CN105469279A - 一种商品的质量评价方法和装置 - Google Patents

Abstract

本发明公开了一种商品的质量评价方法和装置，用于提高系统中商品评价的准确性。该方法包括：从商品信息数据库中获取历史评价信息；根据历史评价信息计算商品集中每个商品的质量初值；以每个商品的质量初值作为初始条件执行迭代计算，迭代计算包括：根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值，根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值；当商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将商品集中每个商品在相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

Description

一种商品的质量评价方法和装置

技术领域

本发明涉及计算机技术领域，具体涉及一种商品的质量评价方法和装置。

背景技术

随着互联网技术的不断发展，商品推荐系统作为建立在海量数据挖掘基础上的一种高级商务智能平台，可以帮助电子商务网站为其顾客购物提供决策支持和信息服务，商品推荐系统可为用户推荐商品，协助用户选择商品，满足用户对高质量商品的需求。可以肯定的是，高质量的商品通常会得到用户给出的高评分，低质量的商品也往往只能得到用户给出的低评分。

现有技术中常用的计算商品质量的方法是：将所有用户对某一商品的历史评价值进行累加，然后取平均值就可以得到该商品的最终质量值。但现有的该方法至少存在如下缺陷：不同信誉的用户对商品的最终质量值产生的作用都是相同的，即无法针对不同信誉的用户来计算商品的最终质量值。现有技术中同样也存在一些为计算用户信誉值的方法，可以实现为每一个用户加入一个权重值，信誉越稳定的用户评价产生的误差越小，为其设置的权重就越大。

由于现有网络中会经常存在虚假信息或者不可靠的用户，这些用户对某些商品的不真实评价将会影响其他用户对该商品的后续购买，从而导致对该商品产生偏见，因此在商品推荐系统中消除这些虚假信息，获得商品内在的真实质量对各大电商平台来说是一项重要任务。现有的计算用户信誉值的方法在商品推荐系统中受到营销账户、水军的虚假评论等对系统的“恶意攻击”时，现有算法的鲁棒性比较弱，无法避免虚假用户或者用户偏见引起的对商品质量评价的影响。

发明内容

本发明的目的在于提供一种商品的质量评价方法和装置，用于在商品评价中通过消费者的不同信誉水平调节对商品质量评价的权重，从而提高系统中商品评价的准确性。

为了达到上述目的，本发明采用这样的如下技术方案：

一方面，本发明提供一种商品的质量评价方法，包括：

从商品信息数据库中获取历史评价信息，所述历史评价信息包括：用户集和商品集，以及用户集中的用户和商品集中的商品之间存在评价关系的评分数据，其中，所述用户集包括至少两个用户，所述商品集包括至少两个商品；

根据所述历史评价信息计算所述商品集中每个商品的质量初值；

以所述每个商品的质量初值作为初始条件执行迭代计算，所述迭代计算包括：根据所述历史评价信息和每个商品在t时间步的质量值计算所述用户集中每个用户在(t+1)时间步的信誉稳定性值，根据所述历史评价信息和所述每个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，当t＝0时，所述每个商品在t时间步的质量值为所述每个商品的质量初值，所述t为从0开始，随着每轮迭代递增的自然数；

当所述商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将所述商品集中每个商品在所述相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

另一方面，本发明提供一种商品的质量评价装置，包括：

历史评价获取模块，用于从商品信息数据库中获取历史评价信息，所述历史评价信息包括：用户集和商品集，以及所述用户集中的用户和所述商品集中的商品，以及用户和商品之间存在评价关系的评分数据，其中，所述用户集包括至少两个用户，所述商品集包括至少两个商品；

质量初值获取模块，用于根据所述历史评价信息计算所述商品集中每个商品的质量初值；

迭代计算模块，用于以所述每个商品的质量初值作为初始条件执行迭代计算，所述迭代计算包括：根据所述历史评价信息和每个商品在t时间步的质量值计算所述用户集中每个用户在(t+1)时间步的信誉稳定性值，根据所述历史评价信息和所述每个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，当t＝0时，所述每个商品在t时间步的质量值为所述每个商品的质量初值，所述t为从0开始，随着每轮迭代递增的自然数；

商品质量获取模块，用于当所述商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将所述商品集中每个商品在所述相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

采用上述技术方案后，本发明提供的技术方案将由如下优点：

首先从商品信息数据库中获取历史评价信息，然后根据历史评价信息计算商品集中每个商品的质量初值，接下来以每个商品的质量初值作为初始条件执行迭代计算，该迭代计算包括：根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值，以及根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值，当商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，获取商品集中每个商品在相邻两个时间中后者时间步的质量值作为每个商品的质量终值，并向用户集中的用户输出每个商品的质量终值。本发明实施例中对商品的质量值和信誉稳定性值采用异步计算的方式进行迭代，直到在相邻的两个迭代时间商品的质量值达到稳定状态时获取到商品的质量终值。通过从t时间到(t+1)时间步的多轮迭代，可以消除用户的评价偏见以及虚假信息对商品质量值的影响，可以提高商品质量评价的精确度。本发明实施例假设每个用户都有自己的误差量级，通过多轮迭代当商品质量值稳定时才输出商品的质量终值，因此可以在计算用户对商品评分时消除此误差的影响，可以极大提高用户评级的可信度，同时也增加了商品质量值的可信度。

附图说明

图1为本发明实施例提供一种商品的质量评价方法的流程方框示意图；

图2为本发明实施例提供的建立商品二部分图的应用场景示意图；

图3-a为本发明实施例提供的一种商品的质量评价装置的组成结构示意图；

图3-b为本发明实施例提供的历史评价获取模块组成结构示意图；

图3-c为本发明实施例提供的一种迭代计算模块的组成结构示意图；

图3-d为本发明实施例提供的另一种迭代计算模块的组成结构示意图。

具体实施方式

本发明实施例提供了一种商品的质量评价方法和装置，用于在商品评价中通过消费者的不同信誉水平调节对商品质量评价的权重，从而提高系统中商品评价的准确性。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域的技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或装置不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其它单元。

