引用本文
李聪, 马丽. .e-BRM: 面向电子易货的多维信誉模型* [J]. 现代图书情报技术, 2015,31(7/8): 122-
Li Cong, Ma Li. .e-BRM: A Multi-dimensionality Reputation Model for e-Barter. New Technology of Library and Information Service,2015,31(7/8): 122-  
Permissions
Copyright©2015, 《现代图书情报技术》编辑部
《现代图书情报技术》编辑部
e-BRM: 面向电子易货的多维信誉模型*
李聪1,2, 马丽3
1四川师范大学计算机科学学院 成都 610068
2美国匹兹堡大学Katz商学院 匹兹堡 15213
3四川师范大学图书与档案信息中心 成都 610068
李聪, ORCID: 0000-0002-3252-2351, E-mail: jkxy_lc@sicnu.edu.cn。
基金:*本文系国家自然科学基金项目“面向电子商务协同推荐的新型用户兴趣模型研究”(项目编号:71202165)和四川省哲学社会科学规划项目“基于多维指标的电子商务信誉评价机制研究”(项目编号:SC13C019)的研究成果之一
摘要
目的

针对电子易货(e-Barter)这一新兴C2C在线交易模式, 提出优于其现有(1, 0, -1)评分制的多维信誉模型e-BRM。

方法

e-BRM基于Wilson评分区间计算易货者好评率, 基于等概率分布计算易货者好评覆盖率, 并通过时效衰减因子、差评惩罚因子、实名认证因子等指标实现对易货者交易值的聚合处理。

结果

e-BRM最终将得到的三元组<好评率, 覆盖率, 交易值>聚合为统一的易货者信誉度, 较(1, 0, -1)评分制更能表征易货者真实信誉水平。【局限】在实际应用e-BRM时, 可单独设计模型的在线增量更新机制以改善实时性。

结论

仿真实验结果能够证明e-BRM模型的有效性, 电子易货交易双方可据此做出合理交易决策以降低交易风险。

关键词: 电子易货; Wilson评分区间; 信誉; C2C; e-BRM模型
中图分类号:
e-BRM: A Multi-dimensionality Reputation Model for e-Barter
Li Cong1,2, Ma Li3
1College of Computer Science, Sichuan Normal University, Chengdu 610068, China
2Katz Graduate School of Business, University of Pittsburgh, Pittsburgh 15213, USA
3Sichuan Normal University Library, Chengdu 610068, China
Abstract

[Objective] A multi-dimensionality reputation model, named e-BRM, is proposed to surpass (1, 0, -1) scoring system used in e-Barter (one type of emerging online C2C market). [Methods] Based on Wilson score interval and uniform distribution, e-BRM can calculate positive ratio and positive coverage ratio respectively. Meanwhile, time-delay factor, negative punishing factor and real name authentication factor are designed in e-BRM to be further aggregated as barter’s transaction value. [Results] The positive ratio, coverage ratio and transaction value are aggregated as barter’s reputation degree by e-BRM. The aggregated value can describe barter’s true reputation degree better than that of (1, 0, -1) scoring system. [Limitations] For the application of e-BRM, an online updating mechanism should be designed for improving real-time performance. [Conclusions] Simulation experimental results show the validity of e-BRM, thus barters can make reasonable deal decisions based on reputation degree for decreasing transaction risk.

Keyword: e-Barter; Wilson; score; interval; Reputation; Consumer-to-Consumer; e-BRM; model
1 引 言

电子易货(e-Barter)是一种新兴C2C在线市场。所谓电子易货[1], 是指“ 利用最先进的网络技术为交易平台, 依据原始的等价交换原理, 在不使用现金支付的情况下, 使企业的闲置商品和服务相互交换和流通” 。但C2C在线市场由于缺乏高效的信誉评价方法而容易导致“ 柠檬” 市场[2]。对此, 我国政府明确指出要“ 促进在线信用服务的发展” 和“ 积极营造诚信为本、守信激励和失信惩戒的社会信用环境” [3]。这是因为信誉评价机制[4]可用以反映交易对象的信誉水平, 避免发生道德风险和逆向选择[5], 已在Amazon、eBay、淘宝等著名电子商务网站中广泛应用[6, 7]。

