CN105069627A - 基于二维动态展示的电子商务信誉传播方法 - Google Patents

Abstract

本发明公开了一种基于二维动态展示的电子商务信誉传播方法。该方法给出了一种健壮的信誉计算模型，设计并实现了一个二维信誉动态展示的信誉传播模型，通过信誉计算和二维信誉的动态跟踪、展示，不仅可以充分展示近期卖方的信誉变化规律，有效降低消费者网上购物的不确定性和风险感知，提高诚信商家的可甄别度，还可以抵御伪装、重复评价、价值不平衡、漂白、共谋性好评、共谋性好评及诋毁等攻击信誉评价模型的行为，提高了C2C电子商务交易环境的可信性。

Description

基于二维动态展示的电子商务信誉传播方法

技术领域

本发明属于信息技术领域，涉及一种基于二维动态展示的电子商务信誉传播方法。

背景技术

由于电子商务网上交易具有匿名性、缺乏控制性、信息不对称性、机会主义等特征，基于电子商务的网上购物具有更大的不确定性和风险，这种不确定性和风险导致了顾客对网上购物的不信任。特别是在C2C电子商务平台中消费者网上购物经验较少且大多与卖方是一次性交易的情况下，由于没有任何面对面的交流，也没有以往的交易经验可以借鉴，使得顾客对网上卖家的可信性感知更加不确定。因此，基于平台的信誉评估方法自电子商务平台诞生之日起就引起了学术界和产业界人士的广泛关注。为了提高消费者的信任感知，各电子商务平台和卖家已采取了很多策略来衡量并传播其质量和服务的可信性。例如，在理论研究方面，GiorgosZacharia等提出了Sporas模型，该模型在信誉累加过程中考虑了评价者的信誉。此外，为了防止信誉共谋，当两个交易agent互相评价多次时，只考虑它们之间最近的一次评价。该模型没有考虑两个交易者之间重复交易的可能性。此外，该模型没有考虑评分的时效性，即因为卖方行为的动态性，很久以前的评价对当前的卖方可能不适用了。在Sporas模型的基础上，郭洪海等提出了一种改进的C2C成员信誉值计算模型(E-Sporas)。相对于Sporas模型，该模型在信誉累加过程中考虑了交易量，交易次数等对信誉的影响；同时，引入惩罚因子实现信誉的“慢升快降”。类似地，熊建英等给出了一个抗欺诈的C2C卖方信誉计算模型(即C2CRep)，该模型在信誉累加中综合考虑了评价者的可信度、交易价格、交易者之间的信誉共谋程度。此外，为了避免卖家开始只在店中销售低价商品获取信誉，信誉提高后再销售高价商品，该模型设置了价格阈值(卖家所有销售产品平均价格的20倍)和惩罚系数，并基于它们对计算好的信誉进行折扣。这些模型存在以下问题：(1)模型不能反映信誉的动态变化规律；(2)新用户信誉值设置过低，阻碍了新用户进入市场的积极性；同时，也引发了新用户刷信誉的行为动机；(3)只使用一个单一的、一般的信誉得分表示用户的信誉。

在企业方面，Ebay、Amazon、淘宝等平台构建了基于累加评分的信誉评价体系。基于以上问题(3)，淘宝等平台要么以“宝贝与描述相符度”、“卖家服务态度”、“卖家发货速度”等为参数“与同行业平均水平”进行比较体现给定卖家的商品质量、服务等水平，要么通过好评、中评、差评所占比例，要么对买家评论进行分析提供关于商品的“买家印象”汇总。一些电子商务平台还提供了以“平均退款速度”、“近30天退款率”、“近30天纠纷率”、“近30天处罚数”等为参数比较给定店铺与行业均值在“店铺30天内的服务情况”。虽然，信用评价和传播模型被广泛采用，但是当前的电子商务平台中尚无关于店铺信誉的动态跟踪机制。消费者很难通过这些信息获得商家的信誉波动情况和变化规律。此外，现有信誉计算模型大多通过累加历史购物者推荐评分的方法得到，这种方法简单、直观，较容易遭受以下一种或几种攻击：(1)伪装攻击(Camouflage)，指一些评论者先反馈真实信息，提高自己的信誉，然后经常或不时地反馈虚假信息攻击信誉计算模型的行为；(2)共谋性攻击(collusive)，指一群实体根据共谋性协议一致地采取行动，包括共谋性信用炒作或者共谋性的恶意评价；(3)价值不平衡攻击(valueimbalance)，指在小额交易中诚实交易，但是在大额交易中造假；(4)多假名攻击(sybil)，指一个实体建立多个假名身份对同一件商品或者服务进行评价；(5)换名重新进入市场攻击(re-enter)，指信誉很差的卖方通过换名的形式重新进入市场，漂白自己的信誉，因此也称为漂白攻击(whitewashing)。