以下分别进行详细说明。

本发明商品的质量评价方法的一个实施例，可应用于向用户推荐高质量的商品的应用场景中，请参阅图1所示，本发明实施例提供的商品的质量评价方法，可以包括如下步骤：

101、从商品信息数据库中获取历史评价信息。

其中，历史评价信息包括：用户集和商品集、以及用户集中的用户和商品集中的商品之间存在评价关系的评分数据，用户集包括至少两个用户，商品集包括至少两个商品。

在本发明实施例中，商品信息数据库中保存有商品的各种记录信息，例如商品信息数据库中保存有各种商品所关联的用户身份识别码(ID，Identity)、商品与用户之间的评价关系、商品与用户之间产生评价关系的具体时间和具体内容等，其中商品与用户之间的评价关系指的是某个用户购买并评价了某个商品的评价记录。其中，商品与用户之间的评价关系可以为用户与该用户购买过的商品之间的评分数据或者评价等级。举例说明：用户购买并且评价一个商品时，用户的评分有可能是1-5分之间或1-10分之间的一个值(也可以评分为端点值，例如1分或者5分或者10分)，或者用户购买并评价一个商品时，用户对商品的评价等级为1颗星至5颗之间的一个等级(也可以评分为端点值，例如1颗星或者5颗星)。

本发明实施例中从商品信息数据库中获取到的历史评价信息可以指在某个历史时间之前已经记录在商品信息数据库中的用户和商品的评价关系。其中，记录在商品信息数据库中的可以是已购买记录，该已购买记录可包括用户ID、商品ID、购买时间、购买价格、购买次数等基本交易信息以及用户对商品的满意度评级。其中，商品具体可以指实际的产品，例如手机、衣服等，商品也可以指的是虚拟的产品，例如游戏账户的装备。

在本发明实施例中，历史评价信息中记录的是多个用户与多个商品之间的评价关系。其中，从用户层面来讲，一个用户可以与一个商品之间存在评价关系，一个用户也可以与多个商品之间存在评价关系。从商品层面来讲，一个商品可以被一个用户购买并评价，一个商品也可以多个用户购买并评价。本发明实施例中，分别设置用户集(也可以称为用户集合)和商品集(也可以称为商品集合)，用户集中包括至少两个用户，商品集中包括至少两种商品，本发明实施例中将用户定义为用户集中的元素，那么在用户集中包括有至少两个用户，将商品定义为商品集中的元素，那么在商品集中包括有至少两个商品，用户集中的用户购买并评价商品集中的商品，从而可以在商品信息数据库中产生历史评价信息，本发明实施例中商品信息数据库中记录的历史评价信息可以用于对商品集中的商品的质量进行评分，该历史评价信息可以指一段时间内用户集中的用户购买并评价商品集中的商品的信息。对于用户集和商品集而言，历史评价信息指的是用户集中的用户和商品集中的商品之间存在评价关系的评分数据。

其中，本发明实施例中，用户集中的用户可能是真实的用户，也可能包括有虚假的用户，因此在初始时假设每个用户都有自己的误差量级，以符合实际的商品质量评价中营销账户、网络水军的存在，需要说明的是，在本发明实施例中可以对这些虚假用户的评价信息有效过滤，以减弱这些虚假用户对商品质量的评价贡献，从而使得计算出的商品的质量终值能够更符合商品的真实属性，详细后续实施例的说明。

本发明实施例提供的商品的质量评价方法可以用于向商品集中的用户推荐商品，首先从商品信息数据库中获取到一段时间内的评价信息，将其定义为历史评价信息，例如，从商品信息数据库中获取最近一个月内的商品与用户之间的评价关系，则获取到的这些评价关系的数据就是历史评价信息，通过历史评价信息可以获取到用户集中用户与商品集中的商品之间存在的评价关系和用户对商品质量的评价数据。

在本发明的一些实施例中，步骤101从商品信息数据库中获取历史评价信息，具体可以包括如下步骤：

A1、根据用户集中的用户在用户终端的购买行为，记录用户与商品集中的商品的购买和评价关系以及对商品的评分数据到商品信息数据库中；

A2、根据商品信息数据库中记录的用户与商品的购买和评价关系以及评分数据建立用户商品二部分图，用户商品二部分图包括：用户集中表示每个用户的节点、商品集中表示每个商品的节点以及存在购买和评价关系的用户和商品之间的连边，连边的权重为评分数据；

A3、根据用户商品二部分图获取到历史评价信息。

在本发明的上述实施例中，步骤A1中用户终端中产生有用户的购买行为记录，记录用户与商品集中的商品的购买和评价关系以及对商品的评分数据(也称为评分值)到商品信息数据库中，然后执行步骤A2，依据商品信息数据库中记录的用户与商品的购买和评价关系以及评分数据建立用户商品二部分图。该用户商品二部分图可以包括如下内容：用户集中的每个用户表示的节点、商品集中的每个商品表示的节点以及存在购买和评价关系的用户和商品之间的连边，连边的权重为评分数据。

具体的，用户商品二部分图的构建过程请参阅如图2所示，为本发明实施例中建立用户商品二部分图的应用场景示意图。其中，每个用户和每个商品在图中用节点来表示，用户和商品之间已经存在的评价关系用连边来表示，如果某用户评价了某个商品，则他们之间就产生一条连边，所有用户构成用户集，所有商品构成商品集，用户集内部没有连边，商品集内部也没有连边，如图2所示，方框表示用户，圆圈表示商品，图2中左边一列为4个用户，分别为用户1、用户2、用户3、用户4，图2中右边一列为4个商品，分别为商品1、商品2、商品3、商品4，在图2中最左部分中方框与圆圈之间的连线表示建立有评价关系的用户和商品之间的连边，若某个商品被某个用户购买并评价过，则在这两者之间就产生有一条连边，将历史评价信息中的所有信息提取后都表示在图2中，以评分最高为5分为例进行说明。例如，用户1购买过商品2且评分为2分，用户2购买过商品1、商品2、商品3且评分为4分、5分、1分，用户3购买过商品3、商品4且评分为3分、5分，用户4购买过商品3且评分为4分，根据如上的购买记录建立如图2所示的用户商品二部分图。在生成用户商品二部分图之后，执行步骤A3，根据设置的条件从用户商品二部分图中提取到历史评价信息，例如可以从用户商品二部分图中提取到特定时间、特定用户、特定商品的评价信息。其中，特定用户可以指的是用户级别在某个级别之上的用户，特定商品可以指的是某个类别的商品，例如母婴类产品。