尽管电子易货发展迅速, 然而其基于(1, 0, -1)评分制的易货者信誉评价方法却存在较多不足, 不能准确反映易货者的真实信誉, 已无法满足当前评测需求。针对上述问题, 本文提出一种多维信誉模型e-BRM (e-Barter Reputation Model), 通过设计基于Wilson评分区间(Wilson Score Interval)的易货者好评率、基于等概率分布(Uniform Distribution)的好评覆盖率以及时效衰减因子、差评惩罚因子、实名认证因子等指标, 实现对易货者交易值的聚合表征, 得到统一的易货者信誉度。相对于传统的(1, 0, -1)评分制, e-BRM更能表征易货者真实信誉水平, 有助于降低电子易货交易风险。

2 相关工作分析
2.1 现有e-Barter信誉评分制

尽管国内外学者提出了多种信誉评价模型[5, 8, 9, 10], 但在e-Barter场景下并不适用:

(1) 已有模型中对交易金额的应用指标不再有效, 电子易货所涉物品不以价格作为交换前提, “ 人弃我取” 、“ 需求决定价值” 才是交换双方的行为准则;

(2) 已有模型仅针对卖家, 而在e-Barter市场中每个易货者的身份都既是买家(换入对方物品)、也是卖家(换出自己物品), 这种双重身份使得各种面向卖家的信誉模型失效。

基于在线调研, 笔者总结了当前国内外主流易货网站的用户信誉制度, 如表1所示:

表1 部分易货网站的用户信誉制度

表1显示, 易货网站的用户信誉评分制不同程度地使用了以下三类信息:

(1) 实名认证。会员将个人真实资料提交到本站由管理员审核并存储, 以方便在出现交易纠纷时调取易货者真实资料。

(2) 交换积分。每次成功交换后, 双方各自可获1点信誉积分(信用度)。

(3) (1, 0, -1)评分制。具体表现为好评分、好评率, 已在eBay、淘宝网等主流C2C网站广泛使用。其中“ 1” 表示“ 好评” (Positive), “ 0” 表示“ 中评” (Neutral), “ -1” 表示“ 差评” (Negative), 分别对应交易一方对另一方的评价为“ 满意” 、“ 一般” 、“ 不满意” 。基于淘宝网服务中心(http://service.taobao.com)的文字说明, 笔者使用公式(1)表示这种计算方法:

(1)

其中, Rs表示易货者总体信誉分, ri表示易货者在第i次易货中所获信誉评分, ri {-1, 0, 1}, n为易货者所获全部评价次数。基于好评分, C2C网站即可构建用户信誉等级以区分交易者, 例如淘宝网的用户信誉等级就分为20级, 如图1所示。

好评率是基于好评分计算得到, 即好评数在总评数中的比例, 笔者使用公式(2)表示这种计算方法(其中Rs表示易货者好评率, P表示好评数):

(2)

图1 淘宝用户信誉等级

2.2 (1, 0, -1)信誉评分制的不足

深入分析发现, (1, 0, -1)信誉评分制主要存在以下不足:

(1) 交换积分的本质是“ 计件” 积分, 只要达成交易的双方都能获得同等积分, 忽略了易货双方对交易结果的满意度未必一致的情况, 导致易货者信誉度计算结果并不准确。

(2) (1, 0, -1)评分制考虑到易货双方对交易结果的满意度, 融入好、中、差三种评价, 但“ 没有考虑赞成票占总票数的比重” [11]。例如, 一个好评为10、差评为2的用户, 另一个好评为100、差评为98的用户, 显然前者信誉更优。由于存在变量值缺失问题而导致信誉评价模型的价值降低[10], 并难以准确刻画在线信誉的形成及变化趋势[4], 因此(1, 0, -1)评分制无法反映易货者真实信誉。

(3) 没有考虑对好评分作时间衰减处理。国内外学者都曾指出[10, 12], 用户信用存在波动, 对历史评价进行基于时间的衰减可使得信誉收敛到稳定状态。例如, a、b两位易货者在Swaptreasures上均有10笔成功的交换记录, 但a的交换记录全部发生在去年, b的交换记录全部发生在最近一周, 则b的当前信誉度应高于a。但(1, 0, -1)评分制无法对此区分。

(4) 好评率考虑了用户好评分占比, 相对于上述第(2)种方法更好, 但无法体现用户信誉得分的相对重要性(即没有体现出用户得到其好评率的难度)。因此在小样本场景下得到的好评率可信度不高。例如在评价较少时, 用户更容易保持较高的好评率; 当交易记录不断增加后, 用户的好评率通常会有所下降。上述观点的通俗描述即为“ 做一次好事不难, 难的是一辈子做好事” 。

