基于時間幀的網上交易動態信用評估模型

周華玲,王鳳英

(山東理工大學計算機科學與技術學院,山東淄博255049)

對于網上購物的人來說,最關心的就是網店的信譽問題.與大多數國內信譽評估系統一樣[1],淘寶網也沿用eBay的信譽評估機制——反饋機制,即雙方在交易結束后根據結果給對方一個評價.但現有的信用評估模型本身存在如下不足之處:首先,未能考慮復雜的合伙欺騙方式,即協同欺騙的用戶通過在短時間內以較高的頻率提交不誠實的反饋詆毀其它節點或者合伙欺騙提升自身信任值[2];其次,不能滿足信任動態性的需求,當前信用評估模型評估一家店鋪的信用度主要看該店的好評數和差評數而不考慮時間因素,影響信用評估的準確性.文獻[3]考慮了時間因素,引入了信任信息提供者,使得信任模型中信任關系變得復雜,需要多次認證.

本文提出基于時間幀的動態信用評估模型,充分考慮時間屬性對信任計算的影響,使用時間幀的概念來標示評價的時間特性,使用評價可信度、近期信任、長期信任和累積負信任4個參數來計算用戶可信度.其中,評價可信度的計算引入模糊集合理論[4-5],以用戶信息及以往的交易情況為模糊參數進行計算,不需要可信第三方.

1 評價可信度

目前的信任評估模型把所有的評價都當作是真實可信的,顯然這是不確切的.現實情況是,有些賣家為了增加自己店鋪的交易量,自己注冊帳號進行交易,然后提交不誠實的評價.解決不誠實評價的方法是考慮評價的可信度.但由于評價具有主觀性和模糊性,無法用常規精確的數學模型來描述和處理.為此,我們引入模糊集合理論的隸屬函數(隸屬度),以解決對具有模糊性的主觀評價的定量描述.

我們以發表評價的用戶m為例,考慮其可信度.首先,引入用戶m的模糊參數(k=1,2,…,p).模糊參數是用來評價用戶m的特征參數,比如用戶m注冊時提交的社會身份、社會地位以及用戶m交易成功的次數、交易金額、注冊時間長短、交易頻率、評價提交頻率等.我們采用用戶m對模糊參數Pk的隸屬度的加權平均值來描述用戶m的可信度.其中,0≤Umk≤1(k=1,2,…,p)是用戶m對模糊參數Pk的隸屬度.用戶m的可信度Tm可用下面的公式來計算:

式中,ωk(k=1,2,…,p)為權值,且=1(權值可根據實際情況取值).

2 基于時間幀的動態信用評估模型

收集一段時間內(比如一個季度、半年、一年或更長時間)賣家i得到的所有評價(好評、中評、差評),為了提高信用評價的準確性,把一段時間分為若干個時間幀,時間幀長度可視具體情況而定.在時間幀n內,對賣家i的信任評價記為,用下列公式定義:

其中,T1,T2……是各個評價對應的可信度…是賣家i收到的好評…是賣家i收到的差評…是賣家i收到的中評;賣家收到一條好評得+1分,中評不得分,差評得-1分為賣家i收到的所有好評與對應的評價可信度乘積之和的平均值,Bi為賣家i收到的所有差評與對應的評價可信度乘積之和的平均值.α為信任評價的信心因子,α的取值與賣家i的好評數在評價總數中所占的比例有關,好評所占比例越大,α值也越大,取

定義2 設賣家i的近期信任為S Ti,第n個時間幀后近期信任更新為

ρ(0≤ρ≤1)為信任學習因子.ρ越大,先前的信任評價就越容易被遺忘,若ρ=1那么時間幀n之前的信任評價就完全被遺忘.現實生活中,買家對賣家的信任是緩慢增加而快速減少的.也就是說賣家在通過許多成功的交易累積起來的信任等級在幾個失敗的交易后就會喪失.信任的增加或者減少是不對稱的,信任以不同的速度增加和減少.為了懲罰某些賣家的策略性作假行為,我們模擬人類社會的信任行為引入自適應的信任學習因子.

