社区整体超网络可信度评价模型建模方法及系统

本技术涉及模型建模，更具体地说，本技术涉及一种社区整体超网络可信度评价模型建模方法及系统。

背景技术：

1、模型建模是指通过数学公式、算法或计算机图形技术，对现实世界中的对象、系统或过程进行抽象、简化和表征，从而构建出可计算、可仿真或可分析的数字化表示形式，它旨在捕捉原始实体的关键特征和行为规律，同时忽略次要细节，以便用于预测、优化、可视化或决策支持。

2、随着智慧社区建设的持续深入，社区内居民、商户、服务机构与管理组织之间形成了涵盖信息传播、服务评价、交易往来和协同监督等多维度交织的超网络结构，如何全面客观地评价社区整体可信度成为智慧治理的关键难题。现有技术在此领域存在明显不足：传统方法多依赖单一统计指标或主观评分，难以刻画多元异构节点间跨类型、跨层次的复杂交互，无法从全局视角反映社区超网络的整体可信状态；孤立分析各节点历史行为而忽略其在网络拓扑中结构位置的差异性，导致评价结果缺乏网络结构感知能力；多节点数据协同建模时，集中式训练模式无法满足原始行为数据不出本地的隐私保护要求；缺乏对节点评价子模型输出质量的动态监测，无法根据模型可靠性的阶段性变化调整各节点在综合评价值中的贡献比例，易受低质量子模型干扰。因此，如何融合社区多源交互信息与超网络拓扑结构对社区整体超网络可信度评价模型进行建模成为业界面临的问题。

技术实现思路

1、本技术提供一种社区整体超网络可信度评价模型建模方法及系统，可融合社区多源交互信息与超网络拓扑结构对社区整体超网络可信度评价模型进行建模。

2、第一方面，本技术提供一种社区整体超网络可信度评价模型建模方法，包括如下步骤：

3、对社区整体超网络进行拓扑抽象，定义构成所述社区整体超网络的多类参与节点实体，以及各参与节点实体之间的二元交互关系和多节点协同超边，以构建表征社区超网络结构的超网络拓扑图；

4、建立面向所述社区整体超网络的联邦个性化蒸馏训练架构；

5、基于各参与节点实体的历史行为数据特征，对所述联邦个性化蒸馏训练架构下的各个基础分类器进行迭代训练与知识蒸馏聚合，直至收敛，以确定各参与节点实体对应的局部可信评估子模型；

6、根据各局部可信评估子模型在不同评价周期下的输出不确定性和所述超网络拓扑图计算各参与节点实体在社区整体超网络综合可信度评价中的动态贡献权重分配关系；

7、通过各局部可信评估子模型和所述动态贡献权重分配关系，构建所述社区整体超网络的可信度评价模型。

8、在一些实施例中，各类参与节点实体包括社区成员节点、社区商户节点、社区服务提供者节点与社区管理机构节点。

9、在一些实施例中，所述二元交互关系包括信息交互关系、服务互评关系、交易流向关系与协同监督关系。

10、在一些实施例中，构建表征社区超网络结构的超网络拓扑图具体包括：

11、提取多类参与节点实体的身份标识与功能属性；

12、基于各参与节点实体的身份标识与功能属性量化各参与节点实体之间在不同时间窗口内的二元交互关系，进而确定各参与节点实体间的关联强度；

13、以各参与节点实体为节点，以各关联强度为边权重，构建表征社区超网络结构的超网络拓扑图。

14、在一些实施例中，建立面向所述社区整体超网络的联邦个性化蒸馏训练架构具体包括：

15、将各类参与节点实体映射为分布式训练拓扑中的计算节点，并根据各计算节点的本地数据规模与算力资源确定其在训练架构中的角色层级；

16、在各计算节点上部署同构的基础分类器，并通过安全通信信道建立各计算节点之间的全连接或部分连接的参数交换链路，以形成支撑本地独立训练与全局协同聚合的联邦个性化蒸馏训练架构。

17、在一些实施例中，基于各参与节点实体的历史行为数据特征，对所述联邦个性化蒸馏训练架构下的各个基础分类器进行迭代训练与知识蒸馏聚合，直至收敛，以确定各参与节点实体对应的局部可信评估子模型具体包括：

18、从各参与节点实体的历史行为数据中提取表征其信任属性的时序行为特征；

19、通过各时序行为特征对所述联邦个性化蒸馏训练架构下的各个基础分类器进行多轮次独立训练；

20、在各轮次训练后，将所有基础分类器的模型参数进行安全聚合，并将聚合后的全局参数分发回各基础分类器进行下一轮迭代，直到模型损失函数收敛，将训练完成的各基础分类器作为各参与节点实体对应的局部可信评估子模型。

21、在一些实施例中，根据各局部可信评估子模型在不同评价周期下的输出不确定性和所述超网络拓扑图计算各参与节点实体在社区整体超网络综合可信度评价中的动态贡献权重分配关系具体包括：

