本發(fā)明屬于網(wǎng)絡(luò)服務(wù)選擇技術(shù)領(lǐng)域，特別涉及一種基于聲譽(yù)記錄分析的服務(wù)推薦者發(fā)現(xiàn)方法。

背景技術(shù)：

在云環(huán)境中，各種資源被動(dòng)態(tài)地連接到internet上，通過(guò)internet提供服務(wù)。然而用戶在使用服務(wù)之前無(wú)法判斷服務(wù)的質(zhì)量及其可靠性、可信性，需要服務(wù)推薦者對(duì)服務(wù)進(jìn)行推薦。因此，服務(wù)推薦者可信是保證服務(wù)推薦信息可用及有效的關(guān)鍵?；趨f(xié)同推薦機(jī)制的服務(wù)推薦已經(jīng)取得大量研究成果。kim等將服務(wù)運(yùn)行結(jié)果的反饋由一個(gè)全局的權(quán)威中心存儲(chǔ)和管理，并根據(jù)交易過(guò)程的相關(guān)因素提出一種較靈活的信任評(píng)估方法。ma等提出一個(gè)服務(wù)評(píng)價(jià)收集機(jī)制，服務(wù)交互信息交由一個(gè)絕對(duì)可信的第三方節(jié)點(diǎn)管理，并負(fù)責(zé)進(jìn)行服務(wù)的信任評(píng)估。tang等定義用戶對(duì)推薦者的信任程度作為推薦信息的權(quán)重，通過(guò)相關(guān)因子加權(quán)得到關(guān)于服務(wù)的推薦度。王剛等通過(guò)組建信任網(wǎng)絡(luò)，根據(jù)連接關(guān)系傳遞和共享服務(wù)推薦信息，并依據(jù)鏈路長(zhǎng)度給推薦者賦予權(quán)重。park等將交易相關(guān)特征和服務(wù)反饋融合到信任評(píng)估模型中，通過(guò)加入時(shí)間衰減和事件影響因子，在服務(wù)交互反饋的基礎(chǔ)上計(jì)算服務(wù)信任度，提高了算法抵抗惡意節(jié)點(diǎn)的能力。潘靜等提出一種基于聲譽(yù)的推薦者發(fā)現(xiàn)方法，通過(guò)相關(guān)因子來(lái)度量推薦信任關(guān)系，通過(guò)信任的傳遞和迭代計(jì)算出推薦者聲譽(yù)值，選取高聲譽(yù)值的推薦者進(jìn)行服務(wù)推薦度計(jì)算。甘早斌等提出一種基于聲譽(yù)的多維度信任算法，設(shè)定自信因子將直接信任和推薦信任進(jìn)行綜合，并將交易評(píng)價(jià)體系和權(quán)重體系引入多維度機(jī)制，增強(qiáng)了信任算法的敏感性。jeffrey等首次提出領(lǐng)域相關(guān)模型tbm在不同的領(lǐng)域中評(píng)估用戶聲譽(yù)，結(jié)合真實(shí)數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證，相比于其他聲譽(yù)算法更加有效和強(qiáng)健。

分析現(xiàn)有的協(xié)同推薦機(jī)制，可以發(fā)現(xiàn)其主要思路是通過(guò)收集和整理推薦者對(duì)服務(wù)的使用評(píng)價(jià)，保證用戶在進(jìn)行服務(wù)選取時(shí)有足夠多的較為權(quán)威的推薦意見(jiàn)來(lái)幫助決策。目前協(xié)同推薦機(jī)制可以分為兩種，一種是集中式的協(xié)同推薦機(jī)制，由具有權(quán)威性的節(jié)點(diǎn)來(lái)集中管理網(wǎng)絡(luò)中主體對(duì)服務(wù)使用的反饋經(jīng)驗(yàn)，通過(guò)合并使用經(jīng)驗(yàn)得到目標(biāo)服務(wù)的信任評(píng)估值或推薦度，以此為用戶提供服務(wù)選取的建議。這種機(jī)制架構(gòu)簡(jiǎn)單，易于開(kāi)發(fā)實(shí)現(xiàn)，但存在單點(diǎn)故障的問(wèn)題。另一種是分布式的協(xié)同推薦機(jī)制，節(jié)點(diǎn)之間通過(guò)信任關(guān)系或者交互關(guān)系而組成網(wǎng)絡(luò)進(jìn)行推薦信息共享，將所有的推薦信息收集后再依照某種算法進(jìn)行加權(quán)計(jì)算，得到目標(biāo)服務(wù)的信任評(píng)估值或推薦度。分布式的協(xié)同推薦機(jī)制中沒(méi)有權(quán)威節(jié)點(diǎn)對(duì)用戶主體進(jìn)行管理，不能保證其推薦信息的可靠性與可信性，而且開(kāi)放性、動(dòng)態(tài)性的特征使得系統(tǒng)中主體可以自由的加入或離開(kāi)，對(duì)推薦信息的可達(dá)性、有效性都有影響。通過(guò)分析現(xiàn)有的推薦系統(tǒng)，發(fā)現(xiàn)現(xiàn)有系統(tǒng)在考慮推薦者信任度方面還存在很多問(wèn)題，大部分系統(tǒng)都將推薦者與用戶的評(píng)分相似度作為衡量推薦者信任度的標(biāo)準(zhǔn)，具有很大的局限性和誤差，基于推薦者聲譽(yù)的推薦系統(tǒng)大多使用用戶交互數(shù)量的加權(quán)綜合、相鄰節(jié)點(diǎn)評(píng)價(jià)的加權(quán)擬合或通過(guò)在鄰接圖上使用pagerank算法來(lái)計(jì)算推薦者的聲譽(yù)，這些方法雖然具有一定的可行性與有效性，但其在計(jì)算聲譽(yù)值時(shí)考慮不全面，沒(méi)能將關(guān)于推薦者聲譽(yù)的各方面信息都納入計(jì)算。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于聲譽(yù)記錄分析的服務(wù)推薦者發(fā)現(xiàn)方法，充分利用現(xiàn)有數(shù)據(jù)，通過(guò)計(jì)算推薦聲譽(yù)，并對(duì)推薦聲譽(yù)進(jìn)行分析和預(yù)測(cè)，確定推薦信任源，提高可信推薦者選取的準(zhǔn)確性，有效增加抵抗惡意推薦者能力。

按照本發(fā)明所提供的設(shè)計(jì)方案，一種基于聲譽(yù)記錄分析的服務(wù)推薦者發(fā)現(xiàn)方法，服務(wù)系統(tǒng)中實(shí)體包含主體和服務(wù)，主體包含目標(biāo)用戶和服務(wù)推薦者，設(shè)定每個(gè)主體在本地存放歷史交互記錄和個(gè)人信任信息，歷史交互記錄包含歷史推薦者交互記錄及歷史服務(wù)交互經(jīng)驗(yàn)庫(kù)，個(gè)人信任信息包含主體對(duì)服務(wù)個(gè)性化偏好描述和個(gè)人聲譽(yù)記錄，該方法包含如下步驟：

步驟1、目標(biāo)用戶發(fā)布服務(wù)，根據(jù)該發(fā)布服務(wù)交易記錄獲取使用過(guò)該發(fā)布服務(wù)的所有用戶，形成推薦者集合；

步驟2、根據(jù)推薦者集合中的推薦者與目標(biāo)用戶之間的偏好相似度，對(duì)推薦者集合中的用戶進(jìn)行篩選，得到推薦者初始集；

步驟3、根據(jù)推薦記錄對(duì)推薦者初始集中的用戶進(jìn)行篩選，形成推薦者候選集；

步驟4、計(jì)算推薦聲譽(yù)，將其加入到推薦者聲譽(yù)記錄中；

步驟5、對(duì)推薦者聲譽(yù)記錄進(jìn)行預(yù)測(cè)，根據(jù)預(yù)設(shè)過(guò)濾條件，對(duì)推薦者候選集進(jìn)行過(guò)濾，獲取推薦者信任源；

