构建回归方程：

在方程（7-8）中，Vn，u是用户n对用户u的效用；Kt，n为用户n相对于可信性的主观意愿，Ks，n为用户n相对于相似性的主观意愿，Ke，n为用户n相对于专家性的主观意愿，εn为调节因子。

倘若在共同参与社会活动方面用户u与用户n具有更为接近的信任度，那么用户u对用户n有非常高的效用。与此同时，依照相关行为研究（Susan and Mudambi，2010），不管社交活动具体是哪种类型，其深度都是用社交活动的时长来表示的，越长的时间则意味着有越深的信任度，反之越浅。以下是Vn，u的具体计算方法，见公式（7-9）：(www.daowen.com)

公式中，θu是用户u的信任占比，Ru，i是用户u对i的信任度；倘若参与平均时间长time（u）比其他全部用户的平均值avgtime大，那么其系数为1，否则为time（u）/avgtime。此处有以下内容需要关注：在对参与次数进行统计时，可能有部分干扰数据存在，譬如不是有效字符，参与次数为0，同一时间重复点击，等等。面对以上情况，需要预先处理参与社交活动的数据。C为常数，因用户信任分数MAEn，u 在区间[0，4]内，因而C值为5。

进行回归计算时，考虑到可信度、相似度、专业度存在多重共线的可能性，可使用岭回归方法进行分析，即采用专门的有偏估计回归方法。此方法部分改善了最小二乘法，它对前者存在的部分精确度以及无偏性予以忽略，以便获取与实际情况更为契合的回归过程。