一種基于改進分層置信規則庫的社交賬戶可信度評估方法

收稿日期：2022-01-18；修回日期：2022-03-01

作者簡介：吳菲（1983-），女（通信作者），吉林長春人，講師，碩士，主要研究方向為計算機技術（83950185@qq.com）；王維（1982-），女，吉林吉林人，講師，碩士，主要研究方向為計算機技術.

摘 要：社交賬戶可信度評估是確保網絡社交生態良性發展的重要環節。針對社交賬戶可信度評估指標多維、數據信息不確定性多樣等問題，提出了一種基于改進分層置信規則庫的可信度評估方法。首先從賬戶屬性、交際屬性和內容屬性三個角度分析了可信度評估各指標之間的相互關系，并依此構建了置信規則庫的分層結構。其次，在信息轉化函數中引入了自適應系數以更好描述和處理指標間的特性差異。最后，為了彌補專家知識局限性帶來的模型誤差，采用帶有投影算子的協方差矩陣自適應進化策略對自適應系數和模型參數進行了優化。以新浪微博賬戶作為實驗對象，結果表明該方法能夠在數據樣本有限的情況下獲得更高的可信度評估精度。

關鍵詞：置信規則庫；社交賬戶；可信度評估

中圖分類號：TP393.04"" 文獻標志碼：A

文章編號：1001-3695（2022）09-034-2779-06

doi：10.19734/j.issn.1001-3695.2022.01.0047

Credibility evaluation method for social accounts via improved hierarchical belief rule base

Wu Fei，Wang Wei

（Dept. of Digital Media，Changchun University of Technology，Changchun 130012，China）

Abstract：Social account credibility evaluation is an important link to ensure the benign development of network social ecology.Aiming at the problems of multi-dimensional credibility evaluation indexes and various data information uncertainty，this paper proposed a credibility evaluation method based on the improved hierarchical belief rule base.Firstly，this paper constructed a hierarchical structure by analyzing the relationship between the indicators of credibility evaluation from three perspectives，Such as account attribute，communication attribute，and content attribute.Secondly，this paper introduced an adaptive coefficient into the information transformation function to better deal with the characteristic differences between indicators.Finally，to make up for the model error caused by the limitation of expert knowledge，this paper used the covariance matrix adaption evolution strategy with projection to optimize the adaptive coefficients and model parameters.Taking Sina Weibo account as the experimental object，the results show that this method can obtain higher accuracy when the data samples are limited.

Key words：belief rule base；social accounts；credibility evaluation

0 引言

隨著互聯網技術的不斷發展，網絡社交媒體逐漸成為了人們發布、傳播、獲取信息的主要方式。社交媒體為人們帶來生活便利的同時，其開放共享的信息傳播機制也逐漸成為了我國意識形態、信息安全、防疫防控等領域的風險隱患［1，2］。尤其是，在國際局勢不斷惡化、新冠肺炎等全球公共安全事件頻繁發生的大背景下，境外極端份子借助社交媒體散布謠言和釣魚鏈接等違法信息，欲達到實施網絡詐騙、竊取國家機密甚至顛覆政權的目的。這些行為嚴重威脅了網絡社交生態的良性發展，造成了社會輿論引導混亂，影響了社會安定。社交賬戶是媒體信息發布的源頭，準確判斷賬戶是否可信，有利于相關部門采取合適的手段來對危害信息進行管控。現有的研究通常采用包括機器學習、統計分析等在內的多種建模方法對社交賬戶的狀態進行判斷［3，4］。王崢等人［5］提出了一種特征加權貝葉斯神經網絡模型，并將之應用于微博賬號的異常檢測中，但是該模型依賴于高質量的訓練數據樣本。胡學韜等人［1］基于粗糙集理論設計了社交賬戶信任度模型，通過該模型可以將社交賬戶的狀態區分為正常和異常。路金泉［2］基于貝葉斯算法和層次分析法提出了一種賬戶可信度評估方法，該方法將社交賬戶評估為可信與不可信兩級。這兩種方法能夠分別有效處理模糊不確定性和概率不確定性，但對賬戶可信度的量化分析不夠。文獻[4]將社交賬戶的狀態分為正常賬戶、被入侵賬戶和僵尸賬戶三類，采用所提的并行支持向量機算法實現了賬戶狀態的識別。該方法對訓練樣本數量的要求不高，但同樣在不確定性描述和可信度量化方面存在短板。基于D-S證據理論的可信度評估方法能夠有效融合專家主觀判斷和有限的客觀數據，其采用置信辨識框架來描述信息的不確定性，但該評估方法在處理沖突證據方面存在不足［6，7］。

