《稀疏信任理論及套用研究》是依託天津大學，由許光全擔任項目負責人的面上項目。
基本介紹
- 中文名：稀疏信任理論及套用研究
- 項目類別：面上項目
- 項目負責人：許光全
- 依託單位：天津大學
項目摘要,結題摘要,
項目摘要
本課題在提出“稀疏信任”概念的基礎上，以構建大數據挑戰下的“稀疏信任理論”體系為目標，主要研究內容包括：（1）稀疏信任的概念與形式化描述；（2）提出面向大數據環境下可解釋性的“信任場”模型；（3）在前面工作的基礎上，實現“稀疏信任”問題求解，首先採用非負矩陣分解的特徵降維、基於文本評論信息的情感極性分析、“圓桌流感算法”、遷移學習等方法，完成對多模態社交關係數據的隱含信任關係挖掘；（4）接著把稀疏信任問題的求解看作是“塊內極大而塊外極小的最佳化問題”，試圖借鑑已有的稀疏機器學習方法，設計出基於“塊內相關性”的“稀疏信任學習”的模型表示與算法；（5）最後，在開源稀疏建模軟體SPAMS的框架內，實現上述工作的有效性和準確率驗證。本課題將傳統信任理論擴展成為“稀疏信任理論”，滿足了大數據環境下信任管理及其套用的客觀需求，為大數據環境下推薦系統、安全認證、搜尋引擎等套用提供決策支持的理論依據。
結題摘要
大數據時代深刻影響人們的日常工作和生活的方方面面，推薦系統扮演了從海量的數據中搜尋出對用戶有價值信息的重要角色。由於推薦系統存在稀疏評價和冷啟動的問題（二者歸結於“稀疏性問題”），所以當前部分學者使用信任關係來解決稀疏問題。但是信任關係本身也可能存在稀疏性導致冷啟動等問題不能很好地被解決。因此，本課題旨在研究在信任證據稀疏或不充足的情況下，如何獲得相應的信任網中的“預設值”，實現“去稀疏化”，這就是我們所謂的“稀疏信任“問題。 本課題在提出“稀疏信任”概念的基礎上，以構建大數據挑戰下的“稀疏信任理論”體系為目標，主要研究內容包括：（1）稀疏信任的概念與形式化描述；（2）提出面向大數據環境下可解釋性的“信任場”模型；（3）在前面工作的基礎上，實現“稀疏信任”問題求解，首先採用非負矩陣分解的特徵降維、 “圓桌流感算法”等方法，完成對多模態社交關係數據的隱含信任關係挖掘；（4）接著把稀疏信任問題的求解看作是“塊內極大而塊外極小的最佳化問題”，試圖借鑑已有的稀疏機器學習方法，設計出基於“塊內相關性”的“稀疏信任學習”的模型表示與算法；（5）最後，在開源稀疏建模軟體SPAMS的框架內，實現上述工作的有效性和準確率驗證。 本課題執行期從2016年1月開始，歷時4年，依據預定的項目研究計畫，取得以下預期成果：（1）提出信任的概念以及形式化描述；（2）對多屬性評價的信任模型進行研究；（3）構建了具有可解釋性的信任場模型；（4）提出了用於去稀疏的方法——圓桌流感算法（Roundtable Gossip Algorithm, RGA）；（5）提出了在5G網路下的基於雙向信任推薦的協同過濾模型。 本課題將傳統信任理論擴展成為“稀疏信任理論”，滿足了大數據環境下信任管理及其套用的客觀需求，為大數據環境下推薦系統、安全認證、搜尋引擎等套用提供決策支持的理論依據。
