用户信任度预测方法和装置与流程
本发明涉及信息安全技术，特别是涉及一种用户信任度预测方法和装置。
背景技术：
随着移动通信技术的发展，移动设备的广泛应用，4g网络时代、大数据时代的到来，社交、移动和位置服务的融合以及发展，促进了移动社交网络的发展。由于智能移动设备日益普及，信息资源的获取和推送可以发生在任何时间、任何地点、任何人和任何方式，人们可以随时随地通过社交网络获取自己需求的信息，为用户提供无处不在的信息内容已经成为可能，智能移动设备也逐渐成为人们获取信息的主要平台之一(如通过手机搜索网络信息、浏览新闻，使用平板电脑/手机阅读电子书、听音乐、看视频、使用手机读、写微博等)。然而互联网是虚拟的，网络中存在大量的信息，其中还包括大量的虚假信息，这个网络信息安全带来了极大隐患，因此，对用户进行信任度分析就显得尤为重要。
目前，常用的用户信任度分析方法有基于社交网络关系的动态信任模型、基于社交网络服务中用户上下文信息的信任度分析方法和根据通信用户数据的上下文信息计算用户直接信任度。其中根据通信用户数据的上下文信息计算方法，利用用户社交网络的传播距离，计算用户的间接距离，该方法预测准确性差。
技术实现要素：
基于此，有必要针对现有的通信用户数据的上下文信息计算方法预测准确性差问题，提供一种用户信任度预测方法、装置、计算机设备和计算机可读存储介质。
一种用户信任度预测方法，包括以下步骤：
获取第一用户的通信数据和第二用户的通信数据以及用户信任度预测模型，其中所述用户信任度预测模型用于记录任意两个用户的通信数据与所述任意两个用户的信任度的对应关系；
根据所述第一用户的通信数据、所述第二的通信数据以及所述用户信任度预测模型确定第一用户和第二用户的信任度。
一种用户信任度预测装置，包括：
信息获取模块，用于获取第一用户的通信数据和第二用户的通信数据以及用户信任度预测模型，其中所述用户信任度预测模型用于记录任意两个用户的通信数据与所述任意两个用户的信任度的对应关系；
信任度确认模块，用于根据所述第一用户的通信数据、所述第二的通信数据以及所述用户信任度预测模型确定第一用户和第二用户的信任度。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取第一用户的通信数据和第二用户的通信数据以及用户信任度预测模型，其中所述用户信任度预测模型用于记录任意两个用户的通信数据与所述任意两个用户的信任度的对应关系；
根据所述第一用户的通信数据、所述第二的通信数据以及所述用户信任度预测模型确定第一用户和第二用户的信任度。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取第一用户的通信数据和第二用户的通信数据以及用户信任度预测模型，其中所述用户信任度预测模型用于记录任意两个用户的通信数据与所述任意两个用户的信任度的对应关系；
根据所述第一用户的通信数据、所述第二的通信数据以及所述用户信任度预测模型确定第一用户和第二用户的信任度。
本发明中通过获取用户信任度预测模型，该模型可以反映用户通信数据与用户信任度之间的对应关系。然后根据时测的用户通信数据和用户信任度预测模型，可以计算出用户的信任度值，计算结果准确率高。
附图说明
图1为本发明的用户信任度预测方法在一个实施例中的流程示意图；
图2为本发明的用户信任度预测方法在其中一个实施例中的流程示意图；
图3为本发明的用户信任度预测方法在其中一个实施例中的流程示意图；
图4为本发明的用户通信数据筛选后的表格图；
图5为本发明的用户信任度预测装置在一个实施例中的结构示意图；
图6为本发明的用户信任度预测装置在其中一个实施例中的结构示意图；
图7为本发明的用户信任度预测装置在其中一个实施例中的结构示意图；
图8为本发明的计算机设备在一个实施例中的结构示意图。
具体实施方式
