本發(fā)明屬于互聯(lián)網(wǎng)領(lǐng)域，更具體地，涉及一種基于評(píng)分網(wǎng)絡(luò)的含時(shí)信譽(yù)評(píng)價(jià)算法。

背景技術(shù)：

現(xiàn)有技術(shù)提出了融合主客觀要素的動(dòng)態(tài)信譽(yù)計(jì)算模型，該模型主要通過(guò)將數(shù)據(jù)提供者的行為方式、動(dòng)機(jī)、愛(ài)好傾向、態(tài)度等建模成信譽(yù)計(jì)算的主觀要素，將數(shù)據(jù)提供者提供的數(shù)據(jù)質(zhì)量建模成信譽(yù)計(jì)算的客觀要素，并在時(shí)間域上對(duì)主客觀要素進(jìn)行整合。Adali等人根據(jù)社交網(wǎng)絡(luò)中用戶的通信行為方式建立了相應(yīng)的行為信譽(yù)計(jì)算模型：綜合會(huì)話信任和傳播信任來(lái)計(jì)算行為可信度，該模型的前提假設(shè)是有規(guī)律的通信行為比隨機(jī)通信行為有更高可信度。其中，會(huì)話信任用來(lái)表示用戶之間的會(huì)話時(shí)間和會(huì)話頻率，頻率越高、時(shí)間越長(zhǎng)表明他們之間信任度越高；傳播信任是指信息的傳播度，信息從一個(gè)用戶傳到其他用戶的越多說(shuō)明對(duì)信息源用戶的信任度越高。

現(xiàn)有技術(shù)還提出了一個(gè)基于優(yōu)先級(jí)的信譽(yù)計(jì)算模型，主要從4個(gè)方面來(lái)構(gòu)建服務(wù)提供者的信譽(yù)度：服務(wù)請(qǐng)求者、服務(wù)提供者的服務(wù)經(jīng)驗(yàn)與服務(wù)提供者關(guān)于服務(wù)質(zhì)量屬性優(yōu)先級(jí)分布的相似度、候選服務(wù)對(duì)服務(wù)需求的適應(yīng)性以及由第三方提供的評(píng)價(jià)信息，由這4個(gè)屬性共同決定了最終的信譽(yù)值。

現(xiàn)有技術(shù)還提出了基于多Agent系統(tǒng)的網(wǎng)絡(luò)交易動(dòng)態(tài)信任計(jì)算模型與信譽(yù)系統(tǒng)。模型包括用戶時(shí)域的信任度、信譽(yù)反饋評(píng)分的加權(quán)平均計(jì)算及社區(qū)貢獻(xiàn)加權(quán)，建立了事前開展防范，事中進(jìn)行協(xié)調(diào)，事后給予懲罰三位一體的信譽(yù)約束機(jī)制。

現(xiàn)有技術(shù)還提出了由交互經(jīng)驗(yàn)計(jì)算用戶態(tài)度，以及利用交互時(shí)間序列計(jì)算用戶行為模式變化的方法，進(jìn)而利用態(tài)度、交互經(jīng)驗(yàn)、行為模式3種信息綜合建立信任評(píng)估模型。在當(dāng)前互聯(lián)網(wǎng)環(huán)境中，高質(zhì)量和個(gè)性化推薦是許多在線系統(tǒng)的一個(gè)關(guān)鍵特性。為了幫助用戶從大量的產(chǎn)品或者服務(wù)中找到正確的產(chǎn)品或服務(wù)，避免推薦虛假或失望的服務(wù)是網(wǎng)絡(luò)服務(wù)系統(tǒng)設(shè)計(jì)中的一個(gè)基礎(chǔ)性研究問(wèn)題。為了達(dá)到這個(gè)目的，科研人員提出許多方法。

在現(xiàn)有技術(shù)中最具有代表性的一種方法稱為迭代細(xì)化(簡(jiǎn)稱為IR)算法，在IR算法中，用戶的信譽(yù)與他的評(píng)分向量和對(duì)象的估計(jì)質(zhì)量向量的差異是成反比，估計(jì)質(zhì)量的對(duì)象和評(píng)估用戶的信譽(yù)是通過(guò)迭代進(jìn)行更新，直到它們變得穩(wěn)定。在IR算法的基礎(chǔ)上，通過(guò)給每個(gè)單獨(dú)的評(píng)分賦予信譽(yù)來(lái)優(yōu)化此迭代算法形成了一種新的算法。一種改進(jìn)的迭代算法(為CR)主要是通過(guò)用戶的評(píng)分?jǐn)?shù)與對(duì)象的估計(jì)質(zhì)量之間的皮爾森相關(guān)公式來(lái)計(jì)算用戶的信譽(yù)，這種方法據(jù)稱是對(duì)垃圾郵件惡意的行為非常有效?，F(xiàn)有技術(shù)還提出了一種應(yīng)對(duì)用戶惡意行為的迭代算法(稱為IAAR)，主要是通過(guò)采用一個(gè)信譽(yù)再分配過(guò)程來(lái)提高知名用戶的影響和兩個(gè)懲罰因子來(lái)惡制用戶惡意行為。

