CN110837554A - 一种基于多源数据的用户评价可靠性判定方法 - Google Patents
一种基于多源数据的用户评价可靠性判定方法 Download PDFInfo
- Publication number
- CN110837554A CN110837554A CN201911021986.XA CN201911021986A CN110837554A CN 110837554 A CN110837554 A CN 110837554A CN 201911021986 A CN201911021986 A CN 201911021986A CN 110837554 A CN110837554 A CN 110837554A
- Authority
- CN
- China
- Prior art keywords
- user
- evaluation
- service
- users
- accuracy
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本发明涉及一种基于多源数据的用户评价可靠性判定方法,其特征在于:所述判定方法的步骤为:1)根据系统推荐,用户根据需求选择服务;2)建立动态激励机制鼓励用户评价;3)用户评价收集及数据预处理;4)对用户评价的可靠性进行判定并过滤恶意用户;5)计算用户评价的准确率,预测获取可靠用户评论所需的最少用户人数,并在达到这个阈值后,向用户推荐服务。本发明设计科学合理,能够为用户提供实时预测和推荐可靠评价;同时,为其他服务在评价用户提供参考,提升用户对生态系统的信任和满意度,提升用户体验。
Description
技术领域
本发明属于服务评价及推荐领域,涉及用户评价可靠性判定,特别涉及一种基于多源数据的用户评价可靠性判定方法。
背景技术
Web服务变革了人们解决问题的方式,减轻了程序的维护代价和更新代价,方便了人们的生活。大量具有相同功能的Web服务,使得用户陷入选择的困境。用户评级表明了用户的对服务的看法,在很大程度上能够反映服务的质量的好坏。因此,参考其他用户的反馈,决定是否使用某个web服务,已经成为一种普遍的方法(Podium:研究显示93%的消费者表示在线评论会影响购物选择(2017))。
然而,很多服务提供商为了吸引用户,提高自身声誉,会雇佣水军来提高自身声誉或者降低竞争对手的声誉。同时,用户对服务的评价存在诸多不客观现象:比如有些用户从不评价服务;有些不负责任的用户,没有针对服务质量,而是随机对服务进行评价,更糟糕的是,由于用户自身的偏好以及生态系统环境变化等因素,正常用户对服务质量的判断也可能产生偏差,这些现象会致使生态系统中的评价缺乏公正性。
现有技术的判定方法存在以下缺点与不足:
1)目前现有的过滤用户不实评价的方法,仅仅考虑用户对服务的评价信息,没有考虑到在用户和服务交互过程中,服务自身对用户也存在一个认知过程,即服务对用户的评估;服务可以通过持续收集分析用户行为比如根据用户的评分数据,使用时间,注册时间等来评估当前用户的可靠性,从而不断帮助服务生态系统筛选出合理的用户群体,提高系统中用户群体评价的公正性。
2)由于冷启动等原因,当前方法无法较好的评价新的服务,影响了用户的体验。再有,一旦有新的服务产生,需要一定量的用户评价才能让其他用户信服当前评价总体是可靠的,但据我所知,当前没有方法可以提供量化的指标,计算获得可靠评价的需要的用户数量。
针对以上问题,本专利提出了一种基于多源数据的用户评价可靠性判定方法,对用户的评价数据进行过滤,建立用户信誉机制,对评价合理的用户进行奖励,并根据用户的历史行为对用户的评价可靠性进行预测。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多源数据的用户评价可靠性判定方法,为用户提供实时预测和推荐可靠评价;同时,为其他服务在评价用户提供参考,提升用户对生态系统的信任和满意度,提升用户体验。
本发明解决其技术问题是通过以下技术方案实现的:
一种基于多源数据的用户评价可靠性判定方法,其特征在于:所述判定方法的步骤为:
1)根据系统推荐,用户根据需求选择服务;
2)建立动态激励机制鼓励用户评价;
3)用户评价收集及数据预处理;
4)对用户评价的可靠性进行判定并过滤恶意用户;
5)计算用户评价的准确率,预测获取可靠用户评论所需的最少用户人数,并在达到这个阈值后,向用户推荐服务;
而且,所述步骤2)中的动态激励机制的计算公式为:
其中:n为当前服务评论人数;
Award是服务提供商愿意提供的最大奖励;
C1、C2(C1<C2)为期待的评论准确率;
函数f为获得可靠评论需要的最少人数;
sk为用户k同其他用户的评论的相似程度;
函数f的定义公式为:
其中:α为正常用户的比例,数值选取采用社会统计调查结果;
ξ为正常用户的评论准确度的均值;
ν是非正常用户的评论准确度均值。
而且,所述步骤3)中数据收集与整理的步骤为:
a)用户行为数据收集:收集用户的行为数据,包括用户使用服务的开始时间,用户使用服务的总时间,用户在服务生态系统的注册时间,用户的好友个数,用户的评价次数;
b)用户评价数据收集:当用户使用服务后,对服务做出评价,平台将会记录用户对服务的评级;
c)用户评分尺度归一化:为了减少不同评分尺度用户对最终评价的影响,将会按照用户的历史评价记录对用户的评分进行调整,评分严格的用户的评分会有所提升,尺度归一化计算公式为:
其中:score为用户的当前的评分;
maxk为用户k历史的最高分;
mink为用户k历史的最低分。
而且,所述步骤4)的具体做法为:
a)服务对用户评价的评价:服务商根据用户对自身的评价对用户做出主观评价,同时,根据收集到的用户行为数据对用户自身做出客观评价,定义公式为:
currentTime-RegisterTime为用户注册时间;
reiewCount是用户i在时间窗口T对服务的评论次数;
函数g为归一化函数;
结合主观评价及客观评价得出服务提供商对用户的信誉值,公式为:
w是用户设定的两者的权重;
b)在设定的时间段过后,调整用户的信誉值:收集所有服务提供商给用户的评价,求这些服务提供商给用户的评价的均值,当前用户的信誉值更新为原值加上之前评价值的均值;
