[发明专利]一种基于多维度评价信息的在线服务信誉度量方法

权利要求书

1.一种基于多维度评价信息的在线服务信誉度量方法，其特征在于：首先对在线服务信誉的多维度属性信息进行主成分分析，选择影响在线服务信誉动态变化的属性维度，并考虑时间因子对在线服务属性的评价数据进行筛选；其次创建服务信誉标注准则，对初始样本进行标注及训练支持向量机分类模型；然后使用距离相关性的自学习方法获取训练样本，更新训练样本集和SVM分类模型；最后使用最终更新得出的SVM分类模型确定在线服务的信誉类标签，实现服务信誉度量。

2.根据权利要求1所述的基于多维度评价信息的在线服务信誉度量方法，其特征在于具体步骤为：

Step1、选择影响在线服务信誉动态变化的属性维度，并考虑时间因子对在线服务属性的评价数据进行筛选；

Step1.1、设服务样本集合为S＝{s₁,s₂,…,s_n}，每个服务样本均包含m维的属性信息，则属性集合为Att＝{a₁,a₂,…,a_m}，对服务的各属性维度评价信息进行主成分分析：

首先由巴特利的球形系数、KMO值判断数据集是否可以进行主成分分析，再根据得到的解释总方差，选择特征值大于1的成分作为主成分；同时，使所选择的主成分累积方差贡献率达到80％，根据各维度属性a_i∈Att在各主成分D_j(j＝1,2,…,k，表示有k个主成分)中的得分，得到各主成分D_j的属性子集：

其中，r_ij(i＝1,2,…,m，j＝1,2,…,k)为服务的第i维属性a_i在第j主成分D_j中的成分得分，表示属性a_i在主成分D_j中的所占比重，r_ij越大则表示属性a_i在主成分D_j中的占比越大，对于该主成分越具有代表性；将属性a_i添加到最大的r_ij值所对应的主成分D_j中，记属性a_i为D_j主成分的属性维度子集，即D_j＝{a_i}，且各主成分{D₁∪D₂∪…∪D_k}＝D_j，

Step1.2、根据得出的各主成分D₁,D₂,…,D_k中的属性维度，基于各属性对服务信誉的影响程度，选择影响服务信誉变化的主成分，并将主成分中包含的属性维度记为集合Att_Best，即Att_Best＝{a₁,a₂,…,a_i}，使得筛选后的服务样本属性只含有集合Att_Best＝{a₁,a₂,…,a_i}中的属性；

Step1.3、加入时间因子的考虑，选择服务属性集合Att_Best＝{a₁,a₂,…,a_i}中各属性维度最近P天的评价数据来降低服务的历史评价在信誉计算中的权重，由于属性信息随时间和新交易的发生而变化，实现在线服务信誉动态变化；

Step2、创建服务信誉标注准则，对初始样本进行标注及训练支持向量机分类模型；

Step2.1、使用主成分分析法计算属性集合Att_Best＝{a₁,a₂,…,a_i}中各属性的权重，由主成分分析获得的各属性的载荷h_i(i＝1,2,…,m)、主成分的方差贡献率g_j(j＝1,2,…,k)、主成分的特征值t_j(j＝1,2,…,k)，计算属性集合Att_Best＝{a₁,a₂,…,a_i}中各属性维度的权重W＝{w₁,w₂,…,w_m}，其中，w_i表示属性a_i的权重：

(1)计算线性组合中各属性的系数：

(2)计算综合得分模型中各属性的系数：

(3)计算各属性的权重：

Step2.2、根据各维度属性权重建立服务信誉标注准则R_mark；

首先由各维度属性权重创建信誉计算公式，计算服务信誉的综合得分F_score，再建立服务信誉得分和信誉等级的映射规则，将服务的信誉得分F_score与信誉等级C＝{C₁,C₂,…,C_z}进行映射；