下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然，下文所描述的实施例仅用于解释本发明，而非对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明的一种用户信任度预测方法在一个实施例中的流程示意图，如图1所示，本发明实施例中的基于通信数据的用户信任度预测方法，包括以下步骤：
步骤s110，获取第一用户的通信数据和第二用户的通信数据以及用户信任度预测模型，其中用户信任度预测模型用于记录任意两个用户的通信数据与任意两个用户的信任度的对应关系。
具体而言，随着移动通信技术的发展和移动互联网应用的广泛普及，国内外的越来越多的基于社交网络和位置融合的移动应用应运而生，人们可以利用社交网络随时随地获取自己感兴趣的网络信息，但互联网是虚拟的，网络中存在大量的虚假信息，这个网络信息安全带来了极大隐患，对用户进行信任度分析极为重要。在现实生活中，用户之间的通信行为其实是现实人际关系的镜像，能够在很大程度上反映用户之间的信任度。因此，本申请中利用用户在使用通信业务时产生的各类交互通信信息(包含用户交互信息，以及用户在特定的时间、特点的地点的兴趣信息)来研究通信用户之间的信任度，在获取网络信息时可以查看信息推送人的信任度，避免诈骗虚假信息，从而增强网络安全性。
用户信任度预测模型，是以用户的通信数据为样本建立的模型，该模型可以反映任意两个用户的通信数据与任意两个用户信任度的对应关系。通信数据是指用户利用通信业务(例如打电话、利用聊天工具等)过程中产生的各种信令信息，包括发起通信的用户id、通信开始时刻、通信结束时刻、通信业务类型、通信开始的基站id、通信过程中切换的基站id、通信结束的基站id、接收通信的用户id以及用户通信次数等。
步骤s120，根据第一用户的通信数据、第二的通信数据以及用户信任度预测模型确定第一用户和第二用户的信任度。
在本实施例，第一用户和第二用户为任意的两个用户，其中第一用户的通信数据包括与第一用户发生通信的所有用户的通信数据，第二用户的通信数据包括第二用户发生通信的所有用户的通信数据。
上述的用户信任度预测方法，通过获取用户信任度预测模型，该模型可以反映用户通信数据与用户信任度之间的对应关系。然后根据时测的用户通信数据和用户信任度预测模型，可以计算出用户的信任度值，计算结果准确率高。
在其中一个实施例中，如图2所示，所述通信数据包括用户在特定时间段内每次通信时的业务类型、通信时长、通信起始时刻、通信基站id以及用户的通信次数，所述用户信任度预测方法还包括：
步骤s130，建立用户信任度预测模型。
其中在建立用户信任度预测模型的步骤中，如图3所示，包括：
步骤s131，获取目标地区内在特定时间段内所有用户的通信数据。
在本实施例中，提取某地市某运营商20万用户2个月的用户通信数据(采集数据的数量可以根据分析的需求进行适当地增加或减少)。
步骤s132，根据任意两个用户在特定时间段内每次通信起始时刻、在特定时间段内每次通信基站id以及在特定时间段内的通信次数，计算任意两个用户的相处时长信任度；
用户之间的移动社交网络关系网其实就是真实社交网络的镜像，因此，可以采用用户交往或相处次数以及相处时长来衡量用户的信任程度。在本实施例中，利用对各用户的通信数据的分析，来计算用户相处时长信任度。
通信业务类型是指用户通信的方式，包括打电话、利用聊天软件(例如qq、微信、微博、陌陌等)等；通信时长是指用户开始通信到通信结束总共时间；通信次数是指用户与所用用户进行通信的总次数，包括主动发起的通信信息的次数(即用户作为通信信息主动发起方)、被动接收通信信息的次数(即作为通信信息接收方)。
具体地，根据用户的通信时刻和通信基站id，可以确定通信的用户在某个时间内所在地理位置(即区域位置)，当多个用户在某个时间内所在地理位置相同时，这些用户就可能相遇并且相处，根据用户的通信次数计算用户在特定时间段内相处时长，并计算相处时长信任度。其中，设定时间段可以是任意时间，例如一个月、两个月或一个周等。
