基于Dirichlet分布的电子商务信誉评估模型

李 文，平玲娣，陈小平，吴朝晖

(浙江大学计算机科学与技术学院 杭州 310027)

随着电子商务的不断发展，信誉成为一个越来越受重视的话题[1-6]。与传统的网络安全机制相比，信誉评估作为互联网的软安全机制，可以降低电子商务的交易风险，减少网络欺骗，激励服务商维护高质量的服务，减少低质量的服务，同时也可以为惩罚低信誉实体提供依据。所以，一个客观、公平的信誉评估模型对于电子商务是非常重要的。虽然人们已经提出了很多信誉评估模型，但是学术界对于信誉评估模型没有统一的标准和规范，大部分都根据自身情况而设计，很少建立在他人的基础之上。

本文在Jøsang的信誉理论基础上[7-8]，结合Dirichlet概率分布及“对差评敏感”的评估原则[9-10]，提出了一个具有自适应能力的评估模型。模型采用了Dirichlet分布[11]，从概率统计的角度客观地反映评估结果，另外，对Dirichlet评估结果进行“差评敏感”运算，模型对于差评比较敏感，一旦出现不好的评估，评估值就会明显下降，随着好评的增加，可信值逐渐恢复。该特性使得模型具有自适应性，同时也严格地保证了评估质量。实验结果表明，该模型可以应用于电子商务系统。

1 Dirichlet信誉模型

1.1 Dirichlet分布

1.2 Dirichlet信誉评估模型

w(i)可以看作是等级i对应的权值，所以实体y最后对应的评估分值可以计算为：

1.3 动态信誉评估模型

式(11)中，第n次评估的基本率是第n−1次的评估值，即当前评估值是基于历史评估值和当前评估证据的基础计算出来的，体现了历史信誉的价值。初始的基本率对于Dirichlet分布来说是先验值，可以取值为1/k，或者其他评估系统的经验值。结合等式(10)和式(11)，可以得出动态信誉评估值为：

2 “差评敏感”的Direchlet信誉模型

在电子商务信誉评估系统中，为了能够更好地保证服务质量，合理、严格的评估模型是非常重要的。一般地，信誉评估系统会对不好的评价较敏感。如对某实体的评价连续几次都是低等级，则该实体的信誉就会下降很快，恢复好的信誉需要很长的周期。这就是信誉系统的“差评敏感”性，即一旦有不好的评估，信誉值下降就比较快，但是需要有连续的好评，才能使信誉值逐渐恢复，且恢复速度比下降速度缓慢。信誉恢复过程体现了系统的自适应性，即不断的好评能够保证信誉的恢复。

在第1节模型中，并不能体现“差评敏感”的特性，所以需要对式(12)的评估模型进行改进。为了能够体现评估值的好坏，需要给定一个评估阈值μ(0<μ<1)，低于该阈值，则认为是差评。另外，“差评敏感”需要比较最近2次的评估结果，进而决定评估值的走势。实体y最终的评估值为：

特性1 该模型的评估值具有下降快，上升慢的特性。

图1、图2中，只要是评估值上升过程，无论是小于还是大于阈值μ，信誉值上升都较为缓慢。而在评估值下降过程中，在大于阈值的情况下(可信状态下)，信誉值下降比较慢，而在小于阈值时(不可信状态)，信誉值下降比较快。该特性说明模型对不可信实体的评估是非常谨慎的。

图2 信誉的变化趋势(σold <μ)

该特性体现了模型对于“调节因子”β的敏感性。β的大小，决定着评估系统对差评的敏感性。β越小，可信的评估值变化越慢，不可信的评估值下降越快，评估系统对低等级的评估越敏感。说明β越小，评估系统越“小心”、越“严格”，反之则反。β的取值大小，可根据评估系统应用的实际环境进行合理的设置。

根据式(12)和式(13)，基于先验Dirichlet概率分布的“差评敏感”评估模型，有着很好的应用特性。根据评估实体的离散评估(选择不同评估等级)，结合先验基本率和历史评估的信誉值，模型可以得出对应的连续评估值，并能根据调节因子和信誉阈值，合理地反映信誉的变化趋势，具有很好的自适应性。

3 实验与分析

本节通过实验展示上述模型的一些特性，并对实验结果进行分析比较。

3.1 实验1

实验研究动态的Dirichlet信誉评估模型的特性，并不涉及“差评敏感”处理。假设评估系统有非常不满意、不满意、一般、满意、非常满意5个评估等级：对应Dirichlet信誉评估模型的k个评估等级。用户对评估实体进行了50次评估，前10次评估为“非常不满意”，第11～第20次评估为“不满意”，中间10次评估为“一般”，第31～第40次评估为“满意”，最后10次评估为“非常满意”。动态的Dirichlet信誉评估模型中，先验的基本率ai=0.2，常量C=2。各个等级的评估曲线以及最终的评估走势如图3所示。