步驟6、計(jì)算服務(wù)推薦度，根據(jù)用戶選擇服務(wù)的交互結(jié)果更新推薦者聲譽(yù)。

上述的，歷史推薦者交互記錄存放目標(biāo)用戶與服務(wù)推薦者交互數(shù)據(jù)，至少包含目標(biāo)用戶與歷史服務(wù)推薦者交互次數(shù)、響應(yīng)次數(shù)、交互滿意次數(shù)、交互不滿意次數(shù)及推薦服務(wù)交易金額；歷史服務(wù)交互經(jīng)驗(yàn)庫(kù)存放主體與服務(wù)間交互信息，至少包含交互時(shí)間、交互金額、服務(wù)屬性滿意度評(píng)價(jià)、服務(wù)總體評(píng)價(jià)；主體對(duì)服務(wù)個(gè)性化偏好描述通過(guò)用戶的偏好相似度高低對(duì)服務(wù)進(jìn)行選擇和評(píng)估；個(gè)人聲譽(yù)記錄用來(lái)記錄主體聲譽(yù)值隨時(shí)間變化情況。

上述的，所述的步驟1中獲取使用過(guò)該發(fā)布服務(wù)的所有用戶，通過(guò)設(shè)定時(shí)間窗口[ts,tc]，交易記錄尋找在時(shí)間窗口中與其有過(guò)交易的歷史用戶，組成推薦者集合，記為uinit＝{u1,u2…um}，其中，ts為當(dāng)前時(shí)刻，tc為截止時(shí)刻。

優(yōu)選的，所述的步驟2中偏好相似度采用余弦相似度進(jìn)行計(jì)算，用戶ua對(duì)服務(wù)屬性的偏好向量為wa＝(wa1,wa2…wal)，推薦者ui對(duì)服務(wù)屬性的偏好向量為wi＝(wi1,wi2…wil)，其中，則用戶ua與推薦者ui間偏好相似度simp(ua,ui)的計(jì)算公式表示如下：

優(yōu)選的，所述的步驟2包含如下內(nèi)容：

步驟21、分別計(jì)算推薦者集合中每個(gè)推薦者與目標(biāo)用戶之間的偏好相似度；

步驟22、通過(guò)將計(jì)算得到的偏好相似度與預(yù)先設(shè)定偏好相似度閾值進(jìn)行比對(duì)，將偏好相似度低于預(yù)先設(shè)定偏好相似度閾值的推薦者從推薦者集合中移除；

步驟23、通過(guò)篩選得到推薦者初始集。

上述的，所述的步驟3包含如下內(nèi)容：

步驟31、分別計(jì)算推薦者初始集中推薦者的領(lǐng)域相關(guān)度、推薦響應(yīng)率及推薦滿意率；

步驟32、設(shè)定推薦響應(yīng)率、推薦滿意率及領(lǐng)域相關(guān)度接受閾值，針對(duì)推薦者初始集中的所有推薦者，通過(guò)接受閾值進(jìn)行篩選，將低于接受閾值的推薦者從推薦者初始集中移除；

步驟33、通過(guò)篩選得到推薦者候選集。

優(yōu)選的，所述的步驟31中：領(lǐng)域相關(guān)度通過(guò)推薦者與服務(wù)領(lǐng)域交互次數(shù)的函數(shù)量化得到，表示為：其中，n為推薦者與某類服務(wù)的交互次數(shù)；推薦者初始集uinit＝{u1,u2…um}，設(shè)推薦者初始集中的推薦者ui有推薦歷史記錄ri，記為ri＝{rti,rbi,rsi,rui}，其中，rti表示收到的推薦請(qǐng)求集合，rbi表示推薦請(qǐng)求響應(yīng)集合，rsi表示推薦反饋滿意集合，rui表示推薦反饋不滿意集合，則根據(jù)貝努里大數(shù)定律，推薦響應(yīng)率rri←num(rbi)/num(rti)，推薦滿意率rsi←num(rsi)/num(rbi)。

優(yōu)選的，步驟4中的推薦聲譽(yù)計(jì)算公式表示為：

其中，ρ為懲罰因子；φ(mij)為推薦歷史記錄的交易金額影響因子，表示為φ(mij)＝exp(-1/mij)，mij表示推薦者ui第j次推薦的交易金額；ψ(tj)為推薦歷史記錄的時(shí)間衰減因子，表示為t0表示當(dāng)前時(shí)刻，tj表示第j次推薦的發(fā)生時(shí)刻，t為間隔周期。

優(yōu)選的，步驟5中，根據(jù)推薦者聲譽(yù)記錄，通過(guò)聲譽(yù)記錄折線圖計(jì)算優(yōu)秀聲譽(yù)，優(yōu)秀聲譽(yù)計(jì)算公式表示為：其中，sk為偏度系數(shù)，ku為峰度系數(shù)，ex和為聲譽(yù)記錄的期望，n為聲譽(yù)記錄數(shù)據(jù)個(gè)數(shù)，σ²為聲譽(yù)記錄的方差，λ為權(quán)重初始值；選擇rbi計(jì)算值最高的前k個(gè)推薦者作為推薦信任源。

優(yōu)選的，步驟6包含如下內(nèi)容：服務(wù)st的推薦度計(jì)算公式表示為：satt,i為推薦者ui對(duì)服務(wù)st的滿意度，eset為推薦信任源集合；發(fā)起服務(wù)選取的用戶根據(jù)服務(wù)推薦度對(duì)候選服務(wù)排序，選取推薦度最高的服務(wù)進(jìn)行交互，根據(jù)交互后的服務(wù)滿意度評(píng)價(jià)更新推薦者推薦記錄。

本發(fā)明的有益效果：

本發(fā)明引入用戶偏好相似度對(duì)服務(wù)推薦者進(jìn)行過(guò)濾，得到推薦者初始集，然后通過(guò)計(jì)算推薦者的領(lǐng)域相關(guān)度、推薦響應(yīng)率和推薦滿意率得到推薦者候選集，最后計(jì)算推薦者的聲譽(yù)值，通過(guò)歷史聲譽(yù)分析與預(yù)測(cè)方法確定推薦信任源。將推薦信息合成，幫助服務(wù)推薦信息請(qǐng)求者挑選最可靠的服務(wù)；很好的利用現(xiàn)有的用戶交互數(shù)據(jù)，減少信息收集開(kāi)銷，提高服務(wù)信任評(píng)估效率，提高尋找服務(wù)推薦者的準(zhǔn)確率，進(jìn)而提高用戶選取優(yōu)質(zhì)服務(wù)的準(zhǔn)確率；在傳統(tǒng)的基于時(shí)間金額加權(quán)的聲譽(yù)值計(jì)算方法的基礎(chǔ)上，加入推薦響應(yīng)率、領(lǐng)域相關(guān)度和懲罰因子，激勵(lì)推薦者積極提供推薦信息并懲罰惡意推薦者，提高了推薦者聲譽(yù)計(jì)算的準(zhǔn)確性和抗惡意攻擊能力；通過(guò)繪制聲譽(yù)折線圖，結(jié)合定域、傾向改變、偏度系數(shù)和峰度系數(shù)等參數(shù)，對(duì)聲譽(yù)記錄進(jìn)行分析和預(yù)測(cè)，不但提高了可信推薦者選取的準(zhǔn)確性，更加增加了抵抗惡意推薦者的能力。