(5) 缺乏针对欺诈交易者的“ 失信惩戒” 机制。

(6) 没有将实名认证、好评分、好评率等指标进行有效聚合, 导致市场管理者难以对易货者信誉做出整体判别。

3 e-BRM模型
3.1 e-BRM优化思路

针对(1, 0, -1)评分制, 本文设计了e-BRM模型。该模型对(1, 0, -1)评分制的整体优化思路如表2所示:

表2 e-BRM模型的优化思路

e-BRM模型通过计算e-Barter市场中易货者的信誉三元组, 即好评率(基于Wilson评分区间)、覆盖率(基于等概率分布)、交易值(基于时效衰减因子、差评惩罚因子、实名认证因子), 进而将此三元组聚合为统一的易货者信誉度。

3.2 基于Wilson评分区间的好评率

由于(1, 0, -1)评分制在小样本场景下得到的好评率可信度不高, 对此本文采用Wilson评分区间(Wilson Score Interval)[13](1927年美国数学家Wilson提出, 专门针对小样本投票进行修正计算)重新计算易货者u的好评率P(u), 如公式(3)所示:

(3)

其中, 为样本中的赞成票比例, 故 [0, 1]; n为样本总体数量; 是一个常数, 为特定置信水平的统计量(若取95%的置信水平, 则z值为1.96)。

在实际应用中, 通常取公式(3)的下限值以计算投票结果, 如公式(4)[13]所示:

(4)

若n足够大, 则有公式(5)[13]:

(5)

3.3 基于等概率分布的覆盖率

针对好评率无法体现用户信誉得分相对重要性而导致小样本场景下易货者信誉可信度不高的问题, 本文提出基于等概率分布(Uniform Distribution)的覆盖率, 其计算思路可简单描述为: 若易货者获得的好评全部来自于不同的交易对象, 则该易货者获得的好评具有最高难度。其背后的朴素思想则是, 由于“ 众口难调” , 要想在每笔易货交易中都使交易对象满意(或说实现人人满意)最为不易。设分布率用 ( )表示, 给予当前易货者(设为u)好评(即 )的交易对象(设为v)集合为U(则有v U), U中不重复交易对象数量用 表示, 好评数用 表示, 进而笔者设计公式(6)计算等概率分布的覆盖率 :

(6)

其中, distinct函数表示计算不重复交易对象的数量; 值越接近1, 表示好评率的获得难度越高, 因此越有助于提升易货者信誉度。

3.4 基于多维因子的交易值

本文设计时效衰减因子、差评惩罚因子、实名认证因子三个指标, 从多维指标角度度量易货者的信誉水平, 目标是通过聚合这些指标得到易货者在交易上体现出的信誉值。本文称之为交易值。

(1) 时效衰减因子

传统Wilson评分区间公式中, 值的计算是设定所有好评的权重均为1后加总平均, 笔者使用公式(7)说明这种计算方法:

(7)

然而, 正如2.2节所述, 好评(也包括交换积分)的权重应该按时效性进行衰减, 更能体现易货者信誉。因此, 将笔者前期研究成果“ 交易时间衰减因子” [14]用于对易货记录的好评进行时效衰减, 在e-BRM中称其为“ 时效衰减因子” , 即近期易货记录比早期易货记录对易货者信誉度水平带来的波动会更大。当易货者完成第i笔交易时(通常定义为该交易得到对方评价的日期), 其交易时间衰减因子wt(i)的计算方法如公式(8)[14]所示:

(8)

其中, tcur表示当前日期, ti表示易货者完成第i笔交易的日期, (tcur- ti)表示上述两个日期之间相差的天数; 易货者在最近一周(7天)之内完成的交易金额不作时间衰减, 此时有wt(i)=1。

(2) 差评惩罚因子

电子易货交易某一方若实施诸如“ 货不对版” 等各种欺诈失信行为, 则该笔交易必会得到另一交易方给予的差评, 同时e-Barter市场也必须将其失信行为反映到欺诈交易者信誉度上。故笔者设计的差评惩罚机制为: 差评惩罚因子 应遵循“ 快降” 策略, 即易货者的信誉分下降速度会随着差评数量的增加而加快, 使易货者珍惜自身信誉, 在一定程度上消除易货者投机心理。在易货者存在差评的情况下, 笔者设计公式(9)计算差评惩罚因子 :