发明内容

针对现有技术中存在的上述问题，本发明提出了一种基于二维动态展示的电子商务信誉传播方法，该方法以C2C电子商务平台为视角，给出了一种信誉计算模型，并提供了一种新的二维动态跟踪、展示电子商务用户信誉的信誉传播模型，上述两种模型有机结合不仅可以有效提高信誉模型的健壮性，有效降低消费者网上购物的不确定性和风险感知，还可以提高诚信商家的可甄别度，对电子商务可信环境的构建具有重要的意义。

为了实现上述目的，本发明采用如下技术方案：

基于二维动态展示的电子商务信誉传播方法，包括如下步骤：

a建立信誉计算模型，并定义以下参数：

1)x_i表示评价者；

2)x_j表示被评价者；

3)rating(x_i,x_j)代表C2C电子商务平台最新获得的评价者对被评价者的商品/服务的评分，rating(x_i,x_j)的取值范围为[0，10]；

4)R(x_j)为被评价者的旧信誉，取值范围为[0，10]；该信息由C2C电子商务平台计算和管理；新卖方用户注册时以行业平均信誉作为其初始信誉，新买方用户注册是以零作为其初始信誉；

5)R'(x_j)为新评价累积之后被评价者的新信誉，由C2C电子商务平台的信誉评价模型计算获得；

6)是评价时的行业平均信誉，是C2C电子商务平台提供的统计信息，该值随着评分的动态增加而动态变化；

7)R(x_i)为评价者的当前信誉，由C2C电子商务平台计算和管理；

8)price是评价者购买商品/服务的价格，由卖方设定；

9)n是评价者在过去15天里对被评价者的评价次数，由电子商务平台记录、统计；

10)称为关于n的阻尼函数，σ是阻尼因子，σ越大，阻尼函数值变化越慢，由C2C电子商务平台设定；

11)α是阻尼函数缩放因子，α∈(0,1)，α越大表示缩放程度越低，由C2C电子商务平台设定；

评价者提交对被评价者的评价后，会触发C2C电子商务平台中的信誉计算模型，该信誉计算模型基于以上参数计算被评价者新信誉值的过程分以下几步：

a1、从电子商务平台获取以下信息：

评价者IDx_i，被评价者IDx_j，评分rating(x_i,x_j)，评价时间d_r，被评价者的信誉R(x_j)，当前行业平均信誉评价者打过分的被评分者集合S，给被评价者打过分的评价者集合C，评价者的当前信誉R(x_i)，商品销售价格price，评价者最近15天从该商家购买商品的次数n，阻尼因子σ，阻尼函数缩放因子α，价格权重函数的阈值l₁,l₂,l₃,l₄；

a2、根据如下公式(1)和公式(2)得到新评价到来之后被评价者的新信誉R'(x_j)；

$R^{\′}\left(x_j\right)=\left\{\begin{array}{cc}\begin{array}{cc}10& if\end{array}& TR\left(x_j\right)\≥10\\ \begin{array}{cc}0& if\end{array}& TR\left(x_j\right)\≤0\\ TR\left(x_j\right)& otherwise\end{array}\right.---\left(1\right)$

$TR\left(x_j\right)=R\left(x_j\right)+\left(rating\right(x_i,x_j)-\stackrel{\‾}{R}+b_{x_i}+b_{x_j})\×w\left(price\right)\×\mathrm{\α}\×(1-\frac{1}{1+e^{\frac{10-n}{\mathrm{\σ}}}})\×R\left(x_i\right)---\left(2\right)$

其中，和分别代表评价者和被评价者的偏差；w(price)是price的权重函数；

和按照如下公式(3)和公式(4)计算：

$b_{x_i}=\frac{\underset{x_k\∈S}{\Σ}\left(rating\right(x_i,x_k)-\stackrel{\‾}{R}-b_{x_k})\×{\mathrm{\λ}}^{(d_c-d_r)}}{25+\left|S\right|}---\left(3\right)$

$b_{x_j}=\frac{\underset{c\∈C}{\Σ}\left(rating\right(c,x_j)-\stackrel{\‾}{R})\×{\mathrm{\λ}}^{(d_c-d_r)}}{25+\left|C\right|}---\left(4\right)$

其中，λ∈(0,1]是折扣因子，d_c代表当前时间，d_r代表rating(x_i,x_k)的评价时间，且d_c≥d_r，25为压缩系数；

w(price)是价格的权重函数，按照公式(5)计算：

$w\left(price\right)=\left\{\begin{array}{cc}0,& price\∈(0,l_1\]\\ 1,& price\∈(l_1,l_2\]\\ 2,& price\∈(l_2,l_3\]\\ 3,& price\∈(l_3,l_4\]\\ 4,& price\∈(l_4,+\mathrm{\∞})\end{array}\right.---\left(5\right)$