置信規則庫（belief rule base，BRB）是楊劍波教授在D-S證據理論、模糊理論和IF-THEN規則的基礎上發展而來的一種基于半定量信息的評估方法［6，7］。該方法通過在傳統IF-THEN規則中引入置信框架來量化描述各類不確定性，通過在D-S證據理論中引入證據權重形成證據推理算法（evidential reasoning，ER）來處理沖突證據。BRB能夠有效融合專家判斷和樣本數據進行建模，降低了對高質量數據集的依賴［6，7］。目前，BRB已經廣泛應用于復雜工程系統的健康狀態評估、性能評估和大型工業結構的安全性評估中［7，8］。

賬戶可信度的評估涉及多維指標，如用戶關注數、評論率等，每個指標具有不同的特性。因此，要充分結合指標含義構建多層評估指標體系。指標體系構建完畢后，可采用分層BRB實現對多維多層指標的評估。然而，在現有分層BRB模型中，不同指標常常共用一種信息轉換方法，且這些方法不具備自適應性，不能較好反映各指標的特點。鑒于此，本文提出了基于改進分層BRB的賬戶可信度評估方法（improved hierarchical belief rule base，IHBRB），提出了賬戶可信度評估指標，并依此構建了分層BRB評估模型；提出了一種自適應指標信息轉換方法，并通過智能優化算法實現了相關參數的自適應調整。

1 研究思路

本文提出的基于IHBRB的應用于社交賬戶可信度評估的主要思路如圖1所示。首先，進行可信度評估指標的選取，并結合指標構建多層評估指標體系；然后，針對指標體系構建IHBRB模型，提出自適應信息轉換方法；最后，構建優化模型，將IHBRB的置信度、屬性權重、規則權重、參考值和信息轉換方法參數等作為待優化參數進行自適應調整。優化后的評估模型即可用于社交賬戶可信度評估。

2 可信度評估指標體系構建

結合現有研究，本著指標信息獲取成本低的原則，從多個角度選取了能夠反映賬戶狀態的指標［1，9～11］。

賬戶年限，記為C1。該指標能夠反映賬戶使用的歷史。在網絡社交中，極端份子為了短時間內制造高強度的輿論壓力，通常需要短時間內創建較大規模數量的僵尸賬號。從這個角度出發，賬戶年限越短，是僵尸賬號的可能性越大，其可信度也就越低。

認證情況，記為C2。該項指標涉及身份認證、興趣認證、問答認證、會員認證等，其能夠反映賬戶信息的完備情況。在社交媒體中，非認證賬戶更加普遍，進行違法信息生產和傳播的成本也更小。因此，可認為非認證賬戶的可信度要低于認證賬戶。

粉絲數和被轉贊評數，分別記為C3和C4。這兩項指標主要反映賬戶的影響力。通常，粉絲數多的賬戶其可信度更高，相應被轉贊評數也會越多。但是部分異常賬戶發布謠言后，在僵尸賬戶的操縱下，其被轉贊評數量也可能會出現增多的情況。因此，對于粉絲數少且被轉贊評數多的賬戶，其可信度可能處于較低水平。