(9)

其中, 表示当前易货者得到的评分总数; 表示该易货者得到的差评总数。下面证明 满足“ 快降” 策略。

证明: 采用反证法。首先令:

从而将公式(9)改写为公式(10):

(10)

若 满足“ 快降” 策略, 则 是单调递增函数, 从而当易货者差评数增加1时, 曲线的切线斜率绝对值会加速增大, 从而用公式(11)表示这种关系:

(11)

由公式(11), 有:

因-1< 0成立, 因此可知 是单调递增函数, 满足“ 快降” 策略。证毕。

(3) 实名认证因子

目前C2C网站大多采用实名认证来审核用户身份, 但通常并不强制要求。这就导致一些不法分子伺机进行欺诈交易。因此, e-Barter网站应鼓励易货者进行实名认证, 并默认自愿完成实名认证的易货者具备更高信誉度。设易货者u的实名认证指标为 (u), (0, 1]。若其通过实名认证, 则 (u)=1; 若易货者没有通过实名认证, 则 值可由e-Barter运营商在(0, 1)区间设置。

(4) 交易值聚合计算

结合时效衰减因子wt(i), 笔者设计了公式(12)计算易货者u的第i笔交易所获交易值 (u, i)的当前余值:

(12)

其中, R(u, i)表示易货者u在第i次交易时得到的(1, 0, -1)评分制评分, 进而笔者设计了公式(13)计算易货者u的交易值T(u):

(13)

其中, n为易货者u达成的交易总次数, wt(i)为时效衰减因子, (u)为实名认证因子。

3.5 e-BRM模型的信誉度聚合

通过以上计算, 可以得到当前易货者的好评率P(u)、覆盖率 、交易值T(u), 之后即可进行聚合计算。由于P(u)、 的值域均为[0, 1], 因此可将其作为交易值T(u)的权重, 实现三者的聚合计算, 得到最终的易货者信誉度。

令当前易货者u的最终信誉度为Y(u), 进而笔者设计公式(14)计算Y(u):

(14)

4 仿真实验
4.1 实验设计

参照本领域国内外学者常用的仿真实验方法[15, 16], 笔者对e-BRM模型进行实验验证。

实验运行环境: 2.93GHz CPU, 2GB内存, Windows XP操作系统, 数据库为Adaptive Server Anywhere 8.0, 模型的计算机程序采用PowerBuilder 9.0编写。

实验数据生成方法: 因难以获取真实交易数据, 本文使用PowerBuilder 9.0开发仿真实验平台, 主要采用Rand( )函数、DataWindow技术随机组合生成交易日期、交易评价、评价者ID等易货数据。平台窗口快照如图2所示:

图2 仿真实验平台窗口快照

基于仿真实验数据集, 抽取两位易货者A、B的交易数据, 如表3-表5所示:

表3 A、B实名认证状态
表4 易货者A的交易数据
表5 易货者B的交易数据

表4和表5中的“ 交易评价” 均为(1, 0, -1)评分制下的评分数据。不难计算出易货者A、B各自的好评率, 如表6所示:

表6 (1, 0, -1)评分制下A、B的好评率

可见, A、B在好评率这项指标上的数据相同。换言之, 在(1, 0, -1)评分制下, 这两位易货者的信誉度相同。然而表3至表5已显示出A、B的交易数据存在诸多差异:

(1) A比B的差评要少, 前者为0, 后者为4;

(2) A的交易全部发生在近一年, 而B的交易分散在近三年;

(3) A已通过实名认证, 而B还未提交实名认证。

可见, A的真实信誉度应高于B。然而, (1, 0, -1)评分制无法对此区分。

4.2 实验结果与分析

下面采用本文提出的e-BRM模型计算A、B二者信誉度。

(1) 实验一: 模型的信誉区分能力分析

本组实验目的是验证e-BRM模型对易货者信誉的区分能力。基于表3至表5的数据, 设定当前日期为2014年12月31日, B的 值为0.8, 采用e-BRM模型求得A、B的评价指标值, 如表7所示。A、B在每次交易达成后的信誉度曲线如图3所示。

