面向不完整序数偏好的在线服务评价

为解决在不完整序数偏好场景下的在线服务评价问题,提出一种面向不完整序数偏好的在线服务评价方法。首先,通过定义面向不完整序数偏好的Kendall tau胜者距离,将其作为服务评价指标,实现了在不完整序数偏好场景下的在线服务评价;然后,设计了用于评估和优化服务评价结果质量的评估算法与偏好抽取策略,用于在需要时对服务评价结果质量进行评估,并向用户进行少量但关键的偏好查询,以实现快速优化服务评价结果质量;最后,基于真实数据集与人工合成数据集的实验结果验证了该方法的合理性和有效性。

用户群体满意度最大化的Top-k在线服务评价

考虑用户评价准则不一致的在线服务评价通常以服务的完整排序作为评价结果,而不是选择出使用户群体满意度最大的Top-k在线服务集合,使评价结果难以满足Top-k在线服务评价场景的合理性和公平性需求.为此,提出了一种用户群体满意度最大化的Top-k在线服务评价方法.该方法首先定义用户群体满意度指标,以衡量选择的k个在线服务的合理性;其次,考虑用户评价准则不一致及用户偏好信息不完整的情况,采用Borda规则将用户对在线服务的偏好关系构造为用户-服务满意度矩阵;然后借鉴Monroe比例代表思想,将Top-k在线服务评价问题建模为寻找最大化用户群体满意度的在线服务集合的优化问题;最后采用贪心算法对该优化问题进行求解,将得到的在线服务集合作为Top-k评价结果.通过理论分析和实验验证了该方法的合理性和有效性.理论分析表明,该方法满足Top-k在线服务评价所需的比例代表性和公平性.同时,实验结果也表明,该方法能够在合理的时间内获得接近用户群体满意度理想上界的评价结果,可以有效地辅助用户群体做出正确的服务选择决策.另外,该方法还可以在用户偏好不完整的情况下实现Top-k在线服务评价.

基于排序对社会选择函数的在线服务评价

不同用户具有不同的评价准则,导致不同用户对同一在线服务的评分不具可比性,使聚合服务评分得到的在线服务评价结果难以真实反映服务之间的优劣关系。为此,该文提出一种基于排序对（ranked pairs）社会选择函数的在线服务评价方法,根据用户对在线服务的偏好关系而不是传统评分计算在线服务评价结果。首先根据用户-服务评分矩阵获得每个用户对在线服务的偏好关系;然后基于多数准则确定服务优先关系,并根据服务优先关系建立服务对排序列表;最后构造以服务为节点的有向无环图,并在该有向无环图中寻找一条包含所有服务的路径,根据该路径的服务排序计算在线服务评价值。理论分析和实验结果验证了该方法的合理性和有效性。