F_score是根据服务s_i在历史交易中各属性的交易评价而做出的对s_i的信誉评分，当新的交易发生时，F_score随着评价信息和交易次数的产生而动态更新，且越是临近的交易对本次信誉度量的影响越大；w_i(i＝1,2,…,m)为信誉的属性权重，为了反应服务信誉的动态变化属性，对服务属性的评价取加权平均值计算，并对所有的属性维度度量函数选用幂函数，为使得F_score的计算模型为稳妥型取函数的幂为1/2；根据以上分析，F_score的计算公式可以表示为：

其中，w₁+w₂+…+w_m＝1，0<w_i≦1，e_i为交易后用户对各属性的反馈评分，N为总的交易次数，由公式(5)计算服务s_i的信誉分，通过对各维度属性的加权平均计算，考虑了单次交易的属性评价对服务信誉度量的影响，使得每次新交易都会对服务信誉动态更新；

创建服务信誉得分和信誉等级的映射规则，根据计算得出的各个服务的信誉得分F_score，将信誉得分F_score与信誉等级C＝{C₁,C₂,…,C_z}进行映射：

其中，F_score1<F_score2<F_score3，则服务的信誉类标签C＝{C₁,C₂,…,C_z}，C₁表示信誉等级较低、C₂表示信誉等级低、C_z表示信誉等级最好，信誉等级C₁,C₂,…,C_z由低到高排列；

Step2.3、使用系统抽样的方式，从服务样本集S＝{s₁,s₂,…,s_n}中抽取30％的样本作为测试样本集T，剩余的样本作为训练样本集R，其中R∪T＝S，R>T，且

同样使用系统抽样的方式，从R中抽取x个样本作为标注样本集，并将该标注样本集合记为L＝{s₁,s₂,…,s_x}；同时，将R中的未标注样本集记为U，其中：L∪U＝R，且对标注样本集L和未标注样本集U进行更新：L＝{s₁,s₂,…,s_x}，U＝R-L；

使用标注准则R_mark对标注样本集L＝{s₁,s₂,…,s_x}中的信誉类标签进行标注，获得初始样本集L＝{s₁,s₂,…,s_x}/C＝{C₁,C₂,…,C_z}，且并利用初始样本集L＝{s₁,s₂,…,s_x}作为训练样本数据，样本的标注类标签C＝{C₁,C₂,…,C_z}作为训练样本类标签，训练初始的SVM分类模型M；

Step3、使用距离相关性的自学习方法获取训练样本，更新训练样本集及SVM分类模型；

Step3.1、使用训练得出的SVM分类模型M对未标注样本集U中样本s_u(s_u∈U)的信誉类标签进行预测，将得到服务样本s_u的信誉类标签C_B，即C_B/s_u；

同时，计算服务样本s_u到标注样本集L＝{s₁,s₂,…,s_x}中所有样本的距离D(s_u,s_i)，使用欧氏距离计算两个样本之间的距离，则距离计算公式为：

D(su,si)=Σi=1m(aSu-aSi)2---(7)]]>

其中，a_su，a_si为样本s_u、s_i的同一属性，根据计算出的距离D(s_u,s_i)，寻找样本s_u到集合L中最临近的点N，即：Argmin D(s_u,s_i)，并将该临近点的信誉类标签记为C_N：

Step3.2、比较样本s_u的信誉类标签C_B和距离最临近点N的信誉类标签C_N：

如果C_B＝C_N时，将样本s_u连带信誉类标签一起加入到集合L中；如果C_B≠C_N时，则利用标注准则R_mark对样本s_u的信誉类标签进行标注，并将标注好的样本s_u连带信誉类标签一起加入到集合L中；

Step3.3、用新选出来的样本s_u对标注样本集合L和未标注样本集合U进行更新：L＝L∪(s_u)，U＝U-(s_u)；用更新后的标注样本集L作为训练样本集，重新训练支持向量机分类模型M，对U中样本的分类过程进行循环迭代；

Step4、使用最终更新得出的SVM分类模型确定在线服务的信誉类标签，实现服务信誉度量；

Step4.1、最终循环迭代更新得出的SVM分类模型M，就为训练样本集R训练得出的SVM分类模型，对服务s_u(s_u∈T)的信誉类标签进行度量，得到服务的信誉C。