表7 e-BRM模型下A、B的评价指标值

图3 A、B的信誉度曲线

表7显示, A、B的信誉度分别为2.445、0.783, 后者仅为前者的32%。这表明在e-BRM模型下A的信誉显著高于B的信誉, 而非二者相等。图3清楚表明, 由于在差评数、交易时间、实名认证等方面, A的表现都要优于B, 因此A的信誉度总是高于B。e-BRM模型计算结果很好地支持了这一判断。

本组实验结果说明, 由于e-BRM模型综合运用Wilson评分区间、覆盖率、时效衰减因子、差评惩罚因子、实名认证因子等指标, 比(1, 0, -1)评分制更能区分易货者的信誉水平。(1, 0, -1)评分制只能计算易货者的好评分和好评率, 从而认定A、B具有相同的信誉度; 而e-BRM模型则能根据更多的评价指标区分二者的信誉度。这将有助于易货者筛选交易对象、防范交易风险。

(2) 实验二: 模型的差评惩罚能力分析

本组实验目的是验证加入差评惩罚因子的e-BRM模型能够快速、有效弱化失信易货者的信誉度。在表5基础上, 假设A、B在后续m次大额交易中均实施欺诈(“ 交易时间” 均设为2014年12月31日), 当然同时他们也会得到受骗易货者的差评(即为-1)。对应交易达成后的评价指标值如表8所示:

表8 差评交易后的e-BRM评价指标值

从表8可看出, 在m=5次的差评交易中, A、B除了覆盖率 不会受影响外, 其他指标包括Wilson评分区间P(u)、交易值T(u)及信誉度Y(u)都会受差评影响而发生变化。在差评惩罚因子作用下, A、B各自的信誉度从2.445、0.783急剧降至-0.757、-1.452, 符合e-BRM模型所遵循的“ 快降” 策略。这样的结果使得A、B通过之前诚信交易而获得的信誉度迅速折损至负数。其中, A做出4次差评交易, 其信誉度就会降至-0.187; B则只要增加两次差评交易, 其信誉度就会降至-0.190。这样的信誉度, 自然会在e-Barter市场中损失任何一位潜在交易者。因此, e-BRM模型中嵌入的差评惩罚因子能够较好抑制交易者的欺诈投机心理和行为, 并对失信交易者做出信誉惩戒。

(3) 实验三: 模型对全体易货者的市场判别能力

本组实验目的是验证对于进入e-Barter市场的全体易货者, e-BRM模型通过计算个体信誉度进行市场判别的能力(可协助运营商制定“ 一对一” 精准营销策略)。具体而言, 基于5组仿真实验数据集(如表9所示), 由(1, 0, -1)评分制得出的计算结果会出现组内为相同好评率的多组易货者(称之为“ 同评者” ), 导致无法对组内易货者做出市场判别。对此, 本文定义市场判别能力指标 , 其中 为e-Barter市场中的易货者总人数, 为不重复信誉度总数。最理想的效果是每位易货者的信誉度都不一样, 此时 。计算结果如表10所示。

表9 总体交易数据统计
表1 0 值计算结果

表10显示, e-BRW模型在5组数据集上的平均 值为97.4%, 相对(1, 0, -1)评分制的60.9%提高了36.5%。可见, e-BRW通过信誉度评价进行市场判别的能力显著优于(1, 0, -1)评分制。综上所述, 三组仿真实验证明了e-BRW模型的有效性。

5 结 语

本文针对当前e-Barter市场(1, 0, -1)信誉评分制无法满足易货者信誉评测要求的问题, 提出一种多维信誉模型e-BRM, 仿真实验结果证明了e-BRM模型的有效性。后续工作将基于前期研究成果[17]设计并实现e-BRM模型的在线增量更新机制, 以提供实时性更好的用户体验。