需要说明的是，在本发明的前述步骤A1-A3的实施例中举例说明了步骤101的具体一种实现方式，在实际应用中步骤101还可以有其它的多种实现方式，例如商品信息数据库中存储有用户集中的多个用户的已购买记录，根据这些已购买记录可以提取到哪些用户购买了哪些商品，从而确定用户和商品之间的评价关系，再依据用户对商品的评价记录提取到用户给商品的评分数据。

在本发明的一些实施例中，步骤101从商品信息数据库中获取历史评价信息之后，本发明实施例提供的商品的质量评价方法还包括如下步骤：

对历史评价信息中包括的用户和商品进行匿名化处理。

通常情况下为了保护用户的隐私不被泄露，从商品信息数据库获取到历史评价信息之后，还可以对敏感信息的用户属性和商品属性进行匿名化处理，例如可以使用K-匿名模型进行匿名化处理，防止用户的隐私信息泄露。

102、根据历史评价信息计算商品集中每个商品的质量初值。

在本发明实施例中，从商品信息数据库中获取到历史评价信息之后，该历史评价信息作为分析商品集中的商品质量的原始数据，根据该历史平信息可以获取到在初始状态时每个商品的质量初值，其中质量初值指的是根据商品信息数据库中已经存在的历史评价信息得到的用户集中的用户对商品的质量评价的原始值，每个商品的质量初值由从商品信息数据库中提取到的历史评价信息来确定。举例说明，对于商品集中的所有商品，每个商品都可能被一个或多个用户同时购买，这些购买了该商品的用户都会该商品的质量进行评价，通过历史评价信息可以获取到这些以评分数据体现的用户评价，对每个商品得到的评分数据进行计算可以得到每个商品的质量初值。

在本发明的一些实施例中，在前述执行步骤A1-A3的实施例中，步骤102根据历史评价信息计算商品集中每个商品的质量初值，具体可以包括如下步骤：

B1、在用户商品二部分图上将用户集中的第i个用户的所有评分数据(即评分值)沿着第i个用户的连边传递给商品集中与第i个用户存在连边的商品，第i个用户指的是用户集中的任意一个用户，i为非0自然数；

B2、当商品集中的每个商品都收到来自用户集中的用户传递的评分数据时，将每个商品收到的所有评分数据的平均值作为每个商品的质量初值。

具体的，由前述执行A1-A3的实施例可知，用户商品二部分图包括：用户集中的每个用户表示的节点、商品集中的每个商品表示的节点以及存在购买和评价关系的用户和商品之间的连边，连边的权重为评分数据。步骤B1中先收集用户集中的第i个用户的所有评分数据，然后沿着第i个用户的连边向该第i个用户评价过的所有商品分别传递对应于各个商品的评分数据，则被第i个用户评价过的所有商品都会收到通过连边传递的评分数据。其中以第i个用户为用户集中的任意一个用户，那么当i的取所有不同的值时，步骤B1中可以将用户集中的所有用户给出的评分数据传递给商品集中的所有商品。完成每个用户都向自己评价过的商品传递评分数据之后，商品集中的每个商品都可以收到来自用户集中的用户传递的评分数据，将每个商品收到的所有评分数据的平均值作为每个商品的质量初值。

需要说明的是，上述步骤B1和步骤B2的实现方式中，以每个商品的对应的评分数据的均值作为商品集中每个商品的质量初值，在实际应用中可以不局限于此，还可以采用其他方式计算每个商品的质量初值。例如，首先可以从历史评价信息中获取到用户集中已经通过信誉认证的用户，然后获取这些通过信誉认证的用户购买商品时给出的评分数据，然后统计每个商品接收到的通过信誉认证的用户给出的评分数据，根据这些评分数据确定出在初始状态时每个商品的质量初值。可以理解的是，本发明实施例中也可以不限于上述举例说明的方式来确定商品的质量初值，具体可以结合应用场景的需要来确定商品的质量初值的具体实现方式，此处仅作说明。

举例说明如下，本发明实施例中在历史评价信息构成的用户商品二部分图中，用户对商品的评分数据传递给商品集中与用户存在评价关系的所有商品。当商品集中的商品收到来自用户的所有评分值时，每个商品将该商品所有评分的平均值作为商品的质量初值。具体地，商品α的质量初值Q_α(0)(可以通过如下方式计算：

$Q_{\mathrm{\α}}\left(0\right)=\frac{\underset{i\∈U_{\mathrm{\α}}}{\Σ}{r}_{i\mathrm{\α}}}{k_{\mathrm{\α}}},$

其中，商品α是商品集中的任一商品，i是属于集合U_α的任一用户，U_α是所有购买并评价过商品α的用户组成的集合，r_iα是用户i对商品集中的商品α的评分数据。k_α是指用户集中与商品集中的商品α之间有评价关系的用户的数目。

需要说明的是，在本发明实施例中，用户对商品的评分数据为大于等于1且小于v的正整数。v为一个大于1的正整数，当某个用户对某个商品的评分为v时表示用户对商品质量评分最高，当某个用户对某个商品的评分为1时表示用户对商品质量评分最低。另外本发明实施例中用户对商品的评分数据也可以通过设置的评价等级来实现，评价等级为一颗星至五颗星之间。当某个用户对某个商品的评价等级为五时表示用户对商品质量评分最高，当某个用户对某个商品的评价等级为一时表示用户对商品质量评分最低。