現(xiàn)有的迭代算法中，無(wú)論是新提出的還是基于已有算法進(jìn)行優(yōu)化，大部分都是從應(yīng)用上下文信息來(lái)進(jìn)行挖掘的導(dǎo)致用戶信譽(yù)評(píng)估不準(zhǔn)確從而導(dǎo)致相關(guān)質(zhì)量排名算法失效的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于評(píng)分網(wǎng)絡(luò)的含時(shí)信譽(yù)評(píng)價(jià)算法，旨在解決社交網(wǎng)絡(luò)中因不確定因素導(dǎo)致用戶信譽(yù)評(píng)估不準(zhǔn)確從而導(dǎo)致相關(guān)質(zhì)量排名算法失效的問(wèn)題。

本發(fā)明提供了一種基于評(píng)分網(wǎng)絡(luò)的含時(shí)信譽(yù)評(píng)價(jià)方法，包括下述步驟：

S1：對(duì)第一行為權(quán)重因子、第二行為權(quán)重因子、用戶信譽(yù)和對(duì)象質(zhì)量分別進(jìn)行初始化；

S2：判斷質(zhì)量變化量是否小于設(shè)定值，若是，則獲得對(duì)象質(zhì)量Q_i；若否，則進(jìn)入步驟S3；

S3：依次獲得信譽(yù)積累值、質(zhì)量積累值和用戶的臨時(shí)信譽(yù)值；

S4：根據(jù)所述信譽(yù)積累值、質(zhì)量積累值和用戶的臨時(shí)信譽(yù)值對(duì)用戶信譽(yù)值和對(duì)象質(zhì)量進(jìn)行更新后返回至步驟S2。

更進(jìn)一步地，在步驟S1中，通過(guò)公式對(duì)用戶行為權(quán)重因子進(jìn)行初始化；通過(guò)公式對(duì)對(duì)象行為權(quán)重因子進(jìn)行初始化；通過(guò)公式對(duì)用戶信譽(yù)進(jìn)行初始化；通過(guò)公式對(duì)所述對(duì)象質(zhì)量進(jìn)行初始化；其中，Wu_ij為某段時(shí)間的用戶行為權(quán)重因子，i為一個(gè)序號(hào)標(biāo)識(shí)符，t為一個(gè)具體時(shí)間段標(biāo)識(shí)符，UU_j為在某段時(shí)間內(nèi)的用戶集合，T_j為總記錄數(shù)中在某段時(shí)間內(nèi)的對(duì)象集合，V_t為單個(gè)用戶在某段時(shí)間內(nèi)的對(duì)象集合，UT_ix為用戶在某個(gè)時(shí)間段的集合；wo_ij為對(duì)象在某段時(shí)間內(nèi)的權(quán)重，i為一個(gè)序號(hào)標(biāo)識(shí)符，t為一個(gè)具體時(shí)間段標(biāo)識(shí)符，OT_ix為對(duì)象在某段時(shí)間內(nèi)的集合，OO_j為在某段時(shí)間內(nèi)的對(duì)象集合，T_j為總記錄數(shù)中在某段時(shí)間內(nèi)的對(duì)象集合，V_t為單個(gè)用戶在某段時(shí)間內(nèi)的對(duì)象集合，OT_ix為對(duì)象在某個(gè)時(shí)間段內(nèi)的集合；R_i為某個(gè)用戶的信譽(yù)值，x為一個(gè)序號(hào)標(biāo)識(shí)符，O_ij為用戶在某個(gè)時(shí)間段內(nèi)選擇的對(duì)象集合，Wu_ij為用戶在某段時(shí)間的權(quán)重，r_ix為用戶給某個(gè)對(duì)象的評(píng)分，ku_i為某個(gè)用戶的度；Q_i為某個(gè)對(duì)象的質(zhì)量，i為一個(gè)序號(hào)標(biāo)識(shí)符，Ui_j為在某個(gè)時(shí)間段內(nèi)選擇某個(gè)對(duì)象的用戶集合，Wo_ij為對(duì)象在某段時(shí)間內(nèi)的權(quán)重，R_i為某個(gè)用戶的信譽(yù)值，r_ix為用戶給某個(gè)對(duì)象的評(píng)分。

