KR100949439B1 - 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반방법 - Google Patents

Abstract

본 발명은 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법에 관한 것으로서, 레이터로부터 레이팅을 입력받는 단계, 컨텍스트 어웨어 미들웨어(Context-Aware Middleware)로부터 환경에 관한 속성 및 초기치의 집합인 컨텍스트(Context)를 입력받는 단계, 입력받은 레이팅과 컨텍스트를 이용하여 공정한 행동을 하는 페어 레이터(Fair rater) 및 페어 레이팅(Fair rating)과 의심스러운 행동을 하는 의심 레이터(Doubtful rater) 및 의심 레이팅(Doubtful rating)으로 구별하는 의심 레이팅 구별 단계, 상기 페어 레이터로부터 입력받은 레이팅값을 이용하여 최종 신뢰 결정을 계산하는 단계, 상기 최종 신뢰 결정을 이용하여 의심 레이터로부터 입력받는 레이팅을 불공정한 행동을 하는 언페어 레이팅(Unfair rating)과 재교육 과정이 필요한 재교육 레이팅(Retrain rating)으로 구별하는 언페어 레이팅 구별 단계를 포함한다. 본 발명에 의하면 신뢰 모델에서 언페어 레이팅의 비율 또는 특성에 상관 없이 언페어 레이팅을 효율적으로 필터링할 수 있는 효과가 있다.

레이트, 레이팅, 신뢰모델, 언페어, 페어, 어니스트, 맬리셔스, 필터링.

Description

신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법 {Behavior based method for filtering out unfair rating in trust model}

본 발명은 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법에 관한 것이다.

신뢰 모델에 있어서 하나의 에이전트가 다른 에이전트와 상호작용시에 한 에이전트의 신뢰도는 다른 에이전트의 레이팅을 기반으로 하기 때문에 언페어 레이팅(Unfair rating)의 영향을 피하거나 감소시키는 방법이 요구된다.

종래 신뢰 모델에서 언페어 레이팅을 다루기 위한 다양한 방식이 제안되어 왔다. 종래 제안된 방식은 크게 통계적 방법(Statistical Method)과 가중적 방법(Weighted Method)으로 구분할 수 있다.

첫번째로 통계적 방법은 통계적 분석을 통하여 언페어 레이팅을 추정하는 방법이다. 통계적 방법 중에서 델라로카스(dellarocas)는 불공정 레이팅을 제거하기 위한 제어된 익명과 클러스터 필터링을 이용한 복합적 접근 방식을 제안한다[“빌딩 트러스트 온라인: 온라인 트레이딩 커뮤니티를 위한 건전한 평판 리포팅 디자인 ”, 디지털 시대의 통합 전망, Doukidis, G., Mylonopoulos, N. and Pouloudi, N. (Eds.) 아이디어 북 출판, 2004.]. 특히, 제어된 익명은 불공정하게 낮은 레이팅과 부정적 식별 효과를 피하기 위해 사용되고, 클러스터 필터링은 불공정하게 높은 레이팅과 긍정적 식별 효과를 감소시키기 위해 사용된다. 더 낮은 레이팅 클러스트에서의 레이팅은 페어 레이팅으로 간주되고, 더 높은 레이팅 클러스터에서의 레이팅은 불공정하게 높은 레이팅으로 간주되고, 이에따라 배제되거나 신뢰되지 않게 된다.

통계적 방법 중에서 조상(Josang)과 이스마일(Ismail)은 개연성 모델을 이용한 프로바이더 에이전트의 평가를 추산하는 베타 평가 시스템(Beta Reputation System, BRS)을 제안한다[“Bayesian 평가 시스템에서의 불공정 레이팅 필터링”, ICFAIN J. 매니지먼트 Res., vol4, no.2, 48~64페이지, 2005.]. 이 방식은 언페어 레이팅이 페어 레이팅에 비해 다양한 통계적 패턴을 갖는다는 아이디어에 기반한 방식으로서, BRS는 언페어 레이팅을 배제하기 위하여 통계적 필터링 기술, 특히 베타 디스트리뷰션에 기반한 반복된 필터링 알고리즘을 사용한다.

