基于时间帧的网上交易动态信用评估模型

周华玲,王凤英

(山东理工大学计算机科学与技术学院,山东淄博255049)

对于网上购物的人来说,最关心的就是网店的信誉问题.与大多数国内信誉评估系统一样[1],淘宝网也沿用eBay的信誉评估机制——反馈机制,即双方在交易结束后根据结果给对方一个评价.但现有的信用评估模型本身存在如下不足之处:首先,未能考虑复杂的合伙欺骗方式,即协同欺骗的用户通过在短时间内以较高的频率提交不诚实的反馈诋毁其它节点或者合伙欺骗提升自身信任值[2];其次,不能满足信任动态性的需求,当前信用评估模型评估一家店铺的信用度主要看该店的好评数和差评数而不考虑时间因素,影响信用评估的准确性.文献[3]考虑了时间因素,引入了信任信息提供者,使得信任模型中信任关系变得复杂,需要多次认证.

本文提出基于时间帧的动态信用评估模型,充分考虑时间属性对信任计算的影响,使用时间帧的概念来标示评价的时间特性,使用评价可信度、近期信任、长期信任和累积负信任4个参数来计算用户可信度.其中,评价可信度的计算引入模糊集合理论[4-5],以用户信息及以往的交易情况为模糊参数进行计算,不需要可信第三方.

1 评价可信度

目前的信任评估模型把所有的评价都当作是真实可信的,显然这是不确切的.现实情况是,有些卖家为了增加自己店铺的交易量,自己注册帐号进行交易,然后提交不诚实的评价.解决不诚实评价的方法是考虑评价的可信度.但由于评价具有主观性和模糊性,无法用常规精确的数学模型来描述和处理.为此,我们引入模糊集合理论的隶属函数(隶属度),以解决对具有模糊性的主观评价的定量描述.

我们以发表评价的用户m为例,考虑其可信度.首先,引入用户m的模糊参数(k=1,2,…,p).模糊参数是用来评价用户m的特征参数,比如用户m注册时提交的社会身份、社会地位以及用户m交易成功的次数、交易金额、注册时间长短、交易频率、评价提交频率等.我们采用用户m对模糊参数Pk的隶属度的加权平均值来描述用户m的可信度.其中,0≤Umk≤1(k=1,2,…,p)是用户m对模糊参数Pk的隶属度.用户m的可信度Tm可用下面的公式来计算:

式中,ωk(k=1,2,…,p)为权值,且=1(权值可根据实际情况取值).

2 基于时间帧的动态信用评估模型

收集一段时间内(比如一个季度、半年、一年或更长时间)卖家i得到的所有评价(好评、中评、差评),为了提高信用评价的准确性,把一段时间分为若干个时间帧,时间帧长度可视具体情况而定.在时间帧n内,对卖家i的信任评价记为,用下列公式定义:

其中,T1,T2……是各个评价对应的可信度…是卖家i收到的好评…是卖家i收到的差评…是卖家i收到的中评;卖家收到一条好评得+1分,中评不得分,差评得-1分为卖家i收到的所有好评与对应的评价可信度乘积之和的平均值,Bi为卖家i收到的所有差评与对应的评价可信度乘积之和的平均值.α为信任评价的信心因子,α的取值与卖家i的好评数在评价总数中所占的比例有关,好评所占比例越大,α值也越大,取

定义2 设卖家i的近期信任为S Ti,第n个时间帧后近期信任更新为

ρ(0≤ρ≤1)为信任学习因子.ρ越大,先前的信任评价就越容易被遗忘,若ρ=1那么时间帧n之前的信任评价就完全被遗忘.现实生活中,买家对卖家的信任是缓慢增加而快速减少的.也就是说卖家在通过许多成功的交易累积起来的信任等级在几个失败的交易后就会丧失.信任的增加或者减少是不对称的,信任以不同的速度增加和减少.为了惩罚某些卖家的策略性作假行为,我们模拟人类社会的信任行为引入自适应的信任学习因子.

