CN105787744A

CN105787744A - 一种基于购物需求的抗攻击信誉评价计算方法

Info

Publication number: CN105787744A
Application number: CN201610114797.7A
Authority: CN
Inventors: 张淑莲; 张淑凡; 万泉; 徐伶伶
Original assignee: Qingdao University of Technology
Current assignee: Qingdao University of Technology
Priority date: 2016-03-02
Filing date: 2016-03-02
Publication date: 2016-07-20

Abstract

本发明公开了一种基于购物需求的抗攻击信誉评价计算方法，属于电子商务信誉计算领域，它主要包括：用户提出购物需求；利用多Agent平台根据用户需求产生含有多种有策略的虚假评论的数据集；基于进化算法的可信评价者集合生成方法；根据产生的可信评价者对商家的评价以及用户自身的交易经验计算商家的信誉值，从而选择信誉值最高的作为交易对象；交易后再根据用户本次的交易评价结果筛选更加可信的评价者，这样能够减少虚假评价者对用户选择交易商家时的影响。本发明提供的方案能够有效地抵抗多种策略性虚假评论方式，使得用户能够更好地选择更可靠的商家进行交易。

Description

一种基于购物需求的抗攻击信誉评价计算方法

技术领域

本发明涉及电子商务信誉计算领域，尤其涉及一种基于购物需求的抗攻击信誉评价计算方法。

背景技术

随着电子商务的迅速发展，一些不法商家以假乱真、以次充好的现象日益增多，人们对网络交易环境和交易风险的戒备心理和防范心理也日益加剧。因此，促进电子商务交易双方的相互信任，已然成为促进电子商务稳步发展的一个关键问题。然而，当前电子商务信誉系统使用的虚假评论检测方法不能很好地抵御不法分子对信誉管理系统的各种策略性攻击。

Nitin和Liu于2008年首次提出了关于垃圾评论检测的问题。将垃圾评论分成三种类型：不真实的评论，只针对品牌的评论，没有评论内容的评论。使用监听的方法检测垃圾评论:首先，抽取一个关于评论，评论者和商品的特征集；然后，主要使用文本相似度和一些人工手段标识垃圾评论。基于这些特征和训练数据构造一个分类器，用于检测垃圾评论。该方法很大程度依赖于文本相似度，只对这种类型的垃圾评论行为有效果。

Jindal于2010年提出一种使用挖掘意外规则的算法检测垃圾评论。将每条评论看成与某个评价类相关的记录，这个评论类包括正面的评价类，否定的评价类以及中立的评价类。使用意外规则挖掘算法生成一个意外规则列表。然而这个方法不能区分真正的垃圾评论者，只能找到一些作为意外规则的奇怪行为。

Lim在2010年提出另一种基于评论者行为的垃圾评论检测方法。他们发现了许多垃圾评论行为的特征，例如，单一商品或一组商品上的各种评价或评论以及评分偏差。每个评论者在这些特征上获得不同的分数，再将这些分数进行线性结合，最后的总得分就是这个评论者的怀疑度。这个方法是非监督的，节省了许多人工标识的花费。然而，根据他们的研究本质上还是依赖于文本相似度。因此，也只能用于一些特殊类型的垃圾评论检测。

以上的各种方法的不足之处还在于，都只研究利用垃圾评论的文本或评分特征，这具有局限性。因此，迫切需要一种新的方法来检测垃圾评论。

发明内容

本发明的目的在于提供一种基于购物需求的抗攻击信誉评价计算方法，用于解决现有虚假评论繁多、商家造假、交易商品不能很好的满足用户需求、虚假评论不能被及时检测的问题。

为此，本发明提出一种基于购物需求的抗攻击信誉评价计算方法，一种基于购物需求的抗攻击信誉评价计算方法，包括如下步骤：

步骤1：利用多Agent平台根据用户需求产生具有策略性虚假评论的数据集。多Agent平台中有买家Agent、商家Agent、搜索Agent，当用户（即某个买家Agent）提出购物需求时，搜索Agent会根据此购物需求推荐商家，并且产生大量的含有多种策略性虚假评论的数据集，以此模拟历史购物记录。

步骤2：基于进化算法的可信评价者集合生成方法，利用差分进化算法将用户的可信评价者集合进化g代以获得最值得信任的评价者集合，用户B对它的第g代的可信评价者列表的满意度函数为：

其中代表用户B对商家的评价（即B对的所有评分的平均值），代表B的可信评价者对的评价。

步骤3：根据步骤2产生的可信评价者集合中的评价者对商家的评价以及用户利用自身的交易经验计算商家的信誉值，从而选择交易商家，

可信评价者对商家的可信度计算方法：

其中表示的是评价者对商家S_i的给予好评的概率,表示的是评价者对商家S_i给予差评概率；λ指折扣因子，t(t=1,2,…n)是评分的时间窗。

用户利用自身交易经验对商家的可信度计算方法

其中指用户B对商家S_i的好评次数，指用户B对商家S_i的差评次数，λ指折扣因子；t(t=1,2,…n)是评分的时间窗。

结合可信评价者对商家的可信度以及用户利用自身的交易经验对商家的可信度得到商家的信誉度计算方法：，其中是权重。

步骤4：交易后根据用户本次的交易评价结果将可信评价者集合中与用户对该商家评价相反的评价者删除，从而筛选得到更加可信的评价者集合。

所述步骤1中的多Agent平台中为每一个用户都设置了初始的可信评价者集合，当用户提出需求后，搜索Agent不仅向用户推荐满足需求的商家，同时将与这些商家最近进行交易过的买家信息一起发送给购物用户。

