3评价模型计算

　　这里遇到的第一个挑战，怎么在繁杂而大量的朋友节点中选取有用的节点数据。第一个原则是所有选取的节点必须与目标节点或目标节点的相似类节点有过历史交易的评价数据。所有朋友节点中的直接朋友节点是选取的首要目标节点，因为直接朋友节点的社会属性与源节点的社会属性是相似与相近的，可以为源节点提供相当有价值的信任评价的参考数据[7]。对于间接朋友节点，本文借鉴了社会学的一般人际关系模型，给定几点特定关键要素作为抽取数据的条件。例如，年龄、地域、学历等。这里需要考虑信任的传递性问题。朋友节点之间的信任程度是随着中间朋友节点数的增加而呈现弱化趋势[9]。假设节点A对于目标节点c的信任程度为0.8，节点A与源节点n之间存在着3个朋友节点，距离为4；节点B对于目标节点擦的信任程度为0.8，节点B与源节点n为直接朋友，距离为1。并不能认为节点A和节点B对于源节点的信任评价影响等同。规定朋友节点与源节点之间距离大于6的朋友节点是陌生节点。

　　4简单应用举例

　　通过对表中数据的获得，得到相对源节点的10组朋友节点的5维数据。运用公式（2），计算每个节点相对源节点的概率距离。得到与源节点最近的5个节点分别是w10，w1，w6，w7，w2。通过数据获取得到目标节点的4个相似类节点并生成评价矩阵U。运用公式（3），得到相对评价比例系数T值为0.974。所以相对于源节点来说，目标节点为一般信任。

　　5总结

　　本文提出了一种基于传统交易的评价机制的评价模式，充分考虑了社会关系网在评价模型中的积极作用。通过对社会关系网的网络描述，获得最终结果。这里得到的目标信任评价并不是一个准确值，而是通过给出目标实体在其社会属性相似的实体范围中的一个相对评价位置，进而得到的客观合理的评价信息。本文在提出的网络框架计算中还有一些问题需要进一步研究。在获得网络节点要素的相对概率数据时，虽然进行查表运算可以解决当前问题，但是没有考虑在不同交易环境下不同要素对于信任评价影响的权重比的问题，抽取的朋友节点有可能并不是最优节点，所以怎样动态地确定网络节点要素的相对概率数据是接下来要研究的方向。