22、获取各局部可信评估子模型在连续多个评价周期内的输出预测值，计算各子模型对应预测概率分布的信息熵，进而得到各局部可信评估子模型在不同评价周期下的输出不确定性；

23、基于所述超网络拓扑图中各参与节点实体之间的关联强度与网络拓扑位置，确定各参与节点实体在社区超网络中的结构影响力系数；

24、将各局部可信评估子模型的输出不确定性与所对应参与节点实体的结构影响力系数进行融合修正，并通过跨周期时序衰减聚合得出各参与节点实体的动态贡献权重分配关系。

25、在一些实施例中，所述评价周期包括日度评价周期、周度评价周期和月度评价周期。

26、在一些实施例中，通过各局部可信评估子模型和所述动态贡献权重分配关系，构建所述社区整体超网络的可信度评价模型具体包括：

27、获取待评价的社区内各参与节点实体的实时行为数据；

28、将各实时行为数据分别输入到对应的局部可信评估子模型中，并行计算出各参与节点实体的独立可信评估分值；

29、依据所述动态贡献权重分配关系，对所有的独立可信评估分值进行加权融合，得到一个标量化的社区整体可信度综合评价值；

30、将所述加权融合的计算逻辑封装为所述社区整体超网络的可信度评价模型。

31、第二方面，本技术提供一种社区整体超网络可信度评价模型建模系统，包括：

32、构建模块，用于对社区整体超网络进行拓扑抽象，定义构成所述社区整体超网络的多类参与节点实体，以及各参与节点实体之间的二元交互关系和多节点协同超边，以构建表征社区超网络结构的超网络拓扑图；

33、所述构建模块，还用于建立面向所述社区整体超网络的联邦个性化蒸馏训练架构；

34、处理模块，用于基于各参与节点实体的历史行为数据特征，对所述联邦个性化蒸馏训练架构下的各个基础分类器进行迭代训练与知识蒸馏聚合，直至收敛，以确定各参与节点实体对应的局部可信评估子模型；

35、所述处理模块，还用于根据各局部可信评估子模型在不同评价周期下的输出不确定性和所述超网络拓扑图计算各参与节点实体在社区整体超网络综合可信度评价中的动态贡献权重分配关系；

36、执行模块，用于通过各局部可信评估子模型和所述动态贡献权重分配关系，构建所述社区整体超网络的可信度评价模型。

37、本技术公开的实施例提供的技术方案具有以下有益效果：

38、本技术提供的社区整体超网络可信度评价模型建模方法及系统中，首先对社区整体超网络进行拓扑抽象，定义构成所述社区整体超网络的多类参与节点实体，以及各参与节点实体之间的二元交互关系和多节点协同超边，以构建表征社区超网络结构的超网络拓扑图；建立面向所述社区整体超网络的联邦个性化蒸馏训练架构；基于各参与节点实体的历史行为数据特征，对所述联邦个性化蒸馏训练架构下的各个基础分类器进行迭代训练与知识蒸馏聚合，直至收敛，以确定各参与节点实体对应的局部可信评估子模型；根据各局部可信评估子模型在不同评价周期下的输出不确定性和所述超网络拓扑图计算各参与节点实体在社区整体超网络综合可信度评价中的动态贡献权重分配关系；通过各局部可信评估子模型和所述动态贡献权重分配关系，构建所述社区整体超网络的可信度评价模型。

39、由此可见，本技术在社区整体超网络可信度评价模型建模过程中，通过将社区超网络拓扑抽象为多类节点、二元交互关系和多节点协同超边构成的超网络拓扑图，完整刻画了参与实体间的二元交互和多节点协同特征，为融合超网络拓扑信息提供了形式化基础；随后建立的联邦个性化蒸馏训练架构，适配了社区整体超网络中数据分散、多主体的特性，既能保护各参与节点的数据隐私，又能在全局协同训练的同时保留各节点模型的个性化特征；在此架构下，基于各节点历史行为数据和超边交互特征对基础分类器进行迭代训练与知识蒸馏聚合，能够从海量、异构的交互记录中提取各节点的可信行为模式和多节点协同特征，形成个性化的局部可信评估子模型，从而将分散的多源交互信息有效转化为可量化的局部信任判据；进一步，以局部子模型在不同评价周期下的输出不确定性为动态信号，结合超网络拓扑图蕴含的节点中心性和超边参与度来计算动态贡献权重，将超网络的结构约束与评估置信度相联动，使得各节点在全局评价中的重要性既反映其自身评估的稳定程度，又体现其在交互拓扑中的位置价值；最终，融合节点可信度、超边可信度和超网络全局连通性构建的整体可信度评价模型，能够从节点、超边和全局三个维度全面反映社区超网络的整体可信状态，为社区整体超网络提供了结构感知、动态适应和可信的综合评价能力。采用上述方案，可融合社区多源交互信息与超网络拓扑结构对社区整体超网络可信度评价模型进行建模。