c)恶意用户的剔除:在设定的时间段内,剔除信誉值低的用户的评价。
而且,所述步骤5)中预测获取可靠评价需要的最少用户数量方法为:
a)计算用户的评价准确性:评价的准确性是通过当前所有对服务评价过的正常用户的评价均值计算的得出的,用户评价准确性的计算公式为:
其中:rij为用户i对服务j的评分;
m为用户i评价的所有服务的总数;
minScore为服务j得到的最低评分;
maxScore为服务j得到的最高得分;
b)当新服务进入平台,或者服务更新的时候,根据用户的评价准确率,以及预估的正常用户中隐藏的恶意用户比例,可以计算得到可靠评价所需的用户人数。
本发明的优点和有益效果为:
1、本发明基于多源数据的用户评价可靠性判定方法,在用户评价服务数据基础上,利用服务对用户的评分数据的进行分析,得到不同类型的用户及其在生态系统中所占的比例。
2、本发明基于多源数据的用户评价可靠性判定方法,构建用户-服务双向评价机制来降低服务提供商雇佣水军的可能性,并提高水军的识别率,使系统中的服务评价更加公正。
3、本发明基于多源数据的用户评价可靠性判定方法,考虑当水军可能伪装成正常用户,获得信誉值的情况,将不同类型用户在服务生态系统中所占的比例作为先验知识,确定获取服务生态系统中公正的用户评价所需的最少人数。
附图说明
图1为本发明的判定流程图。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于多源数据的用户评价可靠性判定方法,其创新之处在于:该判定方法的步骤为:
1)根据系统推荐,用户根据需求选择服务;
2)建立动态激励机制鼓励用户评价,基于博弈论提出动态激励机制,关于用户会根据本方案参与评价的博弈分析如下:
假设系统给用户的最大奖励为A,用户认真评价所用的时间成本为C,认真评价对系统的收益为P,随意评价的成本为C’,且C’小于C,随意评价对系统的潜在收益为P’,P’小于P,动态奖励为A’,且C<A’<=A,则用户与系统之间的博弈矩阵如表1所示:
表1用户与系统之间的博弈矩阵
不评价 | 认真评价 | 随意评价 | |
无激励 | (0,0) | (P,-C) | (P’,-C’) |
统一激励 | (0,0) | (P-A,A-C) | (P’-A,A-C’) |
动态激励 | (0,0) | (P-A,A’-C) | (P’-A’,-C) |
括号中的第一个数字代表系统收益,第二个数字代表用户收益,利用划线法对博弈进行均衡分析:
当系统对用户无激励政策时,用户不评价的收益最大;
当系统对所有用户的奖励都一样时,用户随意评价的收益最大;
当采用动态奖励时,用户认真评价的收益最大;
同理可得:
系统在用户不评价时,采用任意策略收益相同;
当用户认真评价时,采用动态奖励收益最大;
当用户随意评价时,系统不鼓励收益最大;
可知,动态鼓励、认真评价时系统和用户的最佳策略;
3)用户评价收集及数据预处理;
4)对用户评价的可靠性进行判定并过滤恶意用户;
5)计算用户评价的准确率,预测获取可靠用户评论所需的最少用户人数,并在达到这个阈值后,向用户推荐服务;
步骤2)中的动态激励机制的计算公式为:
其中:n为当前服务评论人数;
Award是服务提供商愿意提供的最大奖励;
C1、C2(C1<C2)为期待的评论准确率;
函数f为获得可靠评论需要的最少人数;
sk为用户k同其他用户的评论的相似程度;
函数f的定义公式为:
其中:d为正常用户的比例,数值选取采用社会统计调查结果;
ξ为正常用户的评论准确度的均值;
v是非正常用户的评论准确度均值;
关于最少人数的合理性证明如下:
The mean value of Pn/2is:
We can see that E(ui)=μ,then the above user mean vlue is:
According to Chernoff bound2,
步骤3)中数据收集与整理的步骤为:
a)用户行为数据收集:收集用户的行为数据,包括用户使用服务的开始时间,用户使用服务的总时间,用户在服务生态系统的注册时间,用户的好友个数,用户的评价次数;
b)用户评价数据收集:当用户使用服务后,对服务做出评价,平台将会记录用户对服务的评级;
c)用户评分尺度归一化:为了减少不同评分尺度用户对最终评价的影响,将会按照用户的历史评价记录对用户的评分进行调整,评分严格的用户的评分会有所提升,尺度归一化计算公式为:
其中:score为用户的当前的评分;
maxk为用户k历史的最高分;
mink为用户k历史的最低分。
步骤4)的具体做法为:
a)服务对用户评价的评价:服务商根据用户对自身的评价对用户做出主观评价,同时,根据收集到的用户行为数据对用户自身做出客观评价,定义公式为:
其中:为用户i在时间窗口T使用服务k的时间;
currentTime-RegisterTime为用户注册时间;
reiewCount是用户i在时间窗口T对服务的评论次数;
函数g为归一化函数;
结合主观评价及客观评价得出服务提供商对用户的信誉值,公式为:
w是用户设定的两者的权重;
b)在设定的时间段过后,调整用户的信誉值:收集所有服务提供商给用户的评价,求这些服务提供商给用户的评价的均值,当前用户的信誉值更新为原值加上之前评价值的均值;
c)恶意用户的剔除:在设定的时间段内,剔除信誉值低的用户的评价。
步骤5)中预测获取可靠评价需要的最少用户数量方法为:
a)计算用户的评价准确性:评价的准确性是通过当前所有对服务评价过的正常用户的评价均值计算的得出的,用户评价准确性的计算公式为:
其中:rij为用户i对服务j的评分;
m为用户i评价的所有服务的总数;
minScore为服务j得到的最低评分;
maxScore为服务j得到的最高得分;
b)当新服务进入平台,或者服务更新的时候,根据用户的评价准确率,以及预估的正常用户中隐藏的恶意用户比例,可以计算得到可靠评价所需的用户人数。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (5)
1.一种基于多源数据的用户评价可靠性判定方法,其特征在于:所述判定方法的步骤为:
1)根据系统推荐,用户根据需求选择服务;
2)建立动态激励机制鼓励用户评价;