为了便于理解，给出一个详细实施例。设置设定时间段为一个月，用户u和用户v是有通信行为交互的两个用户，采集一个月内用户u和用户v的通信数据。用户u在t1时刻与其他用户进行通信，通信基站的id为l1，用户v在t2时刻与其他用户进行，通信基站为l2，当l1和l2相同(即用户u和用户v所在区域相同)，且t1与t2比较接近时(即t1与t2的差值在预设的差值范围内时)，用户u和用户v就可能相处，根据用户u和用户v的通信时刻的差值可以计算出用户u和用户v的相处时长。当采集用户u和用户v一个月内的通信数据，可以计算出用户u和用户v一个月内的相处时长。计算出用户u和用户v一个月内的相处时长后，可以进一步计算出用户u和用户v的相处时长信任度。
步骤s133，根据任意两个用户在特定时间段内的通信次数和任意两个用户在特定时间段内每次通信时长，计算任意两个用户的通信熟悉信任度；
在本实施例中，用户通信熟悉信任度包括用户通信次数熟悉性信任度和用户通信时长熟悉性信任度。一般情况下，两个用户之间通信次数多、通信时长越长，表明这两个用户越熟悉。
步骤s134，根据任意两个用户在特定时间段内每次通信时的业务类型、任意两个用户在特定时间段内每次通信时长以及任意两个用户在特定时间段内的通信次数，计算任意两个用户的相似性信任度；
用户相似性信任度的预测是一种基于兴趣偏好相似性的信任度预测方法，一般认为如果用户的兴趣偏好相似，那么相似偏好用户之间的信任度一般会比非相似偏好用户之间的信任度高。在本实施例中，根据用户使用通信业务类型的偏好性来确定用户的相似性，然后根据各用户的每次通信时长以及用户的通信次数来确定具有相似性用户使用同种通信业务的通信时长和通信次数信任度。
步骤s135，采用时间衰减因子对任意两个用户的相处时长信任度、任意两个用户的通信熟悉信任度和任意两个用户的相似性信任度进行修正，并根据修正后的任意两个用户的相处时长信任度、任意两个用户的通信熟悉信任度和任意两个用户的相似性信任度之和确定用户信任度预测模型。
用户总是关注当前较近时间段内的通信行为(例如用户通信时长、相处时长)以及近期的使用通信业务偏好行为，用户之间的近期通信行为以及偏好的相似性等更能反映用户之间的信任程度。随着用户通信行为的推进，越早的交互行为对当前的信任值计算影响越小，因此，在计算信任值的时候需要考虑时间因素。在本实施例中，通过用户通信行为、使用通信业务偏好行为的时间与当前时间的间隔来描述时间衰减因子。利用时间衰减因子对用户相处时长信任度、用户通信熟悉信任度和用户相似性信任度进行校正，并对校正后的用户相处时长信任度、用户通信熟悉信任度和用户相似性信任度进行求和，进而获得用户信任度预测模型。利用该方法获得用户信任度预测模型更加精确。
在其中的一个实施例中，参照图2所示，在建立用户信任度预测模型的步骤之前，还包括：
步骤s140，获取目标地区内在特定时间段内所有用户的通信数据，并根据预设的筛选模板对所有用户的通信数据进行分析，筛选出符合标准的用户的通信数据，并根据符合标准的用户的通信数据建立用户信任度预测模型。
在本实施例中，提取某地市某运营商20万用户2个月的用户通信数据(采集数据的数量可以根据分析的需求进行适当地增加或减少)，对这些数据进行预处理筛选出满足条件数据，并生成数据分析表格(只列举了其中一小部分数据)，具体请参照图4所示。对数据进行预处理，主要是针对通信过程中用户使用的基站发生变化时(即基站切换时)，对这些切换的基站id数据按照一定规则进行预处理。例如用户在通话过程中存在基站的切换(从基站20556切换到基站23221)，那么基站23221可作为切换时的结束站点，也可作为切换后的开始站点。
在现实生活中，用户跟其朋友之间的信任度比与陌生人之间的信任度高，并且更加可信。因此，在筛选出满足条件数据后，根据用户跟朋友之间的通信数据，来剔除无效数据。具体地，设置一用户u，其朋友数量为m(m为大于1的整数)，计算并统计用户u在2个月内与其朋友之间通信次数以及通信时长，在用户u与同朋友之间通信次数以及通信时长大于预设通信次数和通信时长时，表示用户u数据是有效的，可以用来作为建立用户信任度预测模型的样本。