参考文献
[1] 吴剑云, 张嵩. 电子易货资源匹配模型研究[J]. 管理工程学报, 2012, 26(1): 56-60.
(Wu Jianyun, Zhang Song. A Study on the Model for Resources Matching of Electronic Bartering[J]. Journal of Industrial Engineering and Engineering Management, 2012, 26(1): 56-60. ) [本文引用:1] [CJCR: 1.34]
[2] Akerlof G A. The Market for “Lemon”: Qualitative Uncertainly and the Market Mechanism[J]. The Quarterly Journal of Economics, 1970, 84(3): 488-500. [本文引用:1]
[3] 中华人民共和国工业和信息化部. 电子商务“十二五”发展规划[R]. 北京: 工业和信息化部, 2012.
(The Ministry of Industry and Information Technology of the People’s Republic of China. The 12th Five-year Plan for National Electronic Commerce Development[R]. Beijing: The Ministry of Industry and Information Technology of the People’s Republic of China, 2012. ) [本文引用:1]
[4] Resnick P, Zeckhauser R, Friedman E, et al. Reputation Systems: Facilitating Trust in Internet Interactions[J]. Communications of the ACM, 2000, 43(12): 45-48. [本文引用:2] [JCR: 2.863]
[5] Fan M, Tan Y, Whinston A B. Evaluation and Design of Online Cooperative Feedback Mechanisms for Reputation Management[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(2): 244-254. [本文引用:2] [JCR: 1.815]
[6] Resnick P, Zeckhauser R, Swanson J, et al. The Value of Reputation on eBay: A Controlled Experiment[J]. Experimental Economics, 2006, 9(2): 79-101. [本文引用:1]
[7] Bolton G E, Katok E, Ockenfels A. How Effective are Electronic Reputation Mechanisms? An Experimental Investigation[J]. Management Science, 2004, 50(11): 1587-1602. [本文引用:1] [JCR: 2.524]
[8] Fouss F, Achbany Y, Saerens M. A Probabilistic Reputation Model Based on Transaction Ratings[J]. Information Sciences, 2010, 180(11): 2095-2123. [本文引用:1] [JCR: 3.893]
[9] Wu F, Li H, Kuo Y. Reputation Evaluation for Choosing a Trustworthy Counterparty in C2C E-commerce[J]. Electronic Commerce Research and Applications, 2011, 10(4): 428-436. [本文引用:1] [JCR: 1.304]
[10] 纪淑娴, 胡培, 程飞. 在线信誉管理系统中信用度计算模型研究[J]. 预测, 2008, 27(4): 59-65.
(Ji Shuxian, Hu Pei, Cheng Fei. Research on Credit Calculation Model in Online Reputation Management System[J]. Forecasting, 2008, 27(4): 59-65. ) [本文引用:3] [CJCR: 0.976]
[11] 刘锡文, 蒋俊杰. 社交网络中基于用户投票的推荐机制[J]. 东南大学学报: 自然科学版, 2013, 43(2): 302-306.
(Liu Xiwen, Jiang Junjie. Recommendation Mechanism Based on User Voting in the Social Network[J]. Journal of Southeast University: Natural Science Edition, 2013, 43(2): 302-306. ) [本文引用:1] [CJCR: 0.701]
[12] Huberman B A, Wu F. The Dynamics of Reputations[J]. Journal of Statistical Mechanics: Theory and Experiment, 2004, 4: 1-17. [本文引用:1] [JCR: 2.056]
[13] Wikimedia. Binomial Proportion Confidence Interval [EB/ OL]. [2014-10-24]. http://en.wikipedia.org/wiki/Binomial_proportion_confidence_interval#Wilson_score_interval. [本文引用:3]
[14] 李聪, 梁昌勇. 面向C2C电子商务的多维信誉评价模型[J]. 管理学报, 2012, 9(2): 204-211.
(Li Cong, Liang Changyong. Multi-dimensionality Reputation Evaluation Model for C2C E-commerce[J]. Chinese Journal of Management, 2012, 9(2): 204-211. ) [本文引用:2] [CJCR: 1.164]
[15] Özturan C. Resource Bartering in Data Grids[J]. Scientific Programming, 2004, 12(3): 155-168. [本文引用:1] [JCR: 0.667]
[16] 李慧, 刘东苏. 消除用户主观评价差异的电子商务信誉模型[J]. 现代图书情报技术, 2012(2): 48-52.
(Li Hui, Liu Dongsu. E-commerce Reputation Model Based on Elimination Differences of User Subjective Evaluation[J]. New Technology of Library and Information Service, 2012(2): 48-52. ) [本文引用:1]
[17] 李聪, 梁昌勇. 适应用户兴趣变化的协同过滤增量更新机制[J]. 情报学报, 2010, 29(1): 59-66.
(Li Cong, Liang Changyong. Incremental Updating Mechanism of Collaborative Filtering in Accordance with User Interest Change[J]. Journal of the China Society for Scientific and Technical Information, 2010, 29(1): 59-66. ) [本文引用:1] [CJCR: 1.098]