信息原創率，記為C5。該項指標可采用如下公式計算：

C5=rora，0≤C5≤1（1）

其中：ro表示賬戶發表的原創信息條數；ra表示賬戶所發表信息的總條數；信息原創率能夠從一定程度上反映用戶自身的活躍度。信息原創率越高的賬戶，是僵尸賬戶或被入侵賬戶的可能性越低。

信息存疑率，記為C6。無論是原創信息還是轉發信息，當信息內容含有異常鏈接、雜亂表情以及無含義文字時，可認為該信息存在違規嫌疑。信息存疑率可采用如下公式計算：

C6=rsra，0≤C6≤1（2）

其中：rs表示賬戶發表的存疑信息條數。所發布信息的存疑率越高，賬戶的可信度就越低。

上述六個指標中，賬戶年限C1和認證情況C2、粉絲數C3和被轉贊評數C4、信息原創率C5和存疑率C6分別從賬戶屬性、交際屬性和內容屬性三個角度反映了賬戶的可信度。基于這些角度反映的可信度便可進一步對賬戶的整體可信度進行評估。因此，可構建如圖2所示的賬戶可信度評估指標體系。其中，用B表示社交賬戶的可信度，用B1、B2和B3分別表示賬戶屬性可信度、交際屬性可信度與內容屬性可信度。

3 基于IHBRB的可信度評估模型構建

3.1 基于IHBRB的可信度評估框架

結合分層指標體系，可構建如圖3所示的基于IHBRB的可信度評估模型框架。其中，BRB-1子模型、BRB-2子模型和BRB-3子模型分別用于建立三種屬性可信度與各指標之間的關系，而BRB-3子模型則用于建立三種屬性可信度與賬戶可信度之間的非線性關系。IHBRB模型采用由底至上的逐層推理模型得到最后的結果。

IHBRB模型中的第h個子模型記為BRB-h，它由一系列置信規則組成，其中第k條規則描述為

Rhk：if Xh1 is Ak，h1∧…∧XhM is Ak，hM，then {（Dh1，βh1，k），…，（DhN，βhN，k）}，

with rule weight θhk and attribute weights δhi（i=1，…，M）（3）

其中：Xhi表示模型的第i個輸入指標，如BRB-1中的C1和C2；Ak，hi（k=1，…，L）表示第k條規則中Xhi的參考等級，L為規則的總條數；M表示輸入指標的數量；∧表示邏輯關系“與”；θhk表示第k條規則的規則權重；同理，δhi表示Xhi的權重，稱為屬性權重；{（Dh1，βh1，k），…，（DhN，βhN，k）}表示第k條規則結論部分中各個不同可信度等級的置信分布。其中，0≤βhn，k≤1，（n=1，2，…，N）表示第k條規則中對于第n個可信度等級Dhn的支持度，也稱對Dhn的置信度。

輸入信息轉換是IHBRB模型的關鍵步驟，其主要目的是采用合適的轉換方法將多種形式的輸入信息統一至置信框架下。本文在傳統信息轉換方法的基礎上提出了一種新的自適應信息轉換方法。

3.2 自適應信息轉換方法

IHBRB模型輸入指標Xhi轉換為置信分布形式的過程可用如下公式表示：

f（Xhi）={（Ahi，j，αi，hj），j=1，2，…，J；i=1，2，…，M}（4）

其中：αi，hj表示第i輸入指標相對于第j個參考等級的匹配度；J表示參考等級的個數；Ahi，j表示屬性參考值；f（·）表示轉換函數。在現有研究中，傳統BRB模型的定量輸入通常采用式（5）所示的轉換方法。