为了便于理解，给出一个详细的实施例。设置一用户u，设置用户u的朋友数量为5，依次为甲、乙、丙、丁和戊，计算用户u在2个月内与甲、乙、丙、丁和戊这5个朋友之间总的通信次数n和通信时长l，当通信次数n≥15次且通信时长l≥50分钟时，判定用户u通信数据有效，可以用于建立用户信任度预测模型；否则，用户u通信数据无效，将其剔除。
利用朋友通信原理对提取的用户通信数据进行筛选，剔除无效数据，能有效确保筛选的用户通信数据更加准确，进而确保以筛选的用户通信数据为训练样本建立的用户信任度预测模型更加准确。
在其中一个实施例中，在根据任意两个用户在特定时间段内每次通信起始时刻、任意两个用户在特定时间段内每次通信基站id以及任意两个用户在特定时间段内的通信次数，计算任意两个用户的相处时长信任度的步骤中，包括：：
步骤s1321，根据任意两个用户在特定时间段内每次通信起始时刻、任意两个用户在特定时间段内每次通信基站id以及任意两个用户在特定时间段内的通信次数计算在特定时间段内任意两个用户的相处时长，任意两个用户的相处时长的表达式为：
d(u,v)表示在特定时间段内用户u和用户v相处时长，△t为时间精度，θ表示用户u和用户v通信时刻所属时间段权重，n(u)表示用户u表示用户通信次数，n(v)表示用于v表示用户通信次数，ti(u)表示用户u第i次通信时刻，tj(v)表示用户v第j次通信时刻，ti(u)-tj(v)表示在特定时间段内用户u第i次通信时刻与用户v第j次通信时刻的时间差，δ(li(u),lj(v))表示用户u第i次通信基站id和用户v第j次通信id是否相同，当li(u)＝lj(v)时，δ(li(u),lj(v))等于1，当li(u)≠lj(v)时，δ(li(u),lj(v))等于0；
步骤s1322，根据任意两个用户在特定时间段内每次通信时长计算在特定时间段内任意两个用户的通信时长熟悉信任度，任意两个用户的通信时长熟悉信任度表达式：
其中，d(u,v)表示在特定时间段内用户u和用户v的相处时长，d(u)表示在特定时间段内用户u与其通信的所有用户的相处时长。
具体地，假设用户u和用户v是有通信行为交互的两个用户。用户u在特定时间段内的通信数据轨迹可以表示为：<t1，l1>，<t2，l2>…<tn，ln>，n表示用户u发起通信的次数，t表示用户u通信时刻(即通信时间点)，l表示通信基站id。<t1，l1>表示用户u在t1通信时刻通信基站id为l1。在那么，用户u的区域分布为：
gp(u，r)表示用户u特定时间段内所在区域位置，r表示用户u在特定时间段内所用的所有通信基站id的集合，当r＝li(u)时，δ(r，li(u))＝1，否则为0。在本实施例中，主要是根据用户通信id来确定用户所在的位置。同理也可以计算出用户v的区域分布。当在相同时刻(或时间比较接近的时刻)用户u和用户v在同一区域，那么用户u和用户v就可能相处，然后计算用户u和用户v的相处时长。另外在计算用户u和用户v相处时长时参考用户位置(即区域重合度)和时间的重合度概念(即用户u和用户v要在相同时间段内且在相同区域。用户u和用户v才可能相处)，以△t为时间精度(一般设为1个小时)，反映用户u与其他用户在邻近时间在相同的地理位置的比例。除此之外，还需要考虑工作时间段与非工作时间段的影响因素，在工作时间段和非工作时间段权重分别设置不同的θ。那么，用户u和用户v相处时长为：
然后根据用户u和用户v相处时长计算用户u和用户v的相处时长信任度。
在其中一个实施例中，在根据任意两个用户在特定时间段内的通信次数和任意两个用户在特定时间段内每次通信时长，计算任意两个用户的通信熟悉信任度的步骤中，包括：
步骤s1331，根据任意两个用户在特定时间段内每次通信时长计算在特定时间段内任意两个用户的通信时长熟悉信任度，任意两个用户的通信时长熟悉信任度表达式：
tl(u,v)表示在特定时间段内用户u和用户v通信时长熟悉信任度，l(u,v)表示在特定时间段内用户u与用户v每次通信时长总和，l(u)表示在特定时间段内用户u与其通信的所有用户的每次通信时长总和；
