CN105488684A - 交易系统中的推荐关系确定方法及装置 - Google Patents
交易系统中的推荐关系确定方法及装置 Download PDFInfo
- Publication number
- CN105488684A CN105488684A CN201510784757.9A CN201510784757A CN105488684A CN 105488684 A CN105488684 A CN 105488684A CN 201510784757 A CN201510784757 A CN 201510784757A CN 105488684 A CN105488684 A CN 105488684A
- Authority
- CN
- China
- Prior art keywords
- type
- commodity
- trust
- user
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0248—Avoiding fraud
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种交易系统中的推荐关系确定方法及装置,属于计算机应用领域。方法包括:根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度;根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度;根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度;根据所述每组潜在交易组合之间的间接信任度确定推荐关系;结合用户之间购买商品类型的相似性以及用户对商品的评价的相似性来考虑用户之间的推荐是否可信,能够抵恶意评价的欺骗攻击、降低信任风险以及提升推荐的个性化。
Description
技术领域
本公开涉及计算机应用领域,特别涉及一种交易系统中的推荐关系确定方法及装置。
背景技术
电子商务市场的迅速发展给商家的设计、销售、服务提出了许多新要求,如何提供一对一的客户关怀成为商家成功与否的决定性因素之一。
推荐系统利用电子商务平台向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。如何提高推荐系统的推荐准确性和个性化能力,已逐渐成为电子商务推荐系统成功应用的关键。
发明内容
本公开实施例提供了一种推荐关系确定方法及装置,所述技术方案如下:
根据本公开实施例的第一方面,提供了一种推荐关系确定方法,由计算机设备执行,该方法包括:
根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,所述信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个所述信任情境组合中包含两个信任情境,且所述两个信任情境的商品购买者不同,商品出售者相同;所述商品类型树用于表征各个商品所属类型之间的从属关系;
根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,所述信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价;
根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,所述潜在交易组合包括两个未发生过交易的用户,所述间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性;
根据所述每组潜在交易组合之间的间接信任度确定推荐关系。
可选的,对于包含第一信任情境和第二信任情境的一个信任情境组合,所述第一信任情境的商品购买者为第一用户,所述第二信任情境的商品购买者为第二用户,所述一组信任情境的商品出售者同为第三用户;所述根据商品类型树以及各个用户之间的交易商品信息计算每一个信任情境组合的相似度,包括:
获取共同类型集合,所述共同类型集合为第一类型集合和第二类型集合的交集,所述第一类型集合为所述第一用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合,所述第二类型集合为所述第二用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合;所述类型路径为所述商品类型树中,从通用类型到交易商品的最小类型之间的路径;所述通用类型为所述商品类型树中处于最顶层的类型;
计算所述第一用户对所述共同类型集合中每一个类型的兴趣度,以及所述第二用户对所述共同类型集合中每一个类型的兴趣度;
根据所述共同类型集合、所述第一用户对所述共同类型集合中每一个类型的兴趣度以及所述第二用户对所述共同类型集合中每一个类型的兴趣度,计算所述信任情境组合的相似度。
可选的,所述计算所述第一用户对所述类型交集中每一个类型的兴趣度,包括:
获取第一商品集合以及第二商品集合,所述第一商品集合为所述第一用户历史购买过的商品的集合,所述第二商品集合为所述第一用户从所述第三用户处购买过的商品的集合;
根据所述第一商品集合、所述第二商品集合以及第一类型路径确定所述第一用户对所述第一类型路径中各个类型的总兴趣度;所述第一类型为所述第一用户与所述第三用户之间的交易商品的类型路径;
获取所述第一类型路径中每一个类型下的子类型;
根据所述总兴趣度以及所述第一类型路径中每一个类型下的子类型确定所述第一用户对所述第一类型路径中的各个类型的兴趣度,所述第一类型路径中的各个类型包含所述共同类型集合中的各个类型。
可选的,所述根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,包括:
对于一组潜在交易组合,确定所述潜在交易组合中的两个用户之间的若干条信任路径,所述信任路径中包含至少三个用户,所述信任路径分别以所述潜在交易组合中的商品购买者为开始点,以所述潜在交易组合中的商品出售者为结束点,且所述信任路径中任意的相邻两个用户之间发生过商品交易;
确定所述若干条交易路径中的指定类型信任路径,所述指定类型信任路径是指所述若干条信任路径中,每两条包含同一证人的信任路径,所述证人是与所述潜在交易组合中的商品出售者发生过交易的用户;
对于每一条指定类型信任路径,根据所述指定类型信任路径中每相邻两个用户对应的信任情境组合的相似度、以及所述相邻两个用户对共同交易伙伴的信任倾向之间的相似度,计算所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度;
对于每一条指定类型信任路径,根据所述指定类型信任路径的长度计算所述指定类型信任路径的可靠性;
根据所述指定类型信任路径的数量、所述潜在交易组合中的商品出售者的证人集合、每一条所述指定类型信任路径的可靠性以及每一条所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度,计算所述潜在交易组合之间的间接信任度。
可选的,所述根据所述每组潜在交易组合之间的间接信任度确定推荐关系,包括:
对于一个商品购买者用户,确定所述商品购买者用户所在的各个潜在交易组合中,间接信任度最高的至少一个潜在交易组合;
将所述信任度最高的至少一个潜在交易组合中的商品出售者用户与所述商品购买者用户之间的关系确定为推荐关系。
根据本公开实施例的第二方面,提供了一种交易系统中的推荐关系确定装置,所述装置设置在计算机设备中,所述装置包括:
第一相似度计算模块,用于根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,所述信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个所述信任情境组合中包含两个信任情境,且所述两个信任情境的商品购买者不同,商品出售者相同;所述商品类型树用于表征各个商品所属类型之间的从属关系;