103、以每个商品的质量初值作为初始条件执行迭代计算，该迭代计算包括：根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值，根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值。

其中，当t＝0时，每个商品在t时间步的质量值为每个商品的质量初值，t为从0开始，随着每轮迭代递增的自然数。

在本发明实施例中，通过前述步骤102可以确定商品集中每个商品的质量初值，然后执行步骤103所述的迭代计算，其中将每个商品的质量初值作为初始条件，t初值赋值为0，即每个商品在t时间步的质量值等于每个商品的质量初值，t为随着每轮迭代递增的自然数。其中，本发明实施例中用户的信誉稳定性值用于衡量用户评分的稳定性，即通过用户的信誉稳定性值可以确定用户的评分误差大小，用户集中的用户的信誉稳定性值是该用户对商品评价的波动性的反映，用户的信誉稳定性值越小，用户的评分准确性就越高，即若用户的信誉稳定性值越小则说明该用户的评分误差就越大。相反，若用户的信誉稳定性值越大则说明该用户的评分误差就越大，该用户可能是营销账户、网络水军，当然也有可能说明该用户的评价偏见较大。

本发明实施例中采用异步计算的方式来迭代更新商品的质量值和用户的信誉稳定性值，从而在时间步的更新过程中计算出对于各个时间步的商品质量值和用户信誉稳定性值，这样的处理能够更好地避免由于个人兴趣和个人评价标准的不同(即用户偏见)引起的对商品质量评价的影响。具体的，在历史评价信息中记录有用户集中的每个用户评价过的商品以及对应的评分数据，使用历史评价信息执行每一轮的迭代计算，这都需要执行如下两个步骤：

1031、根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值；

1032、根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值。

其中，步骤1031和步骤1032描述了相邻的两个时间步中迭代计算的实现方式。举例说明，步骤1031中，t＝0时，根据历史评价信息和每个商品的质量初值来计算每个用户在1时间步的信誉稳定性值，当t＝1时，可以根据历史评价信息和每个商品在1时间步的质量值计算每个用户在2时间步的信誉稳定性值。步骤1032中，当t＝0时，根据历史评价信息和每个用户在1时间步的信誉稳定性值计算每个用户在1时间步的质量值，当t＝1时，根据历史评价信息和每个用户在2时间步的信誉稳定性值计算每个商品在2时间步的质量值。

在步骤1031中先根据历史评价信息和每个商品在t时间步的质量值来递推中用户集中每个用户在(t+1)时间步的信誉稳定性值，以第i个用户为例，第i个用户评价过的所有商品的评分数据可以通过历史评价信息计算得到，若第i个用户评价过商品α，则可以考察第i个用户给商品α的评分数据与商品α的质量初值的误差来描述第i个用户的信誉稳定性值，当第i个用户评价过多个商品时可以衡量第i个用户的评分数据与多个商品的质量初值之间的误差，以此作为第i个用户在1时间步的信誉稳定性值。通过对i的取值变换，可以计算出用户集中的每个用户在1时间步的信誉稳定性值。得到用户集中的每个用户在1时间步的信誉稳定性值之后，还需要执行步骤1032，将用户集中的每个用户在1时间步的信誉稳定性值用于衡量每个商品在1时间步的质量值，每个商品在1时间步的质量值根据每个用户在1时间步的信誉稳定性值计算出。商品的质量值和用户的信誉稳定性值可以通过异步迭代计算的方式不断更新，因此本发明实施例中步骤1031和步骤1032需要多次执行，记录下每个时间步时计算出的商品的质量值和用户的信誉稳定性值。本发明实施例中步骤1031和步骤1032是一个迭代的过程。用户的评分数据从整体上决定商品的质量值，商品的质量值又能反映用户评价波动性，随着时间步的增加，一直迭代相互影响。

进一步的，在本发明的一些实施例中，步骤1031根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值，具体可以包括如下步骤：

C1、从历史评价信息中获取第i个用户评价过的所有商品的评分数据，第i个用户指的是用户集中的任意一个用户，i为非0自然数；

C2、根据第i个用户评价过的每个商品在t时间步的质量值相对于该商品的第i个用户的评分数据的波动程度计算用户集中第i个用户在(t+1)时间步的信誉稳定性值。

其中，在步骤C1中，以对第i个用户的信誉稳定性值为例进行计算，首先获取到第i个用户评价过的所有商品的评分数据，当i的取值任意变化时，可以到用户集中所有用户分别评价过的商品的评分数据。然后执行步骤C2，通过前述的迭代计算可以计算出商品集中的每个商品在t时间步的质量值，接下来计算每个商品在t时间步的质量值相对于该商品的第i个用户的评分数据的波动程度，以计算出的波动程度用于考察第i个用户对商品质量评分的差异，以此作为第i个用户在(t+1)时间步的信誉稳定性值。衡量数据的波动程度可以通过极差、方差、标准差作为统计量来实现，某个商品在t时间步的质量值相对于第i个用户对该商品的分配数据的波动程度可以衡量出第i个用户的信誉稳定情况。其中，上述步骤C2中通过第i个用户评价过的每个商品在t时间步的质量值相对于该商品的第i个用户的评分数据的波动程度计算第i个用户在(t+1)时间步的信誉稳定值可以有多种实现方式，例如，在本发明的一个实际应用场景中，上述步骤C2中可以通过如下方式计算用户集中第i个用户在(t+1)时间步的信誉稳定性值R_i(t+1)：

$R_i(t+1)=\sqrt{\frac{\underset{\mathrm{\α}\∈O_i}{\Σ}{\[Q_{\mathrm{\α}}\left(t\right)-r_{i\mathrm{\α}}\]}^2}{k_i}},$