步骤s1332，根据任意两个用户在特定时间段内的通信次数和任意两个用户在特定时间段内每次通信时长，计算在特定时间段内任意两个用户的通信次数熟悉信任度，其中任意两个用户的通信次数熟悉信任度的表达式为：
其中，
在其中一个实施例中，在根据任意两个用户在所述特定时间段内每次通信时的业务类型、任意两个用户在特定时间段内每次通信时长以及任意两个用户在所述特定时间段内的通信次数，计算任意两个用户的相似性信任度的步骤中，还包括：
步骤s1341，根据任意两个用户在特定时间段内每次通信时的业务类型以及任意两个用户在特定时间段内每次通信时长，计算任意两个用户在特定时间段内使用同种通信业务的时长信任度，任意两个用户使用同种通信业务的时长信任度表达式为：
sl(u,v)表示在设定时间段内用户u和用户v使用同种通信业务的时长信任度，iu,v表示设定时间段内用户使用的所有的同种通信业务类型的集合，rl,u,c在特定时间段内用户u使用通信业务类型c的总时长，iu,v表示设定时间段内用户u使用iu,v中所有通信业务类型的平均时长，rl,v,c表示在特定时间段内用户v使用通信业务类型c的总时长，rl,u表示设定时间段内用户v使用iu,v中所有通信业务类型的平均时长；
步骤s1342，根据任意两个用户在特定时间段内每次通信时的业务类型以及所述任意两个用户在特定时间段内的通信次数，计算任意两个用户使用同种通信业务的次数信任度，通信次数信任度的表达式为：
rn,u,c表示在特定时间段内用户u使用通信业务类型c的次数；rn,v,c表示在特定时间段内用户v使用通信业务类型c的总次数，rn,u表示在特定时间段内用户u使用iu,v中所有通信业务类型的平均次数；rn,v表示在特定时间段内用户v使用iu,v中所有通信业务类型的平均次数。
在其中一个实施例中，在采用时间衰减因子对任意两个用户的相处时长信任度、任意两个用户的通信熟悉信任度和任意两个用户的相似性信任度进行修正，并根据修正后的任意两个用户的相处时长信任度、任意两个用户的通信熟悉信任度和任意两个用户的相似性信任度之和确定所述用户信任度预测模型的步骤中，包括：
步骤s1351，采用以下公式获得用户信任度预测模型：
其中，n1为在特定时间段内用户u和用户v相处总次数，n2为在特定时间段内用户u与用户v通信总次数、n3为在特定时间段内用户u和用户v使用同种通信业务的总次数，k1为用户u和用户v第k1次相处，k2为用户u与用户v第k2次通信、k3为用户u和用户v第k3次使用同种通信业务，td(u,v)为用户u和用户v相处信任度、tn(u,v)为用户u和用户v通话次数信任度、tl(u,v)为用户u和用户v通信时长信任度。sl(u,v)为用户u和用户v使用同种通信业务的时长信任度、sn(u,v)为用户u和用户v使用同种通信业务的次数信任度，且a1+a2+a3＝1，γ为时间衰减因子。
在本实施例中，通过用户通信行为、移动偏好使用的时间与当前时间的间隔来描述时间衰减因子。设置用户u和用户v在进行通信行为或者使用同种移动业务的总次数n，那么用户u和用户v第k次通信行为或者使用同种移动业务的时间衰减因子为γn-k。γ的取值在0-1之间，表示信任值对当前用户之间的交互或者用户偏好使用的重视程度，γ越接近1，表示越重视。
根据上述本发明的用户信任度预测方法，本发明还提供一种用户信任度预测装置，下面结合附图及较佳实施例对本发明的用户信任度预测装置进行详细说明。
图5为本发明的用户信任度预测装置在一个实施例中的结构示意图。如图5所示，该实施例中的用户信任度预测装置包括：
信息获取模块10，用于获取第一用户的通信数据和第二用户的通信数据以及用户信任度预测模型，其中所述用户信任度预测模型用于记录任意两个用户的通信数据与所述任意两个用户的信任度的对应关系；
信任度确认模块20，用于根据所述第一用户的通信数据、所述第二的通信数据以及所述用户信任度预测模型确定第一用户和第二用户的信任度。