第二相似度计算模块,用于根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,所述信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价;
间接信任度计算模块,用于根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,所述潜在交易组合包括两个未发生过交易的用户,所述间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性;
推荐关系确定模块,用于根据所述每组潜在交易组合之间的间接信任度确定推荐关系。
可选的,对于包含第一信任情境和第二信任情境的一个信任情境组合,所述第一信任情境的商品购买者为第一用户,所述第二信任情境的商品购买者为第二用户,所述一组信任情境的商品出售者同为第三用户;所述第一相似度计算模块,包括:
集合获取单元,用于获取共同类型集合,所述共同类型集合为第一类型集合和第二类型集合的交集,所述第一类型集合为所述第一用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合,所述第二类型集合为所述第二用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合;所述类型路径为所述商品类型树中,从通用类型到交易商品的最小类型之间的路径;所述通用类型为所述商品类型树中处于最顶层的类型;
兴趣度计算单元,用于计算所述第一用户对所述共同类型集合中每一个类型的兴趣度,以及所述第二用户对所述共同类型集合中每一个类型的兴趣度;
相似度计算单元,用于根据所述共同类型集合、所述第一用户对所述共同类型集合中每一个类型的兴趣度以及所述第二用户对所述共同类型集合中每一个类型的兴趣度,计算所述信任情境组合的相似度。
可选的,所述兴趣度计算单元,用于获取第一商品集合以及第二商品集合,所述第一商品集合为所述第一用户历史购买过的商品的集合,所述第二商品集合为所述第一用户从所述第三用户处购买过的商品的集合;根据所述第一商品集合、所述第二商品集合以及第一类型路径确定所述第一用户对所述第一类型路径中各个类型的总兴趣度;所述第一类型为所述第一用户与所述第三用户之间的交易商品的类型路径;获取所述第一类型路径中每一个类型下的子类型;根据所述总兴趣度以及所述第一类型路径中每一个类型下的子类型确定所述第一用户对所述第一类型路径中的各个类型的兴趣度,所述第一类型路径中的各个类型包含所述共同类型集合中的各个类型。
可选的,所述间接信任度计算模块,包括:
第一路径确定单元,用于对于一组潜在交易组合,确定所述潜在交易组合中的两个用户之间的若干条信任路径,所述信任路径中包含至少三个用户,所述信任路径分别以所述潜在交易组合中的商品购买者为开始点,以所述潜在交易组合中的商品出售者为结束点,且所述信任路径中任意的相邻两个用户之间发生过商品交易;
第二路径确定单元,用于确定所述若干条交易路径中的指定类型信任路径,所述指定类型信任路径是指所述若干条信任路径中,每两条包含同一证人的信任路径,所述证人是与所述潜在交易组合中的商品出售者发生过交易的用户;
第一间接信任度计算单元,用于对于每一条指定类型信任路径,根据所述指定类型信任路径中每相邻两个用户对应的信任情境组合的相似度、以及所述相邻两个用户对共同交易伙伴的信任倾向之间的相似度,计算所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度;
可靠性计算单元,用于对于每一条指定类型信任路径,根据所述指定类型信任路径的长度计算所述指定类型信任路径的可靠性;
第二间接信任度计算单元,用于根据所述指定类型信任路径的数量、所述潜在交易组合中的商品出售者的证人集合、每一条所述指定类型信任路径的可靠性以及每一条所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度,计算所述潜在交易组合之间的间接信任度。
可选的,所述推荐关系确定模块,包括:
组合确定单元,用于对于一个商品购买者用户,确定所述商品购买者用户所在的各个潜在交易组合中,间接信任度最高的至少一个潜在交易组合;
关系确定单元,用于将所述信任度最高的至少一个潜在交易组合中的商品出售者用户与所述商品购买者用户之间的关系确定为推荐关系。。
本公开实施例提供的技术方案可以包括以下有益效果:
通过根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,并根据所述每组潜在交易组合之间的间接信任度确定推荐关系,结合用户之间购买商品类型的相似性以及用户对商品的评价的相似性来考虑用户之间的推荐是否可信,能够抵恶意评价的欺骗攻击、降低信任风险以及提升推荐的个性化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种交易系统中的推荐关系确定方法的流程图;
图2是根据另一示例性实施例示出的一种交易系统中的推荐关系确定方法的流程图;
图3是根据一示例性实施例示出的一种交易系统中的推荐关系确定装置的框图;
图4是根据另一示例性实施例示出的一种交易系统中的推荐关系确定装置的框图;
图5是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种交易系统中的推荐关系确定装置的框图方法的流程图,该方法可以由计算机设备执行,该计算机设备可以是一台个人电脑、工作站、网络服务器或者云服务平台等。如图1所示,该方法可以包括如下几个步骤:
步骤101,根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度。
其中,该信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个该信任情境组合中包含两个信任情境,且该两个信任情境的商品购买者不同,商品出售者相同;该商品类型树用于表征各个商品所属类型之间的从属关系。
步骤102,根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度。
其中,该信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价。
步骤103,根据该每一组信任情境的相似度以及该每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度。
其中,该潜在交易组合包括两个未发生过交易的用户,该间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性。
步骤104,根据该每组潜在交易组合之间的间接信任度确定推荐关系。
综上所述,本公开实施例所示的方法,通过根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,并根据所述每组潜在交易组合之间的间接信任度确定推荐关系,结合用户之间购买商品类型的相似性以及用户对商品的评价的相似性来考虑用户之间的推荐是否可信,能够抵恶意评价的欺骗攻击、降低信任风险以及提升推荐的个性化。
图2是根据另一示例性实施例示出的一种交易系统中的推荐关系确定装置的框图方法的流程图,该方法可以由计算机设备执行,该计算机设备可以是一台个人电脑、工作站、网络服务器或者云服务平台等。如图2所示,该方法可以包括如下几个步骤:
步骤201,根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度。
其中,该信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个该信任情境组合中包含两个信任情境,且该两个信任情境的商品购买者不同,商品出售者相同;该商品类型树用于表征各个商品所属类型之间的从属关系。
