[發(fā)明專利]一種基于多維度評(píng)價(jià)信息的在線服務(wù)信譽(yù)度量方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710522508.1
• 申請(qǐng)日: 2017-06-30
• 公開（公告）號(hào): CN107579839A
• 公開（公告）日: 2018-01-12
• 發(fā)明（設(shè)計(jì)）人: 付曉東;楊體東;劉驪;劉利軍;馮勇
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): H04L12/24
• 分類號(hào): H04L12/24;G06Q10/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多維度評(píng)價(jià)信息的在線服務(wù)信譽(yù)度量方法，其特征在于：首先對(duì)在線服務(wù)信譽(yù)的多維度屬性信息進(jìn)行主成分分析，選擇影響在線服務(wù)信譽(yù)動(dòng)態(tài)變化的屬性維度，并考慮時(shí)間因子對(duì)在線服務(wù)屬性的評(píng)價(jià)數(shù)據(jù)進(jìn)行篩選；其次創(chuàng)建服務(wù)信譽(yù)標(biāo)注準(zhǔn)則，對(duì)初始樣本進(jìn)行標(biāo)注及訓(xùn)練支持向量機(jī)分類模型；然后使用距離相關(guān)性的自學(xué)習(xí)方法獲取訓(xùn)練樣本，更新訓(xùn)練樣本集和SVM分類模型；最后使用最終更新得出的SVM分類模型確定在線服務(wù)的信譽(yù)類標(biāo)簽，實(shí)現(xiàn)服務(wù)信譽(yù)度量。

2.根據(jù)權(quán)利要求1所述的基于多維度評(píng)價(jià)信息的在線服務(wù)信譽(yù)度量方法，其特征在于具體步驟為：

Step1、選擇影響在線服務(wù)信譽(yù)動(dòng)態(tài)變化的屬性維度，并考慮時(shí)間因子對(duì)在線服務(wù)屬性的評(píng)價(jià)數(shù)據(jù)進(jìn)行篩選；

Step1.1、設(shè)服務(wù)樣本集合為S＝{s₁,s₂,…,s_n}，每個(gè)服務(wù)樣本均包含m維的屬性信息，則屬性集合為Att＝{a₁,a₂,…,a_m}，對(duì)服務(wù)的各屬性維度評(píng)價(jià)信息進(jìn)行主成分分析：

首先由巴特利的球形系數(shù)、KMO值判斷數(shù)據(jù)集是否可以進(jìn)行主成分分析，再根據(jù)得到的解釋總方差，選擇特征值大于1的成分作為主成分；同時(shí)，使所選擇的主成分累積方差貢獻(xiàn)率達(dá)到80％，根據(jù)各維度屬性a_i∈Att在各主成分D_j(j＝1,2,…,k，表示有k個(gè)主成分)中的得分，得到各主成分D_j的屬性子集：

其中，r_ij(i＝1,2,…,m，j＝1,2,…,k)為服務(wù)的第i維屬性a_i在第j主成分D_j中的成分得分，表示屬性a_i在主成分D_j中的所占比重，r_ij越大則表示屬性a_i在主成分D_j中的占比越大，對(duì)于該主成分越具有代表性；將屬性a_i添加到最大的r_ij值所對(duì)應(yīng)的主成分D_j中，記屬性a_i為D_j主成分的屬性維度子集，即D_j＝{a_i}，且各主成分{D₁∪D₂∪…∪D_k}＝D_j，

Step1.2、根據(jù)得出的各主成分D₁,D₂,…,D_k中的屬性維度，基于各屬性對(duì)服務(wù)信譽(yù)的影響程度，選擇影響服務(wù)信譽(yù)變化的主成分，并將主成分中包含的屬性維度記為集合Att_Best，即Att_Best＝{a₁,a₂,…,a_i}，使得篩選后的服務(wù)樣本屬性只含有集合Att_Best＝{a₁,a₂,…,a_i}中的屬性；

Step1.3、加入時(shí)間因子的考慮，選擇服務(wù)屬性集合Att_Best＝{a₁,a₂,…,a_i}中各屬性維度最近P天的評(píng)價(jià)數(shù)據(jù)來降低服務(wù)的歷史評(píng)價(jià)在信譽(yù)計(jì)算中的權(quán)重，由于屬性信息隨時(shí)間和新交易的發(fā)生而變化，實(shí)現(xiàn)在線服務(wù)信譽(yù)動(dòng)態(tài)變化；