통계적 방법 중에서 웽(Weng)은 BRS에 대한 내용에서 언페어 레이팅을 필터링하기 위한 엔트로피 기반 방법을 제안한다[“언페어 테스티머니로부터 레이팅 시스템을 보호하기 위한 엔트로피 기반 접근”, IEICE Trans. Inf, Syst. (Inst Electron Inf. Commun.Eng), ISSN: 0916-8532, VOL.E89-D; NO.9; 2502-2511페이지, 2006]. 이 방식은 존재하는 페어 레이팅의 합인 현재의 주요 의견과 새로운 레이팅을 비교하여, 새로운 레이팅이 중요한 질적 개선 또는 하락을 보인다면 레이팅을 주요 의견으로부터 배제하는 방식이며, 이런식으로 언페어 레이팅을 발견하고 필터링하게 된다.

두번째로 가중적 방법은 낮은 평판을 갖는 유저로부터 나온 레이팅을 언페어 레이팅으로 추측하는 방식이다.

가중적 방법이 적용된 구글의 페이지랭크는 페이지의 가중치에 기반한 신뢰성있는 페이지를 선택하는 유명한 접근 방식이며, 이 방식은 링크 분석 알고리즘에 의해 계산된다[A. Clausen, 페이지 랭크의 공격 비용, In Proc. of the INtl. Conf. on Agent, Web Technologies and Internet Commerce(IAWTIC’2004), 77-90페이지, 2004]. 특히, 이 방식은 최초 천이 가능 행렬을 갖는 마르코프체인을 만들기 위하여 웹의 하이퍼링크 구조를 사용한다. 마르코프체인의 비약분성은 페이지랭크 벡터로 알려진 롱런 스테이셔너리 벡터의 존재를 보장한다. 이 스테이셔너리 벡터에 최초 행렬에 적용된 파워 방식이 수렴할 것이라는 사실은 잘 알려져 있다. 또한, 파워 방식의 수렴율은 천이율 행렬의 고유치 크기에 의해 결정된다.

가중적 방법 중에서 엑스트롬(Ekstrom)과 뵨손(Bjornsson)은 구조공학건설(Architecture Engineering Construction, AEC) 산업에서 레이팅 하도급자를 위하여 트러스트빌더(TrustBuilder)로 불리는 설계 및 디자인 툴을 제안하는데, 이는 레이터 신뢰도에 따라 레이팅에 가중치를 부여한다[“레이터 신뢰성을 설명하는 AEC e-bidding을 위한 레이팅 시스템”, In Proc. of the CIB W65 Symposium, 753-766 페이지, 2002.]. 트러스트빌더는 레이터 신뢰도의 평가를 지원할 수 있는 두가지 형태의 정보를 사용하는데, 레이터에 관한 직접적인 정보와 레이터의 조직에 관 한 정보이다. 신뢰성 가중 레이팅 툴은 3단계 공정으로 진행된다. 즉, 신뢰성 가중 레이팅 툴은 1단계의 신뢰성 입력, 2단계의 레이터 가중치 계산, 3단계의 레이팅 및 레이터 정보의 디스플레이 공정으로 진행된다.

도 1은 다양한 경우에 있어서 언페어 레이팅을 필터링하는 기존 방법이 적용되는 범위를 도시한 도면이다.

도 1에서 보는 바와 같이, 통계적 방법은 주어진 레이팅이 악의적(Malicious) 레이팅인지 선의적(Honest) 레이팅인지 여부에 상관없이 언페어 레이팅의 비율이 소수인 경우에만 필터링을 수행한다. 반면, 가중적 방법은 언페어 레이팅의 비율과는 상관없이 악의적 레이팅으로 행동하는 레이터에 의해 제공된 언페어 레이팅을 필터링하게 된다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 신뢰 모델에 있어서 언페어 레이팅 및 레이팅을 제공하는 에이전트의 특성에 상관없이 언페어 레이팅을 필터링할 수 있는 방법을 제공하는데 그 목적이 있다.

