[發(fā)明專利]一種基于購物需求的抗攻擊信譽(yù)評(píng)價(jià)計(jì)算方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201610114797.7
• 申請(qǐng)日: 2016-03-02
• 公開（公告）號(hào): CN105787744A
• 公開（公告）日: 2016-07-20
• 發(fā)明（設(shè)計(jì)）人: 張淑蓮;張淑凡;萬泉;徐伶伶
• 申請(qǐng)（專利權(quán)）人: 青島工學(xué)院
• 主分類號(hào): G06Q30/00
• 分類號(hào): G06Q30/00;G06Q30/02;G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及電子商務(wù)信譽(yù)計(jì)算領(lǐng)域，尤其涉及一種基于購物需求的抗攻擊信譽(yù)評(píng) 價(jià)計(jì)算方法。

背景技術(shù)

隨著電子商務(wù)的迅速發(fā)展，一些不法商家以假亂真、以次充好的現(xiàn)象日益增多，人 們對(duì)網(wǎng)絡(luò)交易環(huán)境和交易風(fēng)險(xiǎn)的戒備心理和防范心理也日益加劇。因此，促進(jìn)電子商務(wù)交 易雙方的相互信任，已然成為促進(jìn)電子商務(wù)穩(wěn)步發(fā)展的一個(gè)關(guān)鍵問題。然而，當(dāng)前電子商務(wù) 信譽(yù)系統(tǒng)使用的虛假評(píng)論檢測(cè)方法不能很好地抵御不法分子對(duì)信譽(yù)管理系統(tǒng)的各種策略 性攻擊。

Nitin和Liu于2008年首次提出了關(guān)于垃圾評(píng)論檢測(cè)的問題。將垃圾評(píng)論分成三種 類型：不真實(shí)的評(píng)論，只針對(duì)品牌的評(píng)論，沒有評(píng)論內(nèi)容的評(píng)論。使用監(jiān)聽的方法檢測(cè)垃圾 評(píng)論:首先，抽取一個(gè)關(guān)于評(píng)論，評(píng)論者和商品的特征集；然后，主要使用文本相似度和一些 人工手段標(biāo)識(shí)垃圾評(píng)論。基于這些特征和訓(xùn)練數(shù)據(jù)構(gòu)造一個(gè)分類器，用于檢測(cè)垃圾評(píng)論。該 方法很大程度依賴于文本相似度，只對(duì)這種類型的垃圾評(píng)論行為有效果。

Jindal于2010年提出一種使用挖掘意外規(guī)則的算法檢測(cè)垃圾評(píng)論。將每條評(píng)論看 成與某個(gè)評(píng)價(jià)類相關(guān)的記錄，這個(gè)評(píng)論類包括正面的評(píng)價(jià)類，否定的評(píng)價(jià)類以及中立的評(píng) 價(jià)類。使用意外規(guī)則挖掘算法生成一個(gè)意外規(guī)則列表。然而這個(gè)方法不能區(qū)分真正的垃圾 評(píng)論者，只能找到一些作為意外規(guī)則的奇怪行為。

Lim在2010年提出另一種基于評(píng)論者行為的垃圾評(píng)論檢測(cè)方法。他們發(fā)現(xiàn)了許多 垃圾評(píng)論行為的特征，例如，單一商品或一組商品上的各種評(píng)價(jià)或評(píng)論以及評(píng)分偏差。每個(gè) 評(píng)論者在這些特征上獲得不同的分?jǐn)?shù)，再將這些分?jǐn)?shù)進(jìn)行線性結(jié)合，最后的總得分就是這 個(gè)評(píng)論者的懷疑度。這個(gè)方法是非監(jiān)督的，節(jié)省了許多人工標(biāo)識(shí)的花費(fèi)。然而，根據(jù)他們的 研究本質(zhì)上還是依賴于文本相似度。因此，也只能用于一些特殊類型的垃圾評(píng)論檢測(cè)。

以上的各種方法的不足之處還在于，都只研究利用垃圾評(píng)論的文本或評(píng)分特征， 這具有局限性。因此，迫切需要一種新的方法來檢測(cè)垃圾評(píng)論。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于購物需求的抗攻擊信譽(yù)評(píng)價(jià)計(jì)算方法，用于解決 現(xiàn)有虛假評(píng)論繁多、商家造假、交易商品不能很好的滿足用戶需求、虛假評(píng)論不能被及時(shí)檢 測(cè)的問題。

為此，本發(fā)明提出一種基于購物需求的抗攻擊信譽(yù)評(píng)價(jià)計(jì)算方法，一種基于購物 需求的抗攻擊信譽(yù)評(píng)價(jià)計(jì)算方法，包括如下步驟：

步驟1：利用多Agent平臺(tái)根據(jù)用戶需求產(chǎn)生具有策略性虛假評(píng)論的數(shù)據(jù)集。多Agent平 臺(tái)中有買家Agent、商家Agent、搜索Agent，當(dāng)用戶（即某個(gè)買家Agent）提出購物需求時(shí)，搜 索Agent會(huì)根據(jù)此購物需求推薦商家，并且產(chǎn)生大量的含有多種策略性虛假評(píng)論的數(shù)據(jù)集， 以此模擬歷史購物記錄。

步驟2：基于進(jìn)化算法的可信評(píng)價(jià)者集合生成方法，利用差分進(jìn)化算法將用戶的可 信評(píng)價(jià)者集合進(jìn)化g代以獲得最值得信任的評(píng)價(jià)者集合，用戶B對(duì)它的第g代的可信評(píng)價(jià)者 列表的滿意度函數(shù)為：

其中代表用戶B對(duì)商家的評(píng)價(jià)（即B對(duì)的所有評(píng)分的平均值），代表B的可信評(píng)價(jià)者對(duì)的評(píng)價(jià)。

步驟3：根據(jù)步驟2產(chǎn)生的可信評(píng)價(jià)者集合中的評(píng)價(jià)者對(duì)商家的評(píng)價(jià)以及用戶利用 自身的交易經(jīng)驗(yàn)計(jì)算商家的信譽(yù)值，從而選擇交易商家，

可信評(píng)價(jià)者對(duì)商家的可信度計(jì)算方法：

其中表示的是評(píng)價(jià)者對(duì)商家S_i的給予好評(píng)的概率,表示的是評(píng)價(jià)者對(duì)商家S_i給予差評(píng)概率；λ指折扣因子，t(t=1,2,…n)是評(píng)分的時(shí)間窗。

用戶利用自身交易經(jīng)驗(yàn)對(duì)商家的可信度計(jì)算方法

其中指用戶B對(duì)商家S_i的好評(píng)次數(shù)，指用戶B對(duì)商家S_i的差評(píng)次數(shù)，λ指折扣因子；t(t=1,2,…n)是評(píng)分的時(shí)間窗。

結(jié)合可信評(píng)價(jià)者對(duì)商家的可信度以及用戶利用自身的交易經(jīng)驗(yàn)對(duì)商家的可信度得到商家的信譽(yù)度計(jì)算方法：，其中是權(quán)重。

步驟4：交易后根據(jù)用戶本次的交易評(píng)價(jià)結(jié)果將可信評(píng)價(jià)者集合中與用戶對(duì)該商 家評(píng)價(jià)相反的評(píng)價(jià)者刪除，從而篩選得到更加可信的評(píng)價(jià)者集合。