其中,对于包含第一信任情境和第二信任情境的一个信任情境组合,该第一信任情境的商品购买者为第一用户,该第二信任情境的商品购买者为第二用户,该一组信任情境的商品出售者同为第三用户;实现根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度的步骤可以如下:
1)获取共同类型集合,该共同类型集合为第一类型集合和第二类型集合的交集,该第一类型集合为该第一用户与该第三用户之间的交易商品的类型路径上的各个类型组成的集合,该第二类型集合为该第二用户与该第三用户之间的交易商品的类型路径上的各个类型组成的集合;该类型路径为该商品类型树中,从通用类型到交易商品的最小类型之间的路径;该通用类型为该商品类型树中处于最顶层的类型。
2)计算该第一用户对该共同类型集合中每一个类型的兴趣度,以及该第二用户对该共同类型集合中每一个类型的兴趣度。
3)根据该共同类型集合、该第一用户对该共同类型集合中每一个类型的兴趣度以及该第二用户对该共同类型集合中每一个类型的兴趣度,计算该信任情境组合的相似度。
其中,在计算该第一用户对该类型交集中每一个类型的兴趣度时,可以获取第一商品集合以及第二商品集合,该第一商品集合为该第一用户历史购买过的商品的集合,该第二商品集合为该第一用户从该第三用户处购买过的商品的集合;根据该第一商品集合、该第二商品集合以及第一类型路径确定该第一用户对该第一类型路径中各个类型的总兴趣度;该第一类型为该第一用户与该第三用户之间的交易商品的类型路径;获取该第一类型路径中每一个类型下的子类型;根据该总兴趣度以及该第一类型路径中每一个类型下的子类型确定该第一用户对该第一类型路径中的各个类型的兴趣度,该第一类型路径中的各个类型包含该共同类型集合中的各个类型。
具体的,计算每个信任情境组合的相似度的算法可以如下:
①设交易商品的类型集合为Ε,Ε={e1,e2,...es},其中s为网站M中,交易商品类型的总数。Ii为用户i历史交易商品的集合,Iij∈Ii为用户i与用户j交易的交易商品。
②称用户i历史交易商品Iij直接隶属类型为Iij的最小类,记作mincateory(Iij)。category(Iij)由用户i历史交易商品Iij的所属各个类型(最小类mincateory(Iij)、最小类的父类、父类的父类…,直到通用类)组成。
③设category(Iij)={p0,p1,...pn},其中pn=mincategory(Iij)表示Iij的最小类,pn-1为pn的父类,依此类推,直到通用类p0=⊥。这样用户i的交易商品Iij类型集合category中的元素pi,按照类的上下隶属关系形成了一条由通用类到最小类的长度为n类型路径Path,Path为各类组成的有序集合Path=<p0,p1,..pi,..pn>集合中pi为pi+1的父类。
④用户i对cateory(Iij)类型交易商品Iij的的总兴趣度为π(category(Iij))。
式中s为网站M中,交易商品类型的总数;|Ii|为用户i历史交易商品的总数;category(Iij)由用户i历史交易商品Iij的所属类型的总数;|Iij|为用户i参与类型mincateory(Iij)交易商品的次数;兴趣度函数π表示了用户i对category(Iij)类型的交易商品的兴趣度,为方便简记作π。
用户i对历史交易商品Iij的类型cateory(Iij)的兴趣度π应该等于类型路径Path上的各类型兴趣度的总和。即对于类型路径Path=<p0,p1,..pk,..pn>,其中ν(pk)为用户对pk类型交易商品的兴趣度。下面定义类型pk的兴趣度函数ν(pk)。
⑤给定类型路径Path,Path=<p0,p1,..pm,..pn>,类型路径Path上的类pm的兴趣度ν(pm)定义为:
式中ν(pm+1)为类pm的子类pm+1的兴趣度,brother(pm+1)为子类pm+1的兄弟数目。
根据式我们推导出类型路径Path上各类型的兴趣度的递推计算表达式:
公式中ν(pn)为最小子类的总兴趣度;π为拍卖商品所述类型的兴趣度;
表达式km,m为类型路径的长度:
当m=0时,k0=1;
当m=1时,
当m∈{2,3...n}时,
利用上述递推公式,我们可以得到用户i对交易商品Iij的类型路径上各类型交易商品的兴趣度,即对Iij所属类型集合cateory(Iij)中各类型兴趣度。
根据用户对Iij所属类型集合cateory(Iij)中各类型兴趣度,定义用户的兴趣向量、用户的兴趣度向量。
⑥设Ii为用户i历史交易商品的集合,Iij∈Ii为用户i与用户j交易的交易商品。Iij对应的类型集合为cateory(Iij),category(Iij)={p0,p1,...pn},其中pn=mincategory(Iij)表示Iij的最小类,则用户i参与竞买类型mincategory(Iij)交易商品的兴趣向量INT(i)为:INT(i)=[p0,p1,...,pn]。
⑦设用户i的兴趣向量为INT(i)=[p0,p1,...,pn],ν(pj)表示用户i对pj类型交易商品的兴趣度,则定义用户i的兴趣度向量INTV(i)为:
INTV(i)=[ν(p0),ν(p1),...,ν(pn)]
用户i、j、k,在信任情境TS(i,j)下,用户i与用户j交易商品Iij,
在信任情境TS(k,j)下,用户k与用户j交易商品Ikj。Iij、Ikj对应的类型集合分别为category(Iij)={p0,p1,...pn}、cateory(Ikj)=[q0,q1,...,qm],其中,pn=mincategory(Iij),qm=mincategory(Ikj),category(Iij,Ikj)为共同类型集合,表示类型集合的交集,即category(Iij,Ikj)=category(Iij)∩category(Ikj)。用户i、k的兴趣度向量为INTV(i)=[ν(p0),ν(p1),...,ν(pn)]、INTV(k)=[ν(q0),ν(q1),...,ν(qm)],则信任情境TS(i,j)、TS(k,j)的相似性sim_TS为:
式中,νi(p)为用户i对p类型的交易商品的兴趣度,νk(p)为用户k对p类型的交易商品的兴趣度,|category(Iij,Ikj)|为共同类型集合的基。sim_TS(TS(i,j),TS(k,j))越大,表示信任情境TS(i,j)、TS(k,j)的相似性越大;sim_TS(TS(i,j),TS(k,j))越小,表示信任情境TS(i,j)、TS(k,j)的相似性越小。
步骤202,根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度。
其中,该信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价。
其中,计算每两个用户对共同交易伙伴的信任倾向之间的相似度的方式如下:
信任倾向DT(DispositiontoTrust)是指在网上交易环境下,主体根据个人的历史经验以及所处的环境中的其他客体是否实现其承诺的预期,而产生与特定客体进行交易时不同程度的信任。
采用信誉反馈评分之间相似性来描述用户信任倾向相似性。下面给出信任倾向相似性sim_DT的计算公式。
设N(i)、N(j)为用户i、j的交易伙伴集合。SN(i,j)表示用户i、j的共同交易伙伴集合,即SN(i,j)=N(i)∩N(j),则用户i、j的信任倾向相似性sim_DT(i,j):
式中,ck∈C为信誉关键因素集合C={c1,c2,...,cn}中第k个信誉关键因素;分别为用户i、j对用户l在信誉关键因素下的信誉反馈评分(取值[0,1]);|SN(i,j)|表示用户i、j的交易伙伴集合的基。sim_DT(i,j)越大,表示用户i、j的信任倾向相似性越强;sim_DT(i,j)越小,表示用户i、j的信任倾向相似性越弱。