更進(jìn)一步地，在步驟S2中，所述質(zhì)量變化量其中，|Q-Q′|為一個(gè)條件變量，用來(lái)結(jié)束算法運(yùn)轉(zhuǎn)，Q_l為某個(gè)對(duì)象的質(zhì)量，Q′_l為其他對(duì)象的質(zhì)量，acco_i為某個(gè)對(duì)象的質(zhì)量積累過(guò)程分量值，l為一個(gè)序號(hào)標(biāo)識(shí)符，O_total為對(duì)象的總數(shù)量，o表示對(duì)象。

更進(jìn)一步地，設(shè)定值Δ＝10^-4。

更進(jìn)一步地，在步驟S3中，兩個(gè)分量積累過(guò)程和信譽(yù)值；臨時(shí)信譽(yù)值其中，accu_i為某個(gè)用戶信譽(yù)積累過(guò)程的信譽(yù)值，ku_i為某個(gè)用戶的度，ko_k為某個(gè)對(duì)象的度，k為一個(gè)序號(hào)標(biāo)識(shí)符，O_ij為用戶在某個(gè)時(shí)間段內(nèi)選擇的對(duì)象集合，r_ix為用戶給某個(gè)對(duì)象的評(píng)分；Q_i為某個(gè)對(duì)象的質(zhì)量，R_i為某個(gè)用戶的信譽(yù)值；acco_i為某個(gè)對(duì)象質(zhì)量積累過(guò)程的值，ku_i為某個(gè)用戶的度，ko_k為某個(gè)對(duì)象的度，k為一個(gè)序號(hào)標(biāo)識(shí)符，U_ij為在某個(gè)時(shí)間段內(nèi)選擇某個(gè)對(duì)象的用戶集合，Q_i為某個(gè)對(duì)象的質(zhì)量，R_i為某個(gè)用戶的信譽(yù)值；accu_i為某個(gè)用戶信譽(yù)積累過(guò)程的信譽(yù)值，Q_i為某個(gè)對(duì)象的質(zhì)量，x為一個(gè)序號(hào)標(biāo)識(shí)符，O_ij為用戶在某個(gè)時(shí)間段內(nèi)選擇的對(duì)象集合，Wo_ij為對(duì)象在某段時(shí)間內(nèi)的權(quán)重，r_ix為用戶給某個(gè)對(duì)象的評(píng)分，Wu_ij為用戶在某段時(shí)間的權(quán)重，為某個(gè)用戶的評(píng)分向量的平均值，Dri為某個(gè)用戶評(píng)分向量的標(biāo)準(zhǔn)差，D_Qi為某個(gè)對(duì)象質(zhì)量向量的標(biāo)準(zhǔn)差，為某個(gè)對(duì)象質(zhì)量的平均值。

更進(jìn)一步地，在步驟S4中，通過(guò)公式對(duì)信譽(yù)進(jìn)行更新；通過(guò)公式對(duì)所述對(duì)象質(zhì)量進(jìn)行更行。