Step2、創(chuàng)建服務(wù)信譽(yù)標(biāo)注準(zhǔn)則，對(duì)初始樣本進(jìn)行標(biāo)注及訓(xùn)練支持向量機(jī)分類模型；

Step2.1、使用主成分分析法計(jì)算屬性集合Att_Best＝{a₁,a₂,…,a_i}中各屬性的權(quán)重，由主成分分析獲得的各屬性的載荷h_i(i＝1,2,…,m)、主成分的方差貢獻(xiàn)率g_j(j＝1,2,…,k)、主成分的特征值t_j(j＝1,2,…,k)，計(jì)算屬性集合Att_Best＝{a₁,a₂,…,a_i}中各屬性維度的權(quán)重W＝{w₁,w₂,…,w_m}，其中，w_i表示屬性a_i的權(quán)重：

(1)計(jì)算線性組合中各屬性的系數(shù)：

(2)計(jì)算綜合得分模型中各屬性的系數(shù)：

(3)計(jì)算各屬性的權(quán)重：

Step2.2、根據(jù)各維度屬性權(quán)重建立服務(wù)信譽(yù)標(biāo)注準(zhǔn)則R_mark；

首先由各維度屬性權(quán)重創(chuàng)建信譽(yù)計(jì)算公式，計(jì)算服務(wù)信譽(yù)的綜合得分F_score，再建立服務(wù)信譽(yù)得分和信譽(yù)等級(jí)的映射規(guī)則，將服務(wù)的信譽(yù)得分F_score與信譽(yù)等級(jí)C＝{C₁,C₂,…,C_z}進(jìn)行映射；

F_score是根據(jù)服務(wù)s_i在歷史交易中各屬性的交易評(píng)價(jià)而做出的對(duì)s_i的信譽(yù)評(píng)分，當(dāng)新的交易發(fā)生時(shí)，F(xiàn)_score隨著評(píng)價(jià)信息和交易次數(shù)的產(chǎn)生而動(dòng)態(tài)更新，且越是臨近的交易對(duì)本次信譽(yù)度量的影響越大；w_i(i＝1,2,…,m)為信譽(yù)的屬性權(quán)重，為了反應(yīng)服務(wù)信譽(yù)的動(dòng)態(tài)變化屬性，對(duì)服務(wù)屬性的評(píng)價(jià)取加權(quán)平均值計(jì)算，并對(duì)所有的屬性維度度量函數(shù)選用冪函數(shù)，為使得F_score的計(jì)算模型為穩(wěn)妥型取函數(shù)的冪為1/2；根據(jù)以上分析，F(xiàn)_score的計(jì)算公式可以表示為：

其中，w₁+w₂+…+w_m＝1，0<w_i≦1，e_i為交易后用戶對(duì)各屬性的反饋評(píng)分，N為總的交易次數(shù)，由公式(5)計(jì)算服務(wù)s_i的信譽(yù)分，通過對(duì)各維度屬性的加權(quán)平均計(jì)算，考慮了單次交易的屬性評(píng)價(jià)對(duì)服務(wù)信譽(yù)度量的影響，使得每次新交易都會(huì)對(duì)服務(wù)信譽(yù)動(dòng)態(tài)更新；

創(chuàng)建服務(wù)信譽(yù)得分和信譽(yù)等級(jí)的映射規(guī)則，根據(jù)計(jì)算得出的各個(gè)服務(wù)的信譽(yù)得分F_score，將信譽(yù)得分F_score與信譽(yù)等級(jí)C＝{C₁,C₂,…,C_z}進(jìn)行映射：

其中，F(xiàn)_score1<F_score2<F_score3，則服務(wù)的信譽(yù)類標(biāo)簽C＝{C₁,C₂,…,C_z}，C₁表示信譽(yù)等級(jí)較低、C₂表示信譽(yù)等級(jí)低、C_z表示信譽(yù)等級(jí)最好，信譽(yù)等級(jí)C₁,C₂,…,C_z由低到高排列；

Step2.3、使用系統(tǒng)抽樣的方式，從服務(wù)樣本集S＝{s₁,s₂,…,s_n}中抽取30％的樣本作為測(cè)試樣本集T，剩余的樣本作為訓(xùn)練樣本集R，其中R∪T＝S，R>T，且

同樣使用系統(tǒng)抽樣的方式，從R中抽取x個(gè)樣本作為標(biāo)注樣本集，并將該標(biāo)注樣本集合記為L＝{s₁,s₂,…,s_x}；同時(shí)，將R中的未標(biāo)注樣本集記為U，其中：L∪U＝R，且對(duì)標(biāo)注樣本集L和未標(biāo)注樣本集U進(jìn)行更新：L＝{s₁,s₂,…,s_x}，U＝R-L；

使用標(biāo)注準(zhǔn)則R_mark對(duì)標(biāo)注樣本集L＝{s₁,s₂,…,s_x}中的信譽(yù)類標(biāo)簽進(jìn)行標(biāo)注，獲得初始樣本集L＝{s₁,s₂,…,s_x}/C＝{C₁,C₂,…,C_z}，且并利用初始樣本集L＝{s₁,s₂,…,s_x}作為訓(xùn)練樣本數(shù)據(jù)，樣本的標(biāo)注類標(biāo)簽C＝{C₁,C₂,…,C_z}作為訓(xùn)練樣本類標(biāo)簽，訓(xùn)練初始的SVM分類模型M；

Step3、使用距離相關(guān)性的自學(xué)習(xí)方法獲取訓(xùn)練樣本，更新訓(xùn)練樣本集及SVM分類模型；

Step3.1、使用訓(xùn)練得出的SVM分類模型M對(duì)未標(biāo)注樣本集U中樣本s_u(s_u∈U)的信譽(yù)類標(biāo)簽進(jìn)行預(yù)測(cè)，將得到服務(wù)樣本s_u的信譽(yù)類標(biāo)簽C_B，即C_B/s_u；

同時(shí)，計(jì)算服務(wù)樣本s_u到標(biāo)注樣本集L＝{s₁,s₂,…,s_x}中所有樣本的距離D(s_u,s_i)，使用歐氏距離計(jì)算兩個(gè)樣本之間的距離，則距離計(jì)算公式為：

D(su,si)=Σi=1m(aSu-aSi)2---(7)]]>

其中，a_su，a_si為樣本s_u、s_i的同一屬性，根據(jù)計(jì)算出的距離D(s_u,s_i)，尋找樣本s_u到集合L中最臨近的點(diǎn)N，即：Argmin D(s_u,s_i)，并將該臨近點(diǎn)的信譽(yù)類標(biāo)簽記為C_N：

Step3.2、比較樣本s_u的信譽(yù)類標(biāo)簽C_B和距離最臨近點(diǎn)N的信譽(yù)類標(biāo)簽C_N：

如果C_B＝C_N時(shí)，將樣本s_u連帶信譽(yù)類標(biāo)簽一起加入到集合L中；如果C_B≠C_N時(shí)，則利用標(biāo)注準(zhǔn)則R_mark對(duì)樣本s_u的信譽(yù)類標(biāo)簽進(jìn)行標(biāo)注，并將標(biāo)注好的樣本s_u連帶信譽(yù)類標(biāo)簽一起加入到集合L中；

Step3.3、用新選出來的樣本s_u對(duì)標(biāo)注樣本集合L和未標(biāo)注樣本集合U進(jìn)行更新：L＝L∪(s_u)，U＝U-(s_u)；用更新后的標(biāo)注樣本集L作為訓(xùn)練樣本集，重新訓(xùn)練支持向量機(jī)分類模型M，對(duì)U中樣本的分類過程進(jìn)行循環(huán)迭代；

Step4、使用最終更新得出的SVM分類模型確定在線服務(wù)的信譽(yù)類標(biāo)簽，實(shí)現(xiàn)服務(wù)信譽(yù)度量；

Step4.1、最終循環(huán)迭代更新得出的SVM分類模型M，就為訓(xùn)練樣本集R訓(xùn)練得出的SVM分類模型，對(duì)服務(wù)s_u(s_u∈T)的信譽(yù)類標(biāo)簽進(jìn)行度量，得到服務(wù)的信譽(yù)C。