其中，所述Q_α(t)是所述商品集中的商品α在t时间步的质量值，所述商品α是属于集合O_i的任一商品，所述O_i是与所述用户集中的第i个用户评价过的所有商品组成的集合，所述r_iα是所述第i个用户对所述商品集合中的商品α的评分数据，所述k_i是指所述商品集中所述第i个用户评价过的商品的数目。

与上述公式不同的是，还可以通过如下方式计算用户集中第i个用户在(t+1)时间步的信誉稳定性值R_i(t+1)：

$R_i(t+1)=\sqrt{\frac{\underset{\mathrm{\α}\∈O_i}{\Σ}|Q_{\mathrm{\α}}\left(t\right)-r_{i\mathrm{\α}}|}{k_i}}$

其中，所述Q_α(t)是所述商品集中的商品α在t时间步的质量值，所述商品α是属于集合O_i的任一商品，所述O_i是与所述用户集中的第i个用户评价过的所有商品组成的集合，所述r_iα是所述第i个用户对所述商品集合中的商品α的评分数据，所述k_i是指所述商品集中所述第i个用户评价过的商品的数目。

需要说明的是，采用如上的计算方式通过数据的波动程度来计算用户的信誉稳定性值，在本发明的其它应用场景中还可以不局限于上述公式R_i(t+1)的计算方式，还可以在上述计算方式中做出类似的变形，例如不限制的是，可以对上述公式R_i(t+1)的等式右侧再加上一个信誉修正值，或者在上再乘以一个权重。通过对上述公式R_i(t+1)的计算方式可以计算出第i个用户在(t+1)时间步的信誉稳定性值R_i(t+1)，当t不断迭代递增时可以计算出在各个时间步时用户的信誉稳定性值，计算出的这些信誉稳定性值可以用于对商品的质量值进行估计。

进一步的，在本发明的一些实施例中，步骤1032根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值，包括：

D1、从历史评价信息中获取第i个用户评价过的所有商品的评分数据，第i个用户指的是用户集中的任意一个用户，i为非0自然数；

D2、计算第i个用户评价过的每个商品在t时间步的质量值与对应该商品的第i个用户的评分数据之间的差值作为第i个用户在(t+1)时间步的信誉稳定性值的调整因子；

D3、根据第i个用户评价过的所有商品的评分数据、调整因子和第i个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值。

其中，在步骤D1中，以对第i个用户的信誉稳定性值为例进行计算，首先获取到第i个用户评价过的所有商品的评分数据，当i的取值任意变化时，可以到用户集中所有用户分别评价过的商品的评分数据。然后执行步骤D2，为第i个用户在(t+1)时间步的信誉稳定性值设置一个调整因子，该调整因子用于修正不同信誉的用户在商品的质量值计算时产生的作用大小，具体的该调整因子通过第i个用户评价过的每个商品在t时间步的质量值与对应该商品的第i个用户的评分数据之间的差值得到。在计算出第i个用户在(t+1)时间步的信誉稳定性值的调整因子之后，执行步骤D3，根据第i个用户评价过的所有商品的评分数据、调整因子和在前述1031中获取到第i个用户在(t+1)时间步的信誉稳定性值对商品的质量值进行预估，得到商品集中每个商品在(t+1)时间步的质量值。具体的，步骤D3中使用调整因子来影响第i个用户在(t+1)时间步的信誉稳定性值对商品质量的评分，以消除用户的评价偏见提高用户的信誉值，进而提高商品质量评价的精确度。

进一步的，在本发明的一些实施例中，步骤D3根据第i个用户评价过的所有商品的评分数据、调整因子和第i个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值，具体可以包括如下步骤：

通过如下方式计算商品集中商品α在(t+1)时间步的质量值Q_α(t+1)：

$Q_{\mathrm{\α}}(t+1)=\frac{1}{k_{\mathrm{\α}}}\underset{i\∈U_{\mathrm{\α}}}{\Σ}\[r_{i\mathrm{\α}}+R_i(t+1)\mathrm{sgn}\left(Q_{\mathrm{\α}}\right(t)-r_{i\mathrm{\α}})\],$

其中，r_iα是第i个用户对商品集合中的商品α的评分数据，R_i(t+1)是用户集中第i个用户在(t+1)时间步的信誉稳定性值，sgn(Q_α(t)-r_iα)为Q_α(t)-r_iα的符号函数，sgn(Q_α(t)-r_iα)为R_i(t+1)的调整因子，Q_α(t)-r_iα是符号函数的输入值，当Q_α(t)-r_iα＞0时，sgn(Q_α(t)-r_iα)＝1，当Q_α(t)-r_iα＜0时，sgn(Q_α(t)-r_iα)＝-1，当Q_α(t)-r_iα＝0时，sgn(Q_α(t)-r_iα)＝0，k_α是指用户集中评价过商品α的用户的数目。

需要说明的是，采用如上的计算方式通过符号函数作为调整因子来修正用户的信誉稳定性值对商品质量值的影响，在本发明的其它应用场景中还可以不局限于上述公式Q_α(t+1)的计算方式，还可以在上述计算方式中做出类似的变形，例如不限制的是，可以对上述公式Q_α(t+1)的等式右侧再加上一个质量修正值，或者在上再乘以一个权重。通过对上述公式Q_α(t+1)的计算方式可以计算出每个商品在(t+1)时间步的质量值，当t不断迭代递增时可以计算出在各个时间步时每个商品的质量值，计算出的这些质量值可以表示出本发明实施例中估计出的商品的质量值。例如，步骤D3根据第i个用户评价过的所有商品的评分数据、调整因子和第i个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值，具体可以包括如下步骤：

$Q_{\mathrm{\α}}(t+1)=\frac{1}{k_{\mathrm{\α}}}\underset{i\∈U_{\mathrm{\α}}}{\Σ}\[r_{i\mathrm{\α}}+R_i(t+1)g{\left(Q_{\mathrm{\α}}\right(t)-r_{i\mathrm{\α}})}^{\frac{1}{3}}\],$