其中，l₁,l₂,l₃,l₄为价格权重函数的阈值，由电子商务平台定期统计后按照平台中价格的分布特点设置；

a3、将计算所得被评价者的新信誉R'(x_j)存储到对应数据库中；

b建立信誉传播模型

在得到被评价者的新信誉值R'(x_j)后，将一些信誉模型计算需要的参数存储到相应数据库中，然后设计并实现一个二维的信誉跟踪、展示模型；

其中，天数为横轴，信誉值为纵轴；横轴共显示最近15天的日期，每天固定长度的区间；纵轴取值范围为0-10分的实数，表示信誉值的变化范围；

基于该信誉跟踪、展示模型，动态展示最近15天被评价者的信誉，执行过程如下：

b1从数据库中查询该被评价者最近15天的评分rating(x_i,x_j)、评价时间d_r、信誉计算前的信誉值R(x_j)、信誉计算后的信誉值R'(x_j)、评价时的同行业平均信誉按评价时间的顺序插入该商品的最近15天用户评分数组A中；

b2将被评价者在最近15天每笔交易后的新信誉R'(x_j)、评价时的行业平均信誉的数据映射到直角坐标系中；

b3应用Java的JFreeChart时序图技术实现二维动态展示模型。

进一步，上述步骤b3中，二维动态展示模型的实现过程为：

b31、调用JfreeChart类库中的TimeSeries类的构造方法两次，生成存储卖家信誉的集合Seller和存储同行业平均信誉的集合mean；

b32、如果数组A不为空，取出用户评分数组A中的第一个元素；否则转到步骤b37；

b33、将该元素对应的评分时间切割成年，月，日，时，分的字符串；

b34、以年，月，日，时，分和新信誉R'(x_j)为参数调用集合对象Seller的add方法，将评论时间和对应的卖家信誉添加到集合Seller中；

b35、以年，月，日，时，分和为参数调用集合对象mean的add方法，将评论时间和对应的行业平均信誉添加到集合mean中；

b36、取评分数组A的下一个元素，如果存在，则转步骤b34；否则，转步骤b37；

b37、调用JFreeChart类库中的TimeSeriesCollection类的构造方法，生成集合对象timeseriescollection；

b38、调用集合对象timeseriescollection的addSeries方法将集合Seller和mean添加到集合timeseriescollection中；

b39、以集合timeseriescollection为参数调用JFreeChart类库中的ChartFactory类的createTimeSeriesChart方法生成时间序列图。

本发明具有如下优点：

本发明中的电子商务信誉传播方法，给出了一种健壮的信誉计算模型，设计并实现了一个二维信誉动态展示的信誉传播模型，通过信誉计算和二维信誉的动态跟踪、展示，不仅可以充分展示近期卖方的信誉变化规律，有效降低消费者网上购物的不确定性和风险感知，提高诚信商家的可甄别度，还可以抵御伪装、重复评价、价值不平衡、漂白、共谋性好评、共谋性好评与诋毁等攻击信誉评价模型的行为，提高了C2C电子商务交易环境的可信性。