αi，hj = f（xi）=Ahi，（j′+1）-xiAhi，（j′+1）-Ahi，j′j′=j if Ahi，j′≤xi≤Ahi，（j′+1）

1-Ahi，（j′+1）-xiAhi，（j′+1）-Ahi，j′j=j′+1

0j=1，2，…，Ji，j≠j′，j≠j′+1（5）

其中：xi表示第i指標的輸入值。可以看出，上述轉換方法是線性的，難以準確描述輸入與置信分布間的非線性關系。

鑒于此，對式（5）進行一般化構造，增強其非線性描述能力。構造的轉換方法如下：

αi，hj = f ′（xi）=Ahi，（j′+1）-xiAhi，（j′ + 1）-Ahi，j′sj′=j if Ahi，j′≤xi≤Ahi，（j′+1）

1-Ahi，（j′+1）-xiAhi，（j′+1）-Ahi，j′sj=j′+1

0j=1，2，…，Ji，j≠j′，j≠j′+1（6）

其中：f ′（·）表示改進后的轉化函數；Ahi，j′≤Ahi，（j′+1）分別表示相鄰兩個參考值；s，sgt;0為自適應系數，其決定著f′（·）的非線性能力，其可由專家給定，也可通過優化的方式得到。

為了說明這一點，假設Ahi，j′≤xi≤Ahi，（j′+1），Ahi，j′=1，Ahi，（j′+1）=10，且g（xi）=（Ahi，（j′+1）-xi）（Ahi，（j′+1）-Ahi，j′）s，當s取不同值時，g（xi）的輸出如圖4所示。可以看出，當0lt;slt;1時，g（xi）為凹函數；當1lt;s時，g（xi）為凸函數；特別地，當s=1時，式（6）退化為式（5），其描述的是線性關系。

在實踐中，針對不同指標的轉換方法賦予不同的自適應系數，即可實現更加精準和有效的信息轉換。

3.3 可信度評估模型推理方法

IHBRB模型中，各子模型的輸入信息在轉換為置信分布后，需要進行規則激活和融合，其輸出結果作為下一層子模型的輸入，依次完成逐層推理。不同子模型間的推理模式相同，以第BRB-h為例，其推理的主要步驟如下：

a）規則的激活。在獲取匹配度后，需要結合屬性權重和規則權重來計算相應規則的激活權重。規則激活權重用于表示輸入信息對規則的激活程度，其計算方法為

whk=θhk∏Mi=1（αk，hi）hi∑Ll=1θhl∏Mi=1（αl，hi）hi，hi=δhimax δhii=1，…，M（7）

其中：whk表示第k條規則的激活權重，當0lt;whk≤1時則認為相應規則已被激活；θhk表示規則權重；αk，hi表示該規則中第i個輸入相對其參考值的匹配度；δhi表示屬性權重；hi表示歸一化后的相對屬性權重。

b）規則的融合。對于激活的規則，可使用證據推理（evidential reasoning，ER）算法將規則融合，ER解析算法表達式為

β^hn=μ∏Lk=1（whkβhn，k+1-whk∑Ni=1βhi，k）-∏Lk=1（1-whk∑Ni=1βhi，k）1-μ∏Lk=1（1-whk）（8）

μ=［∑Nn=1∏Lk=1（whkβhn，k+1-whk∑Ni=1βhi，k）-（N-1）∏Lk=1（1-whk∑Ni=1βhi，k）］-1（9）

其中：βhn，k表示第k條規則對第n個參考等級Dn的置信度；β^hn表示輸出中第n個參考等級Dn的置信度，且滿足0≤β^hn≤1，∑Nn=1β^hn≤1。

c）評估結果的輸出。推理后得到的評估結果可表示為如下所示的置信分布形式：

S（xi）={（Dn，β^hn）} n=1，2，…，N（10）

其中：S（·）表示輸出函數。上述結果以效用的形式輸出可表示為

（xi）=μ（S（xi））=∑Nn=1μ（Dn）β^hn（11）

其中：μ（Dn）表示參考等級Dn的效用，即其參考值；μ（S（xi））為輸出結果的效用。在IHBRB中，s（xi）作為下一層子模型的輸入信息進行推導，直到生成最終結果。

4 基于IHBRB的可信度評估模型的自適應優化

對于社交賬戶的可信度評估問題，現有理論方法難以建立起精確的機理模型，但用戶和專家在長期使用過程中能夠積累一定的經驗，通過網頁爬蟲等技術手段也可獲取一些數據樣本。本文方法能綜合利用上述信息，即IHBRB模型的初始參數可由領域專家結合經驗給定，后通過優化算法和數據樣本對初始參數進行調整，以彌補專家知識局限性造成的模型誤差［7］。