步骤203,根据该每一组信任情境的相似度以及该每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度。
其中,该潜在交易组合包括两个未发生过交易的用户,该间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性。
计算每组潜在交易组合之间的间接信任度的过程,可以包括如下几个步骤:
1)对于一组潜在交易组合,确定所述潜在交易组合中的两个用户之间的若干条信任路径,所述信任路径中包含至少三个用户,所述信任路径分别以所述潜在交易组合中的商品购买者为开始点,以所述潜在交易组合中的商品出售者为结束点,且所述信任路径中任意的相邻两个用户之间发生过商品交易;
2)确定所述若干条交易路径中的指定类型信任路径,所述指定类型信任路径是指所述若干条信任路径中,每两条包含同一证人的信任路径,所述证人是与所述潜在交易组合中的商品出售者发生过交易的用户;
3)对于每一条指定类型信任路径,根据所述指定类型信任路径中每相邻两个用户对应的信任情境组合的相似度、以及所述相邻两个用户对共同交易伙伴的信任倾向之间的相似度,计算所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度;
4)对于每一条指定类型信任路径,根据所述指定类型信任路径的长度计算所述指定类型信任路径的可靠性;
5)根据所述指定类型信任路径的数量、所述潜在交易组合中的商品出售者的证人集合、每一条所述指定类型信任路径的可靠性以及每一条所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度,计算所述潜在交易组合之间的间接信任度。
该步骤的实现方式可以包括:模型构造、信任路径推导、信任路径合并、陌生用户信任计算四个部分,具体如下:
一、模型构造
①给定时域t,用户i与用户j有过历史交易,则称用户i(j)对用户j(i)存在直接信任直接信任表示为:
式中,num_trans(i,j)表示在时域t内,用户i与用户j历史交易次数;ρ(0<ρ<1)为时间衰减因子,表示越近期的交易,其相应的反馈评分权重越大,引入ρ,旨在加强防范用户j积累一定的历史信誉后,对用户i实施欺诈;表示用户i与用户j第k次历史交易时,对用户j的平均信誉反馈评分。
②给定用户i及其潜在交易用户j,设TS(i,j)为用户i、j的信任情境,则对于用户k,在信任情境TS(i,j)下的可信任用户集合TN(k)定义为:
式中x∈N(k),表示用户k的历史交易伙伴;表示用户i对用户k的直接信任度;sim_DT(k,x)表示用户i,k的信任倾向相似性;sim_TS[TS(i,j),TS(k,x)]表示信任情境TS(i,j)、TS(k,x)的相似性;μ表示最小信任度阈值(由用户给定)。
③给定时域t,用户i及其交易伙伴集合N(i),设用户j为用户i的陌生的潜在交易伙伴,即若用户i与用户j存在信任路径χ=χ(i,o1,o2,...,ok,...,on-1,j),其中ok为信任路径χ上的第k个推荐用户,则称信任路径χ下,用户i(j)对用户j(i)存在间接信任
给出用户i对用户k的间接信任的计算公式:
式中,CR1(j)为用户j(推荐人)的可信性,这里采用用户i、j信任倾向相似性,利用用户i的主观经验,从用户i的角度来度量用户j的可信性,即CR1(j)=sim_DT(i,j);CR2(j)为推荐的可信性,这里采用用户i、j信任情境相似性来度量用户j推荐行为的可信性,即CR2(j)=sim_TS[TS(i,j),TS(i,k)];CR2(k)表示j推荐k的可信性,即用户j、k与用户i、k信任情境相似性。
上面的例子说明了在长度为2信任路径下,计算间接信任的步骤。这里我们给出间接信任的一般性计算公式。
给定时域t,用户i及其交易伙伴集合N(i),设用户j为用户i的陌生的潜在交易伙伴,即若用户i与用户j存在一长度为l信任路径χ=χ(o0,o1,o2,...,ol-1,ol),其中o0=i,ol=j,则在信任路径χ下,用户i对用户j的间接信任可采用以下公式计算:
式中,为用户ok-1对用户ok的直接信任;CR1(ok)表示用户ok的可信性;CR2(ok)表示用户ok推荐的可信性;表示用户ol-1对用户ol的直接信任。
二、信任路径推导
在网上交易环境下,数量庞大的交易者之间形成一个虚拟的社会网络G。由于虚拟的社会网络规模通常都很大,给定用户之间的信任路径会很多。然而来自第三方的推荐信任信息在信任路径上传播时,随着信任路径长度的增加,信任推荐信息的失真现象将逐步加剧,推荐信任信息可靠性也逐步递减;这样长度越长的信任路径,推荐信任信息失真越严重,推荐信任信息可靠性的递减效果越明显。
为了刻画推荐信任信息可靠性随信任路径长度增加而递减的变化规律,给出了一种基于信任路径长度的推荐信任信息可信性描述函数Cre(.)。
给定信任路径χ,则χ上的推荐信任信息可靠性Cre(χ)表示为:
式中λ表示用户所给定的最长信任路径长度,l为信任路径χ的长度。
对于给定的一条信任路径χ,基于信任路径长度的推荐信任信息可靠性描述函数Cre(χ),根据χ的长度给出具体的推荐信任信息可靠性数值,从而克服传统递减函数所存在推荐信任计算缺乏全面性的缺陷。
④给定用户i、j,用户i、j具有m条信任路径χ1,χ2,...χm;则称m条信任路径χ1,χ2,...χm构成一个信任路径簇Χ={χ1,χ2,...χm}。
⑤给定用户i、j的信任路径簇Χ={χ1,χ2,...χm},则用户j的证人集合定义为:
⑥对于满足的用户x,我们称为信任路径χk上的证人x。
⑦对于给定的用户i、j,用户i、j具有m条信任路径χ1,χ2,...χm;信任路径χi上的用户集合为χi={i0,i1,...,i6},信任路径χj上的用户集合为χj={j0,j1,...,j6};若χi∩χj≠Φ,则称信任路径χi、χj为并联信任路径。
根据并联信任路径所具有的证人的情况,我们将并联信任路径分为两类:
1)I类并联信任路径
I类并联信任路径是指给定用户i、j及证人集WS(j),用户i、j具有m条信任路径χ1,χ2,...χm;χi={i0,i1,...,i6},χj={j0,j1,...,j6}分别为信任路径χi、χj上的用户集合;若满足x∈χi∩χj,则称信任路径χi、χj为I类并联信任路径。
2)II类并联信任路径
II类并联信任路径是指给定用户i、j,用户i、j具有m条信任路径χ1,χ2,...χm;χi={i0,i1,...,i6},χj={j0,j1,...,j6}分别为信任路径χi、χj上的用户集合;若无法满足x∈χi∩χj,则称信任路径χi、χj为II类并联信任路径。
在社会网络G中,对于给定的用户i、j,两者之间通常会存在多条并联信任路径。并联信任路径的大量出现,必然会造成给定用户之间的间接信任计算的愈加复杂。为此,在计算给定用户间的间接信任时,必须对并联信任路径进行合并计算。
三、信任路径合并
设Pi是推荐路径上的证人,Vi.j表示Pi证人引领的第j条推荐路径的信任度,则以Pi为结点的I类信任路径的合并公式表示如下:
设Pi证人引领的第j条推荐路径χi.j上有s个用户,则
上述方法在进行路径合并时,默认推荐信任信息在信任路径传播时不存在失真问题,从而忽略了信任路径的长度变化对推荐信任信息可靠性的影响,致使推荐信任计算产生偏差。为此,本文对上述Beth方法进行了改进,引入了推荐信任信息可靠性Cre(.)。设以Pi为结点的第j条I类信任路径为χj,则以Pi为结点的I类信任路径合并公式表示为:
式中Cre(χj)表示I类信任路径χj上的推荐信任信息可靠性;Vi.j表示I类信任路径χj的信任度。
利用公式,就可以讲多个并联信任路径上的信任度整合,生成一条由给定用户经证人到目标用户的,信任度为Vcom路径,从而实现了多条并联路径的合并。
四、陌生用户信任度计算
在借鉴传统信任度综合计算方法的基础上,通过引入推荐信任信息可靠性,给出了改进的陌生用户信任综合计算公式。