图3 动态Dirichlet信誉评估模型走势图

图3中，综合评估值在前10次的评估中呈下降趋势，因为前10次的评估都是差评(非常不满意)，随着评估等级的不断提高，综合评估值逐渐呈上升趋势，最终会趋于1。

3.2 实验2

实验中，研究式(13)的特性。假设信誉阈值μ=0.6，初始信誉值oldσ=0.5。为了能够清晰地比较模型，假设了6种情况，其中data1、data2、data3都是按步长0.1增加的评估值newσ，但对应的调节因子β分别为0.1、0.2、0.5；而data4、data5、data6中，新的评估值是按步长0.1递减，对应的调节因子分布为0.1、0.2、0.5。各种情况具体的走势如图4所示。

图4 “差评敏感”的特性

3.3 实验3

实验通过比较基于Dirichlet动态信誉评估模型中“差评敏感”运算处理前后的结果，即式(12)和式(13)的评估结果，研究“差评敏感”用于动态信誉评估产生的效果。同实验1一样，假设评估系统有5个评估等级，进行50次评估模拟。但是为了能够明显地反映信誉变化趋势，前10次都评估“非常满意”，第11～第20次评估为“非常不满意”，第31～第50次评估为“非常满意”。其他环境同实验1和实验2。比较结果如图5所示。

图5 “差评敏感”处理前后的动态评估模型

图5中，经过“差评敏感”处理的模型，与未处理的模型相比，信誉值建立更缓慢。在前10次以及第21次以后的评估，“差评敏感”模型相比动态评估模型，信誉值上升比较慢，说明信誉建立更加严格。另外，在信誉下降阶段，两个模型的下降趋势一致，但是，当信誉值比较小时，“差评敏感”模型的下降程度变得缓慢，因为在当前信誉和历史信誉都不可信的情况下，信誉的变化程度也将变缓。综上，“差评敏感”的信誉模型可更好地保证服务质量，更具有实用性。

4 结 束 语

本文的信誉评估模型是在Jøsang的信誉理论的基础上，运用“差评敏感”处理运算，保证了模型的敏感性和实用性。Dirichlet信誉模型基于Dirichlet概率密度函数，结合先验的基本率以及不同等级的离散评估值计算出一个连续的后验评估值。为了能够使评估模型更加严格、合理，根据信誉评估的需求，提出了“差评敏感”运算，对Dirichlet信誉模型的评估结果进行“差评处理”。由于“差评敏感”运算有着很好的特性，如对差评比较敏感，信誉值的建立过程比信誉值的破坏过程缓慢；差评敏感模型随着可信评估的增加，信誉值增加会加快，即系统对熟悉的评估实体具有自适应性。模拟实验表明，本文的信誉模型有着良好的评估特性，适用于电子商务的信誉评估环境。

[1] JØSANG A, GRAY E, KINATEDER M. Simplification and analysis of transitive trust networks[J]. Web Intelligence and Agent Systems, 2006, 4(2):1-26.

[2] JØSANG A, LUO Xi-xi, CHEN Xiao-wu. Continuous ratings in discrete Bayesian reputation systems[C]//IFIP International Federation for Information Processing.Trondheim: Springer Boston, 2008: 151-166.

[3] JØSANG A, BHUIYAN T, XU Yue, at el. Combining trust and reputation management for Web-based services[C]//The 5th international conference on Trust, Privacy and Security in Digital Business. Turin: Springer-Verlag, 2008: 90-99.

[4] JØSANG A, BHUIYAN T. Optimal trust network analysis with subjective logic[C]//The 2nd International Conference on Emerging Security Information, Systems and Technologies. Cap Esterel: IEEE, 2008: 25-31.

[5] WANG Yan, VARADHARAJAN V. Trust2: developing trust in peer-to-peer environments[C]//2005 IEEE International Conference on Services Computing (SCC’05). Orlando,Florida: IEEE, 2005: 24-31.

[6] JØSANG A, HAYWARD R, POPE S. Trust network analysis with subjective logic[C]//The 29th Australasian Computer Science Conference. Hobart: Australian Computer Society, 2006: 85-94.

[7] JØSANG A. A logic for uncertain probabilities[J].International Journal of Uncertainty, Fuzziness and Knowledge-based System, 2001, 9(3): 279-311.

[8] JØSANG A. Probabilistic logic under uncertainty[C]//Proceedings of the Thirteenth Australasian Symposium on Theory of Computing, ACM International Conference Proceeding Series. Ballarat: Australian Computer Society,2007: 101-110.

[9] TIAN Li-qing, LIN Chuang, JI Tie-guo. Quantitative analysis of trust evidence in Internet[C]//International Conference on Communication Technology, 2006. Guilin:IEEE, 2006: 1-5.

[10] LI Wen, PING Ling-di, LU Kui-jun, et al. Trust model of users’ behavior in trustworthy Internet[C]//2009 WASE International Conference on Information Enginnering.Taiyuan: IEEE, 2009: 403-406.

[11] JØSANG A. Dirichlet reputation system[C]//The 2nd International Conference on Availability, Reliability and Security (ARES 2007). Vienna: IEEE, 2007: 112-119.