附图说明

图1为评价时间折扣函数随时间差距的变化曲线图；

图2为阻尼函数随评价次数的变化曲线图；

图3为本发明二维信誉动态展示模型实现框图；

图4为10/60的买方一直攻击时不诚实的卖方的信誉变化情况图；

图5为10/60的买方一直攻击时诚实的卖方的信誉变化情况图；

图6为10/60的买方一直攻击时行为变化的卖方的信誉变化情况图；

图7为20/60的买方一直攻击时不诚实的卖方的信誉变化情况图；

图8为20/60的买方一直攻击时诚实的卖方的信誉变化情况图；

图9为20/60的买方一直攻击时行为变化的卖方的信誉变化情况图；

图10为30/60的买方一直攻击时不诚实的卖方的信誉变化情况；

图11为30/60的买方一直攻击时诚实的卖方的信誉变化情况；

图12为30/60的买方一直攻击时行为变化的卖方的信誉变化情况；

图13为10/60的买方进行伪装攻击时不诚实的卖方的信誉变化情况图；

图14为10/60的买方进行伪装攻击时诚实的卖方的信誉变化情况图；

图15为10/60的买方进行伪装攻击时行为变化的卖方的信誉变化情况图；

图16为20/60的买方进行伪装攻击时不诚实的卖方的信誉变化情况图；

图17为20/60的买方进行伪装攻击时诚实的卖方的信誉变化情况图；

图18为20/60的买方进行伪装攻击时行为变化的卖方的信誉变化情况图；

图19为30/60的买方进行伪装攻击时不诚实的卖方的信誉变化情况图；

图20为30/60的买方进行伪装攻击时诚实的卖方的信誉变化情况图；

图21为30/60的买方进行伪装攻击时行为变化的卖方的信誉变化情况图；

图22为10/60买方进行漂白攻击时不诚实的卖方的信誉变化情况图；

图23为10/60买方进行漂白攻击时诚实的卖方的信誉变化情况图；

图24为10/60买方进行漂白攻击时行为变化的卖方的信誉变化情况图；

图25为20/60买方进行漂白攻击时不诚实的卖方的信誉变化情况图；

图26为20/60买方进行漂白攻击时诚实的卖方的信誉变化情况图；

图27为20/60买方进行漂白攻击时行为变化的卖方的信誉变化情况图；

图28为30/60买方进行漂白攻击时不诚实的卖方的信誉变化情况图；

图29为30/60买方进行漂白攻击时诚实的卖方的信誉变化情况图；

图30为30/60买方进行漂白攻击时行为变化的卖方的信誉变化情况图；

图31为10/60买方为共谋卖方刷信誉时共谋卖方的信誉变化情况图；

图32为10/60买方为共谋卖方刷信誉时诚实卖方的信誉变化情况图；

图33为10/60买方为共谋卖方刷信誉时有时诚实、有时不诚实卖方的信誉变化情况图；

图34为20/60买方为共谋卖方刷信誉时共谋卖方的信誉变化情况图；

图35为20/60买方为共谋卖方刷信誉时诚实卖方的信誉变化情况图；

图36为20/60买方为共谋卖方刷信誉时有时诚实、有时不诚实卖方的信誉变化情况图；

图37为30/60买方为共谋卖方刷信誉时共谋卖方的信誉变化情况图；

图38为30/60买方为共谋卖方刷信誉时诚实卖方的信誉变化情况图；

图39为30/60买方为共谋卖方刷信誉时有时诚实、有时不诚实卖方的信誉变化情况图；

图40为10/60买方为共谋卖方刷信誉同时诋毁其竞争对手时共谋卖方的信誉变化情况图；

图41为10/60买方为共谋卖方刷信誉同时诋毁其竞争对手时诚实卖方的信誉变化情况图；

图42为10/60买方为共谋卖方刷信誉同时诋毁其竞争对手时有时诚实、有时不诚实卖方的信誉变化情况图；

图43为20/60买方为共谋卖方刷信誉同时诋毁其竞争对手时共谋卖方的信誉变化情况图；

图44为20/60买方为共谋卖方刷信誉同时诋毁其竞争对手时诚实卖方的信誉变化情况图；

图45为20/60买方为共谋卖方刷信誉同时诋毁其竞争对手时有时诚实、有时不诚实卖方的信誉变化情况图；

图46为30/60买方为共谋卖方刷信誉同时诋毁其竞争对手时共谋卖方的信誉变化情况图；

图47为30/60买方为共谋卖方刷信誉同时诋毁其竞争对手时诚实卖方的信誉变化情况图；

图48为40/60买方为共谋卖方刷信誉同时诋毁其竞争对手时有时诚实、有时不诚实卖方的信誉变化情况图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

基于二维动态展示的电子商务信誉传播方法，包括如下步骤：

a建立信誉计算模型，并定义以下参数：

1)x_i表示评价者；

2)x_j表示被评价者；

3)rating(x_i,x_j)代表C2C电子商务平台最新获得的评价者对被评价者的商品/服务的评分，rating(x_i,x_j)的取值范围为[0，10]；

4)R(x_j)为被评价者的当前信誉，取值范围为[0，10]；该信息由C2C电子商务平台计算和管理；新卖方注册时以行业平均信誉作为其初始信誉，新买方注册是以0为其初始信誉；

5)R'(x_j)为新评价累积之后被评价者的新信誉，由C2C电子商务平台的信誉评价模型计算获得；

6)是当前行业平均信誉，是C2C电子商务平台提供的统计信息，该值随着评分的动态增加而动态变化；

7)R(x_i)为评价者的当前信誉，由C2C电子商务平台计算和管理；

8)price是评价者购买商品/服务的价格，由卖方设定；

9)n是评价者在过去15天里对被评价者的评价次数，由电子商务平台记录、统计；

10)称为关于n的阻尼函数，σ是阻尼因子，σ越大，阻尼函数值变化越慢，由C2C电子商务平台设定；

11)α是阻尼函数缩放因子，α∈(0,1)，α越大表示缩放程度越低，由C2C电子商务平台设定；

由于C2C交易中买卖双方交易的重复交易次数一般不超过5，在实验中一般令σ＝15，α＝0.05。

评价者提交了对被评价者的评价之后，会触发C2C电子商务平台中的信誉计算模型，该信誉计算模型基于以上参数计算得到被评价者新信誉值的过程分以下几步：

a1、从电子商务平台获取以下信息：

把评价者IDx_i，被评价者IDx_j，评分rating(x_i,x_j)，评价时间d_r，被评价者的信誉R(x_j)，当前行业平均信誉评价者打过分的被评分者集合S，给被评价者打过分的评分者集合C，评价者的当前信誉R(x_i)，商品销售价格price，评价者最近15天从该商家购买商品的次数n，阻尼因子σ，阻尼函数缩放因子α，价格权重函数的阈值l₁,l₂,l₃,l₄。