给定用户i及陌生用户j,在社会网络下,用户i对陌生用户j间接信任表示为:
式中WS(j)表示用户j证人集合;j.k.*表示用户j的证人k;k.l表示以k为结束点的第l条I类信任路径;nk表示以k为结束点的I类信任路径的数目;Cre(χk.l)为第l条I类信任路径上的推荐信任可靠性;表示以k为结点的第l条I类信任路径的信任度。
步骤204,对于一个商品购买者用户,确定该商品购买者用户所在的各个潜在交易组合中,间接信任度最高的至少一个潜在交易组合。
步骤205,将该信任度最高的至少一个潜在交易组合中的商品出售者用户与该商品购买者用户之间的关系确定为推荐关系。
具体的,推荐系统可以将商品出售者的商品或网络店铺的相关信息推送给商品购买者的终端。
本公开所提出的方案基于给定用户的购买历史,构建相应的其物品集、邻居用户集,生成社会化网络;借鉴社会网络的思想,利用协同过滤技术,提出了基于社会化的推荐计算模型。该模型不仅解决了电子商务推荐系统中信任计算缺乏个性化的问题,而且有效地防范了恶意评价行为的侵害。
另外,本公开所示方案实现了物品推荐和信任度社会化计算的有机结合,既有效地减少了因比较、分析交易伙伴信任度所耗费的时间和精力,降低了信任风险
此外,本公开所示方案基于兴趣度相似性、偏好相似性的情境计算思想,推导了类型路径的兴趣度计算公式,并给出了用户间偏好倾向相似性计算方法,有效地解决了因物品异质性而无法准确描述偏好相似性的问题,提高了推荐系统的个性化服务质量,为进一步完善和开展推荐系统个性化服务提供了技术支持。
综上所述,本公开实施例所示的方法,通过根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,并根据所述每组潜在交易组合之间的间接信任度确定推荐关系,结合用户之间购买商品类型的相似性以及用户对商品的评价的相似性来考虑用户之间的推荐是否可信,能够抵恶意评价的欺骗攻击、降低信任风险以及提升推荐的个性化。
图3是根据一示例性实施例示出的一种交易系统中的推荐关系确定装置的框图,该装置可以通过硬件或者软硬结合的方式实现为计算机设备的一部分,该计算机设备可以是一台个人电脑、工作站、网络服务器或者云服务平台等。该交易系统中的推荐关系确定装置可以包括:
第一相似度计算模块301,用于根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,所述信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个所述信任情境组合中包含两个信任情境,且所述两个信任情境的商品购买者不同,商品出售者相同;所述商品类型树用于表征各个商品所属类型之间的从属关系;
第二相似度计算模块302,用于根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,所述信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价;
间接信任度计算模块303,用于根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,所述潜在交易组合包括两个未发生过交易的用户,所述间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性;
推荐关系确定模块304,用于根据所述每组潜在交易组合之间的间接信任度确定推荐关系。
综上所述,本公开实施例所示的装置,通过根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,并根据所述每组潜在交易组合之间的间接信任度确定推荐关系,结合用户之间购买商品类型的相似性以及用户对商品的评价的相似性来考虑用户之间的推荐是否可信,能够抵恶意评价的欺骗攻击、降低信任风险以及提升推荐的个性化。
图4是根据另一示例性实施例示出的一种交易系统中的推荐关系确定装置的框图,该装置可以通过硬件或者软硬结合的方式实现为计算机设备的一部分,该计算机设备可以是一台个人电脑、工作站、网络服务器或者云服务平台等。该交易系统中的推荐关系确定装置可以包括:
第一相似度计算模块301,用于根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,所述信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个所述信任情境组合中包含两个信任情境,且所述两个信任情境的商品购买者不同,商品出售者相同;所述商品类型树用于表征各个商品所属类型之间的从属关系;
第二相似度计算模块302,用于根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,所述信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价;
间接信任度计算模块303,用于根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,所述潜在交易组合包括两个未发生过交易的用户,所述间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性;
推荐关系确定模块304,用于根据所述每组潜在交易组合之间的间接信任度确定推荐关系。
可选的,对于包含第一信任情境和第二信任情境的一个信任情境组合,所述第一信任情境的商品购买者为第一用户,所述第二信任情境的商品购买者为第二用户,所述一组信任情境的商品出售者同为第三用户;所述第一相似度计算模块301,包括:
集合获取单元301a,用于获取共同类型集合,所述共同类型集合为第一类型集合和第二类型集合的交集,所述第一类型集合为所述第一用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合,所述第二类型集合为所述第二用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合;所述类型路径为所述商品类型树中,从通用类型到交易商品的最小类型之间的路径;所述通用类型为所述商品类型树中处于最顶层的类型;
兴趣度计算单元302b,用于计算所述第一用户对所述共同类型集合中每一个类型的兴趣度,以及所述第二用户对所述共同类型集合中每一个类型的兴趣度;
相似度计算单元302c,用于根据所述共同类型集合、所述第一用户对所述共同类型集合中每一个类型的兴趣度以及所述第二用户对所述共同类型集合中每一个类型的兴趣度,计算所述信任情境组合的相似度。
可选的,所述兴趣度计算单元302b,用于获取第一商品集合以及第二商品集合,所述第一商品集合为所述第一用户历史购买过的商品的集合,所述第二商品集合为所述第一用户从所述第三用户处购买过的商品的集合;根据所述第一商品集合、所述第二商品集合以及第一类型路径确定所述第一用户对所述第一类型路径中各个类型的总兴趣度;所述第一类型为所述第一用户与所述第三用户之间的交易商品的类型路径;获取所述第一类型路径中每一个类型下的子类型;根据所述总兴趣度以及所述第一类型路径中每一个类型下的子类型确定所述第一用户对所述第一类型路径中的各个类型的兴趣度,所述第一类型路径中的各个类型包含所述共同类型集合中的各个类型。
可选的,所述间接信任度计算模块303,包括:
第一路径确定单元303a,用于对于一组潜在交易组合,确定所述潜在交易组合中的两个用户之间的若干条信任路径,所述信任路径中包含至少三个用户,所述信任路径分别以所述潜在交易组合中的商品购买者为开始点,以所述潜在交易组合中的商品出售者为结束点,且所述信任路径中任意的相邻两个用户之间发生过商品交易;
第二路径确定单元303b,用于确定所述若干条交易路径中的指定类型信任路径,所述指定类型信任路径是指所述若干条信任路径中,每两条包含同一证人的信任路径,所述证人是与所述潜在交易组合中的商品出售者发生过交易的用户;