其中，r_iα是第i个用户对商品集合中的商品α的评分数据，R_i(t+1)是用户集中第i个用户在(t+1)时间步的信誉稳定性值，为R_i(t+1)的调整因子，k_α是指用户集中评价过商品α的用户的数目。

104、当商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将商品集中每个商品在相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

在本发明实施例中，步骤103根据用户集中用户的信誉稳定性值和商品集中商品的质量值，迭代计算并更新用户集中用户的信誉稳定性值和商品集中商品的质量值。迭代计算过程中依次更新用户集中所有用户的信誉值和商品集中所有商品的质量打分值，更新完毕后时间步t增加1个时间步；迭代计算过程一直持续进行，直到商品集中商品的质量值保持稳定，即从t时间到(t+1)时间步的迭代计算的结束条件为：商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值，因此每次在执行步骤103中完成一轮的迭代计算之后，都需要计算每个商品在相邻两个时间步对应的质量值之间的差值之和是否小于预置的质量稳定阈值。质量稳定阈值是指相邻两个时间步中所有商品的质量值变化微小，例如，质量稳定阈值可以结合具体实际需要来设定为迭代计算的结束条件，可实现的一种方式是，质量稳定阈值可以为10^-6，即当相邻两个时间步中商品的质量值的总变化Σ|Q_α(t₁)-Q_α(t₁-1)|＜10^-6时，停止执行步骤103中的迭代计算，此时相邻两个时间为t₁和t₁-1，输出每个商品在t₁时间步的质量值作为每个商品的质量终值。

本发明实施例中在相邻两个时间内商品的质量值变化很小时说明给每个商品的质量值已经趋于稳定，通过前述多轮的迭代计算能够更好地避免由于个人兴趣和个人评价标准的不同(即用户偏见)引起的对商品质量评价的影响。本发明实施例通过消除用户的评价偏见提高用户的信誉稳定性值，进而提高商品质量评价的精确度。对于提供在线服务或者在线产品的公司来说，构建在线信誉系统是非常重要，本发明实施例提高的商品的质量评价方法可以帮助用户更好的选择想要的产品，同时也会将产品中哪些所谓的“黑马商品”推荐出去，黑马商品即那些有着较高质量并且用户真正想要而又难以被发现的商品，黑马商品自身质量较高，但是可能由于宣传、营销、投资规模等原因，没有引起大范围关注、没有受到合理评价的商品。黑马商品实际上完全具备了解消费者心理、满足消费者需求的能力，是用户真正应该得到的商品。但是在以往的评价体系中，在黑马商品被挖掘出来而被大众所熟知之前，用户难以发现他们。本发明实施例提高的商品的质量评价能够在商品只有少数用户评价的时候，结合用户的信誉稳定性值，较准确地计算出商品的真实质量。发明实施例提高的商品的质量评价方法具有准确性、有效性、鲁棒性，在后续实施例中将通过数据仿真来验证。

在本发明的一些实施例中，计算出每个商品的质量终值之后，本发明实施例提供的商品的质量评价方法还可以包括如下步骤：

按照商品集中每个商品的质量终值从高到低进行排序，生成商品质量由高到低的商品列表。

其中，当商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，获取商品集中每个商品在相邻两个时间中后者时间步的质量值作为每个商品的质量终值，每个商品的质量值终值表示了商品集中所有商品得到的评价分值，对商品集中的所有商品按照质量终值进行从高到低的排序，得到一个商品列表，用户可以通过商品列表准确获取到高质量的商品。

通过前述实施例对本发明的描述可知，首先从商品信息数据库中获取历史评价信息，然后根据历史评价信息计算商品集中每个商品的质量初值，接下来以每个商品的质量初值作为初始条件执行迭代计算，该迭代计算包括：根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值，以及根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值，当商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，获取商品集中每个商品在相邻两个时间中后者时间步的质量值作为每个商品的质量终值，并向用户集中的用户输出每个商品的质量终值。本发明实施例中对商品的质量值和信誉稳定性值采用异步计算的方式进行迭代，直到在相邻的两个迭代时间商品的质量值达到稳定状态时获取到商品的质量终值。通过从t时间到(t+1)时间步的多轮迭代，可以消除用户的评价偏见以及虚假信息对商品质量值的影响，可以提高商品质量评价的精确度。本发明实施例假设每个用户都有自己的误差量级，通过多轮迭代当商品质量值稳定时才输出商品的质量终值，因此可以在计算用户对商品评分时消除此误差的影响，可以极大提高用户评级的可信度，同时也增加了商品质量值的可信度。

为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。

请参阅图3-a所示，本发明实施例提供的一种商品的质量评价装置300，可以包括：历史评价获取模块301、质量初值获取模块302、迭代计算模块303和商品质量获取模块304，其中，

历史评价获取模块301，用于从商品信息数据库中获取历史评价信息，所述历史评价信息包括：用户集和商品集，以及所述用户集中的用户和所述商品集中的商品，以及用户和商品之间存在评价关系的评分数据，其中，所述用户集包括至少两个用户，所述商品集包括至少两个商品；

质量初值获取模块302，用于根据所述历史评价信息计算所述商品集中每个商品的质量初值；

迭代计算模块303，用于以所述每个商品的质量初值作为初始条件执行迭代计算，所述迭代计算包括：根据所述历史评价信息和每个商品在t时间步的质量值计算所述用户集中每个用户在(t+1)时间步的信誉稳定性值，根据所述历史评价信息和所述每个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，当t＝0时，所述每个商品在t时间步的质量值为所述每个商品的质量初值，所述t为从0开始，随着每轮迭代递增的自然数；

商品质量获取模块304，用于当所述商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将所述商品集中每个商品在所述相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