其中λ和γ分別為信任增加和信任減少學習因子.通常,我們取值λ<γ,即信任降低的速度比增加的速度快,這符合人類社會的信任行為習慣.參數的選取需要考慮多種因素.例如,選取一個較低的γ值使得賣家的信任值滯后于作假行為,作假賣家還可以進行多次欺騙;相反,一個較高的γ值可能會嚴重懲罰那些由于受客觀情況影響服務質量下降的無辜賣家(如貨物在運輸途中損壞或由于各種原因買家在預期時間內未收到貨物).實際應用中,信任評價的正確性受經驗評價正確性的影響,λ,γ的值為經驗值.ε＞0,為事先設定的信任評價波動容忍范圍(允許信任度降低,但不能超出一定范圍,如公式(6)所示).

定義3 設賣家i的長期信任為L Ti,第n個時間幀后賣家i的長期信任可以用下面的公式計算:

長期信任實際上是各個時間幀內的信任評價之和的平均值,最終的信任評價結果Ti取近期信任和長期信任二者中的最小值:

依據公式(8),賣家在短時間內進行大量虛假交易來獲得好評的信任值會迅速減小,而長期以來信譽度不高的賣家也不能通過短時間的良好行為獲得較高的信任值.

定義4 設賣家i經過失敗交易得到差評的累積負信任為NTi,則第n個時間幀后累積負信任更新為

基于累積負信任NTi,通過和信任增加學習因子λ結合,可以對不誠信經營得到差評的賣家進行懲罰:

得到差評的賣家的信任增加學習因子λ會隨著累積負信任的增加不斷減小,使得賣家恢復到原來的信任值需要更長時間的成功交易,達到了懲罰的效果.a為事先取定的常量,可以通過改變a的大小來控制懲罰的力度,a取值越大,λ減小的速度越慢,懲罰力度越小.對于性質比較惡劣的賣家如欺騙買家錢財數額較大,可根據客戶投訴,查清事實后直接封店鋪而不必用公式(10)進行懲罰.

每隔一定的時間間隔(根據購物平臺信任評價管理者預先設定的工作策略),信任評估管理者對數據庫中的信任信息進行一次處理.根據收集到的信任信息計算出每個賣家的新的信任度等級,實時更新賣家的信用度,實現模型的動態適應能力.

3 典型應用

取某賣家半年內的交易為例,由于該賣家信用等級不高,前幾個月交易量很低.為提高信用度該賣家在第六個月與人合謀進行虛假交易.該賣家所得評價見表1,(這個例子比較簡單,沒有提供評價者的特征參數,各評價可信度取[0,1] 之間的隨機值;時間幀的長度定為一個月)

表1 某賣家半年內收到的評價

經過計算,得

我們取ε=0.05,λ=0.6,γ=0.8近期信任、長期信任初始化為0,則

由上可以看出,第6個月賣家為提高信用等級而進行大量虛假交易,使得第6個月的近期信任由第5個月的0.44增至0.54.而我們的算法規定,最終的信任評價結果取長期信任和近期信任二者中的最小值.因此,第6個月后該賣家的最終信任評價結果為0.43.這種計算方法可有效的減小賣家在短時間內提供大量的不誠實評價對信任評估準確性造成的影響,使得賣家必須經過長期誠信經營才能獲得較高的信任度.

4 結束語

本文提出一個基于時間幀的動態信用評價模型,用時間幀標示評價的時間特性,實時更新評價的可信度,能夠有效的處理賣家策略性的作假行為對可信值計算造成的影響.該模型克服了傳統模型的局限性,有效地提高了賣家誠實交易的積極性和交易成功率,增強了信任評價系統的真實性和可靠性.

[1] 薛海清.電子商務中信用與安全問題的研究[D] .北京:北京交通大學,2006.

[2] Srivatsa M,Xiong L,Liu L.T rust guard:countering vulnerabilities in reputation management for decentralized overlay networks.[C] //.In:Proceedings of the 14thWorld Wide Web Conference,New York.Ny.USA:Association for Computing Machinery 2005,422-431.

[3] 楊建喜,葛垚.電子商務系統信任模型動態控制方案的研究[J] .微機發展,2005,15(12):157-159.

[4] 王鳳英,王振友,程震,等.基于模糊綜合控制的UCONF模型構建與分析[J] .武漢大學學報(理學版),2009,55(1):7-10.

[5] Wang Fengying,Wang Fei.The research and application of resource dissemination based on credibility and UCON[C] //.2007 IEEE International Conference on Computational Intelligence and Security,Washington.DC.USA:IEEE Computer Society 2007,584-588.

[6] 常俊勝,王懷民,尹剛.Dy Trust:一種P2P系統中基于時間幀的動態信任模型[J] .計算機學報,2006,29(8):1 301-1 307.