現有關于BRB模型優化的研究主要分為兩類［12，13］：一類是在一定約束下調整待優化參數，使模型輸出與實際系統輸出之間的誤差最小；另一類是在優化目標中引入結構參數，在提高模型建模精度的同時降低模型的復雜度。然而，這兩類方法未在優化時考慮轉換函數特性對建模性能的影響。鑒于此，在現有優化目標函數中引入轉換函數的自適應系數作為待優化參數，新的優化目標函數及其約束條件可構建如下：

min φ（θ，β，δ，s）

θ=（θ11，…，θhk，…，θHL），β=（β11，1，…，βhn，k，…，βHN，L）

δ=（δ11，…，δhi，…，δHM），s=（s1，…，si，…，sM）

s.t.

0≤θhk≤1，k=1，2，…，L；h=1，2，…，H

0≤δhi≤1，i=1，2，…，M

0≤βhn，k≤1，n=1，2，…，N，∑Nn=1βhn，k=1

0lt;si，i=1，2，…，M（12）

其中：θ、β、δ和s分別為IHBRB中所有規則權重、置信度、屬性權重和轉換函數自適應系數構成的參數向量；H為IHBRB中子模型的個數；φ（·）為損失函數，用于描述模型輸出與實際系統輸出的區別。在本文中，損失函數用均方誤差來計算，其具體描述如下：

φ（θ，β，δ，s）=1T∑Tt=1（yi-i）2（13）

其中：T為輸出的數量；yi和i分別表示實際輸出和模型輸出。

現有研究已證明BRB模型是由多個復合函數組成的非線性非凸模型，這為其參數優化帶來了挑戰［14］。為了提高建模精度，許多優化算法被應用于BRB的優化，例如差分進化算法（differential evolution，DE）、粒子群優化算法（particle swarm optimization，PSO）和帶有投影算子的協方差矩陣自適應進化策略（covariance matrix adaption evolution strategy with projection，P-CMA-ES）［13，15～18］。與DE和PSO算法相比，P-CMA-ES算法能夠以專家確定的初始解為中心，以多維正態分布形式進行新解的生成，這有利于在模型優化過程中充分結合專家的初始判斷［15］。同時，P-CMA-ES算法在高維非線性優化方面表現優越，能夠在尋優過程中快速收斂至全局最優點［15］。P-CMA-ES的基本流程如圖5所示。

①初始化操作

給定初始參數K0，C0，ρ，ζ，φ0，υ。

分別表示初始參數向量、初始協方差矩陣、初始步幅、種群大小、后代種群大小；φ0=K0表示初始均值。

②采樣操作

Kg+1i～φg+ρgN（0，C0），i=1，2，…，λ

其中：Kg+1i表示在第（g+1）代中的第i個方案；N（·）是正態分布。

③投影操作

Kg+1i（1+ne×（j-1）：ne×j）=Kg+1i（1+ne×（j-1）：ne×j）-

ΨTe×（Ψe×ΨTe）-1×Kg+1i（1+ne×（j-1）：ne×j）×Ψe

其中：Ψe=[1…1]1×2N為參數矩陣；ne=1，…，2N是在Kg+1i中變量的個數。

④更新操作

φg+1=∑υi=1hiKg+1i：λ

其中：hi是權重系數；Kg+1i：λ表示從第（g+1）代中選取的方案；υ表示最優方案。

Cg+1=（1-c1-c2）Cg+c1pg+1c（pg+1c）T+c2

∑υi=1hi（Kg+1i：λ-φgρg）

（Kg+1i：λ-φgρg）T

其中：c1和c2是學習速度；pc表示進化路徑。

⑤

重復進行以上步驟，直到獲得最優的模型參數。

5 案例研究

5.1 案例背景

新浪微博是國內典型的熱門社交媒體，在其長期的運營中積累了大量的賬戶資料。本文以新浪微博中的社交賬戶作為研究對象，通過開放數據接口和通用爬蟲技術對賬戶注冊年限10年內的賬戶資料進行了搜集，獲取了100個賬戶的基本信息。通過人工分析這些賬戶的交際行為、內容發布等諸多基本特征，將其分為了完全不可信、部分可信、基本可信三類。