在本发明的一些实施例中，请参阅如图3-b所示，所述历史评价获取模块301，包括：

数据记录子模块3011，用于根据所述用户集中的用户在用户终端的购买行为，记录用户与所述商品集中的商品的购买和评价关系以及对商品的评分数据到所述商品信息数据库中；

二部分图建立子模块3012，用于根据所述商品信息数据库中记录的用户与商品的购买和评价关系以及评分数据建立用户商品二部分图，所述用户商品二部分图包括：所述用户集中表示每个用户的节点、所述商品集中表示每个商品的节点以及存在购买和评价关系的用户和商品之间的连边，所述连边的权重为所述评分数据；

历史评价获取子模块3013，用于根据所述用户商品二部分图获取到所述历史评价信息。

在本发明的一些实施例中，所述质量初值获取模块302，具体用于在所述用户商品二部分图上将所述用户集中的第i个用户的所有评分数据沿着所述第i个用户的连边传递给所述商品集中与所述第i个用户存在连边的商品，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；当所述商品集中的每个商品都收到来自所述用户集中的用户传递的评分数据时，将所述每个商品收到的所有评分数据的平均值作为所述每个商品的质量初值。

在本发明的一些实施例中，请参阅如图3-c所示，所述迭代计算模块303，包括：

评分获取子模块3031，用于从所述历史评价信息中获取第i个用户评价过的所有商品的评分数据，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；

信誉稳定性值计算子模块3032，用于根据所述第i个用户评价过的每个商品在t时间步的质量值相对于该商品的第i个用户的评分数据的波动程度计算所述用户集中第i个用户在(t+1)时间步的信誉稳定性值。

在本发明的一些实施例中，请参阅如图3-d所示，所述迭代计算模块303，包括：

评分获取子模块3031，用于从所述历史评价信息中获取第i个用户评价过的所有商品的评分数据，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；

信誉权重计算子模块3033，用于计算所述第i个用户评价过的每个商品在t时间的质量值与对应该商品的第i个用户的评分数据之间的差值作为所述第i个用户在(t+1)时间的信誉稳定值信誉稳定性值的调整因子；

商品质量值计算子模块3034，用于根据所述第i个用户评价过的所有商品的评分数据、所述调整因子和所述第i个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值。

在本发明的一些实施例中，所述商品质量值计算子模块3035，具体用于通过如下方式计算所述商品集中商品α在(t+1)时间步的质量值Q_α(t+1)：

$Q_{\mathrm{\α}}(t+1)=\frac{1}{k_{\mathrm{\α}}}\underset{i\∈U_{\mathrm{\α}}}{\Σ}\[r_{i\mathrm{\α}}+R_i(t+1)\mathrm{sgn}\left(Q_{\mathrm{\α}}\right(t)-r_{i\mathrm{\α}})\],$

其中，所述r_iα是所述第i个用户对所述商品集合中的商品α的评分数据，所述R_i(t+1)是所述用户集中第i个用户在(t+1)时间步的信誉稳定性值，所述sgn(Q_α(t)-r_iα)为Q_α(t)-r_iα的符号函数，所述sgn(Q_α(t)-r_iα)为所述R_i(t+1)的调整因子，所述Q_α(t)-r_iα是符号函数sgn()的输入值，当Q_α(t)-r_iα＞0时，所述sgn(Q_α(t)-r_iα)＝1，当Q_α(t)-r_iα＜0时，所述sgn(Q_α(t)-r_iα)＝-1，当Q_α(t)-r_iα＝0时，所述sgn(Q_α(t)-r_iα)＝0，所述k_α是指所述用户集中评价过所述商品α的用户的数目。

通过前述实施例对本发明的描述可知，首先从商品信息数据库中获取历史评价信息，然后根据历史评价信息计算商品集中每个商品的质量初值，接下来以每个商品的质量初值作为初始条件执行迭代计算，该迭代计算包括：根据历史评价信息和每个商品在t时间步的质量值计算用户集中每个用户在(t+1)时间步的信誉稳定性值，以及根据历史评价信息和每个用户在(t+1)时间步的信誉稳定性值计算商品集中每个商品在(t+1)时间步的质量值，当商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，获取商品集中每个商品在相邻两个时间中后者时间步的质量值作为每个商品的质量终值，并向用户集中的用户输出每个商品的质量终值。本发明实施例中对商品的质量值和信誉稳定性值采用异步计算的方式进行迭代，直到在相邻的两个迭代时间商品的质量值达到稳定状态时获取到商品的质量终值。通过从t时间到(t+1)时间步的多轮迭代，可以消除用户的评价偏见以及虚假信息对商品质量值的影响，可以提高商品质量评价的精确度。本发明实施例假设每个用户都有自己的误差量级，通过多轮迭代当商品质量值稳定时才输出商品的质量终值，因此可以在计算用户对商品评分时消除此误差的影响，可以极大提高用户评级的可信度，同时也增加了商品质量值的可信度。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本发明各个实施例所述的方法。

综上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照上述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对上述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种商品的质量评价方法，其特征在于，包括：

从商品信息数据库中获取历史评价信息，所述历史评价信息包括：用户集和商品集，以及用户集中的用户和商品集中的商品之间存在评价关系的评分数据，其中，所述用户集包括至少两个用户，所述商品集包括至少两个商品；

根据所述历史评价信息计算所述商品集中每个商品的质量初值；

以所述每个商品的质量初值作为初始条件执行迭代计算，所述迭代计算包括：根据所述历史评价信息和每个商品在t时间步的质量值计算所述用户集中每个用户在(t+1)时间步的信誉稳定性值，根据所述历史评价信息和所述每个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，当t＝0时，所述每个商品在t时间步的质量值为所述每个商品的质量初值，所述t为从0开始，随着每轮迭代递增的自然数；

当所述商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将所述商品集中每个商品在所述相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

2.根据权利要求1所述的方法，其特征在于，所述从商品信息数据库中获取历史评价信息，包括：

根据所述用户集中的用户在用户终端的购买行为，记录用户与所述商品集中的商品的购买和评价关系以及对商品的评分数据到所述商品信息数据库中；

根据所述商品信息数据库中记录的用户与商品的购买和评价关系以及评分数据建立用户商品二部分图，所述用户商品二部分图包括：所述用户集中表示每个用户的节点、所述商品集中表示每个商品的节点以及存在购买和评价关系的用户和商品之间的连边，所述连边的权重为所述评分数据；