其中λ和γ分别为信任增加和信任减少学习因子.通常,我们取值λ<γ,即信任降低的速度比增加的速度快,这符合人类社会的信任行为习惯.参数的选取需要考虑多种因素.例如,选取一个较低的γ值使得卖家的信任值滞后于作假行为,作假卖家还可以进行多次欺骗;相反,一个较高的γ值可能会严重惩罚那些由于受客观情况影响服务质量下降的无辜卖家(如货物在运输途中损坏或由于各种原因买家在预期时间内未收到货物).实际应用中,信任评价的正确性受经验评价正确性的影响,λ,γ的值为经验值.ε＞0,为事先设定的信任评价波动容忍范围(允许信任度降低,但不能超出一定范围,如公式(6)所示).

定义3 设卖家i的长期信任为L Ti,第n个时间帧后卖家i的长期信任可以用下面的公式计算:

长期信任实际上是各个时间帧内的信任评价之和的平均值,最终的信任评价结果Ti取近期信任和长期信任二者中的最小值:

依据公式(8),卖家在短时间内进行大量虚假交易来获得好评的信任值会迅速减小,而长期以来信誉度不高的卖家也不能通过短时间的良好行为获得较高的信任值.

定义4 设卖家i经过失败交易得到差评的累积负信任为NTi,则第n个时间帧后累积负信任更新为

基于累积负信任NTi,通过和信任增加学习因子λ结合,可以对不诚信经营得到差评的卖家进行惩罚:

得到差评的卖家的信任增加学习因子λ会随着累积负信任的增加不断减小,使得卖家恢复到原来的信任值需要更长时间的成功交易,达到了惩罚的效果.a为事先取定的常量,可以通过改变a的大小来控制惩罚的力度,a取值越大,λ减小的速度越慢,惩罚力度越小.对于性质比较恶劣的卖家如欺骗买家钱财数额较大,可根据客户投诉,查清事实后直接封店铺而不必用公式(10)进行惩罚.

每隔一定的时间间隔(根据购物平台信任评价管理者预先设定的工作策略),信任评估管理者对数据库中的信任信息进行一次处理.根据收集到的信任信息计算出每个卖家的新的信任度等级,实时更新卖家的信用度,实现模型的动态适应能力.

3 典型应用

取某卖家半年内的交易为例,由于该卖家信用等级不高,前几个月交易量很低.为提高信用度该卖家在第六个月与人合谋进行虚假交易.该卖家所得评价见表1,(这个例子比较简单,没有提供评价者的特征参数,各评价可信度取[0,1] 之间的随机值;时间帧的长度定为一个月)

表1 某卖家半年内收到的评价

经过计算,得

我们取ε=0.05,λ=0.6,γ=0.8近期信任、长期信任初始化为0,则

由上可以看出,第6个月卖家为提高信用等级而进行大量虚假交易,使得第6个月的近期信任由第5个月的0.44增至0.54.而我们的算法规定,最终的信任评价结果取长期信任和近期信任二者中的最小值.因此,第6个月后该卖家的最终信任评价结果为0.43.这种计算方法可有效的减小卖家在短时间内提供大量的不诚实评价对信任评估准确性造成的影响,使得卖家必须经过长期诚信经营才能获得较高的信任度.

4 结束语

本文提出一个基于时间帧的动态信用评价模型,用时间帧标示评价的时间特性,实时更新评价的可信度,能够有效的处理卖家策略性的作假行为对可信值计算造成的影响.该模型克服了传统模型的局限性,有效地提高了卖家诚实交易的积极性和交易成功率,增强了信任评价系统的真实性和可靠性.

[1] 薛海清.电子商务中信用与安全问题的研究[D] .北京:北京交通大学,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] 杨建喜,葛垚.电子商务系统信任模型动态控制方案的研究[J] .微机发展,2005,15(12):157-159.

[4] 王凤英,王振友,程震,等.基于模糊综合控制的UCONF模型构建与分析[J] .武汉大学学报(理学版),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] 常俊胜,王怀民,尹刚.Dy Trust:一种P2P系统中基于时间帧的动态信任模型[J] .计算机学报,2006,29(8):1 301-1 307.