在其中一个实施例中，如图6所示，所述通信数据包括用户在特定时间段内每次通信时的业务类型、通信时长、通信起始时刻、通信基站id以及用户的通信次数，所述用户信任度预测装置还包括：
模型建立模块30，用于建立用户信任度预测模型，其中模型建立模块30包括：
用户通信数据获取模块31，用于获取目标地区内在特定时间段内所有用户的通信数据；
相处时长信任度计算模块32，用于根据任意两个用户在特定时间段内每次通信起始时刻、任意两个用户在特定时间段内每次通信基站id以及任意两个用户在特定时间段内的通信次数，计算任意两个用户的相处时长信任度；
通信熟悉信任度计算模块33，用于根据任意两个用户在特定时间段内的通信次数和任意两个用户在特定时间段内每次通信时长，计算任意两个用户的通信熟悉信任度；
相似性信任度计算模块34，用于根据任意两个用户在特定时间段内每次通信时的业务类型、任意两个用户在特定时间段内每次通信时长以及任意两个用户在特定时间段内的通信次数，计算任意两个用户的相似性信任度；
模型确定模块35，用于采用时间衰减因子对任意两个用户的相处时长信任度、任意两个用户的通信熟悉信任度和所述任意两个用户的相似性信任度进行修正，并根据修正后的任意两个用户的相处时长信任度、任意两个用户的通信熟悉信任度和任意两个用户的相似性信任度之和确定用户信任度预测模型。
在其中一个实施例中，如图6所示，还包括：
用户通信数据筛选模块40，用于获取目标地区内在特定时间段内所有用户的通信数据，并根据预设的筛选模板对所有用户的通信数据进行分析，筛选出符合标准的用户的通信数据，并根据符合标准的用户的通信数据建立所述用户信任度预测模型。
在其中一个实施例中，如图7所示，相处时长信任度计算模块31还包括用户的相处时长计算模块321：
用户的相处时长计算模块321，用于根据任意两个用户在特定时间段内每次通信起始时刻、任意两个用户在特定时间段内每次通信基站id以及任意两个用户在特定时间段内的通信次数计算在特定时间段内任意两个用户的相处时长，任意两个用户的相处时长的表达式为：
d(u,v)表示在特定时间段内用户u和用户v相处时长，△t为时间精度，θ表示用户u和用户v通信时刻所属时间段权重，n(u)表示用户u表示用户通信次数，n(v)表示用于v表示用户通信次数，ti(u)表示用户u第i次通信时刻，tj(v)表示用户v第j次通信时刻，ti(u)-tj(v)表示在特定时间段内用户u第i次通信时刻与用户v第j次通信时刻的时间差，δ(li(u),lj(v))表示用户u第i次通信基站id和用户v第j次通信id是否相同，当li(u)＝lj(v)时，δ(li(u),lj(v))等于1，当li(u)≠lj(v)时，δ(li(u),lj(v))等于0；
相处时长信任度计算模块31用于根据任意两个用户的相处时长计算所述两个用户的相处时长信任度，所述任意两个用户的相处时长信任度的表达式为：
其中，d(u,v)表示在特定时间段内用户u和用户v的相处时长，d(u)表示在特定时间段内用户u与其通信的所有用户的相处时长。
在其中一个实施例中，如图7所示，通信熟悉信任度计算模块33还包括：
通信时长熟悉信任度计算模块331，用于根据任意两个用户在特定时间段内每次通信时长计算在特定时间段内任意两个用户的通信时长熟悉信任度任意两个用户的通信时长熟悉信任度表达式：
tl(u,v)表示在特定时间段内用户u和用户v通信时长熟悉信任度，l(u,v)表示在特定时间段内用户u与用户v每次通信时长总和，l(u)表示在特定时间段内用户u与其通信的所有用户的每次通信时长总和；
通信次数熟悉信任度计算模块322，用于根据任意两个用户在特定时间段内的通信次数和任意两个用户在特定时间段内每次通信时长，计算在特定时间段内任意两个用户的通信次数熟悉信任度，其中任意两个用户的通信次数熟悉信任度的表达式为：
其中，
在其中一个实施例中，如图7所示，相似性信任度计算模块34还包括：