第一间接信任度计算单元303c,用于对于每一条指定类型信任路径,根据所述指定类型信任路径中每相邻两个用户对应的信任情境组合的相似度、以及所述相邻两个用户对共同交易伙伴的信任倾向之间的相似度,计算所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度;
可靠性计算单元303d,用于对于每一条指定类型信任路径,根据所述指定类型信任路径的长度计算所述指定类型信任路径的可靠性;
第二间接信任度计算单元303e,用于根据所述指定类型信任路径的数量、所述潜在交易组合中的商品出售者的证人集合、每一条所述指定类型信任路径的可靠性以及每一条所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度,计算所述潜在交易组合之间的间接信任度。
可选的,所述推荐关系确定模块304,包括:
组合确定单元304a,用于对于一个商品购买者用户,确定所述商品购买者用户所在的各个潜在交易组合中,间接信任度最高的至少一个潜在交易组合;
关系确定单元304b,用于将所述信任度最高的至少一个潜在交易组合中的商品出售者用户与所述商品购买者用户之间的关系确定为推荐关系。
需要说明的一点是,上述实施例提供的装置在执行。。。方法时,仅以上述各个功能模块的划分进行举例说明,实际应用中,可以根据实际需要而将上述功能分配由不同的功能模块完成,即将设备的内容结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种装置500的框图。例如,装置500可以被提供为一服务器。参照图5,装置500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理部件522执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述图1或2所示的方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理,一个有线或无线网络接口550被配置为将装置500连接到网络,和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统,例如WindowsServerTM,MacOSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种交易系统中的推荐关系确定方法,其特征在于,所述方法由计算机设备执行,所述方法包括:
根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,所述信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个所述信任情境组合中包含两个信任情境,且所述两个信任情境的商品购买者不同,商品出售者相同;所述商品类型树用于表征各个商品所属类型之间的从属关系;
根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,所述信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价;
根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,所述潜在交易组合包括两个未发生过交易的用户,所述间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性;
根据所述每组潜在交易组合之间的间接信任度确定推荐关系。
2.根据权利要求1所述的方法,其特征在于,对于包含第一信任情境和第二信任情境的一个信任情境组合,所述第一信任情境的商品购买者为第一用户,所述第二信任情境的商品购买者为第二用户,所述一组信任情境的商品出售者同为第三用户;所述根据商品类型树以及各个用户之间的交易商品信息计算每一个信任情境组合的相似度,包括:
获取共同类型集合,所述共同类型集合为第一类型集合和第二类型集合的交集,所述第一类型集合为所述第一用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合,所述第二类型集合为所述第二用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合;所述类型路径为所述商品类型树中,从通用类型到交易商品的最小类型之间的路径;所述通用类型为所述商品类型树中处于最顶层的类型;
计算所述第一用户对所述共同类型集合中每一个类型的兴趣度,以及所述第二用户对所述共同类型集合中每一个类型的兴趣度;
根据所述共同类型集合、所述第一用户对所述共同类型集合中每一个类型的兴趣度以及所述第二用户对所述共同类型集合中每一个类型的兴趣度,计算所述信任情境组合的相似度。
3.根据权利要求2所述的方法,其特征在于,所述计算所述第一用户对所述类型交集中每一个类型的兴趣度,包括:
获取第一商品集合以及第二商品集合,所述第一商品集合为所述第一用户历史购买过的商品的集合,所述第二商品集合为所述第一用户从所述第三用户处购买过的商品的集合;
根据所述第一商品集合、所述第二商品集合以及第一类型路径确定所述第一用户对所述第一类型路径中各个类型的总兴趣度;所述第一类型为所述第一用户与所述第三用户之间的交易商品的类型路径;
获取所述第一类型路径中每一个类型下的子类型;
根据所述总兴趣度以及所述第一类型路径中每一个类型下的子类型确定所述第一用户对所述第一类型路径中的各个类型的兴趣度,所述第一类型路径中的各个类型包含所述共同类型集合中的各个类型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,包括:
对于一组潜在交易组合,确定所述潜在交易组合中的两个用户之间的若干条信任路径,所述信任路径中包含至少三个用户,所述信任路径分别以所述潜在交易组合中的商品购买者为开始点,以所述潜在交易组合中的商品出售者为结束点,且所述信任路径中任意的相邻两个用户之间发生过商品交易;
确定所述若干条交易路径中的指定类型信任路径,所述指定类型信任路径是指所述若干条信任路径中,每两条包含同一证人的信任路径,所述证人是与所述潜在交易组合中的商品出售者发生过交易的用户;
对于每一条指定类型信任路径,根据所述指定类型信任路径中每相邻两个用户对应的信任情境组合的相似度、以及所述相邻两个用户对共同交易伙伴的信任倾向之间的相似度,计算所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度;
对于每一条指定类型信任路径,根据所述指定类型信任路径的长度计算所述指定类型信任路径的可靠性;
根据所述指定类型信任路径的数量、所述潜在交易组合中的商品出售者的证人集合、每一条所述指定类型信任路径的可靠性以及每一条所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度,计算所述潜在交易组合之间的间接信任度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述每组潜在交易组合之间的间接信任度确定推荐关系,包括:
对于一个商品购买者用户,确定所述商品购买者用户所在的各个潜在交易组合中,间接信任度最高的至少一个潜在交易组合;
将所述信任度最高的至少一个潜在交易组合中的商品出售者用户与所述商品购买者用户之间的关系确定为推荐关系。
6.一种交易系统中的推荐关系确定装置,其特征在于,所述装置设置在计算机设备中,所述装置包括:
第一相似度计算模块,用于根据商品类型树以及各个用户之间的交易商品信息计算每个信任情境组合的相似度,所述信任情境用于表征两个用户之间存在交易时,商品购买者对交易商品的兴趣度;一个所述信任情境组合中包含两个信任情境,且所述两个信任情境的商品购买者不同,商品出售者相同;所述商品类型树用于表征各个商品所属类型之间的从属关系;