根据所述用户商品二部分图获取到所述历史评价信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述历史评价信息计算所述商品集中每个商品的质量初值，包括：

在所述用户商品二部分图上将所述用户集中的第i个用户的所有评分数据沿着所述第i个用户的连边传递给所述商品集中与所述第i个用户存在连边的商品，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；

当所述商品集中的每个商品都收到来自所述用户集中的用户传递的评分数据时，将所述每个商品收到的所有评分数据的平均值作为所述每个商品的质量初值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述历史评价信息和每个商品在t时间步的质量值计算所述用户集中每个用户在(t+1)时间步的信誉稳定性值，包括：

从所述历史评价信息中获取第i个用户评价过的所有商品的评分数据，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；

根据所述第i个用户评价过的每个商品在t时间步的质量值相对于该商品的第i个用户的评分数据的波动程度计算所述用户集中第i个用户在(t+1)时间步的信誉稳定值。

5.根据权利要求1所述的方法，其特征在于，所述根据所述历史评价信息和所述每个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，包括：

从所述历史评价信息中获取第i个用户评价过的所有商品的评分数据，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；

计算所述第i个用户评价过的每个商品在t时间的质量值与对应该商品的第i个用户的评分数据之间的差值作为所述第i个用户在(t+1)时间的信誉稳定性值的调整因子；

根据所述第i个用户评价过的所有商品的评分数据、所述调整因子和所述第i个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间的质量值。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第i个用户评价过的所有商品的评分数据、所述调整因子和所述第i个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，包括：

通过如下方式计算所述商品集中商品α在(t+1)时间步的质量值Q_α(t+1)：

$Q_{\mathrm{\α}}(t+1)=\frac{1}{k_{\mathrm{\α}}}\underset{i\∈U_{\mathrm{\α}}}{\Σ}\[r_{i\mathrm{\α}}+R_i(t+1)\mathrm{sgn}\left(Q_{\mathrm{\α}}\left(t\right)-r_{i\mathrm{\α}}\right)\],$

其中，所述r_iα是所述第i个用户对所述商品集合中的商品α的评分数据，所述R_i(t+1)是所述用户集中第i个用户在(t+1)时间步的信誉稳定性值，所述sgn(Q_α(t)-r_iα)为Q_α(t)-r_iα的符号函数，所述sgn(Q_α(t)-r_iα)为所述R_i(t+1)的调整因子，所述Q_α(t)-r_iα是符号函数sgn()的输入值，当Q_α(t)-r_iα＞0时，所述sgn(Q_α(t)-r_iα)＝1，当Q_α(t)-r_iα＜0时，所述sgn(Q_α(t)-r_iα)＝-1，当Q_α(t)-r_iα＝0时，所述sgn(Q_α(t)-r_iα)＝0，所述k_α是指所述用户集中评价过所述商品α的用户的数目。

7.一种商品的质量评价装置，其特征在于，包括：

历史评价获取模块，用于从商品信息数据库中获取历史评价信息，所述历史评价信息包括：用户集和商品集，以及所述用户集中的用户和所述商品集中的商品，以及用户和商品之间存在评价关系的评分数据，其中，所述用户集包括至少两个用户，所述商品集包括至少两个商品；

质量初值获取模块，用于根据所述历史评价信息计算所述商品集中每个商品的质量初值；

迭代计算模块，用于以所述每个商品的质量初值作为初始条件执行迭代计算，所述迭代计算包括：根据所述历史评价信息和每个商品在t时间步的质量值计算所述用户集中每个用户在(t+1)时间步的信誉稳定性值，根据所述历史评价信息和所述每个用户在(t+1)时间步的信誉稳定性值计算所述商品集中每个商品在(t+1)时间步的质量值，当t＝0时，所述每个商品在t时间步的质量值为所述每个商品的质量初值，所述t为从0开始，随着每轮迭代递增的自然数；

商品质量获取模块，用于当所述商品集中每个商品在相邻两个时间步对应的质量值之间的差值之和小于预置的质量稳定阈值时，将所述商品集中每个商品在所述相邻两个时间中后者时间步的质量值作为每个商品的质量终值。

8.根据权利要求7所述的装置，其特征在于，所述历史评价获取模块，包括：

数据记录子模块，用于根据所述用户集中的用户在用户终端的购买行为，记录用户与所述商品集中的商品的购买和评价关系以及对商品的评分数据到所述商品信息数据库中；

二部分图建立子模块，用于根据所述商品信息数据库中记录的用户与商品的购买和评价关系以及评分数据建立用户商品二部分图，所述用户商品二部分图包括：所述用户集中表示每个用户的节点、所述商品集中表示每个商品的节点以及存在购买和评价关系的用户和商品之间的连边，所述连边的权重为所述评分数据；

历史评价获取子模块，用于根据所述用户商品二部分图获取到所述历史评价信息。

9.根据权利要求8所述的装置，其特征在于，所述质量初值获取模块，具体用于在所述用户商品二部分图上将所述用户集中的第i个用户的所有评分数据沿着所述第i个用户的连边传递给所述商品集中与所述第i个用户存在连边的商品，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；当所述商品集中的每个商品都收到来自所述用户集中的用户传递的评分数据时，将所述每个商品收到的所有评分数据的平均值作为所述每个商品的质量初值。

10.根据权利要求7所述的装置，其特征在于，所述迭代计算模块，包括：

评分获取子模块，用于从所述历史评价信息中获取第i个用户评价过的所有商品的评分数据，所述第i个用户指的是所述用户集中的任意一个用户，所述i为非0自然数；

信誉稳定性值计算子模块，用于根据所述第i个用户评价过的每个商品在t时间步的质量值相对于该商品的第i个用户的评分数据的波动程度计算所述用户集中第i个用户在(t+1)时间步的信誉稳定性值。