基于信誉与风险态度的决策机制研究＊

祝胜林 张明武 杨 波

（华南农业大学信息学院 广州 510642）

0 引 言

近年来，分布式计算已经成为主要的计算模式，但由于分布式系统的分散性、开放性和自治性等特点，交互的双方极有可能彼此并不熟悉，因而存在许多的不确定性和风险.在线贸易社区就是一种分布式系统，买方对卖方选择的决策就存在着不确定性和风险，为了提高决策效果，提出了许多信誉机制［1］.买方对卖方选择的决策机制在分布式计算模式，尤其是Internet的服务提供和服务消费模式中是至关重要的.

在信誉机制中存在2种证据［2］：（1）直接交易经历.这是第一手的证据，是买方与卖方直接交易产生的，一般认为是可靠的；（2）间接交易经历.这是第二手的证据，是其他买方提供或反馈它们与卖方直接交易的经历，譬如：评分，提供这种证据的买方被称为目击者或推荐方.由于直接交易经历的不足，买方必须利用目击者推荐的间接交易经历进行决策，但由于共谋、歧视或漠视等多种原因产生的不公正评分影响了基于信誉的决策效果，为了抵抗不公正评分，信誉机制越来越繁琐，因而存在如下的不足：计算公式非常复杂、运算量大、参数确定需要进行大量的仿真实验以及需要买方存储大量相关信息，譬如：推荐方的权重或信誉.

信誉系统是利用先前的交易行为来预测未来交易行为［3］.信誉只相当于未来交易成功的概率，即与信誉高的卖方进行交易并不一定成功，而与信誉低的卖方进行交易并不一定不成功.在实际的决策中，譬如：交易额不大的交易中，买方对卖方选择的决策会比较随意；而对交易额达到月收入的几倍或几十倍的交易中，买方对卖方选择的决策一般会很谨慎.因此，对卖方选择的决策除了信誉外，还应与买方的风险态度有关.本文综合卖方信誉和买方的风险态度，首次提出了基于信誉和风险态度的决策机制.

1 信誉机制

1.1 信誉系统

信誉系统又称信誉报告系统，在线贸易社区中的信誉报告系统存在买方和卖方2种实体，有被评估、评估、推荐3种角色.卖方担当被评估角色，参与下一次交易的买方担当评估角色，与卖方有过交易的买方（以下称目击方）担当推荐角色.实体与角色关系如图1所示，虚线椭圆框中S1，…，Sn为卖方实体；虚线圆形框中R1，…，Rm为目击方，担任推荐角色；E为买方，担任评估角色.实线箭头表示选择卖方；虚线箭头表示推荐信息.

图1 实体与角色的关系

1.2 信誉计算

信誉计算的前提：（1）第一手证据比第二手证据更可靠；（2）来自可信目击者的证据更可靠；（3）最近的证据比历史的证据更有效；（4）存在少量的不公正评分.下面给出基于这些假设的计算公式或算法.

1.2.1 基于直接和间接交易经历的计算

一般认为第一手的证据比第二手的证据更可靠，因此在计算中调高第一手证据的权重，或适当调低第二手证据的权重.第一手证据的评分用R1表示，第二手证据的评分用R2表示，权重用α和β表示，卖方的信誉用R表示.

从式（1）中可以看出，增大α，同时减少β，表示更看重直接交易经历.α＝0，表示直接交易经历不足；β＝0表示不利用来自目击者的推荐信息，问题在于合理地选择和自适应地调整权重参数比较困难.

1.2.2 基于目击者信誉的计算

在直接交易经历不足的情况下，必须利用来自目击者的推荐信息，譬如：评分.由于目击者散布在社区中，要收集到所有的评分存在困难，基于邻居的收集机制比较适用.设有一个有m个节点的邻居集合N＝｛n1，n2，…，nm｝，推荐者的信任用集合T＝｛t1，t2，…，tm｝表示.

交易结束后，买方对本次交易的评分为r，依据该评分对目击者的信任值进行调整，调正的门限为ε，调整的幅度为Δ.

同样地，选择合适的ε和Δ，以及自适应地调整是一个难题.

1.2.3 基于折扣历史证据的计算

根据时间可以将证据分为最近证据和历史证据，通常认为最近证据比历史证据更准确地反映卖方的行为，为此需要对过去的评分进行折扣，譬如：遗忘因子（forgetting factor）控制历史证据的遗忘速度.设时间窗口的大小为w、遗忘因子为λ、最近一次交易的时间为T、评分收集的时间为Ti和折扣后的评分值为R1，2（因为第一手和第二手证据都要折扣）.

同样地，选择合适的w和λ是一个难题.

1.2.4 抵抗不公正评分的计算

好的信誉有助于增加交易机会和提高交易的价格因而增加卖方的收益，为此不诚实的卖方可能与恶意的买方进行共谋以夸大卖方的信誉或贬低竞争对手的信誉，因此，在目击者的推荐信息中混有不公正的评分.不公正评分分为：（1）买方提供的不公正评分.分为不公正高分（ballot stuffing）和不公正低分（bad－mouthing）；（2）卖方的歧视行为.分为负歧视和正歧视.前者是指卖方提供好的服务给每个买方，但特定的买方（受害者）除外；后者是向特定的买方提供特别好的服务，而向其他买方提供一般的服务.