3)用户评价收集及数据预处理;
4)对用户评价的可靠性进行判定并过滤恶意用户;
5)计算用户评价的准确率,预测获取可靠用户评论所需的最少用户人数,并在达到这个阈值后,向用户推荐服务。
3.根据权利要求1所述的基于多源数据的用户评价可靠性判定方法,其特征在于:所述步骤3)中数据收集与整理的步骤为:
a)用户行为数据收集:收集用户的行为数据,包括用户使用服务的开始时间,用户使用服务的总时间,用户在服务生态系统的注册时间,用户的好友个数,用户的评价次数;
b)用户评价数据收集:当用户使用服务后,对服务做出评价,平台将会记录用户对服务的评级;
c)用户评分尺度归一化:为了减少不同评分尺度用户对最终评价的影响,将会按照用户的历史评价记录对用户的评分进行调整,评分严格的用户的评分会有所提升,尺度归一化计算公式为:
其中:score为用户的当前的评分;
maxk为用户k历史的最高分;
mink为用户k历史的最低分。
4.根据权利要求1所述的基于多源数据的用户评价可靠性判定方法,其特征在于:所述步骤4)的具体做法为:
a)服务对用户评价的评价:服务商根据用户对自身的评价对用户做出主观评价,同时,根据收集到的用户行为数据对用户自身做出客观评价,定义公式为:
currentTime-RegisterTime为用户注册时间;
reiewCount是用户i在时间窗口T对服务的评论次数;
函数g为归一化函数;
结合主观评价及客观评价得出服务提供商对用户的信誉值,公式为:
w是用户设定的两者的权重;
b)在设定的时间段过后,调整用户的信誉值:收集所有服务提供商给用户的评价,求这些服务提供商给用户的评价的均值,当前用户的信誉值更新为原值加上之前评价值的均值;
c)恶意用户的剔除:在设定的时间段内,剔除信誉值低的用户的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021986.XA CN110837554B (zh) | 2019-10-25 | 2019-10-25 | 一种基于多源数据的用户评价可靠性判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021986.XA CN110837554B (zh) | 2019-10-25 | 2019-10-25 | 一种基于多源数据的用户评价可靠性判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837554A true CN110837554A (zh) | 2020-02-25 |
CN110837554B CN110837554B (zh) | 2023-10-10 |
Family
ID=69575671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911021986.XA Active CN110837554B (zh) | 2019-10-25 | 2019-10-25 | 一种基于多源数据的用户评价可靠性判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837554B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348636A (zh) * | 2020-11-06 | 2021-02-09 | 深圳市微琪思服饰有限公司 | 一种个性化服装设计系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002230328A (ja) * | 2001-01-31 | 2002-08-16 | Hitachi Ltd | 商品販売仲介システムおよびその方法 |
CN103412918A (zh) * | 2013-08-08 | 2013-11-27 | 南京邮电大学 | 一种基于服务质量和声誉的服务信任度评估方法 |
CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109447388A (zh) * | 2018-09-03 | 2019-03-08 | 广东电网有限责任公司 | 考虑多时段特性的配电网供电可靠性动态综合评估方法 |
CN109559020A (zh) * | 2018-11-08 | 2019-04-02 | 南京邮电大学 | 一种基于同行互评的数据质量评价方法 |
CN110324362A (zh) * | 2019-06-12 | 2019-10-11 | 南京优慧信安科技有限公司 | 一种基于交互行为的区块链用户可信度评价方法 |
-
2019
- 2019-10-25 CN CN201911021986.XA patent/CN110837554B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002230328A (ja) * | 2001-01-31 | 2002-08-16 | Hitachi Ltd | 商品販売仲介システムおよびその方法 |
CN103412918A (zh) * | 2013-08-08 | 2013-11-27 | 南京邮电大学 | 一种基于服务质量和声誉的服务信任度评估方法 |
CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109447388A (zh) * | 2018-09-03 | 2019-03-08 | 广东电网有限责任公司 | 考虑多时段特性的配电网供电可靠性动态综合评估方法 |
CN109559020A (zh) * | 2018-11-08 | 2019-04-02 | 南京邮电大学 | 一种基于同行互评的数据质量评价方法 |
CN110324362A (zh) * | 2019-06-12 | 2019-10-11 | 南京优慧信安科技有限公司 | 一种基于交互行为的区块链用户可信度评价方法 |
Non-Patent Citations (1)
Title |
---|