附圖說(shuō)明：

圖1為本發(fā)明的方法流程示意圖；

圖2為實(shí)施例中推薦者聲譽(yù)折線示意圖；

圖3為仿真實(shí)驗(yàn)中服務(wù)平均滿意度對(duì)比示意圖；

圖4為仿真實(shí)驗(yàn)中低質(zhì)量服務(wù)選中率示意圖；

圖5為仿真實(shí)驗(yàn)中惡意推薦者在選中推薦者中的比例示意圖。

具體實(shí)施方式：

協(xié)同推薦：根據(jù)用戶的行為與其他用戶的行為(評(píng)分、評(píng)論、購(gòu)買歷史、瀏覽次數(shù)等)的比較，找出最相似的鄰居，根據(jù)與之最相似的鄰居的興趣或者偏好，預(yù)測(cè)出該用戶的興趣或偏好，以幫助進(jìn)行決策。歷史推薦者交互記錄：主要存放主體與服務(wù)推薦者的交互數(shù)據(jù)，包括與歷史推薦者交互次數(shù)、響應(yīng)次數(shù)、交互滿意次數(shù)與不滿意次數(shù)以及每次推薦的服務(wù)的交易金額等服務(wù)信息，用于推薦者的推薦響應(yīng)率和推薦滿意率的計(jì)算。歷史服務(wù)交互經(jīng)驗(yàn)庫(kù)：主要存放主體與服務(wù)間的交互信息，包括交互時(shí)間、金額、服務(wù)屬性滿意度評(píng)價(jià)、服務(wù)總體評(píng)價(jià)等信息。用于計(jì)算對(duì)服務(wù)的推薦度和主體聲譽(yù)的計(jì)算。個(gè)人信任信息：包括主體對(duì)服務(wù)個(gè)性化偏好描述和個(gè)人聲譽(yù)記錄。服務(wù)滿意度：是指主體根據(jù)自身主觀偏好對(duì)所使用服務(wù)的表現(xiàn)做出的主觀評(píng)價(jià)，這里是用戶主體綜合服務(wù)各方面表現(xiàn)給出的滿意度評(píng)價(jià)值，主要用于更新推薦者的推薦結(jié)果和更新用戶與服務(wù)的交互記錄，計(jì)算用戶對(duì)服務(wù)的推薦度。推薦信任度：信任是指一個(gè)主體對(duì)另一個(gè)主體的行為和言語(yǔ)或其具有完成某項(xiàng)任務(wù)能力的相信程度。推薦信任度指的是推薦信息請(qǐng)求者對(duì)推薦者推薦行為的相信程度，用于篩選具有高可信度的推薦者和計(jì)算推薦者的聲譽(yù)。推薦者聲譽(yù)rt：聲譽(yù)是指一個(gè)主體在一個(gè)群體中被所有主體認(rèn)可的程度，推薦者聲譽(yù)是指一個(gè)主體的推薦行為被一個(gè)群體的認(rèn)可程度。推薦響應(yīng)率rr：是指推薦者響應(yīng)推薦請(qǐng)求信息的次數(shù)在收到的推薦請(qǐng)求信息的總數(shù)中的比例。用來(lái)衡量推薦者在系統(tǒng)中的參與度，同時(shí)也可以過(guò)濾壞節(jié)點(diǎn)或者已棄用的節(jié)點(diǎn)。推薦滿意率rs：是指用戶使用推薦者推薦的服務(wù)后給出滿意反饋的次數(shù)在推薦者所有推薦次數(shù)中的比例。用來(lái)表征推薦者推薦質(zhì)量同時(shí)也用來(lái)計(jì)算推薦者聲譽(yù)值。領(lǐng)域相關(guān)度：是指推薦者與目標(biāo)服務(wù)所屬的領(lǐng)域的相關(guān)程度，推薦用戶的領(lǐng)域相關(guān)度表示推薦用戶對(duì)某類服務(wù)的了解和關(guān)注程度，相關(guān)程度越高，推薦者的推薦越有價(jià)值。推薦響應(yīng)率：是指推薦者對(duì)于推薦信息請(qǐng)求的響應(yīng)表現(xiàn)，由于推薦者主觀因素或者網(wǎng)絡(luò)阻塞等原因，推薦信息請(qǐng)求可能無(wú)法得到響應(yīng)。推薦滿意率：表示用戶對(duì)于推薦者的推薦的滿意程度的統(tǒng)計(jì)量。推薦者聲譽(yù)：是根據(jù)用戶間推薦交互歷史形成的信任關(guān)系的傳遞和匯總，它是主體群對(duì)某個(gè)主體推薦能力和信任程度的共識(shí)。

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚、明白，下面結(jié)合附圖和技術(shù)方案對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。

云環(huán)境下服務(wù)系統(tǒng)中實(shí)體可以分為兩大類：主體，指用戶，即是服務(wù)使用者也是服務(wù)推薦者；服務(wù)，分布在云環(huán)境下的服務(wù)。主體使用服務(wù)并評(píng)價(jià)服務(wù)運(yùn)行結(jié)果，主體之間通過(guò)分享關(guān)于服務(wù)使用的經(jīng)驗(yàn)信息，形成推薦關(guān)系。

本實(shí)施例設(shè)定每個(gè)主體在本地存放歷史交互記錄以及個(gè)人信任信息。歷史交互記錄包括歷史推薦者交互記錄與歷史服務(wù)交互經(jīng)驗(yàn)庫(kù)。個(gè)人信任信息包括主體對(duì)服務(wù)個(gè)性化偏好描述和個(gè)人聲譽(yù)記錄。

基于上述應(yīng)用需求，為解決現(xiàn)有服務(wù)推薦者可信評(píng)估問(wèn)題，本實(shí)施例提供一種基于聲譽(yù)記錄分析的服務(wù)推薦者發(fā)現(xiàn)方法，參見(jiàn)圖1所示，包含如下步驟：

步驟101、目標(biāo)用戶發(fā)布服務(wù)，根據(jù)該發(fā)布服務(wù)交易記錄獲取使用過(guò)該發(fā)布服務(wù)的所有用戶，形成推薦者集合；

步驟102、根據(jù)推薦者集合中的推薦者與目標(biāo)用戶之間的偏好相似度，對(duì)推薦者集合中的用戶進(jìn)行篩選，得到推薦者初始集；

步驟103、根據(jù)推薦記錄對(duì)推薦者初始集中的用戶進(jìn)行篩選，形成推薦者候選集；

步驟104、計(jì)算推薦聲譽(yù)，將其加入到推薦者聲譽(yù)記錄中；

步驟105、對(duì)推薦者聲譽(yù)記錄進(jìn)行預(yù)測(cè)，根據(jù)預(yù)設(shè)過(guò)濾條件，對(duì)推薦者候選集進(jìn)行過(guò)濾，獲取推薦者信任源；

步驟106、計(jì)算服務(wù)推薦度，根據(jù)用戶選擇服務(wù)的交互結(jié)果更新推薦者聲譽(yù)。

充分利用現(xiàn)有用戶交互數(shù)據(jù)，減少信息收集開(kāi)銷，提高服務(wù)信任評(píng)估效率，提高尋找服務(wù)推薦者的準(zhǔn)確率，進(jìn)而提高用戶選取優(yōu)質(zhì)服務(wù)的準(zhǔn)確率。

在本發(fā)明的另一個(gè)實(shí)施例中，歷史推薦者交互記錄主要存放主體與服務(wù)推薦者的交互數(shù)據(jù)，包括與歷史推薦者交互次數(shù)、響應(yīng)次數(shù)、交互滿意次數(shù)與不滿意次數(shù)以及每次推薦的服務(wù)的交易金額等服務(wù)信息，用于推薦者的推薦響應(yīng)率和推薦滿意率的計(jì)算。歷史服務(wù)交互經(jīng)驗(yàn)庫(kù)主要存放主體與服務(wù)間的交互信息，包括交互時(shí)間、金額、服務(wù)屬性滿意度評(píng)價(jià)、服務(wù)總體評(píng)價(jià)等信息。用于計(jì)算對(duì)服務(wù)的推薦度和主體聲譽(yù)的計(jì)算。由于每個(gè)用戶在選擇和評(píng)估服務(wù)時(shí)都具有個(gè)性化的偏好選擇需求，偏好相似度高的用戶對(duì)服務(wù)的評(píng)判標(biāo)準(zhǔn)較為相近。在進(jìn)行服務(wù)推薦信任源選取時(shí)更具有可信度。個(gè)人聲譽(yù)記錄用來(lái)記錄主體聲譽(yù)值在系統(tǒng)中隨時(shí)間的變化情況，通過(guò)對(duì)主體聲譽(yù)值的分析與預(yù)測(cè)，以此來(lái)確定推薦信任源。