a2、根据如下公式(1)和公式(2)得到新评价到来之后被评价者的新信誉R'(x_j)；

$R^{\′}\left(x_j\right)=\left\{\begin{array}{cc}\begin{array}{cc}10& if\end{array}& TR\left(x_j\right)\≥10\\ \begin{array}{cc}0& if\end{array}& TR\left(x_j\right)\≤0\\ TR\left(x_j\right)& otherwise\end{array}\right.---\left(1\right)$

$TR\left(x_j\right)=R\left(x_j\right)+\left(rating\right(x_i,x_j)-\stackrel{\‾}{R}+b_{x_i}+b_{x_j})\×w\left(price\right)\×\mathrm{\α}\×(1-\frac{1}{1+e^{\frac{10-n}{\mathrm{\σ}}}})\×R\left(x_i\right)---\left(2\right)$

其中，和分别代表评价者和被评价者的偏差；w(price)是price的权重函数；

和按照如下公式(3)和公式(4)计算：

$b_{x_i}=\frac{\underset{x_k\∈S}{\Σ}\left(rating\right(x_i,x_k)-\stackrel{\‾}{R}-b_{x_k})\×{\mathrm{\λ}}^{(d_c-d_r)}}{25+\left|S\right|}---\left(3\right)$

$b_{x_j}=\frac{\underset{c\∈C}{\Σ}\left(rating\right(c,x_j)-\stackrel{\‾}{R})\×{\mathrm{\λ}}^{(d_c-d_r)}}{25+\left|C\right|}---\left(4\right)$

其中，λ∈(0,1]是折扣因子，d_c代表当前时间，d_r代表rating(x_i,x_k)的评价时间，且d_c≥d_r，25为压缩系数；

w(price)是价格的权重函数，按照公式(5)计算：

$w\left(price\right)=\left\{\begin{array}{cc}0,& price\∈(0,l_1\]\\ 1,& price\∈(l_1,l_2\]\\ 2,& price\∈(l_2,l_3\]\\ 3,& price\∈(l_3,l_4\]\\ 4,& price\∈(l_4,+\mathrm{\∞})\end{array}\right.---\left(5\right)$

其中，l₁,l₂,l₃,l₄为价格权重函数的阈值，由电子商务平台定期统计后按照平台中价格的分布特点设置；

在本发明实验时分别设置l₁,l₂,l₃,l₄为10，200，1000，5000。

a3、将计算所得被评价者的新信誉R'(x_j)存储到对应数据库中。

与已有信誉评价模型相比，本发明信誉评价模型具有如下优点：

1)在信誉累加计算过程中，综合考虑了行业平均信誉、商品价格、评价者信誉、评价次数、评价者评价偏差和被评价者的偏差等因素。

2)新卖方用户的初始信誉R(x_j)为行业信誉均值提高了新卖方用户进入市场的积极性，降低了诚信用户和销售高质量产品的用户通过刷信誉提高自身信誉的动机。

3)排除了个人评价偏差和被评价者偏差等因素的影响；如果被评价者获得的评价普遍偏高，则其偏差大于零，否则，小于零；如果该评分者是个严苛的人，则其偏差小于零，否则，大于零；由于部分评分值还受到来自于评价者不同特点或被评价者不同特点的单方面影响，偏差的引入可以消除非相互作用的评分因素，从而可以帮助信誉评价模型更好地挖掘数据中隐藏的真正信任。

4)考虑了评价的时效性和评价者、被评价者行为的动态变化性；通过实现仅考虑最近15天的被评价者和评价者折扣偏差。

图1说明了λ＝0.7，d_c-d_r为0～30时值的变化情况。由图1可知，d_c-d_r＝16时几乎等于零，偏差也几乎等于零，因此仅考虑了近15天的偏差。

5)考虑了商品价格对被评价者的信誉影响；w(price)将价格转化成了0-1之间的一个类似于权重的值，这一点可以抵御价值不平衡攻击，还可以避免卖方通过销售低价商品提高信誉，再销售劣质高价商品的价值不平衡性攻击。

6)考虑了评价者信誉R(x_i)的影响，评价者信誉越高，认为其评价的权威性越高；同时，设置卖方初始信誉为行业均值，买方初始信誉为0。这些考虑和设置可以抵御换名重新进入市场的漂白性攻击。

