et al. Suggesting friends using the implicit social graph[C]. Proc. of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2010:233-242.

[28] 張鼎.云計算環境下信息資源共享模式研究[J].情報科學，2010(10)：1476-1479,1495.

[29] 楊媛媛.SNS網絡中節點關系研究[D].保定：河北農業大學，2010.

[30] 李美子，張波.社交網絡中的用戶信任鏈形式化模型[J].計算機工程2012(23)：60-62.

[31] 蔣黎明，張琨，徐建，等. 證據信任模型中的信任傳遞與聚合研究[J].通信學報2011(8)：60-62.

[33] 郭強.一種基于節點分裂的重疊社區發現算法[D].哈爾濱：哈爾濱大學，2013.

[32] Newman M, Girvan M. Finding and evaluating community structure in networks[J]. Phys. Rev.,2004, E 69,026113.

[責任編校： 張 眾]

A Study on Implicit Social Behavior in Mobile Social Networks

LIU Wei， HU Changlong

(SchoolofEconomicsandManagement,HubeiUniv.ofTech.,Wuhan430068,China)

Mobile social networks are essentially a dynamic virtual network with a trust relationship among the users, from which the level of this trust among users can be inferred on the basis of some properties in the real world so as to support the trust relationship between the online groups. A Framework of a clustering algorithm is proposed in this article so that a cluster of fine granularity hierarchy can be produced by using distributed partitioned and the actual groups in response to overlapping clusters can be extracted. Based on the algorithm above, an implicit social graph can be constructed, which contains enough information to assess the relationship of trust among individuals within the cluster. Through the use of the implicit social graph theory the grouped trust value can be further calculated. Through the aggregate and transfer of trust within the group, group trust and indirect trust value can be computed in the global mobile social networks.

mobile social networks; cluster awareness; implicit social behavior

1003-4684(2016)03-0056-04

G350.7

A

2014-12-02

國家社會科學基金項目(14BTQ045)；教育部人文社會科學研究項目資助(13YJC870015)

劉 蔚(1973-)， 男， 湖北武漢人，計算機系統結構碩士，湖北工業大學副教授，研究方向為電子商務安全，大數據分析及數據挖掘