計(jì)算與使用的指標(biāo)與相關(guān)參數(shù)定義如下：1、服務(wù)滿意度是指主體根據(jù)自身主觀偏好對(duì)所使用服務(wù)的表現(xiàn)做出的主觀評(píng)價(jià)，這里是用戶主體綜合服務(wù)各方面表現(xiàn)給出的滿意度評(píng)價(jià)值，主要用于更新推薦者的推薦結(jié)果和更新用戶與服務(wù)的交互記錄，計(jì)算用戶對(duì)服務(wù)的推薦度。2、推薦信任度是指一個(gè)主體對(duì)另一個(gè)主體的行為和言語(yǔ)或其具有完成某項(xiàng)任務(wù)能力的相信程度。推薦信任度指的是推薦信息請(qǐng)求者對(duì)推薦者推薦行為的相信程度，用于篩選具有高可信度的推薦者和計(jì)算推薦者的聲譽(yù)。3、推薦者聲譽(yù)rt是指一個(gè)主體在一個(gè)群體中被所有主體認(rèn)可的程度，推薦者聲譽(yù)是指一個(gè)主體的推薦行為被一個(gè)群體的認(rèn)可程度。4、推薦響應(yīng)率rr是指推薦者響應(yīng)推薦請(qǐng)求信息的次數(shù)在收到的推薦請(qǐng)求信息的總數(shù)中的比例。用來(lái)衡量推薦者在系統(tǒng)中的參與度，同時(shí)也可以過(guò)濾壞節(jié)點(diǎn)或者已棄用的節(jié)點(diǎn)。5、推薦滿意率rs是指用戶使用推薦者推薦的服務(wù)后給出滿意反饋的次數(shù)在推薦者所有推薦次數(shù)中的比例。用來(lái)表征推薦者推薦質(zhì)量同時(shí)也用來(lái)計(jì)算推薦者聲譽(yù)值。

用戶與服務(wù)的交易記錄的參考價(jià)值會(huì)隨著時(shí)間的增長(zhǎng)而逐漸降低，距離當(dāng)前時(shí)刻太遠(yuǎn)的交易記錄已經(jīng)不具有參考價(jià)值，應(yīng)不予考慮，本發(fā)明的另一個(gè)實(shí)施例中，步驟101中獲取使用過(guò)該發(fā)布服務(wù)的所有用戶，通過(guò)設(shè)定時(shí)間窗口[ts,tc]，交易記錄尋找在時(shí)間窗口中與其有過(guò)交易的歷史用戶，組成推薦者集合，記為uinit＝{u1,u2…um}，其中，ts為當(dāng)前時(shí)刻，tc為截止時(shí)刻。

服務(wù)具有眾多屬性，而不同的用戶由于對(duì)服務(wù)的使用期望不同，使用環(huán)境不同，因此對(duì)服務(wù)的屬性具有不同的偏好，對(duì)于同一服務(wù)不同用戶可能給出不同的推薦度，如果在推薦系統(tǒng)中無(wú)差別的采納推薦者的推薦，將很難計(jì)算出針對(duì)目標(biāo)用戶具有高推薦度的服務(wù)。因此，用戶間對(duì)服務(wù)的特征屬性的評(píng)價(jià)指標(biāo)權(quán)重的相似度是選取推薦者的一個(gè)重要衡量標(biāo)準(zhǔn)。在本發(fā)明的再一實(shí)施例中，設(shè)推薦信息請(qǐng)求者ua在系統(tǒng)中請(qǐng)求服務(wù)sb的推薦信任度，系統(tǒng)中每個(gè)服務(wù)都包含l個(gè)屬性{f1,f2…fl}，用戶ua對(duì)服務(wù)屬性的偏好向量為wa＝(wa1,wa2…wal)，系統(tǒng)中推薦者ui對(duì)服務(wù)屬性的偏好向量為wi＝(wi1,wi2…wil)，其中由于偏好向量的各分量的量綱、數(shù)量級(jí)以及指標(biāo)優(yōu)劣的取向均相同，采用余弦相似度計(jì)算出偏好向量間的相似程度，從而較為準(zhǔn)確的找到偏好相近的推薦者，用戶ua與推薦者ui間偏好相似度simp(ua,ui)的計(jì)算公式表示如下：

根據(jù)服務(wù)的交易記錄尋找在時(shí)間窗口中與其有過(guò)交易歷史的用戶，組成推薦者集合，本發(fā)明另一個(gè)實(shí)施例中，步驟102包含如下內(nèi)容：

步驟21、分別計(jì)算推薦者集合中每個(gè)推薦者與目標(biāo)用戶之間的偏好相似度；

步驟22、通過(guò)將計(jì)算得到的偏好相似度與預(yù)先設(shè)定偏好相似度閾值進(jìn)行比對(duì)，將偏好相似度低于預(yù)先設(shè)定偏好相似度閾值的推薦者從推薦者集合中移除；

步驟23、通過(guò)篩選得到推薦者初始集。

推薦者的推薦歷史記錄可以很好的反映其推薦能力和推薦可信度，本發(fā)明的另一個(gè)實(shí)施例中，步驟103包含如下內(nèi)容：

步驟31、分別計(jì)算推薦者初始集中推薦者的領(lǐng)域相關(guān)度、推薦響應(yīng)率及推薦滿意率；

步驟32、設(shè)定推薦響應(yīng)率、推薦滿意率及領(lǐng)域相關(guān)度接受閾值，針對(duì)推薦者初始集中的所有推薦者，通過(guò)接受閾值進(jìn)行篩選，將低于接受閾值的推薦者從推薦者初始集中移除；

步驟33、通過(guò)篩選得到推薦者候選集。

通過(guò)設(shè)定領(lǐng)域相關(guān)度、推薦響應(yīng)率和推薦滿意率從不同方向反應(yīng)推薦者的表現(xiàn)情況，進(jìn)一步保障可信推薦者選取的準(zhǔn)確性。

本發(fā)明的另一實(shí)施例中，步驟31中，a)領(lǐng)域相關(guān)度指推薦者與目標(biāo)服務(wù)所屬的領(lǐng)域的相關(guān)程度，推薦用戶的領(lǐng)域相關(guān)度表示推薦用戶對(duì)某類服務(wù)的了解和關(guān)注程度，相關(guān)程度越高，推薦者的推薦越有價(jià)值；通過(guò)推薦者與某個(gè)領(lǐng)域服務(wù)的交互次數(shù)的函數(shù)來(lái)量化領(lǐng)域相關(guān)性，即其中n為推薦者與某類服務(wù)的交互次數(shù)。b)推薦響應(yīng)率指推薦者對(duì)于推薦信息請(qǐng)求的響應(yīng)表現(xiàn)，由于推薦者主觀因素或者網(wǎng)絡(luò)阻塞等原因，推薦信息請(qǐng)求可能無(wú)法得到響應(yīng)。推薦滿意率表示用戶對(duì)于推薦者的推薦的滿意程度的統(tǒng)計(jì)量。推薦信息請(qǐng)求者在n次請(qǐng)求之后根據(jù)獲得信息量對(duì)推薦者進(jìn)推薦響應(yīng)率和滿意率的預(yù)測(cè)，符合n重貝努里(bernoulli)隨機(jī)實(shí)驗(yàn)?zāi)Ｐ汀Ｍ扑]者初始集uinit＝{u1,u2…um}，設(shè)初始集中的推薦者ui有推薦歷史記錄ri，記為ri＝{rti,rbi,rsi,rui}，其中，rti表示收到的推薦請(qǐng)求集合，rbi表示推薦請(qǐng)求響應(yīng)集合，rsi表示推薦反饋滿意集合，rui表示推薦反饋不滿意集合。根據(jù)貝努里大數(shù)定律，推薦響應(yīng)率隨著請(qǐng)求rti數(shù)量的增大將依照概率收斂于推薦響應(yīng)的概率，即rri←num(rbi)/num(rti)；推薦滿意率隨著響應(yīng)rbi數(shù)量的增加將收斂于推薦滿意的概率，即rsi←num(rsi)/num(rbi)。

設(shè)定推薦響應(yīng)率、推薦滿意率和領(lǐng)域相關(guān)度接受閾值，針對(duì)推薦者初始集uinit＝{u1,u2…um}中的所有推薦者，根據(jù)閾值進(jìn)行推薦者篩選，將低于閾值的推薦者從初始集中移除。滿足要求的推薦者組成推薦者候選集ucamd＝{u1,u2…un}。通過(guò)設(shè)定閾值大小調(diào)整推薦者候選集的規(guī)模，以適應(yīng)新進(jìn)入網(wǎng)絡(luò)的服務(wù)或主體因缺少交互而具有較少的歷史用戶或可信推薦者，增加計(jì)算靈活性。

