[发明专利]基于前馈神经网络的可信与不可信用户识别方法

摘要

本发明公开了一种基于前馈神经网络的可信与不可信用户识别方法，旨在克服现有技术存在精准度不够、识别依据不足、灵活性缺失与社会网络解析粒度较粗等问题，该方法的步骤为：1.获取特殊用户并确定训练集包含的用户；2.分析并量化用户特征，将用户表示为用户特征向量；3.构建前馈神经网络；4.训练前馈神经网络；5.由训练后的前馈神经网络实现可信与不可信用户识别，其步骤为：1）获取社会网络中用户信息；2）量化用户信息并生成用户特征向量；3）将用户特征向量输入到前馈神经网络中，依据输出节点的输出值识别可信与不可信用户。

主权项

一种基于前馈神经网络的可信与不可信用户识别方法，其特征在于，所述的基于前馈神经网络的可信与不可信用户识别方法包括如下步骤：（1）获取特殊用户并确定训练集包含的用户：1）依据社会网络中用户的等级构建初始用户集合，初始用户集合定义：M＝｛μ∈Ｍ|μ∈OSWs，Φμ→Φtag}其中：M表示初始用户集合，OSWs表示领域s下的用户集合，μ表示用户集合OSWs中的用户，Φμ表示用户的个人概要，Φtag表示等级较高用户所具有的标签；2）依据用户时间相关信息对初始用户集合进行删减，滤除不活跃用户，将余下的用户作为特殊用户；3）依据特殊用户与社会网络中其他用户间的信任关系构建初始社会网络；4）依据特殊用户与社会网络中其他用户间的信任关系获取种子用户并更新初始社会网络，种子用户为训练集所包含的用户，获取条件：ProUser＝{μp∈ProUser||μs→μp|≥2}其中：ProUser表示种子用户集合，μs表示2）中确定的特殊用户，μp表示集合ProUser中的一个用户，|μs→μp|表示信任用户μp的特殊用户数目；（2）分析并量化用户特征，将用户表示为用户特征向量：1）以用户社会网络拓扑结构、用户个体因素和用户间交互行为三个方面信息对用户进行特征分析；2）量化用户特征，将用户表示为由多个特征组成的用户特征向量；（3）构建前馈神经网络：1）依据用户特征向量的维度确定前馈神经网络的输入节点个数；2）依据可信用户识别的复杂程度确定前馈神经网络的层数以及各层包含的节点数；3）依据前馈神经网络的结构和性能要求确定隐藏层和输出层包含节点的类型；（4）训练前馈神经网络：1）依据k‑fold交叉验证算法的k值将训练集划分为k个子集，任意两个子集的交集为空；2）对前馈神经网络进行k次训练，每次选取一个不同的子集作为训练集， 余下的k‑1个子集作为测试集；3）将k次训练所确定的训练次数依据相应的识别精度赋予不同的权值，依据k个训练次数的相应权值求得加权和作为最终训练次数；4）依据步骤3）确定的最终训练次数在完整的训练集上训练前馈神经网络；（5）由训练后的前馈神经网络实现可信与不可信用户识别：1）获取用户社会网络拓扑结构、用户个体因素和用户间交互行为三个方面信息并量化，将用户表示为用户特征向量；2）将步骤1）得到的用户特征向量输入到前馈神经网络进行可信与不可信用户识别，得到被识别用户的输出值；3）依据前馈神经网络的输出值识别用户为可信或者不可信。