7)被评价者的信誉受评价者最近一段时间内的评价次数n影响，重复评价次数越大，权重(用)表示)越小。图2说明了阻尼函数随评价次数n变化的曲线，当n＝7(重复评价次数为n-1＝6)时，阻尼函数值接近0.5，再评价就打了五折；重复评价12次时，阻尼函数值即为0，再评价将完全不计入信誉值。这一点可以抵御共谋性重复交易攻击。

b建立信誉传播模型

在得到被评价者的新信誉值R'(x_j)后，将一些信誉模型计算需要的参数，诸如评价双方ID、评分、被评价者的新信誉、更新的行业信誉均值存储到相应数据库中，然后设计并实现一个二维的信誉跟踪、展示模型；

其中，天数为横轴，信誉值为纵轴；横轴共显示最近15天的日期，每天固定长度的区间；由于每天的交易量/评价量不同，因此各天(每个固定区间)中评价点的稀疏程度不同；纵轴取值范围为0-10分的实数，表示信誉值的变化范围；如图3所示，基于该信誉跟踪、展示模型，动态展示最近15天被评价者的信誉，执行过程如下：

b1从数据库中查询该商品最近15天的评价、评价时间、信誉计算前、后该商品的信誉值R(x_j)和R'(x_j)、同行业平均信誉按评价时间的顺序插入该商品的最近15天用户评分数组A中；其中，最远的在前面，按照评价时间的远近由前方向后方依次排列；

数组A中每个元素内点的疏密代表该天内评价的多少，即点越多，评价越多。

b2从数据库中抽出被评价者在最近15天每笔交易后的新信誉R'(x_j)、行业平均信誉的数据映射到直角坐标系中；

b3应用Java的JFreeChart时序图技术实现二维动态展示模型。

具体的，在该步骤中二维动态展示模型的实现过程为：

b31、调用JfreeChart类库中的TimeSeries类的构造方法两次，生成存储卖家信誉的集合Seller和存储同行业平均信誉的集合mean；

b32、如果数组A不为空，取出用户评分数组A中的第一个元素；否则转到步骤b37；

b33、将该元素对应的评分时间切割成年，月，日，时，分的字符串；

b34、以年，月，日，时，分和新信誉R'(x_j)为参数调用集合对象Seller的add方法，将评论时间和对应的卖家信誉添加到集合Seller中；

b35、以年，月，日，时，分和为参数调用集合对象mean的add方法，将评论时间和对应的行业平均信誉添加到集合mean中；

b36、取评分数组A的下一个元素，如果存在，则转步骤b34；否则，转步骤b37；

b37、调用JFreeChart类库中的TimeSeriesCollection类的构造方法，生成集合对象timeseriescollection；

b38、调用集合对象timeseriescollection的addSeries方法将集合Seller和mean添加到集合timeseriescollection中；

b39、以集合timeseriescollection为参数调用JFreeChart类库中的ChartFactory类的createTimeSeriesChart方法生成时间序列图。

每当评价者提交一次对被评价者的评价，则调用一次信誉计算过程，并对双方信誉展示页面中的动态跟踪模块进行刷新。

本发明方法可以有效预防一些策略性攻击，具体攻击及有效预防原因如下：

1)新卖方用户的初始信誉不再为零，而是行业信誉均值因此能有效提高新卖方用户进入市场的积极性，降低诚信用户和销售高质量产品的卖方用户通过刷信誉提高自身信誉的动机。

2)被评价者评分偏差和评分者个人评价偏差的引入可以消除非相互作用的评分因素，从而可以帮助信誉评价模型更好地挖掘数据中隐藏的真正信任。

3)最近15天的评论和评论时间折扣因子的引入，考虑了评价的时效性，可以有效降低历史造假行为对当前信誉的影响。

4)商品价格权重的引入可以抵御价值不平衡攻击，还可以避免卖方通过销售低价商品提高信誉，再销售高价劣质商品的行为。

5)重复评价次数的引入，考虑了C2C电子商务交易的特点，同时避免了共谋性好评对信誉模型的攻击。

6)评价者信誉的考虑可以抵御换名重新进入市场(即漂白)攻击。

7)二维动态展示方法方便了用户跟踪潜在交易对手的信誉近期变化规律，可以辅助预测未来信誉；同时，该方法还能有效提高商户可信性的可感知性，辅助买方分析、比较不同交易对手的可信性。

图4-图48列出了一直攻击、伪装攻击、漂白攻击、共谋性好评(俗称刷信誉)攻击、共谋性好评及诋毁攻击(为共谋卖家刷信誉同时诋毁其竞争对手)的抵御效果图。其中，横轴代表最近15天的日期，纵轴代表被评价者的信誉，图中曲线为行业均值曲线、被评价者信誉曲线(数值由本发明的信誉计算模型计算获得)。