推薦者聲譽(yù)是根據(jù)用戶間推薦交互歷史形成的信任關(guān)系的傳遞和匯總，它是主體群對(duì)某個(gè)主體推薦能力和信任程度的共識(shí)，推薦的有效性與推薦者的行為特性相關(guān)，如合謀欺騙和惡意推薦等。由于個(gè)人交互經(jīng)驗(yàn)的有限性，通常會(huì)因?yàn)榕c服務(wù)和推薦者的交互次數(shù)不多或者信任度不夠等原因?qū)е抡`判，但通過(guò)主體群的力量來(lái)衡量某個(gè)推薦者的聲譽(yù)可以對(duì)推薦信息源進(jìn)行過(guò)濾，減少惡意推薦信息的影響。優(yōu)選的，本發(fā)明的又一實(shí)施例中，步驟104中的推薦聲譽(yù)計(jì)算公式表示為：

其中，ρ為懲罰因子；φ(mij)為推薦歷史記錄的交易金額影響因子，表示為φ(mij)＝exp(-1/mij)，mij表示推薦者ui第j次推薦的交易金額；ψ(tj)為推薦歷史記錄的時(shí)間衰減因子，表示為，t0表示當(dāng)前時(shí)刻，tj表示第j次推薦的發(fā)生時(shí)刻，t為間隔周期。

懲罰因子ρ表示對(duì)推薦者給予不真實(shí)推薦的懲罰，根據(jù)信任的脆弱性，較高信任度的推薦者出現(xiàn)不真實(shí)推薦行為后，其信任度將大幅下降。非誠(chéng)信推薦者可能通過(guò)大量小額誠(chéng)信交易推薦賺取較高的聲譽(yù)，從而進(jìn)行大額度的推薦欺騙。為防止利用誠(chéng)信小額交易推薦進(jìn)行大額交易的惡意推薦，本發(fā)明在計(jì)算推薦信任度時(shí)引入交易金額影響因子φ(mij)，使交易金額越大的推薦交互記錄對(duì)推薦信任度計(jì)算貢獻(xiàn)越大，反之則越小。推薦者的推薦歷史記錄的參考價(jià)值會(huì)隨著時(shí)間的增加而減弱，因此設(shè)定參考記錄的時(shí)間衰減因子ψ(tj)，距離當(dāng)前時(shí)刻越近的推薦記錄對(duì)推薦信任度計(jì)算貢獻(xiàn)越大，反之則越小，距離本次交互時(shí)刻越近的推薦記錄對(duì)聲譽(yù)的影響越大。現(xiàn)有推薦者ui推薦歷史記錄，記為ri＝{rti,rbi,rsi,rui}。其中rti表示收到的推薦請(qǐng)求集合，rbi表示推薦請(qǐng)求響應(yīng)集合，rsi表示推薦反饋滿意集合，rui表示推薦反饋不滿意集合。是根據(jù)推薦反饋滿意記錄計(jì)算得出的加權(quán)推薦滿意度，推薦者的滿意度越高表明其推薦的服務(wù)更可靠，推薦者聲譽(yù)越高。是根據(jù)推薦反饋不滿意記錄計(jì)算得出的加權(quán)推薦不滿意度。表示對(duì)推薦者不真實(shí)推薦的懲罰，懲罰因子ρ可以根據(jù)具體情況設(shè)定值的大小，通過(guò)添加懲罰因子，增加推薦者聲譽(yù)計(jì)算的敏感性，使得當(dāng)推薦者出現(xiàn)不真實(shí)推薦時(shí)，其聲譽(yù)會(huì)有較大幅度下降。同時(shí)為懲罰因子添加時(shí)間和金額加權(quán)，距離當(dāng)前時(shí)刻越久懲罰越小，保證推薦者的聲譽(yù)可以依靠滿意的推薦交互逐漸提升。當(dāng)推薦者通過(guò)誠(chéng)信小額交易積累推薦信任度時(shí)，根據(jù)公式可知，由于小額交易的交易金額影響因子很小，因此對(duì)于推薦聲譽(yù)的增長(zhǎng)推動(dòng)很小，但當(dāng)推薦者進(jìn)行大額交易惡意推薦時(shí)，在計(jì)算加權(quán)推薦不滿意度時(shí)交易金額影響因子會(huì)比較大，因此推薦者的推薦聲譽(yù)會(huì)大幅度降低，以此來(lái)懲罰推薦者的惡意推薦行為，同時(shí)降低其推薦信任度，避免其他用戶采納其惡意推薦。

從用戶請(qǐng)求推薦信息的過(guò)程來(lái)看，其推薦信息來(lái)自于使用過(guò)目標(biāo)服務(wù)的主體。從另一方面來(lái)看，對(duì)推薦信息請(qǐng)求者來(lái)說(shuō)，只向推薦者集合中k個(gè)具有優(yōu)秀聲譽(yù)的推薦者請(qǐng)求推薦信息，而不考慮網(wǎng)絡(luò)之外的陌生推薦者的使用經(jīng)驗(yàn)，因?yàn)橄驘o(wú)從考查可靠性、可信性的信息源發(fā)送請(qǐng)求并接受推薦，可能會(huì)增加信息發(fā)送時(shí)間、資源消耗以及評(píng)估和決策的風(fēng)險(xiǎn)。從發(fā)起服務(wù)推薦信息請(qǐng)求的主體出發(fā)，通過(guò)推薦者之間的信任關(guān)系傳遞，獲得滿足要求的推薦者候選集。

傳統(tǒng)方法選取具有高聲譽(yù)的前k個(gè)推薦者作為服務(wù)的推薦信任源，然而推薦者聲譽(yù)是一個(gè)隨時(shí)間變化的動(dòng)態(tài)值，只通過(guò)判斷當(dāng)前時(shí)刻聲譽(yù)值的高低來(lái)確定推薦者的可信性具有一定的局限性，本發(fā)明的又一實(shí)施例，步驟105中，根據(jù)推薦者聲譽(yù)記錄，通過(guò)聲譽(yù)記錄折線圖計(jì)算優(yōu)秀聲譽(yù)，優(yōu)秀聲譽(yù)計(jì)算公式表示為：其中，sk為偏度系數(shù)，ku為峰度系數(shù)，ex和為聲譽(yù)記錄的期望，n為聲譽(yù)記錄數(shù)據(jù)個(gè)數(shù)，σ²為聲譽(yù)記錄的方差，λ為權(quán)重初始值；選擇rbi計(jì)算值最高的前k個(gè)推薦者作為推薦信任源。

方差σ²越大，說(shuō)明聲譽(yù)記錄波動(dòng)越大，推薦者聲譽(yù)穩(wěn)定性越差，因此在計(jì)算優(yōu)秀聲譽(yù)時(shí)給予當(dāng)前時(shí)刻聲譽(yù)值rti的權(quán)值應(yīng)該越小，給予期望ex的權(quán)值應(yīng)該越大，因?yàn)樵诼曌u(yù)記錄波動(dòng)性較大時(shí)，當(dāng)前時(shí)刻聲譽(yù)值rti對(duì)推薦者聲譽(yù)總體的代表性較弱，應(yīng)該更多的關(guān)注聲譽(yù)值期望。通過(guò)權(quán)重函數(shù)可以很好的根據(jù)方差動(dòng)態(tài)改變權(quán)重分配。偏度系數(shù)sk表示聲譽(yù)數(shù)據(jù)相對(duì)于期望ex的偏移程度，因此將sk經(jīng)過(guò)運(yùn)算后與期望ex結(jié)合，使得偏移系數(shù)sk越小時(shí)，計(jì)算結(jié)果越大。峰度系數(shù)ku代表聲譽(yù)數(shù)據(jù)的峰度，因此通過(guò)in(ku)²的形式實(shí)現(xiàn)峰度系數(shù)ku對(duì)優(yōu)秀聲譽(yù)rbi的調(diào)節(jié)。推薦者的優(yōu)秀聲譽(yù)rbi可以更加全面的描述推薦者的聲譽(yù)，因此可以選擇rbi計(jì)算值最高的前k個(gè)推薦者作為最終的推薦者，即推薦信任源。