第二相似度计算模块,用于根据各个用户对各自交易商品的商品特征的评价信息计算每两个用户对共同交易伙伴的信任倾向之间的相似度,所述信任倾向用于表征两个用户之间存在交易时,商品购买者对交易商品的商品特征的评价;
间接信任度计算模块,用于根据所述每一组信任情境的相似度以及所述每两个用户对共同交易伙伴的信任倾向之间的相似度计算每组潜在交易组合之间的间接信任度,所述潜在交易组合包括两个未发生过交易的用户,所述间接信任度用于指示向一组潜在交易组合中的商品购买者推荐该潜在交易组合中的商品出售者的可行性;
推荐关系确定模块,用于根据所述每组潜在交易组合之间的间接信任度确定推荐关系。
7.根据权利要求6所述的装置,其特征在于,对于包含第一信任情境和第二信任情境的一个信任情境组合,所述第一信任情境的商品购买者为第一用户,所述第二信任情境的商品购买者为第二用户,所述一组信任情境的商品出售者同为第三用户;所述第一相似度计算模块,包括:
集合获取单元,用于获取共同类型集合,所述共同类型集合为第一类型集合和第二类型集合的交集,所述第一类型集合为所述第一用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合,所述第二类型集合为所述第二用户与所述第三用户之间的交易商品的类型路径上的各个类型组成的集合;所述类型路径为所述商品类型树中,从通用类型到交易商品的最小类型之间的路径;所述通用类型为所述商品类型树中处于最顶层的类型;
兴趣度计算单元,用于计算所述第一用户对所述共同类型集合中每一个类型的兴趣度,以及所述第二用户对所述共同类型集合中每一个类型的兴趣度;
相似度计算单元,用于根据所述共同类型集合、所述第一用户对所述共同类型集合中每一个类型的兴趣度以及所述第二用户对所述共同类型集合中每一个类型的兴趣度,计算所述信任情境组合的相似度。
8.根据权利要求7所述的装置,其特征在于,所述兴趣度计算单元,用于获取第一商品集合以及第二商品集合,所述第一商品集合为所述第一用户历史购买过的商品的集合,所述第二商品集合为所述第一用户从所述第三用户处购买过的商品的集合;根据所述第一商品集合、所述第二商品集合以及第一类型路径确定所述第一用户对所述第一类型路径中各个类型的总兴趣度;所述第一类型为所述第一用户与所述第三用户之间的交易商品的类型路径;获取所述第一类型路径中每一个类型下的子类型;根据所述总兴趣度以及所述第一类型路径中每一个类型下的子类型确定所述第一用户对所述第一类型路径中的各个类型的兴趣度,所述第一类型路径中的各个类型包含所述共同类型集合中的各个类型。
9.根据权利要求6所述的装置,其特征在于,所述间接信任度计算模块,包括:
第一路径确定单元,用于对于一组潜在交易组合,确定所述潜在交易组合中的两个用户之间的若干条信任路径,所述信任路径中包含至少三个用户,所述信任路径分别以所述潜在交易组合中的商品购买者为开始点,以所述潜在交易组合中的商品出售者为结束点,且所述信任路径中任意的相邻两个用户之间发生过商品交易;
第二路径确定单元,用于确定所述若干条交易路径中的指定类型信任路径,所述指定类型信任路径是指所述若干条信任路径中,每两条包含同一证人的信任路径,所述证人是与所述潜在交易组合中的商品出售者发生过交易的用户;
第一间接信任度计算单元,用于对于每一条指定类型信任路径,根据所述指定类型信任路径中每相邻两个用户对应的信任情境组合的相似度、以及所述相邻两个用户对共同交易伙伴的信任倾向之间的相似度,计算所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度;
可靠性计算单元,用于对于每一条指定类型信任路径,根据所述指定类型信任路径的长度计算所述指定类型信任路径的可靠性;
第二间接信任度计算单元,用于根据所述指定类型信任路径的数量、所述潜在交易组合中的商品出售者的证人集合、每一条所述指定类型信任路径的可靠性以及每一条所述指定类型信任路径中、所述潜在交易组合中的商品购买者对商品出售者的间接信任度,计算所述潜在交易组合之间的间接信任度。
10.根据权利要求6所述的装置,其特征在于,所述推荐关系确定模块,包括:
组合确定单元,用于对于一个商品购买者用户,确定所述商品购买者用户所在的各个潜在交易组合中,间接信任度最高的至少一个潜在交易组合;
关系确定单元,用于将所述信任度最高的至少一个潜在交易组合中的商品出售者用户与所述商品购买者用户之间的关系确定为推荐关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510784757.9A CN105488684A (zh) | 2015-11-16 | 2015-11-16 | 交易系统中的推荐关系确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510784757.9A CN105488684A (zh) | 2015-11-16 | 2015-11-16 | 交易系统中的推荐关系确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488684A true CN105488684A (zh) | 2016-04-13 |
Family
ID=55675651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510784757.9A Pending CN105488684A (zh) | 2015-11-16 | 2015-11-16 | 交易系统中的推荐关系确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488684A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689960A (zh) * | 2017-09-11 | 2018-02-13 | 南京大学 | 一种针对无组织恶意攻击的攻击检测方法 |
CN109685630A (zh) * | 2019-01-09 | 2019-04-26 | 苏州大学 | 电子商务团购推荐方法及系统 |
CN110957042A (zh) * | 2020-01-17 | 2020-04-03 | 广州慧视医疗科技有限公司 | 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184806A1 (en) * | 2010-01-27 | 2011-07-28 | Ye Chen | Probabilistic recommendation of an item |
CN102750647A (zh) * | 2012-06-29 | 2012-10-24 | 南京大学 | 一种基于交易网络的商家推荐方法 |
CN103617540A (zh) * | 2013-10-17 | 2014-03-05 | 浙江大学 | 一种追踪用户兴趣变化的电子商务推荐方法 |
CN104731887A (zh) * | 2015-03-13 | 2015-06-24 | 东南大学 | 一种协同过滤中的用户相似度度量方法 |
CN104794636A (zh) * | 2015-04-17 | 2015-07-22 | 南京大学 | 基于用户显示评分的机型推荐方法 |
CN104899246A (zh) * | 2015-04-12 | 2015-09-09 | 西安电子科技大学 | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 |
-
2015