由这些图形可知，当不诚实买方的比例从10/60到30/60变化时，如图4-图12所示，本发明给出的信誉计算方法对一直攻击的抵御能力逐渐降低，但是50％的买方不诚实时，如图10-图12所示，仍能看出来诚实的卖方信誉大部分情况下在行业均值以上，不诚实的卖方信誉大部分情况下在行业均值以下，时而诚实时而不诚实的卖方的信誉则时而在行业均值以下，时而在行业均值以上。区分度仍然比较大。伪装攻击下的规律相似，如图13-图21所示，而且区分度比一直攻击的时候还要大，因此，更容易区分。漂白攻击对本发明的信誉模型没有任何影响，诚实卖方的信誉一直保持最高值10，如图22-图24所示，不诚实卖方的信誉一直保持最低值0，如图25-27所示，时而诚实时而不诚实卖方的信誉则时而在最高值，时而在最低值，如图28-30所示。特别需要说明的是，无论不诚实买方的比例是10/60、20/60还是30/60，漂白攻击对卖方信誉的评估没有任何影响。这说明该计算模型可以完全抵抗漂白攻击。

当不诚实的买方是不诚实卖方雇佣的水军(他们与不诚实卖方共谋为其刷信誉)时，诚实卖方和行为在诚实和不诚实之间变化的卖方的信誉不受其影响，如图34-39所示。不诚实的卖方信誉则会因为刷信誉者(即不诚实的买方)的比例从10/60到20/60、30/60的变化而变化，信誉值落在行业均值以上的可能性也随刷信誉者比例的增大而上升；但是，大部分还是在行业均值以下；诚实与不诚实的区分度非常大，如图31-39所示。当不诚实的买方是不诚实卖方雇佣的抢手，他们与不诚实卖方共谋为其刷信誉，同时，还不断诋毁不诚实卖方的竞争对手(即诚实卖方和时而诚实时而不诚实的卖方)时，诚实卖方和行为在诚实和不诚实之间变化的卖方的信誉则会受这种攻击影响，如图40-图48所示。诚实卖方和行为变化卖方的信誉会被偶尔拉低，且拉低的概率随不诚实买方的比例增加而增大。但是，通过比较图40、图43和图46，以及比较图41、图44和图47，以及比较图42、图45和图48，仍能比较容易地区分诚实者和不诚实者。

通过上述实验，可以看出判断一个卖方诚实与否可以直接通过判断其信誉曲线实现。当信誉曲线一直保持最高(或低)值时，该卖方肯定是(或不是)诚实的；当信誉曲线大部分在行业均值以上，只是少数情况下会在行业均值以下(即信誉曲线成倒三角形波动)时，则该卖方的可信度比较高；当信誉曲线大部分在行业均值以下，只有少数情况下会在行业均值以上(即信誉曲线成三角形波动)时，则该卖方的可信度比较低；当信誉曲线时而在行业均值以上、时而在行业均值以下时，则该卖方比较狡猾，可信度应该介于以上两种情况之间。其信誉曲线刚刚进入倒三角形底部(即最高信誉)阶段可以冒险信任，但风险比较大一些。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (2)

1.基于二维动态展示的电子商务信誉传播方法，其特征在于，包括如下步骤：

a建立信誉计算模型，并定义以下参数：

1)x_i表示评价者；

2)x_j表示被评价者；

3)rating(x_i,x_j)代表C2C电子商务平台最新获得的评价者对被评价者的商品/服务的评分，rating(x_i,x_j)的取值范围为[0，10]；

4)R(x_j)为被评价者的旧信誉，取值范围为[0，10]；该信息由C2C电子商务平台计算和管理；新卖方用户注册时以行业平均信誉作为其初始信誉，新买方用户注册是以零作为其初始信誉；

5)R'(x_j)为新评价累积之后被评价者的新信誉，由C2C电子商务平台的信誉评价模型计算获得；

6)是评价时的行业平均信誉，是C2C电子商务平台提供的统计信息，该值随着评分的动态增加而动态变化；

7)R(x_i)为评价者的当前信誉，由C2C电子商务平台计算和管理；

8)price是评价者购买商品/服务的价格，由卖方设定；

9)n是评价者在过去15天里对被评价者的评价次数，由电子商务平台记录、统计；

10)称为关于n的阻尼函数，σ是阻尼因子，σ越大，阻尼函数值变化越慢，由C2C电子商务平台设定；

11)α是阻尼函数缩放因子，α∈(0,1)，α越大表示缩放程度越低，由C2C电子商务平台设定；

评价者提交对被评价者的评价后，会触发C2C电子商务平台中的信誉计算模型，该信誉计算模型基于以上参数计算被评价者新信誉值的过程分以下几步：

a1、从电子商务平台获取以下信息：

评价者IDx_i，被评价者IDx_j，评分rating(x_i,x_j)，评价时间d_r，被评价者的信誉R(x_j)，当前行业平均信誉评价者打过分的被评分者集合S，给被评价者打过分的评价者集合C，评价者的当前信誉R(x_i)，商品销售价格price，评价者最近15天从该商家购买商品的次数n，阻尼因子σ，阻尼函数缩放因子α，价格权重函数的阈值l₁,l₂,l₃,l₄；

a2、根据如下公式(1)和公式(2)得到新评价到来之后被评价者的新信誉R'(x_j)；

$R^{\′}\left(x_j\right)=\left\{\begin{array}{cc}\begin{array}{cc}10& if\end{array}& TR\left(x_j\right)\≥10\\ \begin{array}{cc}0& if\end{array}& TR\left(x_j\right)\≤0\\ TR\left(x_j\right)& otherwise\end{array}\right.---\left(1\right)$

