稀疏信任理论及应用研究

After advancing the concept of “sparsity trust”, this project aims at building up a so-called “sparsity trust theoretical system” in the challenge of big data, whose main research work includes: (1) description for the concept of sparsity trust and its formalization; (2) putting forward a interpretable “trust field” model towards big data; (3) based on the previous work, solving the sparsity trust problem through the methods of feature dimension reduction using Non-negative Matrix Factorization(NMF), analysis of affection trend based on the text rating data, “roundtable gossip algorithm” and transfer learning to address the latent trust relationships mining by multi-modal data of social relations; (4) regarding the sparsity trust problem as an optimal problem under the constraint of “maximization in a block while minimization out of the block”, and then supplying the corresponding models and algorithms for sparsity trust learning based on in-block correlation; (5) finally, in SPAMS, verification of the effectiveness and accuracy for the above work. This project expands the traditional trust theory to “sparsity trust theory”, which meets the objective requirements of trust management and its applications in big data, and it supplies theoretical foundations of the decision making of recommendation systems, security authentication, and search engines.

本课题在提出“稀疏信任”概念的基础上，以构建大数据挑战下的“稀疏信任理论”体系为目标，主要研究内容包括：（1）稀疏信任的概念与形式化描述；（2）提出面向大数据环境下可解释性的“信任场”模型；（3）在前面工作的基础上，实现“稀疏信任”问题求解，首先采用非负矩阵分解的特征降维、基于文本评论信息的情感极性分析、“圆桌流感算法”、迁移学习等方法，完成对多模态社交关系数据的隐含信任关系挖掘；（4）接着把稀疏信任问题的求解看作是“块内极大而块外极小的优化问题”，试图借鉴已有的稀疏机器学习方法，设计出基于“块内相关性”的“稀疏信任学习”的模型表示与算法；（5）最后，在开源稀疏建模软件SPAMS的框架内，实现上述工作的有效性和准确率验证。本课题将传统信任理论扩展成为“稀疏信任理论”，满足了大数据环境下信任管理及其应用的客观需求，为大数据环境下推荐系统、安全认证、搜索引擎等应用提供决策支持的理论依据。

大数据时代深刻影响人们的日常工作和生活的方方面面，推荐系统扮演了从海量的数据中搜寻出对用户有价值信息的重要角色。由于推荐系统存在稀疏评价和冷启动的问题（二者归结于“稀疏性问题”），所以当前部分学者使用信任关系来解决稀疏问题。但是信任关系本身也可能存在稀疏性导致冷启动等问题不能很好地被解决。因此，本课题旨在研究在信任证据稀疏或不充足的情况下，如何获得相应的信任网中的“缺省值”，实现“去稀疏化”，这就是我们所谓的“稀疏信任“问题。. 本课题在提出“稀疏信任”概念的基础上，以构建大数据挑战下的“稀疏信任理论”体系为目标，主要研究内容包括：（1）稀疏信任的概念与形式化描述；（2）提出面向大数据环境下可解释性的“信任场”模型；（3）在前面工作的基础上，实现“稀疏信任”问题求解，首先采用非负矩阵分解的特征降维、 “圆桌流感算法”等方法，完成对多模态社交关系数据的隐含信任关系挖掘；（4）接着把稀疏信任问题的求解看作是“块内极大而块外极小的优化问题”，试图借鉴已有的稀疏机器学习方法，设计出基于“块内相关性”的“稀疏信任学习”的模型表示与算法；（5）最后，在开源稀疏建模软件SPAMS的框架内，实现上述工作的有效性和准确率验证。. 本课题执行期从2016年1月开始，历时4年，依据预定的项目研究计划，取得以下预期成果：（1）提出信任的概念以及形式化描述；（2）对多属性评价的信任模型进行研究；（3）构建了具有可解释性的信任场模型；（4）提出了用于去稀疏的方法——圆桌流感算法（Roundtable Gossip Algorithm, RGA）；（5）提出了在5G网络下的基于双向信任推荐的协同过滤模型。. 本课题将传统信任理论扩展成为“稀疏信任理论”，满足了大数据环境下信任管理及其应用的客观需求，为大数据环境下推荐系统、安全认证、搜索引擎等应用提供决策支持的理论依据。