折線統(tǒng)計(jì)圖不但可以表示出數(shù)量的多少，而且還能夠清楚的表示出數(shù)量增減變化的情況，直觀地反映變化情況以及各組之間差別。推薦者的聲譽(yù)記錄存儲(chǔ)在主體本地，通過(guò)設(shè)定時(shí)間間隔繪制聲譽(yù)折線圖，如圖2所示，選取時(shí)間間隔為12小時(shí)。

折線圖中有連續(xù)n個(gè)點(diǎn)持續(xù)升高或降低的情況叫做傾向改變，n是人為設(shè)定值。傾向改變狀態(tài)代表的是數(shù)據(jù)變化的趨勢(shì)，因此可以對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。如果推薦者聲譽(yù)記錄在當(dāng)前時(shí)刻處于傾向降低，則說(shuō)明其近期處于不誠(chéng)實(shí)推薦或者請(qǐng)求無(wú)響應(yīng)等非理想狀態(tài)，考慮將其移除推薦者候選集。通過(guò)設(shè)定傾向降低的時(shí)間閾值qt，將超過(guò)閾值的推薦者移除。例如設(shè)定qt為10個(gè)時(shí)間周期，圖2中第11個(gè)時(shí)間周期為當(dāng)前時(shí)刻，由圖可知推薦者u3在時(shí)間閾值qt內(nèi)一直處于傾向降低，說(shuō)明推薦者u3處于非正常狀態(tài)，將其從推薦者候選集中移除。

折線圖中有連續(xù)m個(gè)點(diǎn)處于設(shè)定界值dt上側(cè)或下側(cè)的情況叫做定域改變，m是人為設(shè)定值，代表數(shù)據(jù)長(zhǎng)時(shí)間大于或者小于設(shè)定界值dt。因此我們可以通過(guò)定域改變預(yù)測(cè)數(shù)據(jù)在下一階段的取值范圍。如果推薦者聲譽(yù)記錄在當(dāng)前時(shí)刻處于設(shè)定界值下側(cè)的定域改變狀態(tài)，其聲譽(yù)值穩(wěn)定在設(shè)定界值下側(cè)，說(shuō)明推薦者的推薦能力不強(qiáng)或者推薦可信性較低等導(dǎo)致其推薦聲譽(yù)長(zhǎng)時(shí)間偏低，可以考慮將其移除推薦者候選集。通過(guò)設(shè)定m值的大小，當(dāng)m足夠大時(shí)，表明推薦者聲譽(yù)穩(wěn)定在設(shè)定界值以下。例如：設(shè)定m為10，界值dt為0.5，圖2中第11個(gè)時(shí)間周期為當(dāng)前時(shí)刻，由圖可知推薦者u1在當(dāng)前時(shí)刻處于界值0.5下側(cè)的定域狀態(tài)，可以將其移除推薦者候選集；推薦者u2雖然當(dāng)前時(shí)刻聲譽(yù)值低于界值0.5，但其并未處于定域狀態(tài)，因此可以保留。

偏度(skewness)是統(tǒng)計(jì)數(shù)據(jù)分布偏斜方向和程度的度量，是統(tǒng)計(jì)數(shù)據(jù)分布非對(duì)稱程度的數(shù)字特征。當(dāng)數(shù)據(jù)分布關(guān)于均值(期望)左右對(duì)稱時(shí)，偏度系數(shù)為0。當(dāng)偏度系數(shù)大于0時(shí)，該分布為右偏態(tài)，此時(shí)大于均值的數(shù)據(jù)比小于均值的少。當(dāng)偏度系數(shù)小于0時(shí)，該分布為左偏態(tài)，此時(shí)小于均值的數(shù)據(jù)比大于均值的少。因此可以利用偏度系數(shù)對(duì)推薦者聲譽(yù)記錄進(jìn)行分析，當(dāng)兩個(gè)聲譽(yù)記錄的期望相同時(shí)，通過(guò)比較偏度系數(shù)可以找到更優(yōu)秀的聲譽(yù)記錄。通過(guò)偏度系數(shù)的特點(diǎn)可知，偏度系數(shù)越小，數(shù)據(jù)往大于期望的方向的偏移越大，大于期望的數(shù)據(jù)個(gè)數(shù)越多，表明用戶的聲譽(yù)數(shù)據(jù)更多的穩(wěn)定在大于期望的某個(gè)值。偏度系數(shù)較大時(shí)，則說(shuō)明用戶的聲譽(yù)數(shù)據(jù)大多小于期望值，依靠少量的高聲譽(yù)值將期望提高，表明其聲譽(yù)記錄并不穩(wěn)定且普遍低于期望值。因此，在相同期望的情況下，偏度越小，聲譽(yù)記錄越優(yōu)秀。本實(shí)施例中使用三階中心矩計(jì)量的偏度系數(shù)該偏度系數(shù)是用三階中心矩除以標(biāo)準(zhǔn)差的三次方來(lái)度量偏斜程度。

峰度(kurtosis)是用來(lái)反映頻數(shù)分布曲線頂端尖峭或扁平程度的指標(biāo)，其可以用來(lái)度量數(shù)據(jù)在中心聚集程度。有時(shí)兩組數(shù)據(jù)的期望、標(biāo)準(zhǔn)差和偏態(tài)系數(shù)相同，但他們分布曲線頂端的高聳程度卻不同。統(tǒng)計(jì)上使用四階中心距來(lái)測(cè)定峰度系數(shù)，因?yàn)榕茧A中心矩的大小與圖形分布的峰度有關(guān)，其中二階中心矩就是數(shù)據(jù)的方差，表明數(shù)據(jù)的波動(dòng)情況，在一定程度上反映分布的峰度，但有時(shí)方差相同的數(shù)據(jù)卻有不同的峰度。利用四階中心矩來(lái)反映分布的尖峭程度。為了消除變量值水平和計(jì)量單位不同的影響，通常使用四階中心矩與σ⁴的比值作為衡量峰度的指標(biāo)，作為峰度系數(shù)。因此，利用峰度系數(shù)來(lái)計(jì)算推薦者聲譽(yù)記錄的穩(wěn)定程度，方差和峰度系數(shù)越小，表明聲譽(yù)記錄越穩(wěn)定，推薦者越優(yōu)秀。

為了幫助服務(wù)推薦信息請(qǐng)求者挑選最可靠的服務(wù)，本發(fā)明的另一個(gè)實(shí)施例中，步驟106中，服務(wù)st的推薦度計(jì)算公式表示為：satt,i為推薦者ui對(duì)服務(wù)st的滿意度，eset為推薦信任源集合；發(fā)起服務(wù)選取的用戶根據(jù)服務(wù)推薦度對(duì)候選服務(wù)排序，選取推薦度最高的服務(wù)進(jìn)行交互，根據(jù)交互后的服務(wù)滿意度評(píng)價(jià)更新推薦者推薦記錄。