$TR\left(x_j\right)=R\left(x_j\right)+\left(rating\right(x_i,x_j)-\stackrel{\‾}{R}+b_{x_i}+b_{x_j})\×w\left(price\right)\×\mathrm{\α}\×(1-\frac{1}{1+e^{\frac{10-n}{\mathrm{\σ}}}})\×R\left(x_i\right)---\left(2\right)$

其中，和分别代表评价者和被评价者的偏差；w(price)是price的权重函数；

和按照如下公式(3)和公式(4)计算：

$b_{x_i}=\frac{\underset{x_k\∈S}{\Σ}\left(rating\right(x_i,x_k)-\stackrel{\‾}{R}-b_{x_k})\×{\mathrm{\λ}}^{(d_c-d_r)}}{25+\left|S\right|}---\left(3\right)$

$b_{x_j}=\frac{\underset{c\∈C}{\Σ}\left(rating\right(c,x_j)-\stackrel{\‾}{R})\×{\mathrm{\λ}}^{(d_c-d_r)}}{25+\left|C\right|}---\left(4\right)$

其中，λ∈(0,1]是折扣因子，d_c代表当前时间，d_r代表rating(x_i,x_k)的评价时间，且d_c≥d_r，25为压缩系数；

w(price)是价格的权重函数，按照公式(5)计算：

$w\left(price\right)=\left\{\begin{array}{cc}0,& price\∈(0,l_1\]\\ 1,& price\∈(l_1,l_2\]\\ 2,& price\∈(l_2,l_3\]\\ 3,& price\∈(l_3,l_4\]\\ 4,& price\∈(l_4,+\mathrm{\∞})\end{array}\right.---\left(5\right)$

其中，l₁,l₂,l₃,l₄为价格权重函数的阈值，由电子商务平台定期统计后按照平台中价格的分布特点设置；

a3、将计算所得被评价者的新信誉R'(x_j)存储到对应数据库中；

b建立信誉传播模型

在得到被评价者的新信誉值R'(x_j)后，将一些信誉模型计算需要的参数存储到相应数据库中，然后设计并实现一个二维的信誉跟踪、展示模型；

其中，天数为横轴，信誉值为纵轴；横轴共显示最近15天的日期，每天固定长度的区间；纵轴取值范围为0-10分的实数，表示信誉值的变化范围；

基于该信誉跟踪、展示模型，动态展示最近15天被评价者的信誉，执行过程如下：

b1从数据库中查询该被评价者最近15天的评分rating(x_i,x_j)、评价时间d_r、信誉计算前的信誉值R(x_j)、信誉计算后的信誉值R'(x_j)、评价时的同行业平均信誉R，按照评价时间的顺序插入该商品的最近15天用户评分数组A中；

b2将被评价者在最近15天每笔交易后的新信誉R'(x_j)、评价时的行业平均信誉R的数据映射到直角坐标系中；

b3应用Java的JFreeChart时序图技术实现二维动态展示模型。

2.根据权利要求1所述的一种基于二维动态展示的电子商务信誉传播方法，其特征在于，所述步骤b3中，二维动态展示模型的实现过程为：

b31、调用JfreeChart类库中的TimeSeries类的构造方法两次，生成存储卖家信誉的集合Seller和存储同行业平均信誉的集合mean；

b32、如果数组A不为空，取出用户评分数组A中的第一个元素；否则转到步骤b37；

b33、将该元素对应的评分时间切割成年，月，日，时，分的字符串；

b34、以年，月，日，时，分和新信誉R'(x_j)为参数调用集合对象Seller的add方法，将评论时间和对应的卖家信誉添加到集合Seller中；

b35、以年，月，日，时，分和为参数调用集合对象mean的add方法，将评论时间和对应的行业平均信誉添加到集合mean中；

b36、取评分数组A的下一个元素，如果存在，则转步骤b34；否则，转步骤b37；

b37、调用JFreeChart类库中的TimeSeriesCollection类的构造方法，生成集合对象timeseriescollection；

b38、调用集合对象timeseriescollection的addSeries方法将集合Seller和mean添加到集合timeseriescollection中；

b39、以集合timeseriescollecti为on参数调用JFreeChart类库中的ChartFactory类的createTimeSeriesChart方法生成时间序列图。