[發明專利]一種基于KendallTau距離的在線服務信譽度量方法

在審

• 申請號: 201710484114.1
• 申請日: 2017-06-23
• 公開（公告）號: CN107464032A
• 公開（公告）日: 2017-12-12
• 發明（設計）人: 付曉東;鄭蘇蘇;劉驪;馮勇;劉利軍
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于KendallTau距離的在線服務信譽度量方法，其特征在于：首先通過距離指標來衡量兩個服務評分向量之間的一致性；然后將信譽度量建模為一個最優化問題，這個最優化問題就是尋找一個與用戶-服務評分矩陣距離最小的信譽向量；最后采用模擬退火算法來解決該優化問題，將得到的信譽向量作為服務信譽。

2.根據權利要求1所述的基于KendallTau距離的在線服務信譽度量方法，其特征在于：所述方法的具體步驟如下：

步驟1、通過距離指標來衡量兩個服務評分向量之間的一致性；

1.1設U＝{u₁,u₂,...,u_x}為有x個用戶的集合，S＝{s₁,s₂,...,s_y}為有y個服務的集合，用戶對服務的評分信息用一個x×y的矩陣R來表示，R中的元素r_us表示用戶u對服務s的評分；

1.2通過距離指標K(r_i,r_j)測量兩個服務評分向量r_i＝(r_i1,...,r_ip,...,r_iy)和r_j＝(r_j1,...,r_jq,...,r_jy)之間的一致性：

對于兩個不同的服務s_p,s_q∈S(p≠q)，計算兩個服務評分向量r_i＝(r_i1,...,r_ip,...,r_iy)和r_j＝(r_j1,...,r_jq,...,r_jy)之間的Kendall tau距離：

其中，r_ip(i＝1,2,...,x,p＝1,2,...,y)為第i個用戶u_i對第p個服務s_p的評分，表示用戶u_i對服務s_p的滿意程度,r_ip越大則表示u_i對s_p越滿意；r_ip＞r_iq表示用戶u_i認為服務s_p優于s_q，r_ip＜r_iq表示用戶u_i認為服務s_q優于s_p，r_ip＝r_iq表示用戶u_i認為服務s_p和s_q無差別，r_ip＝0表示用戶u_i沒有給予服務s_p評分或者用戶與該服務沒有產生過交互，此時對于服務s_p,s_q∈S(p≠q)，不計算服務評分向量r_i和r_j之間的距離；

對于服務集合S＝{s₁,s₂,...,s_y}，計算兩個服務評分向量r_i＝(r_i1,...,r_ip,...,r_iy)和r_j＝(r_j1,...,r_jq,...,r_jy)之間的距離：

K(ri,rj)=Σsp,sq∈SKsp,sq(ri,rj)---(2)]]>

其中K(r_i,r_j)表示r_i和r_j之間的偏好一致性，K(r_i,r_j)越小，表示r_i和r_j之間的偏好一致性越大；K(r_i,r_j)越大，表示r_i和r_j之間的偏好一致性越小；K(r_i,r_j)＝0表示r_i和r_j之間的偏好完全一致；

步驟2、然后將信譽度量建模為一個最優化問題，這個最優化問題就是尋找一個與用戶-服務評分矩陣距離最小的信譽向量；

2.1統計用戶-服務評分矩陣R中r_ip＞r_iq，r_ip＝r_iq，r_ip＜r_iq的服務對數量，并分別用N(r_ip＞r_iq)，N(r_ip＝r_iq)，N(r_ip<r_iq)表示；

2.2使用一個信譽向量r_z＝(r_z1,r_z2...,r_zy)來表示服務集合S＝{s₁,s₂,...,s_y}的信譽,基于公式(1)及公式(2)中K(r_i,r_j)的定義，結合步驟2.1中統計的r_ip＞r_iq，r_ip＝r_iq，r_ip＜r_iq的服務對數量，計算信譽向量r_z與用戶-服務評分矩陣R之間的距離；

對于兩個不同的服務s_p,s_q∈S(p≠q)，計算信譽向量r_z與用戶-服務評分矩陣R之間的距離：

對于服務集合S＝{s₁,s₂,...,s_y}，r_z與用戶-服務評分矩陣R之間的距離為：

K(rz,R)=Σsp,sq∈SΣri∈RKsp,sq(rz,ri)---(4)]]>

其中K(r_z,R)表示信譽向量r_z和用戶-服務評分矩陣R之間的偏好一致性，K(r_z,R)越小，表示r_z和R之間的偏好一致性越大；K(r_z,R)越大，表示r_z和R之間的偏好一致性越小；K(r_z,R)＝0表示r_z和R之間的偏好完全一致。

2.3確定信譽度量最優化目標函數如下：

f(rb)=min K(rb,R)=minΣsp,sq∈SΣri∈RKsp,sq(rb,ri)---(5)]]>

公式(5)中：r_b為目標函數f(r_b)的一個可能解，r_b＝(r_b1,r_b2...,r_by)，其中r_b1,r_b2...,r_by表示服務集合S＝{s₁,s₂,...,s_y}的信譽；步驟2.2中的信譽向量r_z是目標函數f(r_b)的一個可能解，所有可能的解向量構成了最優化目標函數的解空間M；

步驟3、采用模擬退火算法解決步驟2中的最優化問題，將得到的信譽向量作為服務信譽；

3.1設定模擬退火算法的參數，包括初始溫度t₀,終止溫度t_e，退溫系數α，馬爾可夫鏈長L，初始參數選取采用下述經驗值：t₀＝100，t_e＝1，α＝0.9，L＝100，計算過程中，令終止條件為：溫度t下連續若干次迭代過程中的新解都未被接受或者溫度降為終止溫度，滿足其中任一條件則算法終止；

3.2設定初始解r₀，從步驟2.3的解空間M中隨機選取一個可能解作為初始解r₀，r₀＝(r₀₁,r₀₂...,r_0y)，計算r₀的目標函數值K(r₀,R)；

3.3隨機改變初始解r₀中的元素值，產生一個位于解空間M的新解r_n，r_n＝(r_n1,r_n2...,r_ny)，計算r_n的目標函數值K(r_n,R)；

3.4計算r_n的目標函數K(r_n,R)和r₀的目標函數K(r₀,R)的差值Δk，Δk＝K(r_n,R)-K(r₀,R)；

3.5新解的接受概率為：

公式(6)中：t為當前溫度，降溫后的溫度T＝αt

新解的接受遵循Metropolis準則：當Δk＜0時，接受r_n作為當前最優解，當Δk≥0時，給出一個(0,1)區間上的隨機數β，在新解的接受概率P＞β時，接受r_n作為當前最優解，否則不接受r_n，此時初始解r₀實現了一次迭代；在當前溫度下共進行L次迭代，若迭代過程中接受了新的解，則不滿足終止條件，根據T＝αt降低溫度；

3.6令當前溫度t＝T，重復步驟3.3到3.5，直到滿足終止條件，此時停止計算，求得的當前解為最優解；

3.7將得到的最優解作為用戶-服務評分矩陣R的服務信譽。