基于行为模式的用户声誉度量方法研究

在线评级系统由于水军和恶意打分者的存在而无法对物品给出客观评价,因此,建立一个基于打分行为的声誉度量模型对于在线评级系统的健康发展至关重要。现有的用户声誉度量方法仅依靠用户评分和商品质量之间的差异进行计算,忽略了用户的行为模式。将用户的评分偏差和行为模式相结合,提出了一种新的声誉度量方法,该方法不仅考虑了用户打分频率的极值,还考虑了用户打分总次数。在两个实证数据集上的实验结果表明,新方法对随机打分的识别准确率相较于经典算法最高可以提高17%,对于解决冷启动和鲁棒性问题具有更好的表现。

在线用户声誉评价算法的鲁棒性分析

在线评分系统中的恶意或随机打分为准确评价在线用户声誉带来了极大的挑战.对3种基于迭代的经典在线用户声誉评价算法的鲁棒性进行了细致研究.实验先将不同数量用户打分随机化,再以均方根误差为指标衡量其余用户声誉值受影响程度.实验共在3个数据集中进行,在MovieLens和Netflix两个经典实证数据集上的实验结果表明：系统中1%~60%的用户进行随机打分时,基于关联分析的CR算法始终保持很好的鲁棒性;基于打分迭代的IARR算法的均方根误差略有增大,最大值达到0.22,但整体波动较小;而改进的基于打分迭代的IARR2算法的均方根误差最大值达到0.695,其鲁棒性的较大波动是因算法受高声誉用户的影响较大.在Douban数据集上的结果表明：在打分数据稀疏情况下,CR算法也能保持很好的鲁棒性.

用户—产品二部分网络中用户声誉实证研究

用户声誉度量用户评分的准确程度,用户声誉的研究对于保障社会经济和民生的健康发展具有重要意义。在电影网站MovieLens数据上从用户活跃度与记忆性两个角度进行用户声誉的实证研究。根据用户的度分组,发现用户声誉随着用户度的增加而增加,将数据集按照时间分成36个季度的片段,同样发现随着用户度的增加,用户声誉出现上升的趋势。同时,将数据集按照时间分成9个年度的片段,发现用户的持续存在率逐年减小,提出一种度量指标来衡量用户声誉记忆性,发现5年之内用户声誉排名的肯德尔系数比用户度的肯德尔系数更高,表明用户声誉比用户活跃度更具有记忆性。通过建立随机模型与实证结果进行比较,发现真实数据集上用户声誉与度的关系以及声誉的记忆性与随机模型有显著不同。

基于集体评分行为的在线用户声誉识别

在线评级系统中,用户声誉是基于历史评级行为而形成的信任度,是区分正常用户与恶意用户的关键指标。未明确定义声誉可能导致系统易受恶意攻击。因此,清晰界定用户声誉对于有效排除恶意用户和准确评估目标质量极为重要。本文从复杂网络的视角全面回顾了用户声誉评估方法,特别着重于不同计算模型的探讨,包括迭代模型、基于群组的模型和基于特殊分布的模型。此外,本文对现有文献进行了系统分析,说明了各方法的优势和局限性,并对未来研究方向提出展望。

基于Skyline Query的高声誉用户识别方法研究

用户声誉的研究对于互联网金融和电子商务的健康发展具有重要意义,是在线用户行为分析中一个重要的研究方向。在线用户评分系统中研究学者提出了许多声誉度量算法,然而不同方法度量用户声誉的思想和角度是不同的。为了在海量数据中对用户声誉有一个总体的认识,提出一种基于Skyline Query的高声誉用户识别方法。将已有的几种声誉度量方法进行分类,综合选取代表性的算法得到的用户声誉用Skyline查询方法找到的集合Skyline中不被其他用户所支配的用户,即为高声誉用户。同时分析不同时间段上得到的集合Skyline中高声誉用户的规律。本文综合多种声誉度量方法从定性角度对声誉进行应用研究,拓宽了用户声誉研究的广度。

基于声誉与基于网络结构的用户聚类比较分析

用户聚类问题是在线用户行为分析的一个重要研究方向。基于在线评分系统,用户声誉反映的是用户对产品打分的准确程度,用户——产品二部分网络结构反映的是用户对产品的品味偏好。结合声誉度量算法,分别采用DBSCAN方法和基于模块度的贪婪算法从用户打分准确程度和品味偏好角度进行用户聚类,提出一种一致性度量指标来衡量根据用户声誉与根据网络结构得到的两种聚类结果之间的联系。两个实证数据集上的实验结果表明根据用户声誉与根据网络结构得到的两种聚类结果是不一致的,说明打分准确程度相似的用户的品味偏好并不相似。