- 2015-11-16 CN CN201510784757.9A patent/CN105488684A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184806A1 (en) * | 2010-01-27 | 2011-07-28 | Ye Chen | Probabilistic recommendation of an item |
CN102750647A (zh) * | 2012-06-29 | 2012-10-24 | 南京大学 | 一种基于交易网络的商家推荐方法 |
CN103617540A (zh) * | 2013-10-17 | 2014-03-05 | 浙江大学 | 一种追踪用户兴趣变化的电子商务推荐方法 |
CN104731887A (zh) * | 2015-03-13 | 2015-06-24 | 东南大学 | 一种协同过滤中的用户相似度度量方法 |
CN104899246A (zh) * | 2015-04-12 | 2015-09-09 | 西安电子科技大学 | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 |
CN104794636A (zh) * | 2015-04-17 | 2015-07-22 | 南京大学 | 基于用户显示评分的机型推荐方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689960A (zh) * | 2017-09-11 | 2018-02-13 | 南京大学 | 一种针对无组织恶意攻击的攻击检测方法 |
CN109685630A (zh) * | 2019-01-09 | 2019-04-26 | 苏州大学 | 电子商务团购推荐方法及系统 |
CN109685630B (zh) * | 2019-01-09 | 2020-10-27 | 苏州大学 | 电子商务团购推荐方法及系统 |
CN110957042A (zh) * | 2020-01-17 | 2020-04-03 | 广州慧视医疗科技有限公司 | 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Muharam et al. | E-service quality, customer trust and satisfaction: market place consumer loyalty analysis | |
US10298597B2 (en) | Collaborative content evaluation | |
US11158000B2 (en) | Method and cryptographically secure peer-to-peer trading platform | |
US8615440B2 (en) | Self correcting online reputation | |
US9002889B2 (en) | System and method for social data mining that learns from a dynamic taxonomy | |
CN106779975B (zh) | 基于区块链的信誉信息的防篡改方法 | |
US20140143138A1 (en) | Reputation assessment via karma points | |
US20120197758A1 (en) | Computation of user reputation based on transaction graph | |
El-kenawy et al. | A bidder behavior learning intelligent system for trust measurement | |
Wei et al. | Research on social e-commerce reputation formation and state-introduced model | |
Theron et al. | Building long-term marketing relationships: New perspectives on B2B financial services | |
CN105488684A (zh) | 交易系统中的推荐关系确定方法及装置 | |
Tu et al. | Online auction segmentation and effective selling strategy: Trust and information asymmetry perspectives | |
Tyagi et al. | Selecting alternatives for improvement in IT enabled supply chain performance | |
Ncanywa et al. | Economic complexity to boost the selected sub-Saharan African economies | |
US8688537B2 (en) | Maintenance of a company profile of a company associated with a supplier/buyer commerce network | |
Singh et al. | Using TOPSIS and modified TOPSIS methods for evaluating the competitive advantages of internet shopping malls | |
Shahnavazi et al. | Determining the Key Indicators affecting Electronic Customer Relationship Management (e-CRM) Using an integration of balanced scorecard and fuzzy screening techniques (Case Study: Companies Covered by Parsian Data-Processors Group) | |
Azizan et al. | The effect of E-commerce usage of online business performance of hotels | |
Chen et al. | Great and small walls of china: Distance & chinese e-commerce | |
Rashid et al. | Bilevel Approach for E-Bidding Auction with Regret Theory | |
Siddiqui et al. | Integration of policy and reputation based trust mechanisms in e-commerce industry | |
Lycett et al. | Modeling connected customer lifetime value (CCLV) in the banking domain | |
Kaniawati et al. | Marketing strategy model in efforts to maintain MSMEs during the Covid-19 pandemic | |
Leszczyński et al. | Asymptotic Trust Algorithm: Extension for reputation systems in online auctions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160413 |