通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案，與現(xiàn)有技術(shù)相比，由于能有效預(yù)測(cè)用戶的信譽(yù)，并對(duì)惡意用戶行為能夠有效的進(jìn)行制約，并結(jié)合兩個(gè)評(píng)分時(shí)間因子的迭代算法，能夠在一定程度扼制了用戶的惡意評(píng)分行為，大大增強(qiáng)了魯棒性。通過(guò)時(shí)間分段的兩個(gè)行為權(quán)重因子能夠在時(shí)間的方式上量化用戶的權(quán)重值，并且多個(gè)時(shí)間段權(quán)重值的綜合計(jì)算更符合實(shí)際情況。通過(guò)從度和時(shí)間兩個(gè)角度設(shè)計(jì)兩個(gè)積累過(guò)程能夠有效提升對(duì)象的質(zhì)量和用戶的信譽(yù)。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例提供的基于評(píng)分網(wǎng)絡(luò)的含時(shí)信譽(yù)評(píng)價(jià)算法的實(shí)現(xiàn)流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實(shí)施例提供的基于評(píng)分網(wǎng)絡(luò)的含時(shí)信譽(yù)評(píng)價(jià)算法可以應(yīng)用于多個(gè)領(lǐng)域，比如：應(yīng)用于科研領(lǐng)域，可以作為對(duì)比算法，應(yīng)用方式是編程實(shí)現(xiàn)并導(dǎo)入擬檢測(cè)數(shù)據(jù)集運(yùn)行。應(yīng)用于互聯(lián)網(wǎng)領(lǐng)域，可以應(yīng)用于國(guó)家產(chǎn)品、論文系統(tǒng)、電子商務(wù)等，應(yīng)用方式是編程實(shí)現(xiàn)并導(dǎo)入擬檢測(cè)數(shù)據(jù)集運(yùn)行。應(yīng)用于工業(yè)領(lǐng)域，可應(yīng)用于網(wǎng)絡(luò)入侵檢測(cè)、信用卡欺詐檢測(cè)、交通流量檢測(cè)等，應(yīng)用方式是編程實(shí)現(xiàn)并導(dǎo)入擬檢測(cè)數(shù)據(jù)集運(yùn)行。應(yīng)用于生活領(lǐng)域，可應(yīng)用于個(gè)人信譽(yù)評(píng)估、競(jìng)賽排名等，應(yīng)用方式是編程實(shí)現(xiàn)并導(dǎo)入擬檢測(cè)數(shù)據(jù)集運(yùn)行。

本發(fā)明實(shí)施例提供的一種基于評(píng)分網(wǎng)絡(luò)的含時(shí)信譽(yù)評(píng)價(jià)算法主要包括：通過(guò)時(shí)間分段的兩個(gè)行為權(quán)重因子能夠在時(shí)間的方式上量化用戶的權(quán)重值，并且多個(gè)時(shí)間段權(quán)重值的綜合計(jì)算更符合實(shí)際情況；從度和時(shí)間兩個(gè)角度設(shè)計(jì)兩個(gè)積累過(guò)程能夠有效提升對(duì)象的質(zhì)量和用戶的信譽(yù)。

具體如下：

兩個(gè)不同的行為權(quán)重因子：

一個(gè)用戶在不同的時(shí)間會(huì)表現(xiàn)不同的行為，為了體現(xiàn)這種行為在時(shí)間因素下的權(quán)重值，可以用如下公式設(shè)定：

一個(gè)對(duì)象在不同的時(shí)間會(huì)體現(xiàn)不同的質(zhì)量，為了體現(xiàn)這種質(zhì)量在時(shí)間因素下的權(quán)重值，可以用如下公式設(shè)定：

用R_i表示用戶i的信譽(yù)，每個(gè)用戶信譽(yù)的初始值通過(guò)如下公式設(shè)定：

用Q_a表示對(duì)象a的質(zhì)量，每個(gè)對(duì)象質(zhì)量的初始值可通過(guò)如下公式設(shè)定：

從公式(1)(2)(3)(4)可知，一個(gè)用戶的行為權(quán)重值因子的大小取決于他在一段時(shí)間所看對(duì)象的數(shù)量，在這篇文章里面指所看電影的數(shù)量。一個(gè)對(duì)象的行為權(quán)重因子大小取決于它在一段時(shí)間被用戶所涉及的頻率，頻率越高則表示在這段時(shí)間內(nèi)的權(quán)重值越大。一個(gè)用戶的信譽(yù)值不再是簡(jiǎn)單的通過(guò)平均值來(lái)初始化，而是取決于用戶信譽(yù)、用戶行為權(quán)重因子、用戶的度，這樣更能體現(xiàn)多因素的影響，從側(cè)面也與實(shí)際情況相符合。

在某一次更新過(guò)程中，為了計(jì)算用戶i的信譽(yù)值，我們基于時(shí)間和度的角度設(shè)計(jì)了一個(gè)信譽(yù)積累過(guò)程，如下：

由于一個(gè)用戶的信譽(yù)不是一次建立的，而是逐漸積累的過(guò)程，所以我們將與此用戶相關(guān)的信息作了分析并計(jì)算。從公式可以看出一個(gè)用戶的信譽(yù)分量與此用戶所看的對(duì)象的質(zhì)量、對(duì)象的度、對(duì)象的評(píng)分、用戶總體信譽(yù)、用戶的度呈現(xiàn)一定的比例關(guān)系。另外這個(gè)積累過(guò)程能夠有效應(yīng)對(duì)惡意評(píng)分，因?yàn)橐淮蔚膼阂庠u(píng)論對(duì)整體的信譽(yù)影響不大，隨著用戶涉及的對(duì)象越來(lái)越多，其信譽(yù)分量值會(huì)變得越來(lái)越大，也就代表其的信譽(yù)越來(lái)越好。

