[发明专利]基于软间隔支持向量机的社交网络用户可信度评估方法

权利要求书

1.一种基于软间隔支持向量机的社交网络用户可信度评估方法，其特征在于包括：

S1：从社交网络中爬取N个用户的配置文件信息和生成内容信息，用户的配置文件信息包括用户昵称、用户教育程度、用户简介和互粉数，用户的生成内容信息包括用户博文点赞数、博文转发数和博文评论数，然后对用户进行标记，当标签flag(i)＝1表示用户i可信，当标签flag(i)＝0表示用户i不可信，i＝1,2,…,N；

S2：从每个用户的配置文件信息中提取特征属性的数据，然后计算用户配置文件信息可信度U_P(i)；

S3：从每个用户的生成内容信息中提取特征属性的数据，然后计算用户生成内容信息可信度U_ucg(i)；

S4：将每个用户的用户配置文件信息可信度U_P(i)和用户生成内容信息可信度U_ucg(i)构成的向量(U_P(i),U_ucg(i))作为训练样本中的输入，将用户的标签flag(i)作为训练样本中的标签；

S5：采用软间隔支持向量机作为社交网络用户可信度评估模型，采用步骤S4得到的训练样本对软间隔支持向量机进行训练；

S6：当需要对社交网络中的用户进行可信度评估时，采用步骤S2的相同方法计算该用户的用户配置文件信息可信度，采用步骤S3的相同方法计算该用户的用户生成内容信息可信度，构成向量后输入步骤S5训练好的软间隔支持向量机中，得到用户可信度评估结果。

2.根据权利要求1所述的社交网络用户可信度评估方法，其特征在于，所述步骤S2中用户配置文件信息可信度U_P(i)的计算方法如下：

采用如下公式计算用户配置文件信息完整度UI(i)：

其中，A(i)表示用户i实际公开的个人信息标签数量，n表示社交网络中用户的个人信息标签总数；

采用如下公式计算用户配置文件信息影响力指数G(i)：

G(i)＝λ₁F(i)+λ₂E(i)+λ₃P(i)+λ₄H(i)

其中，F(i)表示用户i的用户昵称类型序号，F(i)＝1,2,…,K_F，K_F表示用户昵称种类数；E(i)表示用户i的教育程度等级，E(i)＝1,2,…,K_E，K_E表示用户教育程度的等级数量；P(i)表示用户i的简介状态，P(i)＝0表示用户i无简介，P(i)＝1表示用户i有简介；H(i)表示用户i的互粉数等级，H(i)＝1,2,…,K_H，K_H表示用户i的互粉数等级数量；λ₁、λ₂、λ₃、λ₄分别表示用户昵称类型F(i)、用户教育程度E(i)、用户简介状态P(i)和用户互粉数H(i)的预设权重；

然后采用如下公式计算得到各个用户的用户配置文件信息可信度U_P(i)：

U_P(i)＝UI(i)+G(i)。

3.根据权利要求1所述的社交网络用户可信度评估方法，其特征在于，所述重λ₁、λ₂、λ₃、λ₄采用信息熵权重分配法计算得到，具体方法如下：

根据用户配置文件信息影响力指数中四项特征项的取值数，构建用户配置文件信息影响力指数特征项的权重分配判断矩阵A_G：

其中，K_P＝2，表示用户的简介状态数量；

对判断矩阵A_G进行特征分解，将最大特征值λ_max对应的特征向量进行归一化处理，将归一化得到的向量作为权重向量(λ₄,λ₃,λ₂,λ₁)。

4.根据权利要求1所述的社交网络用户可信度评估方法，其特征在于，所述步骤S3中用户生成内容信息可信度U_ucg(i)的计算方法如下：

采用如下公式计算各个用户发布博文的影响广度IU(i)：

其中，M_i表示用户i发布的博文数量，D_i,m表示用户i发布博文中第m条博文的点赞数，C_i,m表示用户i发布博文中第m条博文的评论数，m＝1,2,…,M_i；

采用如下公式计算各个用户发布博文的传播广度CU(i)：

其中，RT_i,m表示用户i发布博文中第m条博文的转发链长度；

然后采用如下公式计算得到各个用户的用户生成内容信息可信度U_ucg(i)：

U_P(i)＝IU(i)+CU(i)。