受控的匿名机制可以防止卖方的打击报复行为；适当的过滤机制有助于减少不公正评分的影响［4］.过滤机制又可以分为［5］：（1）内生式.假设不公正的评分仅仅通过评分数据的统计属性能被识别；（2）外生式.目击者的信任（外生的信息）作为评分的权重，假设信任值高的目击者推荐信息的可靠性高.（3）内生与外生结合式.既要利用评分数据的统计属性，又要利用目击者的信任.下面给出一般的过滤算法伪代码.

1）目击者的集合C，提供公证评分的目击者的集合F，被评估的卖方为Z.

2）返回的R（Z）就是过滤不公正评分后Z的信誉值.

4）判断元素fi∈F由函数member来实现，是集合的元素返回真，否则返回假.

5）从集合中删除元素由函数move来实现.

2 风险态度

2.1 风险

在分布式环境中有不存在诸多的不确定，决策者根据发生的事件预测未来事件发生的概率存在风险.根据成本（cost）与收益（gain），风险（risk）可以表示为

即成本越高风险越大，收益越小风险越大.

2.2 风险态度

由于收益与效用相关的，效用函数体现风险态度，风险态度可以由如下公式决定［6］.

式中：Fc为愿意投入总资本的份额；Gs为获利因子；p为交易成功的概率；λ为缓和Gs在总资本份额影响的一个因子.λ值越小则代表风险追求态度，风险容忍度增大；值越大代表风险厌恶态度，风险容忍度减少.风险态度分为3种类型［7］：风险追求、风险中立和风险厌恶.

不同的买方可以拥有不同的风险态度，并且风险态度是可以改变的.风险态度改变的原因有如下几种：（1）交易额变化.交易额是几个月工资就会比较谨慎而采取风险厌恶态度，交易额很小，一般会采取风险中立或风险追求态度；（2）过去经历的变化.没有不成功交易的经历的买方一般更能容忍风险，而经历了不成功交易的买方一般对风险容忍度下降.（3）其他变化.在线交易欺诈行为报道增多会较低风险容忍度.

3 基于信誉与风险态度的决策机制

3.1 信誉与风险态度的关系

卖方的信誉与未来交易成功的概率成正比，即信誉越高，成功的概率越高；信誉越低，成功的概率越低.评估方的风险态度反映了它的风险容忍度，风险厌恶态度要求未来交易成功的概率越高也好；风险追求态度更关注成功交易的获利水平，对新加入的卖方会给予关注.信誉与风险态度的关系如表1所列.

表1 信誉与风险态度的关系

3.2 决策策略

从表1所示的关系，根据不公正评分处理、信誉计算和惩罚措施等的不同体现3种不同的决策策略：风险追求策略、风险中立策略和风险厌恶策略，它们之间的关系如图2所示.

图2 卖方选择决策的3种策略关系

从图2可以看出，本文依据风险态度的不同对卖方选择的决策采用不同的策略，其中风险追求策略计算量很少，需要存储的信息少；风险厌恶策略计算公式复杂，运算量大和需要存储较多的相关信息；风险中立策略需要进行计算，但与风险厌恶策略相比，具有公式简单，运算量不太大，需要存储的信息较少.由于不是所有的卖方选择都是采用风险厌恶决略，因此基于信誉和风险态度的决策机制能够有效地降低计算量.

4 结束语

信誉系统是利用先前的交易行为来预测未来交易行为，信誉相当于未来交易成功的概率，对卖方选择基于信誉的决策有助于选中可靠的卖方.本文针对仅基于信誉的决策存在计算公式复杂，运算量大和需要存储大量信息的问题，依据买方风险态度细分出三种策略，在实际决策中有针对性地运用相应的策略能够有效地降低计算量.进一步的研究是更加细致地形式化风险态度.

［1］Jøsang A，Ismail R，Boyd C.A survey of trust and reputation systems for online service provision［J］.Journal of Decision Support Systems，2007，43（2）：618－644.

［2］Mui L，Mohtashemi M，Halberstadt A.Notions of reputation in multi－agents systems：a review［C］／／Proceedings of The First International Joint Conference on Autonomous Agents and Multiagent Systems，2002：280－287.

［3］Dellarocas C.Immunizing online reputation reporting systems against unfair ratings and discriminatory behavior［C］／／ACM Conference on Electronic Commerce 2000：150－157.

［4］Whitby A，Jøsang A，Indulska J.Filtering out unfair ratings in Bayesian reputation systems［J］.The Icfain Journal of Management Research，2005，4（2）：48－64.

［5］Zhang J，Sensoy M，Cohen R.A detailed comparison of probabilistic approaches for coping with unfair ratings in trust and reputation systems［C］／／Proceedings of Sixth Annual Conference on Privacy，Security and Trust，IEEE Computer Society，2008：189－200.

［6］Jøsang A，Presti S.Analyzing the relationship between risk and trust［C］／／Proceedings of the 2nd International Conference on Trust Management，2004：135－145.

［7］黄辰林，胡华平，王志英.一种面向可信决策的风险信任平衡模型研究［J］.计算机工程与科学，2007，29（4）：31－35.