所述步骤2中利用进化算法筛选更加可信的评价者方法时，进化的对象不仅是用户初始的可信评价者集合，也包括步骤1中搜索Agent推荐的与商家最近交易过的买家集合。

所述步骤4中更加可信评价者筛选方法包括：步骤1，根据用户本次交易评价找出原来可信评价者集合中与用户评价相差比较大的评价者，将其删除；步骤2，从进化的g代的可信评价者集合中选择与用户对该商家评价相近的评价者放入该用户的更加可信评价者集合中。

本发明具有以下优势：

1.充分考虑用户购物需求，向用户推荐满足需求的商家，很好的解决了用户的个体差异性；

2.利用进化算法，产生用户值得信任的评价者，很好的识别了无效的评论和有效的评论；

3.通过结合用户自身的购物经验以及可信评价者集合中评价者对商家的评价，来判断用户的交易对象，很好地处理用户自身判断力以及其它买家的判断力；

4.交易成功后，根据本次交易，删除可信评价者集合中的不可信者，进一步增加可信评价者集合中可信评价者的可信度。

附图说明

图1为本发明实施例提供的一种基于购物需求的抗攻击信誉评价计算方法流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

首先，多Agent平台中设置两个垄断的商家，即诚实的（SH）和不诚实（SD）的垄断商家，用他们来作显性的比较，他们占据了市场中的大部分交易，其中不诚实的垄断商家试图通过不诚实的评价者进行不公平的评分与诚实的垄断商家进行竞争。通过比较他们的交易量大小，信誉值变化等信息来判断模型的好坏；其他的商家（称为普通商家），添加普通商家是为了在买家选择商家过程中产生干扰作用。

其次，当用户提出购物需求的时候，多Agent平台会产生包含多种有策略性的攻击方式（比如伪装攻击、漂白攻击、女巫攻击等）的历史交易数据集，并向用户推荐满足需求的商家。

再次，基于进化算法的可信评价者集合生成方法，利用差分进化算法将用户的可信评价者集合进化g代以获得最值得信任的评价者集合，用户B对它的第g代的可信评价者列表的满意度函数为：

然后，根据上面产生的可信评价者集合中的评价者对商家的评价以及用户利用自身的交易经验计算商家的信誉值，从而选择交易商家，

可信评价者对商家的可信度计算方法：

用户利用自身交易经验对商家的可信度计算方法：

最后，结合可信评价者对商家的可信度以及用户利用自身的交易经验对商家的可信度得到商家的信誉度计算方法：，其中是权重。

交易结束后，用户可以根据本次交易结果，筛选更加可信的评价者。

本发明中，判断该发明与其他方法优劣之分的方式是采用抗攻击性和有效性，分别是

主要是通过比较诚实垄断商家的交易量和不诚实垄断商家的交易量。其中指诚实的垄断商家的交易量，指不诚实的垄断商家的交易量，指诚实的买家数量，总共模拟交易的时间，是一个显性比。

本发明评估信誉模型的有效性，指在没有受到攻击的情况下，计算出商家的信誉值能正确反映商家的信誉水平。主要比较由模型计算的商家的信誉值与真实信誉值的差值，越小越好。其中指由模型根据诚实的买家的可信评价者集合中的评价者计算得到的商家的信誉值，指商家在第t天的真实的信誉值，指诚实的买家数量，总共交易的时间。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于购物需求的抗攻击信誉评价计算方法，其特征在于，包括：

步骤1：利用多Agent平台根据用户需求产生具有策略性虚假评论的数据集；

多Agent平台中有买家Agent、商家Agent、搜索Agent，当用户（即某个买家Agent）提出购物需求时，搜索Agent会根据此购物需求推荐商家，并且产生大量的含有多种策略性虚假评论的数据集，以此模拟历史购物记录；

其中代表用户B对商家的评价（即B对的所有评分的平均值），代表B的可信评价者对的评价；

可信评价者对商家的可信度计算方法：

其中表示的是评价者对商家S_i的给予好评的概率,表示的是评价者对商家S_i给予差评概率；λ指折扣因子，t(t=1,2,…n)是评分的时间窗；

用户利用自身交易经验对商家的可信度计算方法：

其中指用户B对商家S_i的好评次数，指用户B对商家S_i的差评次数，λ指折扣因子；t(t=1,2,…n)是评分的时间窗；

结合可信评价者对商家的可信度以及用户利用自身的交易经验对商家的可信度得到商家的信誉度计算方法：，其中是权重；

2.如权利要求1所述的一种基于购物需求的抗攻击信誉评价计算方法，其特征在于，所述步骤1中的多Agent平台中为每一个用户都设置了初始的可信评价者集合，当用户提出需求后，搜索Agent不仅向用户推荐满足需求的商家，同时将与这些商家最近进行交易过的买家信息一起发送给购物用户。

3.如权利要求1所述的一种基于购物需求的抗攻击信誉评价计算方法，其特征在于，所述步骤2中利用进化算法筛选更加可信的评价者方法时，进化的对象不仅是用户初始的可信评价者集合，也包括步骤1中搜索Agent推荐的与商家最近交易过的买家集合。

4.如权利要求1所述的一种基于购物需求的抗攻击信誉评价计算方法，其特征在于，所述步骤4中更加可信评价者筛选方法包括：步骤1，根据用户本次交易评价找出原来可信评价者集合中与用户评价相差比较大的评价者，将其删除；步骤2，从进化的g代的可信评价者集合中选择与用户对该商家评价相近的评价者放入该用户的更加可信评价者集合中。