社交賬戶可信度評估指標對應的數據如圖6所示。可以看出，賬戶的多種屬性與其年限均有一定關聯性。但由于用戶存在使用習慣、受教育水平以及生活地域等多方面差異，這些數據難以直觀反映賬戶可信度，所以必須采用一定的建模方法實現可信度評估。本文將采用所提基于IHBRB的社交賬戶可信度評估方法開展實例研究。

5.2 案例分析與模型構建

使用IHBRB進行賬戶可信度評估時，首先需要選擇評估指標及可信度的參考等級。

對于賬戶屬性可信度、交際屬性可信度和內容屬性可信度，其是社交賬戶可信度的局部估計，因此其參考等級可與社交賬戶可信度設置的一致，即完全不可信（U）、部分可信（P）和基本可信（F）。對應的參考值可分別取0、0.5和1。

對于評估指標，其參考等級和參考值可設置如表1所示。

結合上述指標參考等級和參考值，通過專家經驗及數據的趨勢性分析，可以針對各子模型的規則庫給出初始參數，如表2所示。IHBRB中四個子模型輸入的初始權重均設置為1，規則的初始權重均設置為1。此外，模型中六個輸入指標轉化函數的初始自適應系數均設置為1，即s1=s2=s3=s4=s5=s6=1。在此情況下，該轉換函數為線性函數。

5.3 模型優化與結果分析

由于專家認知的局限性，需要結合有限的數據樣本對IHBRB模型的初始參數進行調整。優化目標函數依據式（12）和式（13）確定。

在所獲取的數據集中，隨機取50%的數據作為訓練集，以整個數據集作為測試集。對于P-CMA-ES優化算法，初始參數向量K0即為初始模型參數、初始協方差矩陣C0為單位陣，初始步幅設置為ρ0=0.5，優化迭代次數設置為200代。

優化后的IHBRB模型的規則權重和置信度如表3所示，其中優化后的各子模型的指標權重分別為0.75、1、0.55、1、0.3、1、0.93、0.91和1。優化后轉換函數的自適應系數分別為1.61、0.35、0.59、1.72、2.18和1.83。采用初始IHBRB和優化后的IHBRB模型對測試集中賬戶進行可信度評估，評估結果如圖7所示，可見優化后的模型能夠更好地實現對社交賬戶可信度的評估。初始模型和優化后模型的輸出結果均方誤差分別為0.056 2和0.002 8，優化后模型的精度提高了95%。

5.4 對比研究

為了進一步驗證所提方法的有效性，在本節的對比研究中，采用無自適應系數轉化函數的IHBRB模型（記為IHBRB-1）、神經網絡模型（記為BPNN）、模糊推理模型（記為FRM）和回歸支持向量機模型（記為SVR）對前述數據集中的賬戶進行可信度評估。BPNN、FRM、SVR為三種常用的評估模型。其中，BPNN模型具有精度高、易操作等優點；FRM模型能夠有效描述和處理模糊不確定性，且能夠較好融合專家判斷；SVR模型不依賴于優化數據樣本的數量，具有較高的建模精度。對比實驗中，隨機選取50%的數據作為訓練集，以整個數據集為測試集，進行10輪重復實驗，以結果的平均值為最終結果。

實驗結果如圖8所示。可以看出這些模型經過優化均能夠從一定程度上反映賬戶的可信度。對比IHBRB與IHBRB-1結果可以看出，轉換函數自適應系數的引入對評估精度的提高有較大作用。FRM對完全不可信的評估精度高于對部分可信和基本可信的評估精度。