时长信任度计算模块341，用于根据任意两个用户在所述特定时间段内每次通信时的业务类型以及任意两个用户在特定时间段内每次通信时长，计算任意两个用户在特定时间段内使用同种通信业务的时长信任度，所述任意两个用户使用同种通信业务的时长信任度表达式为：
sl(u,v)表示在设定时间段内用户u和用户v使用同种通信业务的时长信任度，iu,v表示设定时间段内用户使用的所有的同种通信业务类型的集合，rl,u,c在特定时间段内用户u使用通信业务类型c的总时长，iu,v表示设定时间段内用户u使用iu,v中所有通信业务类型的平均时长，rl,v,c表示在特定时间段内用户v使用通信业务类型c的总时长，rl,u表示设定时间段内用户v使用iu,v中所有通信业务类型的平均时长；
通信次数信任度计算模块342，用于根据任意两个用户在特定时间段内每次通信时的业务类型以及任意两个用户在特定时间段内的通信次数，计算任意两个用户使用同种通信业务的次数信任度，通信次数信任度的表达式为：
rn,u,c表示在特定时间段内用户u使用通信业务类型c的次数；rn,v,c表示在特定时间段内用户v使用通信业务类型c的总次数，rn,u表示在特定时间段内用户u使用iu,v中所有通信业务类型的平均次数；rn,v表示在特定时间段内用户v使用iu,v中所有通信业务类型的平均次数。
在其中一个实施例中，如图7所示，模型确定模块35用于采用以下公式获得用户信任度预测模型：
其中，n1为在特定时间段内用户u和用户v相处总次数，n2为在特定时间段内用户u与用户v通信总次数、n3为在特定时间段内用户u和用户v使用同种通信业务的总次数，k1为用户u和用户v第k1次相处，k2为用户u与用户v第k2次通信、k3为用户u和用户v第k3次使用同种通信业务，td(u,v)为用户u和用户v相处信任度、tn(u,v)为用户u和用户v通话次数信任度、tl(u,v)为用户u和用户v通信时长信任度。sl(u,v)为用户u和用户v使用同种通信业务的时长信任度、sn(u,v)为用户u和用户v使用同种通信业务的次数信任度，且a1+a2+a3＝1，γ为时间衰减因子。
上述用户信任度预测装置可执行本发明实施例所提供的应用信任度预测方法，具备执行方法相应的功能模块和有益效果，至于其中各个功能模块所执行的处理方法，例如信息获取模块10、信任度确认模块20以及用户的相处时长计算模块310等可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的用户信任度预测方法和装置，本发明还提供一种计算机设备，下面结合附图及较佳实施例对本发明的计算机设备进行详细说明。
图8为本发明的计算机设备在一个实施例中的结构示意图。如图8所示，该实施例中的计算机设备800，包括存储器801、处理器802及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行程序时可实现本发明方法实施例中的所有方法步骤。
上述计算机设备800中处理器802可执行本发明实施例所提供的用户信任度预测方法，具备执行方法相应的有益效果，可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的用户信任度预测方法、装置和计算机设备，本发明还提供一种计算机可读存储介质，下面结合附图及较佳实施例对本发明的计算机可读存储介质进行详细说明。
本发明实施例中的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现本发明方法实施例中的所有方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
上述计算机可读存储介质用于存储本发明实施例所提供的用户信任度预测方法的程序(指令)，其中执行该程序可以执行本发明实施例所提供的用户信任度预测方法，具备执行方法相应有益效果，可参照上述方法实施例中的描述，此处不再进行赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！