同樣的，在某一次更新過(guò)程中，為了計(jì)算對(duì)象的質(zhì)量值，我們也從時(shí)間和度的角度設(shè)計(jì)了一個(gè)質(zhì)量積累過(guò)程，如下：

一個(gè)對(duì)象的質(zhì)量值也并不是一次就可以測(cè)試出來(lái)的，而是通過(guò)許多的用戶行為才會(huì)有評(píng)價(jià)，所以我們綜合分析了相關(guān)信息并做了計(jì)算，從上面公式可以知道一個(gè)對(duì)象的質(zhì)量分量與它所涉及的用戶信譽(yù)、對(duì)象質(zhì)量、對(duì)象的度及用戶的度呈一定的關(guān)系。其實(shí)這個(gè)質(zhì)量積累過(guò)程也能夠有效應(yīng)對(duì)信譽(yù)差的用戶及質(zhì)量不好的對(duì)象，因?yàn)檫@中一個(gè)積累過(guò)程，單次的值對(duì)整個(gè)對(duì)象的質(zhì)量并不會(huì)產(chǎn)生很大的影響。隨著對(duì)象被不同用戶產(chǎn)生越來(lái)越多的行為時(shí)，其對(duì)應(yīng)的質(zhì)量分量值會(huì)越來(lái)越高，這也表示它的質(zhì)量經(jīng)過(guò)了大家的認(rèn)可，確實(shí)是一個(gè)高質(zhì)量的對(duì)象。

另外，迭代過(guò)程中R_i都會(huì)更新，因此在某一次更新過(guò)程中，為了計(jì)算用戶i的信譽(yù)值，通過(guò)計(jì)算融合兩個(gè)行為權(quán)重因子的用戶評(píng)分向量和相應(yīng)對(duì)象質(zhì)量向量之間的改進(jìn)皮爾森相關(guān)系數(shù)作為用戶的臨時(shí)信譽(yù)值，如下：

如果TR_i小于或者等于0，那么用戶i的臨時(shí)信譽(yù)值就會(huì)設(shè)定為1因此，臨時(shí)信譽(yù)值TR_i的區(qū)間為[0，1]。另外，用戶的信譽(yù)與他的評(píng)分向量和相應(yīng)的對(duì)象的加權(quán)平均評(píng)分向量的平均平方誤差是成反比的。基于皮爾森相關(guān)分析的信譽(yù)被證明是更強(qiáng)大的應(yīng)對(duì)垃圾郵件評(píng)分中是比上述方法更有效果，能夠更準(zhǔn)確地評(píng)估物體的質(zhì)量。

考慮到用戶的信譽(yù)受到用戶度的影響，均衡信譽(yù)值，在某一次迭代過(guò)程中，通過(guò)臨時(shí)信譽(yù)值與用戶信譽(yù)積累過(guò)程分量值的比值作為本次迭代后用戶的最終信譽(yù)，如下：

通過(guò)以上公式我們知道，用戶信譽(yù)積累過(guò)程類似于著名的K近鄰算法，完全將噪聲消除在用戶的度以外，并且這種效果是累積在每一次更新迭代過(guò)程中，并最終在評(píng)估目標(biāo)質(zhì)量準(zhǔn)確性中將獲得一個(gè)大的改善，雖然修改的方法似乎是小的，但改善是巨大的。

此外在迭代過(guò)程中，對(duì)象Q_i也會(huì)改變，通過(guò)如下公式來(lái)更新每一次迭代過(guò)程中對(duì)象的質(zhì)量值：

用戶的信譽(yù)和對(duì)象的質(zhì)量將在每一步更新。當(dāng)質(zhì)量變化小到一個(gè)最小值Δ時(shí)(本文中Δ＝10^-4)，算法停止；

在本發(fā)明實(shí)施例中，整個(gè)算法可以基于大數(shù)語(yǔ)言來(lái)開發(fā)實(shí)現(xiàn)，如spark、hadoop等。

本發(fā)明從時(shí)間和度的角度設(shè)計(jì)兩個(gè)行為權(quán)重因子和兩分量積累過(guò)程能夠在一定程度上反映具體的事物流程，能夠有效扼制惡意行為，并直接細(xì)化了每個(gè)對(duì)象質(zhì)量和用戶信譽(yù)的變化過(guò)程，對(duì)比其他算法，此算法所取得的效果有較大幅度的提高，可以為實(shí)際應(yīng)用帶來(lái)價(jià)值。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。