對于圖8中的某一賬戶樣本，其賬戶年限為10年，認證數為五項，粉絲數為37 422人，被轉贊評數為219 054人次，信息原創率為97%以及信息存疑率為3%，通過專家判斷其為基本可信賬戶。采用上述五種模型評估該賬戶：IHBRB輸出的置信分布為{0.00，0.16，0.84}，對應可信度效用為0.92；IHBRB-1輸出的置信分布為{0.05，0.21，0.74}，對應可信度效用為0.84；BPNN輸出的可信度為0.81；FRM輸出中對各可信度等級的隸屬度分別為0.08、0.33和0.59，對應的可信度效用為0.755；SVR輸出的可信度值為0.79。可見，這些模型均認為該賬戶屬于基本可信，但是IHBRB模型不僅能夠輸出相對于各等級的置信度，其量化評估的可信度更接近真實值。

為了研究訓練樣本的減少對實驗結果的影響，分別隨機選擇40%、30%和20%的數據樣本作為訓練集。實驗結果如表4所示。可以看出，當訓練集的數量下降，五種模型輸出的均方誤差都增大。但是對于IHBRB、IHBRB-1和FRM這類能夠通過專家知識確定初始參數的模型，其在優化數據樣本較少時，仍能夠達到較好的評估性能。

為了進一步說明P-CMA-ES算法的有效性，分別采用PSO算法和DE算法對初始IHBRB模型進行優化。數據集和重復實驗次數均與前述一致，優化后模型輸出的均方誤差如表5所示。可見，當訓練集比例為50%時，三種方法優化算法的性能相近。當訓練集比例降低為20%時，通過P-CMA-ES算法優化的IHBRB模型具有更好的建模精度。

6 結束語

本文針對社交賬戶可信度評估面臨的指標多維且特性各異、數據信息不確定性多樣等問題，從賬戶屬性、交際屬性和內容屬性三個角度構建了賬戶可信度評估指標體系，提出了一種基于改進分層BRB的可信度評估方法。該方法通過分層結構和置信框架來描述指標間的關系和信息不確定性，同時引入了帶有自適應系數的信息轉化函數以更好地處理指標間的特性差異。實驗證明，該方法能夠準確評估社交賬戶的可信度。但本文仍存在一些不足需要進一步研究，如可與深度學習等技術融合，挖掘更多信息以構建規則庫，進一步提高評估過程的可解釋性及輸出結果的精度。

參考文獻：

［1］胡學韜，陳秀真.基于信任度評估的社交網絡虛假賬戶檢測［J］.信息安全與通信保密，2014（5）：90-94.（Hu Xuetao，Chen Xiuzhen.Fake account detection in online social network based on trust evaluation［J］.Information Security and Communications Privacy，2014（5）：90-94.）

［2］路金泉.面向社交網絡信息管控的信息可信度評估方法研究［D］.鄭州：解放軍信息工程大學，2017.（Lu Jinquan.Research on information credibility evaluation method for social network information control［D］.Zhengzhou：PLA Information Engineering University，2017.）

［3］王坤.在線社交網絡異常賬戶檢測算法研究［D］.西安：西安電子科技大學，2020.（Wang Kun.Research on online social network abnormal account detection algorithm［D］.Xi’an：Xidian University，2020.）

［4］劉亞尚.在線社交網絡異常賬戶檢測技術研究［D］.南京：南京師范大學，2016.（Liu Yashang.Research on anomaly detection me-thods for online social networks［D］.Nanjing：Nanjing Normal University，2016.）

［5］王崢，葉維，邱秀連.基于特征加權貝葉斯神經網絡的微博異常賬號檢測［J］.計算機與數字工程，2018，46（11）：2323-2328.（Wang Zheng，Ye Wei，Qiu Xiulian.Weibo abnormal account detect based on weighted Bayesian neural network［J］.Computer and Digital Engineering，2018，46（11）：2323-2328.）

［6］Yang Jianbo，Liu Jun，Wang Jin，et al.Belief rule-base inference me-thodology using the evidential reasoning approach-RIMER［J］.IEEE Trans on Systems Man and Cybernetics：Systems，2006，36（2）：266-285.

