利用序数偏好预测的在线服务信誉度量

基于序数偏好的在线服务信誉度量方法通过聚合用户的序数偏好计算服务信誉,解决了用户评价准则不一致情况下信誉度量结果不可靠的问题.然而,在无法得到用户完整的序数偏好时,现有基于序数偏好的在线服务信誉度量方法要么直接忽略未知偏好,要么采用协同过滤预测偏好,且未对偏好预测的准确性进行实验验证,导致得到的服务信誉不可靠.为此,提出一种利用用户-服务属性偏好预测序数偏好,进而进行在线服务信誉度量的方法.该方法首先基于不完整的评分数据学习用户的条件偏好网络来获取用户对服务属性的偏好;然后根据用户-服务属性偏好计算服务的偏好优先级预测未知偏好,得到用户完整的序数偏好;最后针对Schulze社会选择函数在用户总数为偶数时存在无法确定用户群体偏好关系的问题,提出Schulze-偏好优先级方法用于聚合所有用户的序数偏好得到服务信誉.在真实数据集上的实验结果表明,该方法相较协同过滤评分预测方法,预测的序数偏好更为准确;与现有的信誉度量方法相比,该方法得到的服务信誉与用户群体中用户的序数偏好更为一致.