이와 같은 목적을 달성하기 위한 본 발명은 레이터가 제공하는 레이팅을 수집하여 관리하는 신뢰모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법에 있어서, 레이터로부터 레이팅을 입력받는 단계, 컨텍스트 어웨어 미들웨어(Context-Aware Middleware)로부터 환경에 관한 속성 및 초기치의 집합인 컨텍스트(Context)를 입력받는 단계, 입력받은 레이팅과 컨텍스트를 이용하여 공정한 행동을 하는 페어 레이터(Fair rater) 및 페어 레이팅(Fair rating)과 의심스러운 행동을 하는 의심 레이터(Doubtful rater) 및 의심 레이팅(Doubtful rating)으로 구별하는 의심 레이팅 구별 단계, 상기 페어 레이터로부터 입력받은 레이팅값을 이용하여 최종 신뢰 결정을 계산하는 단계, 상기 최종 신뢰 결정을 이용하여 의심 레이터가 제공하는 레이팅을 불공정한 행동을 하는 언페어 레이팅(Unfair rating)과 재교육 과정이 필요한 재교육 레이팅(Retrain rating)으로 구별하는 언페어 레이팅 구별 단계를 포함한다.

본 발명에 의하면 신뢰 모델에서 언페어 레이팅의 비율 또는 특성에 상관 없이 언페어 레이팅을 효율적으로 필터링할 수 있는 효과가 있다.

이하, 첨부된 도면을 참조해서 본 발명의 실시예를 상세히 설명하면 다음과 같다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 그리고, 본 발명을 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 발명은 언페어 레이팅을 필터링하기 위하여 레이팅의 행동을 기반으로 하는 방법을 제공한다. 여기서 레이팅의 행동이란 특정한 상황에서 레이터가 제공하는 레이팅의 동작을 의미한다. 본 발명의 행동 기반 방법은 언페어 레이팅과 같은 비정상적인 행동을 하는 레이터에 의해 제공되는 레이팅에 관한 것이고, 비정상적 행동은 레이터의 현재 행동을 과거의 행동과 비교하는 방식에 의해 인식될 수 있다.

본 발명에서 제안하는 행동 기반 방법의 핵심 아이디어는 각 레이터가 레이팅을 발생시키는데 있어서 고유의 판정규칙을 갖고, 하나의 레이터에서 발생한 모든 레이팅들은 동일한 판정규칙에 관련되어 있다는 것이다. 그러므로, 유사한 상황 에서 한 레이터의 행동이 그 전의 레이터의 행동과 유사하게 마련이다. 즉, 유사한 상황에서 레이터는 그 전에 제공한 레이팅과 비슷한 레이팅을 제공한다. 따라서, 레이터의 행동이 그 전의 행동과 다르다면, 다른 행동을 하는 레이팅을 언페어 레이팅으로 간주하는 것이다.

본 발명의 행동 기반 방법을 사용하기 위하여, 각 레이터의 행동을 판단하는 기준이 되는 판정 규칙을 학습하는 과정이 필수적이다. 그러나, 레이터의 판정 규칙은 항구적인 것이 아니라 환경 수용 레벨의 변화와 같은 다양한 원인으로 인하여 변할 수 있다.

도 2는 본 발명의 일 실시예에 따른 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법을 보여주는 흐름도이다. 본 발명은 레이터가 제공하는 레이팅을 수집하여 관리하는 신뢰모델에 있어서 언페어 레이팅을 필터링하는 방법을 제공한다.