［7］周志杰，楊劍波，胡昌華，等.置信規則庫專家系統與復雜系統建模［M］.北京：科學出版社，2011.（Zhou Zhijie，Yang Jianbo，Hu Changhua，et al.Belief rule base expert systems and complex system modeling［M］.Beijing：Science Press，2011.）

［8］周志杰，曹友，胡昌華，等.基于規則的建模方法的可解釋性及其發展［J］.自動化學報，2021，47（6）：1201-1216.（Zhou Zhijie，Cao You，Hu Changhua，et al.The interpretability of rule-based mo-deling approach and its development［J］.Acta Automatica Sinica，2021，47（6）：1201-1216.）

［9］王越，張劍金，劉芳芳.一種多特征微博僵尸粉檢測方法與實現［J］.中國科技論文，2014，9（1）：81-86.（Wang Yue，Zhang Jianjin，Liu Fangfang.Detection of micro-blog zombie fans based on multi-features［J］.China Science Paper，2014，9（1）：81-86.）

［10］王培人，毛劍，馬寒軍，等.基于用戶信息的社交網絡信任評估方法［J］.計算機應用研究，2018，35（2）：521-526.（Wang Peiren，Mao Jian，Ma Hanjun，et al.User information based trust evaluation mechanism for social network［J］.Application Research of Computers，2018，35（2）：521-526.）

［11］王路幫，李守偉.社交網絡中基于網絡結構支撐模型的謠言傳播研究［J］.計算機應用研究，2019，36（10）：3094-3097.（Wang Lubang，Li Shouwei.Rumor spreading based on network structural supportiveness model in social network［J］.Application Research of Computers，2019，36（10）：3094-3097.）

［12］Yang Jianbo，Liu Jun，Xu Donglin，et al.Optimization models for trai-ning belief-rule-based systems［J］.IEEE Trans on Systems Man and Cybernetics：Systems，2007，37（4）：569-585.

［13］Zhou Zhijie，Hu Guanyu，Hu Changhua，et al.A survey of belief rule-base expert system［J］.IEEE Trans on Systems Man and Cybernetics：Systems，2021，51（8）：4944-4958.

［14］胡蓉，易照云，錢斌.基于置信規則庫的油浸式變壓器故障診斷［J］.北京工業大學學報，2021，47（9）：1000-1010.（Hu Rong，Yi Zhaoyun，Qian Bin.Fault diagnosis of oil-immersed transformer based on belief rule base［J］.Journal of Beijing University of Technology，2021，47（9）：1000-1010.）

［15］胡冠宇.基于置信規則庫的網絡安全態勢感知技術研究［D］.哈爾濱：哈爾濱理工大學，2016.（Hu Guanyu.Study on network security situation awareness based on belief rule base［D］.Harbin：Harbin University of Technology，2016.）

［16］劉柵杉，朱海龍，韓曉霞，等.基于主成分回歸和分層置信規則庫的企業風險評估模型［J］.計算機科學，2021，48（Z2）：570-575.（Liu Shanshan，Zhu Hailong，Han Xiaoxia，et al.Enterprise risk assessment model based on principal component regression and hierarchical belief rule base［J］.Computer Science，2021，48（Z2）：570-575.）

［17］Chang Leilei，Zhou Zhijie，Liao Huchang.Generic disjunctive belief rule base modeling，inferencing，and optimization［J］.IEEE Trans on Fuzzy Systems，2019，27（9）：1866-1880.

［18］Qian Bin，Wang Qianqian，Hu Rong，et al.An effective soft computing technology based on belief-rule-base and particle swarm optimization for tipping paper permeability measurement［J］.Journal of Ambient Intelligence and Humanized Computing，2019，10（3）：841-850.