本實(shí)施例對(duì)服務(wù)推薦度計(jì)算方法沿用傳統(tǒng)的協(xié)同推薦機(jī)制，發(fā)送請(qǐng)求推薦的信息，對(duì)推薦信任源返回的推薦信息進(jìn)行收集和整合。本實(shí)施例中使用以優(yōu)秀聲譽(yù)值rbi為權(quán)重的推薦信息聚合方法來(lái)計(jì)算服務(wù)推薦度發(fā)起服務(wù)選取的用戶將根據(jù)服務(wù)推薦度將候選服務(wù)排序，選擇推薦度最高的服務(wù)進(jìn)行交互，交互之后給出服務(wù)滿意度評(píng)價(jià)。根據(jù)服務(wù)滿意度評(píng)價(jià)更新推薦者的推薦記錄。傳統(tǒng)方法采用的是用戶給予滿意的評(píng)價(jià)時(shí)，則服務(wù)推薦者記錄中推薦滿意次數(shù)加1，給出低滿意度或者不滿意時(shí)，推薦者記錄中推薦不滿意次數(shù)加1，從而對(duì)推薦者的聲譽(yù)進(jìn)行更新。采用這種方法雖然計(jì)算簡(jiǎn)單，但存在誤差較大的問(wèn)題，因?yàn)樵谟?jì)算服務(wù)推薦度時(shí)推薦信任源中的推薦者每個(gè)人給出的服務(wù)滿意度是不同的，有的推薦者給出高滿意度，推薦使用此服務(wù)，有的推薦者給出低滿意度，不推薦使用此服務(wù)。因此在更新推薦者推薦記錄時(shí)，應(yīng)將用戶給出的服務(wù)滿意度評(píng)價(jià)值與推薦者推薦時(shí)給出的滿意度進(jìn)行比較，兩者相近，則說(shuō)明推薦者給出的推薦建議是正確的，應(yīng)該將推薦滿意次數(shù)加1。兩者相差較大，則表明推薦者給出的推薦建議與現(xiàn)實(shí)不符，應(yīng)將推薦不滿意次數(shù)加1。satt,i為用戶ui對(duì)服務(wù)st的滿意度，取值范圍為[0,5]，發(fā)起服務(wù)選取的用戶ua對(duì)服務(wù)st的滿意度為satt,a，推薦者ub對(duì)服務(wù)st的滿意度為satt,b，推薦真實(shí)度tra,b可以定義為tra,b＝|satt,a-satt,b|，tr為真實(shí)度判定閾值，當(dāng)tra,b≤tr時(shí)，表明推薦者給出的服務(wù)滿意度與真實(shí)情況相近，因此更新推薦者的推薦滿意次數(shù)；當(dāng)tra,b>tr時(shí)，說(shuō)明推薦者給出的服務(wù)滿意度與真實(shí)情況不符，因此更新推薦者的推薦不滿意次數(shù)。

在上述分析的基礎(chǔ)上，給出推薦者候選集構(gòu)建算法和推薦信任源選擇算法，具體描述如下：

算法1推薦者候選集構(gòu)建算法

輸入：目標(biāo)服務(wù)st、所有主體信息。

輸出：推薦者候選集及其中每個(gè)主體的推薦聲譽(yù)值。

1)

根據(jù)服務(wù)st的交易記錄尋找在時(shí)間窗口[ts,tc]中與其有過(guò)交易歷史的用戶，組成推薦者集合。

2)

根據(jù)公式計(jì)算推薦者與請(qǐng)求用戶間偏好相似度，設(shè)定偏好相似度閾值為per，對(duì)集合中的推薦者進(jìn)行篩選，得到經(jīng)過(guò)偏好篩選的推薦者初始集。

3)

計(jì)算推薦者初始集中推薦者的領(lǐng)域相關(guān)度、推薦響應(yīng)率和推薦滿意率，設(shè)定接受閾值，對(duì)初始集進(jìn)行篩選，得到推薦者候選集。

4)getrtiwithformula(2),(uiinucomd)

根據(jù)公式計(jì)算推薦者候選集中主體的推薦聲譽(yù)。

算法2推薦信任源選擇算法

輸入：推薦者候選集中所有主體的聲譽(yù)記錄。

輸出：推薦信任源。

1)ifqti>qt,removeuifromucomd

設(shè)定傾向降低的時(shí)間閾值qt，將當(dāng)前時(shí)刻處于傾向降低且超過(guò)閾值的推薦者從推薦者候選集中移除。

2)ifmi>manddti<dt,removeuifromucomd

設(shè)定域改變中m值和接受界值dt，將當(dāng)前時(shí)刻處于定域降低且聲譽(yù)值低于界值dt的推薦者從推薦者候選集中移除。

3)getski,kui,rbi(uiinucomd)

根據(jù)公式(3)計(jì)算出偏度系數(shù)sk，根據(jù)公式計(jì)算出峰度系數(shù)ku，根據(jù)公式得到推薦者的優(yōu)秀聲譽(yù)rbi。

4)selecttopkpresenterswithhighestrbi

根據(jù)優(yōu)秀聲譽(yù)rbi計(jì)算結(jié)果，選取前k個(gè)具有最高rbi的推薦者作為推薦信任源。

為了驗(yàn)證本發(fā)明提出的基于聲譽(yù)記錄分析的服務(wù)推薦者發(fā)現(xiàn)方法在尋找可信推薦者上的準(zhǔn)確性和有效性，使用peersim網(wǎng)絡(luò)節(jié)點(diǎn)以及拓?fù)潢P(guān)系的模擬平臺(tái)，構(gòu)建一個(gè)服務(wù)選取的應(yīng)用場(chǎng)景。在該場(chǎng)景中一個(gè)節(jié)點(diǎn)代表一個(gè)用戶主體，同時(shí)設(shè)置服務(wù)主體，系統(tǒng)計(jì)算服務(wù)推薦度反饋給用戶，用戶選擇服務(wù)進(jìn)行交互后給出本次交互的推薦度，系統(tǒng)再根據(jù)新的交互記錄更新服務(wù)推薦度。模擬平臺(tái)按照輪次運(yùn)行，每一輪次中，每個(gè)用戶主體發(fā)起一次服務(wù)選取，過(guò)程包括計(jì)算推薦者的優(yōu)秀聲譽(yù)、確定推薦信任源、向推薦者請(qǐng)求推薦信息、合并推薦信息、選取推薦度最高的服務(wù)進(jìn)行交互、記錄交互結(jié)果并更新推薦記錄。具體如下：

(一)實(shí)驗(yàn)場(chǎng)景設(shè)置

模擬實(shí)驗(yàn)場(chǎng)景設(shè)置包括服務(wù)模型與用戶模型的配置，服務(wù)模型包含服務(wù)數(shù)量及其相關(guān)屬性。設(shè)定服務(wù)選取的環(huán)境中有100個(gè)服務(wù)，記為s＝{s1,s2,…,s100}，其中每個(gè)服務(wù)的滿意度表現(xiàn)值初始化為[0,5]區(qū)間的值，在每次進(jìn)行服務(wù)調(diào)用時(shí)滿意度表現(xiàn)值遵從正態(tài)分布概率函數(shù)n(μ,σ²)，μ為初始化的服務(wù)滿意度表現(xiàn)值，σ²則為每次調(diào)用服務(wù)時(shí)服務(wù)實(shí)際運(yùn)行與初始化滿意度表現(xiàn)值的偏差，偏差的設(shè)定根據(jù)具體的服務(wù)的參數(shù)進(jìn)行。服務(wù)的相關(guān)屬性對(duì)于用戶來(lái)說(shuō)是透明的，系統(tǒng)依靠推薦者的推薦信息計(jì)算服務(wù)推薦度，用戶通過(guò)給出的服務(wù)推薦度以此來(lái)判定服務(wù)性能。

用戶模型包含用戶數(shù)量以及行為屬性。設(shè)定場(chǎng)景中有500個(gè)用戶，記為u＝{u1,u2,…,u500}。行為屬性包括用戶的個(gè)性化偏好和是否為惡意主體。個(gè)性化偏好為用戶對(duì)服務(wù)各屬性的偏好程度。每次進(jìn)行交互時(shí)，普通用戶會(huì)如實(shí)的給予推薦信息和服務(wù)滿意度，惡意用戶會(huì)提供虛假的推薦信息和服務(wù)滿意度。

服務(wù)平均滿意度(ssr,servicesatisfactionrate)描述所有用戶在選取服務(wù)交互之后給出的服務(wù)滿意度的均值，ssr的大小與選取的服務(wù)質(zhì)量密切相關(guān)，因此可以直觀的反映出可信推薦者選擇算法的準(zhǔn)確性。算法尋找到的推薦者越優(yōu)秀，則其推薦的服務(wù)的質(zhì)量越高，相應(yīng)的服務(wù)平均滿意度越高。

(二)實(shí)驗(yàn)結(jié)果與分析

選取潘靜等提出的基于聲譽(yù)的推薦者發(fā)現(xiàn)rrda方法與本發(fā)明提出的方法進(jìn)行比較，評(píng)價(jià)在計(jì)算推薦者聲譽(yù)值和尋找可信推薦者上的準(zhǔn)確性差異，以及抵抗惡意推薦的性能差異。