레이터(rater)로부터 레이팅을 입력받고, 컨텍스트 어웨어 미들웨어(Context-Aware Middleware)로부터 환경에 관한 속성 및 초기치의 집합인 컨텍스트(Context)를 입력받는다(S201). 본 발명에서 컨텍스트는 레이터의 행동에 영향을 주기 때문에 레이팅은 결국 컨텍스트에 관련되어 있다. 본 발명에서 컨텍스트 어웨어 미들웨어는 센서, 데이터베이스 등과 같은 데이터 소스를 사용하여 컨텍스트를 생성하는 미들웨어이다.

다음, 입력받은 레이팅과 컨텍스트를 이용하여 공정한 행동을 하는 페어 레이터(Fair rator) 및 페어 레이팅(Fair rating)과 의심스러운 행동을 하는 의심 레 이터(Doubtful rator) 및 의심 레이팅(Doubtful rating)으로 구별한다. 페어 레이팅과 의심 레이팅을 구별하는 구체적인 단계는 다음과 같다.

입력받은 레이팅 및 컨텍스트에 대하여 점진적 학습(Incremental Learning)을 수행한다(S203). 본 발명에서는 레이터의 학습된 판정규칙을 업데이트해야 하는데, 이를 위하여 점진적 학습 신경 네트워크를 사용하여 각 레이터의 레이팅 판정규칙을 학습한다. 본 발명에서 점진적 학습 신경 네트워크를 사용하는 이유는 분류기를 점진적 방식으로 업데이트하여 구 데이터 분류기록과의 절충없이 새 데이터를 통합할 수 있기 때문이다.

다음, 점진적 학습을 통해 기대 레이팅(Expected rating)을 생성한다(S205). 본 발명에서 기대 레이팅은 레이터의 판정 규칙에 기반한 컨텍스트 하에서 레이터가 제공할 것으로 기대되는 레이팅이다. 본 발명의 일 실시예에서 점진적 학습 신경 네트워크의 캐스캐이드 코릴레이션 구조가 레이터의 행동 히스토리에 기반한 레이터의 판정규칙을 학습하기 위해 사용될 수 있다. 참고로 캐스캐이드 코릴레이션 구조는 스콧 펄먼에 의해 개발된 점진적 학습 신경 네트워크를 위한 통제된 학습 알고리즘 구조이다.

레이터로부터 입력받은 오리지널 레이팅값과 기대 레이팅값을 비교한다(S207).

비교한 결과, 오리지널 레이팅값과 기대 레이팅값이 동일하면 오리지널 레이팅을 페어 레이팅으로 간주한다(S209). 이는 제공된 레이팅의 현재 행동이 전의 행동과 같기 때문이다.

반면, 오리지널 레이팅값과 기대 레이팅값이 다르면 오리지널 레이팅을 의심 레이팅으로 간주한다(S213). 이는 제공된 레이팅의 현재 행동이 그 전의 행동가 다르기 때문이며, 이는 레이터가 의심스러운 행동을 하는 것으로 볼 수 있기 때문이다.

본 발명에서 의심 레이터로부터 입력받는 레이팅이 모두 언페어 레이팅인 것은 아니다. 여기에는 두가지 이유가 있는데, 첫번째 이유는 레이터의 판정 규칙은 시간이 지남에 따라 계속 변화하는 것이라는 점이고, 두번째 이유는 현재의 점진적 신경 네트워크는 몇몇 레이터의 판정 규칙을 반영하지 못하고 있고, 이에 따라 주어진 컨텍스트에서 의심스럽지만 언페어하지는 않은 레이팅을 재교육하여 레이터의 최근 판정 규칙을 따라잡도록 해야한다는 점이다. 따라서, 본 발명에서는 의심 레이팅을 언페어 레이팅과 재교육 레이팅으로 구별하는 과정이 수행된다. 이에 관한 상세한 설명은 후술하기로 한다.

다음, 페어 레이터로부터 입력받은 레이팅을 이용하여 최종 신뢰 결정을 계산한다(S211). 본 발명에서는 최종 신뢰 결정을 이용하여 불공정한 행동을 하는 언페어 레이팅(Unfair Rating)과 재교육 과정이 필요한 재교육 레이팅(Retrain Rating)으로 의심 레이터가 제공하는 레이팅을 구별하게 된다. 그 구체적인 과정은 다음과 같다.

