实验比较：Katz和Samah模型在预测中的差异

1.实验对比模型

为了对TMBA模型进行检验，我们将其与以下模型进行对比。

（1）标准Advogato模型。标准Advogato模型即Advogato自由软件开发者站点所采用信任预测模型，只根据目标节点与种子节点间的距离来判断目标节点的信任值。

（2）Samah模型。这是文献[80]所采用的信任预测模型，在计算目标节点的信任值时，根据节点间的距离进行信任衰减，还根据节点间的共同出度邻居来计算节点间的信任强度。其信任强度计算方式如公式3-13所示。

（3）Katz近似度模型。Katz近似度的测量主要基于两个节点间的路径来进行判断，节点之间的路径距离越近，存在的通路越多，节点之间的联系就越强，其信任值就越高[80]。Katz近似度计算方式如公式3-14所示。

其中，为节点i到j的有效距离（length）内的所有路径集合，δ为距离衰减因子，节点间的距离越长，近似度值衰减越快。

这3种模型都可用于可信群体预测，并会在预测结果中根据用户的信任值对结果排序输出。

2.预测精度及漏检率对比

在本实验中，我们将TMBA的β值设置为0.4，将Samah模型的路径衰减因子d设为其模型中采用的0.5，Katz模型中的δ值则设置为0.005[6]。将搜索路径深度设置为6，分别对源节点的1-4跳朋友进行信任预测。

表3-5　各个模型的Pre及MsR

通过对表3-5的分析，我们可以得到以下结论。(www.xing528.com)

（1）在Pre1值的计算结果上，4个模型几乎没有区别，随着与源节点距离的增加，所有模型的预测精度呈现出下降趋势，但TMBA模型的下降趋势最为平缓，总体维持在0.91以上。

（2）4个方法中，Advogato模型的预测效果最差，衰减速度也最快。这是因为Advogato模型只根据朋友节点与源节点的距离来进行信任容量分配，当节点间距离超过了一定的范围，将不能得到信任流量，因此也将不被识别为信任节点。

（3）Katz模型与Samah模型相比较，在Pre1、Pre2、Pre3的计算结果上略占优势，但在Pre4的预测上却显得效果略逊。这是因为Katz模型考虑源节点与目标节点之间所有路径的权重计算，节点间的通路越多，Katz近似度会越大，但如果节点间的距离过长，则近似度值衰减会加快。Samah模型虽然也会根据节点间距离进行信任衰减，但同时也根据节点间的共同出度邻居来判断节点间的信任权重，因此，即使两个节点的距离过大，但如果存在较多的共同出度邻居，其相互间的信任值也不会很小。

（4）TMBA因为考虑了节点间的互动程度、相似度等因素，且不会根据路径的距离而进行信任衰减，即使目标节点与源节点的距离较远，但只要他它们之间存在较高的相似性和互动频度，则源节点也会赋予目标节点较高的信任值，因此，该模型的预测准确度效果最好。

（5）与预测精度相匹配，TMBA模型的MsR也最低，为8.92%，然后依次是Samah、Katz及Advogato模型。

表3-6　各个模型的Trr对比

续表3-6

3.Top排序范围对比

表3-6为4种模型所预测的1-4跳朋友关系的Trr值，同时也列出了每个模型的真实Trr情况。从表3-6可以分析得出以下结论。

（1）Advogato的Trr结果最差。但其真实Trr最为严格，这主要是因为Advogato模型是严格按照目标节点与源节点的距离来计算信任值，不同距离节点的信任值有严格的区分，因此排序范围不会发生重叠。也正因为Advogato模型只依靠距离来计算信任值，所以当信任边随机删除之后，其隐含的信任关系将会因为距离比真实距离更远，而使得信任值严重下降，导致其预测Trr与真实Trr相差较大。

（2）Samah的预测Trr与其真实Trr相对更为匹配。因为它以节点间的共同出度邻居数量作为信任强度，因此，在对信任关系进行预测时，不完全依靠距离因素。距离远的用户，并不一定会比距离近的用户信任值低。而Katz方法在计算源节点与目标节点的信任值时，会综合考虑各条路径的信任关系权重，其效果和Samah相当，在Trr2及Trr4的结果上，甚至还要优于Samah模型。

（3）TMBA的预测Trr结果最好。其预测的Trr与真实的Trr最为吻合，这是因为TMBA并不根据距离来进行信任衰减，如果距离远的节点与源节点有较多的交互次数及较高的相似性，那么它也可以得到很高的信任值，因此，在随机删除了部分信任关系后，其预测Trr仍然与真实Trr最为接近。