دانلود مقاله الگوریتم جدید برای استنتاج اعتماد در شبکه های اجتماعی با استفاده از مدل های اطمینان احتمالی
تعداد کلمات فایل انگلیسی:5540کلمه6صفحه pdf
تعداد صفحات فایل ترجمه:13صفحه word فونت14 Arial
چکیده
در بسیاری از سیستم های محاسباتی، اطلاعات، توسط بسیاری از افراد تولید و پردازش می شود. دانستن اینکه یک کاربر تا چه اندازه به منبع اعتماد دارد، می تواند برای جمع آوری، فیلتر کردن و سفارش اطلاعات، بسیار مفید باشد. علاوه بر این، اگر اعتماد برای حمایت از تصمیم گیری استفاده شود، برآورد دقیق آن، زمانی که به طور مستقیم در دسترس نباشد، به اندازه اطمینان در آن براورد، مهم است. این مقاله رویکردی جدید توصیف می کند، که در آن تفسیر احتمالی صریح برای اطمینان به شبکه های اجتماعی ارائه می شود. ما، یک الگوریتم جدید استنتاج اعتماد بنام SUNNY را توصیف می کنیم که از روش نمونه گیری احتمالی برای براورد اطمینان ما به اطلاعات اعتماد از برخی منابع، استفاده می کند. SUNNY ، برآورد اعتماد بر اساس تنها منابع اطلاعاتی با تخمین اطمینان بالا را محاسبه می کند. در آزمایشات ما، SUNNY براوردهای اعتماد دقیق تر از الگوریتم استنتاج اعتماد شناخته شده TIDALTRUST (Golbeck 2005) را ارائه کرد، که اثربخشی آن را نشان داد.
مقدمه
اعتماد، به روش های مختلف در انواع سیستم، استفاده می شود. اعتماد اجتماعی، جالب و مهم است، اما هنوز از دیدگاه محاسباتی به خوبی درک نشده است. همگام با تمام روابط اجتماعی، تعیین کمیت اعتماد بسیار دشوار بوده و خواص آن فازی هستند. با این حال، توسعه روش های دقیق برآورد اعتماد بین افراد، برای آینده ی بسیاری از سیستم ها، مهم است؛ که برای بهبود سیستم های سیاست وب، به عنوان مولفه ای از منشا جریان کار علمی و پایگاه های اطلاعاتی هوشمند، و به عنوان ارزشی برای فیلتر کردن، مرتب سازی و جمع آوری داده ها در بسیاری از حوزه ها، مهم است.
SUNNY: A New Algorithm for Trust Inference in Social Networks Using Probabilistic Confidence Models
Abstract
In many computing systems, information is produced and processed by many people. Knowing how much a user trusts a source can be very useful for aggregating, filtering, and or- dering of information. Furthermore, if trust is used to support decision making, it is important to have an accurate estimate of trust when it is not directly available, as well as a measure of confidence in that estimate. This paper describes a new approach that gives an explicit probabilistic interpretation for confidence in social networks. We describe SUNNY, a new trust inference algorithm that uses a probabilistic sampling technique to estimate our confidence in the trust information from some designated sources. SUNNY computes an esti- mate of trust based on only those information sources with high confidence estimates. In our experiments, SUNNY pro- duced more accurate trust estimates than the well known trust inference algorithm TIDALTRUST (Golbeck 2005), demon- strating its effectiveness.
Introduction
Trust is used in different ways in a variety of systems. Social trust is emerging as interesting and important, but it is as yet not well understood from a computational perspective. As with all social relationships, it is difficult to quantify trust and its properties are fuzzy. Still, developing methods for accurately estimating trust between people is important for the future of many systems; it holds promise for improving Web policy systems, as a component of provenance in scien- tific workflows and intelligence databases, and as a value for filtering, ordering, and aggregating data in many domains
کد:12651
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله الگوریتم جدید برای استنتاج اعتماد در شبکه های اجتماعی با استفاده از مدل های اطمینان احتمالی
تعداد کلمات فایل انگلیسی:5540کلمه6صفحه pdf
تعداد صفحات فایل ترجمه:13صفحه word فونت14 Arial
چکیده
در بسیاری از سیستم های محاسباتی، اطلاعات، توسط بسیاری از افراد تولید و پردازش می شود. دانستن اینکه یک کاربر تا چه اندازه به منبع اعتماد دارد، می تواند برای جمع آوری، فیلتر کردن و سفارش اطلاعات، بسیار مفید باشد. علاوه بر این، اگر اعتماد برای حمایت از تصمیم گیری استفاده شود، برآورد دقیق آن، زمانی که به طور مستقیم در دسترس نباشد، به اندازه اطمینان در آن براورد، مهم است. این مقاله رویکردی جدید توصیف می کند، که در آن تفسیر احتمالی صریح برای اطمینان به شبکه های اجتماعی ارائه می شود. ما، یک الگوریتم جدید استنتاج اعتماد بنام SUNNY را توصیف می کنیم که از روش نمونه گیری احتمالی برای براورد اطمینان ما به اطلاعات اعتماد از برخی منابع، استفاده می کند. SUNNY ، برآورد اعتماد بر اساس تنها منابع اطلاعاتی با تخمین اطمینان بالا را محاسبه می کند. در آزمایشات ما، SUNNY براوردهای اعتماد دقیق تر از الگوریتم استنتاج اعتماد شناخته شده TIDALTRUST (Golbeck 2005) را ارائه کرد، که اثربخشی آن را نشان داد.
مقدمه
اعتماد، به روش های مختلف در انواع سیستم، استفاده می شود. اعتماد اجتماعی، جالب و مهم است، اما هنوز از دیدگاه محاسباتی به خوبی درک نشده است. همگام با تمام روابط اجتماعی، تعیین کمیت اعتماد بسیار دشوار بوده و خواص آن فازی هستند. با این حال، توسعه روش های دقیق برآورد اعتماد بین افراد، برای آینده ی بسیاری از سیستم ها، مهم است؛ که برای بهبود سیستم های سیاست وب، به عنوان مولفه ای از منشا جریان کار علمی و پایگاه های اطلاعاتی هوشمند، و به عنوان ارزشی برای فیلتر کردن، مرتب سازی و جمع آوری داده ها در بسیاری از حوزه ها، مهم است.
SUNNY: A New Algorithm for Trust Inference in Social Networks Using Probabilistic Confidence Models
Abstract
In many computing systems, information is produced and processed by many people. Knowing how much a user trusts a source can be very useful for aggregating, filtering, and or- dering of information. Furthermore, if trust is used to support decision making, it is important to have an accurate estimate of trust when it is not directly available, as well as a measure of confidence in that estimate. This paper describes a new approach that gives an explicit probabilistic interpretation for confidence in social networks. We describe SUNNY, a new trust inference algorithm that uses a probabilistic sampling technique to estimate our confidence in the trust information from some designated sources. SUNNY computes an esti- mate of trust based on only those information sources with high confidence estimates. In our experiments, SUNNY pro- duced more accurate trust estimates than the well known trust inference algorithm TIDALTRUST (Golbeck 2005), demon- strating its effectiveness.
Introduction
Trust is used in different ways in a variety of systems. Social trust is emerging as interesting and important, but it is as yet not well understood from a computational perspective. As with all social relationships, it is difficult to quantify trust and its properties are fuzzy. Still, developing methods for accurately estimating trust between people is important for the future of many systems; it holds promise for improving Web policy systems, as a component of provenance in scien- tific workflows and intelligence databases, and as a value for filtering, ordering, and aggregating data in many domains
کد:12651
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com