PUWEI WANG; XIAOYONG DU: "QoS-Aware Service Selection Using an Incentive Mechanism" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348636A (zh) * | 2020-11-06 | 2021-02-09 | 深圳市微琪思服饰有限公司 | 一种个性化服装设计系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110837554B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luiten et al. | Tailored fieldwork design to increase representative household survey response: an experiment in the Survey of Consumer Satisfaction | |
Bonhomme et al. | The pervasive absence of compensating differentials | |
Franke | Affirmative action in contest games | |
Heyma | A structural dynamic analysis of retirement behaviour in the Netherlands | |
Van der Maas | Problem gambling, anxiety and poverty: an examination of the relationship between poor mental health and gambling problems across socio-economic status | |
Russell et al. | A woman’s place-female participation in the Irish labour market | |
Zhang et al. | A matter of reevaluation: incentivizing users to contribute reviews in online platforms | |
US20110145043A1 (en) | Method and System for Improving the Truthfulness, Reliability, and Segmentation of Opinion Research Panels | |
Kumar et al. | Are you back for good or still shopping around? Investigating customers' repeat churn behavior | |
Contini et al. | Reconsidering the effect of welfare stigma on unemployment | |
Liu | Explaining the gender wage gap: Estimates from a dynamic model of job changes and hours changes | |
Belzil et al. | The promotion dynamics of American executives | |
CN110837554A (zh) | 一种基于多源数据的用户评价可靠性判定方法 | |
Ziller | Policy effects on political engagement | |
Cebreros et al. | Trade policy uncertainty and its effect on foreign direct investment: Evidence from Mexico | |
CN111598632B (zh) | 权益份额、权益份额序列的确定方法及装置 | |
Liu et al. | Effects of threshold-based incentives on drivers’ labor supply behavior | |
Meire | Customer comeback: Empirical insights into the drivers and value of returning customers | |
Gomez et al. | From playstations to workstations: Young workers and the experience-good model of union membership | |
Crost | The effect of subsidized employment on happiness | |
Kettlewell et al. | The gender reference point gap | |
Ackert et al. | Voting on Tax Policy Design: A Test of the Selfish versus Social Preferences Hypotheses | |
Chen et al. | Understanding Adult Children's Labor Supply Responses to Parents' Long-Term Care Needs | |
CN112951378B (zh) | 一种为来访者自动推荐心理咨询师的方法 | |
Fernández-Kranz | The Effect of Alimony Reform on Married Women's Labor Supply: Evidence from the American Time Use Survey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |