基于移动Agent的动态信任计算方法
阅读：886发布：2020-05-08
专利汇可以提供基于移动Agent的动态信任计算方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于移动Agent的动态信任计算方法，用于动态地计算用户与商家之间的信任度。所述动态信任计算方法包括以下步骤：获取用户与 选定 商家的初始信任度；构建 移动商务 交易动态信任计算模型，以时间敏感函数为依据，通过所述移动商务交易动态信任计算模型计算该用户的当前信任度；通过预先设定的信任惩罚规则对当前信任度进行校正；以校正后的信任度更新该用户与选定商家的信任关系并保存。相较于 现有技术 ，本发明提供的基于移动Agent的动态信任计算方法具有显著的优势，几乎接近无非诚实情形的理论最佳值。，下面是基于移动Agent的动态信任计算方法专利的具体信息内容。
1.一种基于移动Agent的动态信任计算方法，用于动态地计算用户与商家之间的信任度，其特征在于，所述动态信任计算方法包括以下步骤：
步骤S1，获取用户与选定商家的初始信任度；
步骤S2，构建移动商务交易动态信任计算模型，以时间敏感函数为依据，通过所述移动商务交易动态信任计算模型计算该用户的当前信任度；
步骤S3，通过预先设定的信任惩罚规则对当前信任度进行校正；
步骤S4，以校正后的信任度更新该用户与选定商家的信任关系并保存。
2.根据权利要求1所述的动态信任计算方法，其特征在于，在步骤S1中，所述初始信任度是指用户u在初次使用网络时对其信誉度进行度量的一个参考值，其通过以下公式计算得到：
其中，t为用户u注册登录的时刻，τt(u)为用户u的初始信任度，min(τt-1)为t-1时刻时系统中最小的信任度；θ表示信任度为min(τt-1)的交易者数目，阻尼函数其中ρ是时间权重因子，0＜ρ＜1，max(τt)
为t时刻时系统中最大的信任度。
3.根据权利要求1或2所述的动态信任计算方法，其特征在于，在步骤S2，所述时间敏感函数如下所示：
其中，t0为单位时间的长度，且每经过|t0|时间，τt进行一次衰减，tinitial为用户加入信任交易网络时间，t为用户对选定商家进行信任评估的时间，t＞tinitial，则此间跨过了个时间窗，令时间窗i(i＝1，2，…，k)的开始时间为 结束时间为
用户对选定商家在开始时间tinitial_i的信任度为 用户对选定商家在结束时间 的信任度为
4.根据权利要求1所述的动态信任计算方法，其特征在于，在步骤S3中，当前信任度通过所述信任惩罚规则进行校正的公式如下所示：
其中，τ0、τt(i)分别代表的是惩罚前后的信任度； 分别是评价得分的最大值和最小值，σ为交易金额的等级得分；
设定某个属性共有W个评价等级，其中第i等级的评价得分区间为
是其最大最小值，则该区间的评价得分值σ为：
当i≥W/2时，θ为实体获得的≥i级时的加权百分比；当i＜W/2时，θ为低于其的加权百分比。
5.根据权利要求1所述的动态信任计算方法，其特征在于，在步骤S2中，所述移动商务交易动态信任计算模型为：
N(u)代表的是用户u与商家在区间[t-1，t]买卖所形成的集合，α表示近段交易时间内的信任度；β表示与u进行了移动交易的商家x∈N(u)给出的信誉反馈评价，τt(u)表示用户u在t时刻的信任度，τt-1(u)表示用户u在t-1时刻的信任度，对于 τt-1表示t-1时商家x的信任度，w[ρ(x，u)]是交易价值的权重函数：
其中ρ(x，u)是关于x、u的自变量，表示为相应的交易价值，在这个交易价值当中，200是所规定的交易价值的下限，即最低价位；
Cr[τt-s(x)]代表的是x的权重，表示为x的可信度，tx∈[t-1，t]表示商家x与用户u进行交易开展的时间；ρ(tx，t)是时间贴现函数，代表信誉反馈评价分数的时间权重，当tx靠t越近，则商家x对用户u给出信誉反馈评价分数的权重就越高，
其中，ρ是时间权重因子；
表示为交易完成后商家x对用户u的平均信誉反馈评价分数，其计算公式如下所示：
其中，|C|是信誉关键因素的个数； 是商家x在某个信誉关键因数ci情况下给用户u的信誉反馈评价， 是一个c1，c2，…，cn条件
下的n维向量，即f(x，u)是完成交易后商家x对用户u给出的信誉反馈评价，是权重值，表示各参与交易的用户和商家对ci的普遍好
感度。
基于移动Agent的动态信任计算方法
【技术领域】
[0001] 本发明涉及技术领域，特别涉及基于移动Agent的动态信任计算方法。【背景技术】
[0002] 最近几年来，随着移动互联网(Mobil Intemet，MI)技术和应用的迅速发展，基于MI的移动电子商务(M-Commerce)井喷式发展。基于MI具有开放、动态的特性，网络中用户节点的(动态)行为具有自主决定权，可以任意更改不同的位置或随机更改身份对网络进行访问，而无需受任何的规则管理和约束，增强了用户访问网络的便利性。但由于用户节点加入和退出行为的频率很高，使网络拓扑结构在每次节点加入和退出的时候不断发生变化，无法确保已建立的信任信息长期有效，因此急需一种新的方法去处理和解决该问题。因此，在基于移动互联网的移动商务网络交易中，诚信(信任)贯穿于整个交易过程，是交易能够顺利开展的前提和关键，是解决此类问题的最有效的方法。
[0003] 移动交互的信任信誉机制正日益成为业内广泛重视的焦点。对此，许多相关领域的学者针对不同的情况，提出了基于相应理论的信任模型去处理已有信任计算方法出现的诸多问题，促进移动商务网上交易的顺利进行。邵堃等人提出了一种动态分析信任的模型。这种模型运用的是逐级删减的方式对推荐的信任信息进行层层过滤。它采用的正态分布函数建模，因此建立的动态模型具有较的抗干扰性，能一定程度避免一些蓄意破坏行为。
Teacy等人运用概率论建立了一种新的信任评价模型TRAVOS。它主要针对的是在条件不够明确时，确立了与Agent之间的相关关系。这种模型能很好的过滤一些不真实的评价信息。 FIRE是Huynh等人提出的多Agent系统的集成模型，集成了信任与声誉两个方面。在FIRE中包含的Agent有消费方与提供方两种，而且消费方的Agent可以根据各种部件对提供方的Agent的服务水平给出信任方面的评价。
Teacy等人运用概率论建立了一种新的信任评价模型TRAVOS。它主要针对的是在条件不够明确时，确立了与Agent之间的相关关系。这种模型能很好的过滤一些不真实的评价信息。 FIRE是Huynh等人提出的多Agent系统的集成模型，集成了信任与声誉两个方面。在FIRE中包含的Agent有消费方与提供方两种，而且消费方的Agent可以根据各种部件对提供方的Agent的服务水平给出信任方面的评价。
[0004] 在移动Agent电子商务环境中，Sabater等提出的REGRET是第一个将社会网络分析方法运用到基于声誉的信任评估模型当中去。REGRET模型分别从三个角度刻画了自身经验、社会网络推荐以及评估者的主观意识对信任度量所产生的影响，即个人、社会和本体论这三个角度。且该模型通过采用模糊逻辑的方法针对上述三个方面分别给出与之对应的算法，将基于上述三者算法得到的信任度融合成为全网络的信任度，为信任算法的发展拓展了一条全新的途径。Zhang J等人针对基于多Agent系统的电子商务环境，构建了一个信任网络的形式化模型，但是这种模型只考虑了节点间的关系而忽略了信任度。甘早斌等人对电子商务环境中交易实体间的信任关系进行了进一步研究，提出了构造信任网络的方法及相应算法，并建立了信任网络可视化自动生成工具。童向荣等人针对移动Agent电子商务信任交易中，信任难以准确预测和行为异常检测的能力不足的问题，应用概率论方法，基于时间分段交互历史建立了多Agent交互信任计算模型CMAIT，CMAIT既可对历史行为的异常进行检测，防止被欺骗，又可对交易方的未来行为进行预测。
[0005] 为了使信任评估度更加精确并能有效避免信任欺诈，蒋伟进等人提出了基于偏好推荐的可信服务选择算法。该算法首先在网上对具有相似偏好的推荐用户进行查找并选择其中的用户排成一组，其次基于Pearson相关系数方法去计算用户的相关数值，包括用户在各类网站发表评价的相似度和评价领域的相关度。最后，将用户的推荐等级以及信用度根据权重融合在一起，并以此为依据对推荐信息进行筛选，确保推荐的信息能较大程度的满足用户的个性化需求，从而使推荐信息被用户接受的程度大幅度提升。Xu Jun等人为了防止用户恶意诽谤或夸大评分的行为，分析了历史反馈信息所含有的定量和定性两种数据类型，提出了基于直觉模糊信息的多维反馈信任模型。甘早斌等人以信任的各种特征为基础，建立了基于C2C电子商务环境下的动态信任算法CDTA，包括时间灵敏性、非对称性、传递性和选择性等特征。
[0006] 上文所述的模型在各种背景下处理大部分的信任建模、信任计算以及评估等问题，并且给出了相应的解决办法，但这些模型仍具有缺陷。目前大型电子商务网站(如eBay、京东、淘宝)使用了较为简单的信任评价机制，只基于用户在完成一笔交易后对商家进行简单的声誉评价，然后根据评价结果对商家的信任度求取平均值。该方法没有将用户的社会关系网络以及自身声誉考虑进去，不能避免商家注册多个买家的账户对自身的声誉评价进行虚假的提升以欺骗用户。【发明内容】
[0007] 为了解决上述问题，本发明提供了一种基于移动Agent的动态信任计算方法。
[0008] 一种基于移动Agent的动态信任计算方法，用于动态地计算用户与商家之间的信任度，所述动态信任计算方法包括以下步骤：获取用户与选定商家的初始信任度；构建移动商务交易动态信任计算模型，以时间敏感函数为依据，通过所述移动商务交易动态信任计算模型计算该用户的当前信任度；通过预先设定的信任惩罚规则对当前信任度进行校正；以校正后的信任度更新该用户与选定商家的信任关系并保存。
[0009] 优选的，在步骤S1中，所述初始信任度是指用户u在初次使用网络时对其信誉度进行度量的一个参考值，其通过以下公式计算得到：
[0010]
[0011] 其中，t为用户u注册登录的时刻，τt(u)为用户u的初始信任度，min(τt-1) 为t-1时刻时系统中最小的信任度；θ表示信任度为min(τt-1)的交易者数目，阻尼函数其中ρ是时间权重因子，0＜ρ＜1，max(τt)为t时刻时系统中最大的信任度。
[0012] 优选的，在步骤S2，所述时间敏感函数如下所示：
[0013]
[0014] 其中，t0为单位时间的长度，且每经过|t0|时间，τt进行一次衰减，tinitial为用户加入信任交易网络时间，t为用户对选定商家进行信任评估的时间，t＞tinitial，则此间跨过了个时间窗，令时间窗i(i＝1，2，…，k)的开始时间为tinitiali，结束时间为tendi，用户对选定商家在开始时间tinitial_i的信任度为 用户对选定商家在结束时间tendi的信任度为
[0015] 优选的，在步骤S3中，当前信任度通过所述信任惩罚规则进行校正的公式如下所示：
[0016]
[0017] 其中，τ0、τt(i)分别代表的是惩罚前后的信任度； 分别是评价得分的最大值和最小值，σ为交易金额的等级得分；
[0018] 设定某个属性共有W个评价等级，其中第i等级的评价得分区间为是其最大最小值，则该区间的评价得分值σ为：
[0019]
[0020] 当i≥W/2时，θ为实体获得的≥i级时的加权百分比；当i＜W/2时，θ为低于其的加权百分比。
[0021] 优选的，在步骤S2中，所述移动商务交易动态信任计算模型为：
[0022]
[0023] N(u)代表的是用户u与商家在区间[t-1，t]买卖所形成的集合，α表示近段交易时间内的信任度；β表示与u进行了移动交易的商家x∈N(u)给出的信誉反馈评价，τt(u)表示用户u在t时刻的信任度，τt-1(u)表示用户u在t-1时刻的信任度，对于 τt-1表示t-1时商家x的信任度，w[ρ(x，u)]是交易价值的权重函数：
[0024]
[0025] 其中ρ(x，u)是关于x、u的自变量，表示为相应的交易价值，在这个交易价值当中，200是所规定的交易价值的下限，即最低价位；
[0026] Cr[τt-s(x)]代表的是x的权重，表示为x的可信度，tx∈[t-1，t]表示商家x与用户u进行交易开展的时间；ρ(tx，t)是时间贴现函数，代表信誉反馈评价分数的时间权重，当tx靠t越近，则商家x对用户u给出信誉反馈评价分数的权重就越高，
[0027]
[0028] 其中，ρ是时间权重因子；
[0029] 表示为交易完成后商家x对用户u的平均信誉反馈评价分数，其计算公式如下所示：
[0030]
[0031] 其中，|C|是信誉关键因素的个数； 是商家x在某个信誉关键因数ci情况下给用户u的信誉反馈评价，
[0032] 是一个c1，c2，…，cn条件下的n维向量，即f(x，u)是完成交易后商家X对用户u给出的信誉反馈评价，
是权重值，表示各参与交易的用户和商家对ci的普遍好感度。
是权重值，表示各参与交易的用户和商家对ci的普遍好感度。
[0033] 相较于现有技术，本发明提供的基于移动Agent的动态信任计算方法具有以下有益效果：
[0034] 一、根据移动终端受限等特点，采用所有推荐人评价之间偏差平方和最小的方法，刻画移动商务环境中消费者信任评价决策过程，构建了适合移动商务环境的推荐信任评价方法，保证了评价结果真实反映推荐人群体意见和消费者信任评；
[0036] 三、采用内容分析法对淘宝网站中的文字信用评价进行分析，基于多Agent 系统群体协作决策的思想建立了移动商家多维信用反馈评价模型，解决了新注册商家的关于信任的相关问题，包括信任度识别以及信任度较高的商家拓展业绩等问题，并且改进了信任模型的交互感知能力和抑制恶意用户的能力；
[0037] 四、研究了基于在线商家信用反馈信息的移动商务信任评价方法，建立了移动商家信用评价指标体系，采用内容分析法对淘宝网站中的文字信用评价进行分析，构建了移动商家信用评价指标体系，通过分析消费者评价时的态度倾向，解决了仅通过频率分析无法检验指标相关性的问题。【附图说明】
[0038] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
[0039] 图1为本发明基于移动Agent的动态信任计算方法的流程图；
[0040] 图2为本发明构建的移动商务交易动态信任计算模型和现有信任评价机制对诚信评分用户的影响的对比图；
[0041] 图3为本发明构建的移动商务交易动态信任计算模型和现有信任评价机制对50％的评分用户采取与真实情况完全相反恶意行为的防范性能的对比图；
[0042] 图4为本发明构建的移动商务交易动态信任计算模型和现有信任评价机制对50％的评分用户采取随机性恶意行为的防范性能的对比图；
[0043] 图5为本发明构建的移动商务交易动态信任计算模型和现有信任评价机制对50％的评分用户采取信誉诋毁恶意行为的防范性能的对比图；
[0044] 图6为本发明构建的移动商务交易动态信任计算模型和现有信任评价机制对50％的评分用户采取信誉骗取恶意行为的防范性能的对比图；
[0045] 图7为本发明提供的动态信任计算方法与现有信任评价机制在引入直接经验与10个lying型的评价结果的对比图；
[0046] 图8为本发明提供的动态信任计算方法与现有信任评价机制在引入用户直接经验与10个noisy型的评价结果的对比图；
[0047] 图9为本发明提供的动态信任计算方法与现有信任评价机制在引入用户直接经验与10个badmouthing型的评价结果的对比图；
[0048] 图10为本发明提供的动态信任计算方法与现有信任评价机制在引入用户直接经验与10个bragging型的评价结果的对比图。【具体实施方式】
[0049] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050] 下面结合附图及实施例对本发明作更进一步的说明。
[0051] 在介绍本发明的详细方案之前，首先提出以下几个定义：
[0052] 定义1：在移动商务条件下，信任评估用户依据自己的推理判断以及之前积累的一些相关经验推断被评估者而得到的信任，也称直接信任。信任通常是受托人对受信任人的能力和可靠性的判断。Agent合作伙伴就是基于信任关系来进行选择的。信任从不同的角度产生的信任关系也不同，受诸多因素影响。
[0053] 定义2：在移动商务条件下，不是根据自己的观点得出来的，而是收集其他 Agent的观点经过加工处理后得到的信任称谓信誉。
[0054] 定义3：信任度指的是用户对商家信任程度的量化计算。
[0055] 定义4：信任管理的主要意思就是在现代开放的网络中完成对整个合作的信任和信誉的处理，并且最终将这些处理的结果进行相应的存档、保护和进行相互的传送。同时保证在有交互的Agent的情况下可以进行相互之间的信任传达或者没有交互Agent的情况下的做出对与相关信任的推荐。
[0056] 定义5：基于协同过滤的方法来计算评分用户信任度权重。首先按照用户u 自己单独和买卖伙伴交易对交易伙伴的评分，与评分用户x(Agentx)对这个同一买卖伙伴交易的评分，对比他们的评分相似情况的交易记录，看看评分的差异性，来评价评分节点用户Agentx的信任度的权重。假定Agentu是目标用户，打分用户的是Agentx。设N(u)为Agentu交易过程中节点组成的集合，N(X)为评分用户Agentx的交易伙伴的集合，CN(X，u)为同时与两者买卖的合伙人组成的集合。
[0057] 进一步地，用余弦夹角方法求解向量x和y的相似度，表示如下：
[0058]
[0059] 假定Agentu和Agentx已知，则Agentx的信任度权重Cr[τt(x)]计算为：
[0060]
[0061] 式中，|CN(x，u)|为Agentu和Agentx的共同交易合作伙伴的数目；k∈CN(x，u) 是Agentu和Agentx的共同交易者；f(x，k)、f(u，k)是Agentu和Agentx对共同交易者的基于信誉关键因素C的信誉反馈评估(向量)。Agentu和Agentx的评价分数越接近，评分用户Agentx的信任度τt(x)的权重Cr(τt(x)))也越大。
[0062] 请参照图1，本发明提供了基于移动Agent的动态信任计算方法，包括以下步骤：
[0063] 步骤S1，获取用户与选定商家的初始信任度；
[0064] 在迅速发展的移动互联网形式下，经常会出现的一个问题就是对于在线信誉的评价，具体表现在新用户在初次使用网络时会首先针对其信誉进行相关的信任值测定，对此，在该步骤中采用一种动态设置新用户初始信任度的方法，所述初始信任度是指用户u在初次使用网络时对其信誉度进行度量的一个参考值，其通过以下公式计算得到：
[0065]
[0066] 其中，t为用户u注册登录的时刻，τt(u)为用户u的初始信任度，min(τt-1) 为t-1时刻时系统中最小的信任度；θ表示信任度为min(τt-1)的交易者数目，阻尼函数其中ρ是时间权重因子，0＜ρ＜1，max(τt)为t时刻时系统中最大的信任度。
[0067] 步骤S2，构建移动商务交易动态信任计算模型，以时间敏感函数为依据，通过所述移动商务交易动态信任计算模型计算该用户的当前信任度；
[0068] 由于信任是在随时随地的改变，不仅受到交易经验更新的影响，同时也会随着交易经验的减少而衰减。为了解决这种特殊的问题，在本步骤中以时间敏感函数依据，动态地感知信任度的变化。
[0069] 所述时间敏感函数如下所示：
[0070]
[0071] 其中，t0为单位时间的长度，且每经过|t0|时间，τt进行一次衰减，tinitial为用户加入信任交易网络时间，t为用户对选定商家进行信任评估的时间，t＞tinitial，则此间跨过了个时间窗，令时间窗i(i＝1，2，…，k)的开始时间为tinitiali，结束时间为tendi，用户对选定商家在开始时间tinitial_i的信任度为 用户对选定商家在结束时间tendi的信任度为
[0072] 由于普通的评价方法不能很好的解决和处理一些突发状况。比如说有一种情况就是价格越高信任度就越高，这种评价的结果是非常不符合实际的，所以就需要一种全新的方法来针对相应的情况做出相应的处理。按照特殊属性的评价方法评价信任度，减少商品价格对信任度的影响，如下所示：
[0073] 设Vmin、Vmax分别是最低价和最高价，Vmean为均价，Lend为与均价相差最大的值，即[0074]
[0075] 则历史交易中的商品价格区间为[Vmean-Lend，Vmean+Lend]，将该价格区间分为2k个对称得区间，第i个区间为[Vmean-，Vmean+Li-1]，其中Li为第i个区间的下限或上限到均价的距离。
[0076] 所述移动商务交易动态信任计算模型为：
[0077]
[0078] N(u)代表的是用户u与商家在区间[t-1，t]买卖所形成的集合，α表示近段交易时间内的信任度，近段交易时间通常为最近三天；β表示与u进行了移动交易的商家x∈N(u)给出的信誉反馈评价，τt(u)表示用户u在t时刻的信任度，τt-1(u) 表示用户u在t-1时刻的信任度，对于 τt-1表示t-1时商家x的信任度， w[ρ(x，u)]是交易价值的权重函数：
[0079]
[0080] 其中ρ(x，u)是关于x、u的自变量，表示为相应的交易价值，在这个交易价值当中，200是所规定的交易价值的下限，即最低价位；
[0081] Cr[τt-s(x)]代表的是x的权重，表示为x的可信度，tx∈[t一1，t]表示商家x与用户u进行交易开展的时间；ρ(tx，t)是时间贴现函数，代表信誉反馈评价分数的时间权重，当tx靠t越近，则商家x对用户u给出信誉反馈评价分数的权重就越高，
[0082]
[0083] 其中，ρ是时间权重因子；
[0084] 表示为交易完成后商家x对用户u的平均信誉反馈评价分数，其计算公式如下所示：
[0085]
[0086] 其中，|C|是信誉关键因素的个数； 是商家x在某个信誉关键因数ci情况下给用户u的信誉反馈评价，
[0087] 是一个c1，c2，…，cn条件下的n维向量，即f(x，u)是完成交易后商家x对用户u给出的信誉反馈评价，
是权重值，表示各参与交易的用户和商家对ci的普遍好感度。
是权重值，表示各参与交易的用户和商家对ci的普遍好感度。
[0088] 步骤S3，通过预先设定的信任惩罚规则对当前信任度进行校正；
[0089] 在移动商务交易中，可能存在由于用户的不良企图而导致交易失败，这样就应该严厉的进行惩罚，保证整个大环境的稳定和安全。对此，本发明设定信任惩罚规则对当前信任度进行校正，其计算公式如下所示：
[0090]
[0091] 其中，τ0、τt(i)分别代表的是惩罚前后的信任度； 分别是评价得分的最大值和最小值，σ为交易金额的等级得分；
[0092] 设定某个属性共有W个评价等级，其中第i等级的评价得分区间为是其最大最小值，则该区间的评价得分值σ为：
[0093]
[0094] 当i≥W/2时，θ为实体获得的≥i级时的加权百分比；当i＜W/2时，θ为低于其的加权百分比。
[0095] 步骤S4，以校正后的信任度更新该用户与选定商家的信任关系并保存。
[0096] 为了验证本发明的移动商务交易动态信任计算模型相较于现有信任评价机制的优势，利用NetLogo网络模拟软件仿真移动通信环境和场景，选择淘宝 (Taobao)评价系统(无任何防范技术)、Travos模型、E-FIRE模型以及本发明提出的移动商务交易动态信任计算模型进行仿真实验，实验效果以平均均方误差作为标准进行比较。
[0097] 在整个仿真环境系统中，不同的用户共同组成了一个完整的交易场景，其中包括一个初入用户，10个评分用户和41个商家，初入用户是指还未参与过交易或参与过交易但未给出评价的用户，评分用户是指参与过交易并给出评价打分的用户。在这些所谓的评分用户当中，是由诚信和恶意用户共同组成，而恶意用户包括说谎、嘈杂随意、信誉诋毁和信誉虚夸等。
[0098] 假定41个商家的Pi(进行诚实交易的概率)在[0，1]区间内服从均匀分布，分别设为[0，0.025，0.05，...，0.975，1]。假定预估概率为 则可计算其均方差来衡量信任模型相关的性能和有效性：
[0099]
[0100] 其中，Np为商家个数。
[0101] 仿真系统的执行步骤如下：
[0102] (1)系统随机挑选一对评分用户与商家进行交互，共进行41×10×20＝8200 次，即平均每个评分用户与每个商家之间进行20次交互，以产生评分用户与商家的交互历史，初始化循环变量i＝1；
[0103] (2)每个评分用户都提交各自对每个商家的评价給初入用户；
[0104] (3)评分用户以其与商家的交互历史记录数据为基础，构造评价响应评分用户的查询；
[0105] (4)初入用户根据收到的评价，按照某一恶意行为防范方法，估计每个商家的信誉值；
[0106] (5)系统依据式(12)求得该次估计的平均均方误差Φi；
[0107] (6)用户与每个商家都进行一次交互，并保存交互结果；i++；
[0108] (7)如果i＜41，进入步(2)；
[0109] (8)结束，输出每次的Φi；
[0110] 每次实验运行周期一般都是二十次，将这二十次的数据求平均值，将这个平均值作为评价和测量依据。
[0111] 实验分为两种情况进行，第1种情况着重对比系统在诚信善良环境(评分用户全为诚实)和恶意环境(50％的评价用户采取恶意行为)中的防范性能；第2种情况中，所有评分用户均采取不良行为，而某用户在计算商家信誉时将加入自身的直接经验。
[0112] 仿真实验结果分析
[0113] 第1种情况各次实验中的评分用户数量设置如表1所示。
[0114] 表1
[0115]
[0116] 由表1可见，如果10个评分用户都采取诚信fair负责行为，淘宝(Taobao) 系统也会将所有评分用户都认为完全诚实可信的，不会出现引入差错，这时可看作是理论最优值，其均方误差也最小；而本发明构建的信任计算模型系统的平均均方差曲线与淘宝(Taobao)评价系统的基本重合，可见本发明模型对非诚实者的过滤和防范系统对fair交易者基本不会造成任何影响，而对非诚实的恶意评分用户的识别率非常高；对于Travos模型，当用户与商家进行交易的次数不多时，因为它不能判断评分用户是否可信，因此Travos模型把多数Agente的评价都误滤掉了，当然，随着用户与商家交易频次变多，这种误滤问题的影响会逐渐降低，直到20次以上，该问题会基本消失。
[0117] 请参阅图3至图6，分别针对不同的用户类型，对其相应的过滤和防范效果进行了比较，从图中可以看出，差别最大的要属淘宝(Taobao)系统。所以一旦遇到恶意评分用户会影响信任模型系统对他的信誉度做出有效的评价。而本发明所建立的移动商务交易动态信任计算模型与Travos模型和E-FIRE模型一样，都具有良好的实用性。
[0118] 当用户与商家之间的历史交易达到一定的交易次数时，相应的过滤效果会比较好，这个交易次数一般为三十到四十次左右。但本文信任系统的平均均方误差普遍比Travos模型和E-FIRE模型的平均均方误差则小得多。Travos模型对 noisy型用户Agente的攻击防范效果不太理想。
[0119] 当用户与商家之间的历史交互次数N不多时(1-10次)，淘宝(Taobao)和本文模型比Travos的平均均方误差显著降低，E-FIRE模型和Travos模型接近。对于网络在线交易而言，由于实际环境中买家与卖家间的历史交易次数较少，因此此项比较情况更具实际价值。
[0120] 在第二种情况中，所有评分用户均为恶意行为，而用户在计算商家信誉时将加入自身的直接经验。该情形主要对比用户处于非常恶劣环境中时信誉系统的鲁棒性能，各次实验中，评分用户数目如表2所示，实验结果见图7-图10。
[0121] 表2
[0122]
[0123]
[0124] 请参阅图7至图10，即使用户旁边的评分用户全部是恶意行为用户，仍然一样能够应用过滤方法和防范技术把非诚实恶意评价的影响大大减少。与Travos 模型和E-FIRE信任模型的计算结果相比：1)在数据量很大时，本发明所建立的移动商务交易动态信任计算模型具有显著的优势，几乎接近无非诚实情形的理论最佳值；而Travos和E-FIRE模型都还会产生无法消除的误差。2)在应对 badmouthing与bragging不良攻击行为时，在部分区域，本发明信任模型的计算效果具有全体交易用户都是诚信友好环境的情形。3)在用户与商家间交互次数不太多时，本发明模型与Travos模型和E-FIRE模型的性能差异不大，在非常恶意情形时，Travos模型的整体效果稍好。
[0125] 以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。
[0126] 因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种智能的农产品移动商务平台的设计 | 2020-05-12 | 327 |
| 基于移动交易序列模式的用户行为模式增益挖掘方法 | 2020-05-13 | 945 |
| 影片内容整合系统及其方法 | 2020-05-11 | 972 |
| 一种基于分销网络管理系统架构关键的技术实现 | 2020-05-13 | 441 |
| 一种移动商务用物流装置 | 2020-05-08 | 630 |
| SYSTEM AND METHOD OF SELLING GOODS OR SERVICES, OR COLLECTING RECYCLE REFUSE USING MECHANIZED MOBILE MERCHANTRY | 2020-05-18 | 717 |
| INTELLIGENT SYSTEM AND METHOD OF PAYMENT, FINANCE, AND SOCIAL COMMERCE | 2020-05-14 | 404 |
| 모바일 명함관리를 이용한 서비스 제공 방법 | 2020-05-15 | 613 |
| 모바일 커머스 서비스 장치, 초음파 송수신 장치를 이용한 모바일 커머스 서비스 방법 및 컴퓨터 프로그램이 기록된 기록매체 | 2020-05-16 | 86 |
| 모바일 커머스 서비스 장치, 초음파 송수신 장치를 이용한 모바일 커머스 서비스 방법 및 컴퓨터 프로그램이 기록된 기록매체 | 2020-05-17 | 823 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
移动商务热门专利
QQ群二维码
意见反馈
意见反馈