基于全局与局部结合的服务信任值评价推介剖析.pptVIP

Combining Global and Local Trust for Service Recommendation 基于全局和局部结合的服务推荐的信任评价 问题背景 随着服务计算的流行，很多领域的电子服务正在发展，通过各种技术，在松散耦合的环境中为用户提供服务，这样形成一个服务性环境。 从某个用户出发，一项服务的信用状况是一件关键的因素需要考虑，特别是一项服务产品之前用户没有亲身体验过，有必要对该服务进行可信度评价 问题背景 对用户说，必须要考虑这个问题：“我是不是应该买这种服务”，基于这个问题，很多可信度评估的方法被提出。 评价方法（以前） 局部可信度（Local trust ）评价度量方法 参考其个人或者其他对目标服务有直接使用经验的人（trustee,信任委托人）对该服务的个人评价 优点：更为准确， 缺点：可能存在没有对目标服务有直接经验的信任委托人，或者该委托人存在不可信的情况，委托人的意见多样 评价方法 全局可信度（Global trust）评价度量方法 该服务所有用户的评价总和或者平均值（ 服务产品的口碑，名誉，Reputation） 优点：唯一，全面，综合考虑 缺点：，对每个人的评分进行简单计算，忽略服务的普及程度（用户的数量） ， 忽视恶意评论 本文的工作 1. 对两种方法都各自进行了改进 2. 结合两种方法，为带有社交网络环境的服务推介提供可信度评价（a services-oriented environment with social network ） 带有社交网络的服务环境 参数标记 全局信任度计算（本文） 考虑 了用户数量， 全局信任值=平均信任度得分+服务普及度（用户数量） 全局信任度计算（本文） 全局信任度计算（本文） Max — 使用该服务的可能达到的用户数量 r — 该服务预测的参考值 u — 可调参数 控制 随着r变化的速度 全局信任度计算 随着 n(s)变化函数 P(s) 的范围是[0,1] 局部信任度计算（本文） 保证评价结果的准确性： 1.识别信任委托用户（trustee）（有亲身体验过该产品的用户） 直接接触目标服务，且 两者之间的信任度不能太小 2.结合委托用户对服务的体验评价来对服务进行评价 ——加权平均聚合法 与委托人之间信任度越大，越相信委托人，即通过加权来确定 局部信任度计算 Let user D be the evaluating user and service 2 be the target service. User A and E are two direct users (in other words, witnesses) of the target service. To assess the trustworthiness of service 2 to D, it is necessary to evaluate the credibility of A and E firstly. Then the trust of A and E on service 2 are aggregated with their credibility as weight to infer the trust value of service 2 局部信任度计算 Tt(a,s)表示评价用户a对服务S的可信度评价， Credibility(u)表示 评价用户a 对信任委托用户 u 的可信权重， t(u,s)表示委托用户 u 对服务s的信任度评价 局部信任度计算 t(ai ,ai+1) 范围为[0,1] ，表示从用户a i对用户ai+1的信任度 信任路径越长 ，信任权重越小 ，合理 信任路径上的值越大，信任权重越大，合理 若某一个委托（credit）用户到达评价用户的路径有多条，选择权重最大的路径作为Credibility(u) 表示信任路径上信用可接受的最小值 假设p(a1,a2,a3,……an)为评价用户到达信任用户的某一信用路径（trust path）（可多条）,该路径的权重为 局部信任与全局信任的结合 提出原因： 1.每个方法都有各自的局限性 2.启发式原则 局部信任与全局信任的结合 heuris