(1)算法準(zhǔn)確性驗(yàn)證

實(shí)驗(yàn)首先比較算法在推薦者選取上的準(zhǔn)確性，采用rrda方法、本發(fā)明方法計(jì)算推薦者聲譽(yù)值，同時(shí)將本發(fā)明方法中當(dāng)前時(shí)刻聲譽(yù)值rti(簡(jiǎn)稱rt方法)也加入對(duì)比，以此來(lái)比較本發(fā)明方法中優(yōu)秀聲譽(yù)相比于當(dāng)前時(shí)刻聲譽(yù)更具有準(zhǔn)確性。通過(guò)聲譽(yù)值的計(jì)算選取前k個(gè)最可信的推薦者。每一輪中，場(chǎng)景中每位用戶選取推薦度最高的服務(wù)進(jìn)行交互，交互之后給出服務(wù)滿意度。設(shè)置推薦者數(shù)量k＝50，服務(wù)表現(xiàn)方差σ²＝5，實(shí)驗(yàn)重復(fù)10次，記錄每輪中所有用戶對(duì)所選服務(wù)的平均服務(wù)滿意度。則rrda方法、本發(fā)明方法以及當(dāng)前聲譽(yù)值rti方法在性能上的差異如圖3所示。

圖3中橫坐標(biāo)代表實(shí)驗(yàn)運(yùn)行輪次，每輪所有用戶都發(fā)起一次服務(wù)選取行為，縱坐標(biāo)表示在該輪次運(yùn)行之后，所有用戶對(duì)服務(wù)的平均滿意度。,圖中，可以看出剛開(kāi)始模擬時(shí)運(yùn)行結(jié)果差別不大，但隨著服務(wù)選取次數(shù)的增加，在10到60輪次本發(fā)明算法擁有較快的收斂速度且ssr值穩(wěn)定在4.2左右，明顯優(yōu)于其他兩種方法。rrda方法與rt方法的滿意度增長(zhǎng)走勢(shì)幾乎相同，兩者最終ssr值穩(wěn)定在3.7左右且rt方法的滿意度穩(wěn)定值略高于rrda方法。

通過(guò)實(shí)驗(yàn)結(jié)果的分析可知，隨著模擬輪次的增加，用戶與服務(wù)的交互經(jīng)驗(yàn)逐漸增加，推薦者的聲譽(yù)建立起來(lái)，rt方法在ssr上略優(yōu)于rrda方法，主要原因是rrda方法使用鄰接圖通過(guò)pagerank方法計(jì)算推薦者聲譽(yù)，而rt方法是基于時(shí)間和金額加權(quán)的推薦記錄計(jì)算的聲譽(yù)值，因此在聲譽(yù)計(jì)算準(zhǔn)確性上高于使用pagerank方法，所以得到的服務(wù)平均滿意度略高于rrda算法。而本發(fā)明算法又明顯優(yōu)于rrda算法和rt方法，其關(guān)鍵在于本發(fā)明提出的優(yōu)秀聲譽(yù)是在對(duì)推薦者聲譽(yù)記錄分析和預(yù)測(cè)的基礎(chǔ)上計(jì)算得到，通過(guò)繪制聲譽(yù)折線圖綜合考慮聲譽(yù)記錄的分布特征及其變化趨勢(shì)，計(jì)算得到的優(yōu)秀聲譽(yù)相比于其他兩種方法得到的聲譽(yù)值能夠反映推薦者更多的信息，可以更加準(zhǔn)確的找到可信推薦者，因此在準(zhǔn)確性上要明顯優(yōu)于rrda算法和rt方法。

圖4中縱坐標(biāo)表示用戶選中低質(zhì)量服務(wù)的比率，在實(shí)驗(yàn)場(chǎng)景中設(shè)置60個(gè)服務(wù)為低質(zhì)量服務(wù)其余40個(gè)服務(wù)為高質(zhì)量服務(wù)，對(duì)比使用三種方法用戶選中低質(zhì)量服務(wù)的百分比。從圖中我們可以看出，實(shí)驗(yàn)初期到達(dá)10輪次時(shí)，三種算法的低質(zhì)量服務(wù)選中率都大幅度下降到0.35左右，隨著實(shí)驗(yàn)輪次增多，選中率逐漸趨于穩(wěn)定，實(shí)驗(yàn)后期80到100輪次時(shí)，本發(fā)明算法低質(zhì)量服務(wù)選中率穩(wěn)定在0.07左右，而rrda算法和rt方法的選中率穩(wěn)定值都穩(wěn)定在0.2左右，本發(fā)明算法的選中率明顯低于其他兩種算法。

通過(guò)對(duì)算法和實(shí)驗(yàn)結(jié)果的分析可知，實(shí)驗(yàn)初期用戶與服務(wù)交互經(jīng)驗(yàn)較少，用戶很難區(qū)分服務(wù)質(zhì)量的高低，隨著模擬輪次的增加，用戶與服務(wù)交互次數(shù)增多，推薦者聲譽(yù)體系基本建立，因此低質(zhì)量服務(wù)選中率快速降低并逐漸達(dá)到穩(wěn)定值。rrda算法與rt方法的選中率穩(wěn)定值基本相同，因?yàn)閜agerank算法是推薦者信任度的傳遞和迭代，與rt方法中計(jì)算聲譽(yù)值的方法本質(zhì)上相同的，因此兩種方法的性能大同小異。而本發(fā)明算法能夠更加全面的計(jì)算推薦者的聲譽(yù)值，在選擇可信可靠的推薦者上要優(yōu)于rrda算法和rt方法，因此低質(zhì)量服務(wù)選中率要明顯低于其他兩種方法。

(2)抗攻擊能力

為了驗(yàn)證算法抵抗惡意推薦的能力，設(shè)定500名用戶中有200名惡意推薦者，300名普通推薦者，對(duì)比三種算法計(jì)算得到的可信推薦者中惡意推薦者的百分比。

圖5中縱坐標(biāo)表示算法找到的可信推薦者中惡意推薦者的比例，從圖中我們可以看出，實(shí)驗(yàn)初期直到30輪次時(shí)，隨著用戶與服務(wù)交互次數(shù)的增加，惡意推薦者比例迅速降低從初始的0.4下降到0.1到0.15之間。rt方法與本發(fā)明算法較rrda算法下降的更為迅速。實(shí)驗(yàn)輪次到達(dá)中后期70到100輪次后，惡意推薦者比例基本穩(wěn)定，本發(fā)明算法穩(wěn)定值最小在0.025左右，而rrda算法穩(wěn)定值最大在0.1左右。本發(fā)明算法降幅達(dá)到0.375，而其他兩種方法在0.3左右。

通過(guò)對(duì)分析可知，實(shí)驗(yàn)初期用戶與服務(wù)交互經(jīng)驗(yàn)較少，無(wú)法有效的辨別惡意推薦者，但本發(fā)明算法和rt方法通過(guò)懲罰因子可以及時(shí)降低惡意推薦者聲譽(yù)值，快速而有效的屏蔽掉惡意推薦者。而單純依靠pagerank方法計(jì)算聲譽(yù)值的rrda算法不能及時(shí)有效的對(duì)惡意推薦者做出反應(yīng)，因此其惡意推薦者比例下降速度較慢且穩(wěn)定值高于其他兩種方法。本發(fā)明方法的惡意推薦者比例最終低于rt方法的原因在于，本發(fā)明方法通過(guò)對(duì)聲譽(yù)記錄的分析，能夠?qū)ふ业疆?dāng)前聲譽(yù)較高的惡意推薦者并將其屏蔽掉，因此抵抗惡意推薦者的能力優(yōu)于rt方法。

本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

結(jié)合本文中所公開(kāi)的實(shí)施例描述的各實(shí)例的單元及方法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已按照功能一般性地描述了各示例的組成及步驟。這些功能是以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。本領(lǐng)域普通技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不認(rèn)為超出本發(fā)明的范圍。

本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過(guò)程序來(lái)指令相關(guān)硬件完成，所述程序可以存儲(chǔ)于計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，如：只讀存儲(chǔ)器、磁盤(pán)或光盤(pán)等?？蛇x地，上述實(shí)施例的全部或部分步驟也可以使用一個(gè)或多個(gè)集成電路來(lái)實(shí)現(xiàn)，相應(yīng)地，上述實(shí)施例中的各模塊/單元可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。本發(fā)明不限制于任何特定形式的硬件和軟件的結(jié)合。

對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本申請(qǐng)。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本申請(qǐng)的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本申請(qǐng)將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。