의심 레이터로부터 입력받는 레이팅과 최종신뢰 결정을 비교한다(S215). 비교한 결과, 의심 레이터로부터 입력받는 레이팅값과 최종신뢰 결정이 동일하면 의심 레이터로부터 입력받는 레이팅을 재교육 레이팅으로 간주한다(S219). 반면, 의 심 레이터로부터 입력받는 레이팅값과 최종신뢰 결정이 다르면 의심 레이팅을 언페어 레이팅으로 간주하여 출력한다(S217, S221).

본 발명의 일 실시예에서 재교육 레이팅은 S203 단계로 되돌아가 점진적 학습을 재수행하게 된다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

도 1은 다양한 경우에 있어서 언페어 레이팅을 필터링하는 기존 방법이 적용되는 범위를 도시한 도면이다.

도 2는 본 발명의 일 실시예에 따른 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법을 보여주는 흐름도이다.

Claims (4)

1. 레이터가 제공하는 레이팅을 수집하여 관리하는 신뢰모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법에 있어서,

   레이터로부터 레이팅을 입력받는 단계;

   컨텍스트 어웨어 미들웨어(Context-Aware Middleware)로부터 환경에 관한 속성 및 초기치의 집합인 컨텍스트(Context)를 입력받는 단계;

   입력받은 레이팅과 컨텍스트를 이용하여 공정한 행동을 하는 페어 레이터(Fair rater) 및 페어 레이팅(Fair rating)과 의심스러운 행동을 하는 의심 레이터(Doubtful rater) 및 의심 레이팅(Doubtful rating)으로 구별하는 의심 레이팅 구별 단계;

   상기 페어 레이터로부터 입력받은 레이팅값을 이용하여 최종 신뢰 결정을 계산하는 단계;

   상기 최종 신뢰 결정을 이용하여 의심 레이터로부터 입력받는 레이팅을 불공정한 행동을 하는 언페어 레이팅(Unfair rating)과 재교육 과정이 필요한 재교육 레이팅(Retrain rating)으로 구별하는 언페어 레이팅 구별 단계

   를 포함하는 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법.
2. 제1항에 있어서, 상기 의심 레이팅 구별 단계는

   입력받은 레이팅 및 컨텍스트에 대하여 점진적 학습(Incremental Learning)을 수행하는 학습 수행 단계;

   점진적 학습을 통해 기대 레이팅(Expected rating) 값을 생성하는 단계;

   레이터로부터 입력받은 오리지널 레이팅값과 기대 레이팅값을 비교하여, 오리지널 레이팅값과 기대 레이팅값이 동일하면 오리지널 레이팅을 페어 레이팅으로 간주하고, 오리지널 레이팅값과 기대 레이팅값이 다르면 오리지널 레이팅을 의심 레이팅으로 간주하는 단계

   를 포함하여 이루어지는 것을 특징으로 하는 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법.
3. 제2항에 있어서, 상기 언페어 레이팅 구별 단계는

   의심 레이터로부터 입력받는 레이팅값과 최종신뢰 결정을 비교하여, 레이팅값과 최종신뢰 결정이 동일하면 의심 레이터로부터 입력받는 레이팅을 재교육 레이팅으로 간주하고, 레이팅값과 최종신뢰 결정이 다르면 의심 레이터로부터 입력받는 레이팅을 언페어 레이팅으로 간주하여 출력하는 단계

   를 포함하여 이루어지는 것을 특징으로 하는 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법.
4. 제2항 또는 제3항에 있어서,

   상기 재교육 레이팅은 학습 수행 단계로 되돌아가 점진적 학습을 재수행하는 것을 특징으로 하는 신뢰 모델에서 언페어 레이팅을 필터링하기 위한 행동 기반 방법.

Images