如今,信任已成为电子商务中客户选择卖方的一个重要判决因素。为此,国内外各大电子商务平台(例如淘宝^{[ 1]}、eBay^{[ 2]}、Epinions^{[ 3]}等)均建立了信用评价体系和信用等级图示系统,用以衡量卖家的历史信用度,同时通过与搜索引擎相关联起到对卖家诚信的激励作用。但目前商用的信任评价级别只有:好评、中评、差评,很难对被评价方的信任程度做出精准的判定。针对这一问题,国内外学者分别采用概率、贝叶斯网络、模糊逻辑、博弈论、社会网络、层次分析、云模型等理论和方法建立信任模型和信誉系统。其中典型的有Marsh^{[ 4]}提出的信任计算模型、Jøsang^{[ 5]}建立的Beta信誉模型、Chang等^{[ 6]}建立的基于马尔可夫链的信任模型、Caverlee等^{[ 7]}构建的用于可信社会信息管理的社会信任框架、甘早斌等^{[ 8]}设计的基于声誉的多维度信任计算方法、Tajeddine等^{[ 9]}创建的基于信誉的模糊信任模型以及王守信等^{[ 10]}提出的基于云模型的主观信任评价方法。这些模型都对信任和信誉进行了量化,实现了主观信任的形式化推理,在一定程度上解决了信任的主观性、模糊性、不确定性和随机性等问题。

由于知识背景、自身经验等的不同,每个用户已形成了自己的信任评价习惯,即评价主观性。例如,有的用户购物后进行反馈评价时打分偏高,而有的用户则打分偏低。这样会造成在购买物品、卖家、服务完全相同的情况下,不同买家对同一卖家的信任评价存在差异,从而影响根据信任评价计算出的卖家信誉的客观性和正确性,以及信任传递的准确性。为了解决这一问题,Hasan等^{[ 11, 12]}提出了基于统计的差异消除算法,并将其用于信任推荐和普适环境的访问控制,但该方法不能防止评价方的恶意欺诈,同时存在冷启动问题。Du等^{[ 13]}通过计算服务请求者和服务提供者之间的语义相似度来提高推荐信任的可靠性,消除主观差异,可是该信任评价模型只适用于基于用户喜好的Web服务发现,不适用于电子商务系统。此外,Lewis^{[ 14]}采用数据包络分析和因子得分效率相结合的方法去除目标规划中的主观性,该方法在电子商务信任评价中的应用还需要进一步的探讨。

针对电子商务信誉系统中信任评价的主观差异问题,本文设计了用户信任评价主观差异的自动发现与消除算法,并据此构建了电子商务的信誉计算与管理模型,最后运用随机图生成实验数据,在Matlab中验证主观评价差异消除算法的正确性与有效性。与现有的主观评价差异消除算法相比,此算法有较好的计算准确度,同时通过选取标准用户避免了冷启动的问题,并在一定程度上可以抵抗信任欺诈。

在电子商务环境下,信誉系统用于统计和显示卖方在电子商务交易中的诚信度,并为买方提供信誉查询服务。依据提出的消除用户主观评价差异的算法,设计电子商务信誉计算与管理模型,如图1所示:

图1

	Figure Option ViewDownloadNew Window
	图1 电子商务信誉系统模型

该模型由信任评价收集、用户主观评价差异消除、信誉计算和信誉检索4个模块组成。

(1)信任评价收集

该模块负责收集用户在交易完成之后对卖方的信任评价信息,并依据买方的个人信息、交易详情对信任反馈信息进行过滤,去除恶意评价和以信誉榨取为目的的评价,最后存储买方的原始信任评价。

(2)用户主观评价差异消除

在计算卖方的信誉度之前,先要采用主观评价差异消除算法,并依据选定的信任平移标准对买方的原始信任评价进行预处理,以保证信誉计算结果的客观性和准确性。

(3)信誉计算

为体现卖方信誉随时间的动态变化,本文以信任评价用户数、信任评价时间、当前时间、消除用户主观差异的信任评价值作为参数,建立的信誉计算公式为:

R= (1)

其中,m表示对卖方u_j进行信任评价的用户数;s_i表示第i个用户对u_j的信任评价次数;t_k表示信任评价的时间;e^(-λΔt)是时间衰退因子,用于弱化早期的信任评价对卖方当前信誉值的影响,Δt是当前时间和信任评价时间的差值,λ用于调节e^(-λΔt)的衰退速度,其取值范围是0≤λ≤1,e^(-λΔt)随Δt和λ的变化趋势如图2所示; 是消除评价主观性后用户u_i在t_k时刻对u_j的信任评价值。

图2

	Figure Option ViewDownloadNew Window
	图2 e(-λΔt)变化趋势示意图

(4)信誉检索

用户u_q在电子商务网站选择卖家时,除了查看卖家的商品、配送和售后等信息外,还可以通过信誉系统检索卖家的信誉度。用户发出查询请求之后,信誉检索器在信誉库中进行查找,将结果输入信誉转换器。信誉转换器在原始信任评价存储器中查找用户u_q的信任评价倾向,并依据u_q的信任评价喜好对卖家的信誉进行转化,把结果发送给用户u_q。如果用户u_q是一个新用户,则直接将查询结果发送给u_q。

通过仿真实验验证本文的主观评价差异消除算法具有能够提高信誉计算准确性的性能。首先给定卖方的真实信任值,然后采用随机图生成具有主观差异的信任评价网络,具体算法参见文献[11]。该算法生成的信任评价网络是一个有向图,其中每个节点表示电子商务中的实体,每条边表示买方在交易成功后对卖方的信任评价,并用边的权重表示具体的信任值。为了体现用户的信任评价主观性,给每个节点均随机生成相应的主观因子。最终的信任评价值是卖方的真实信任值与主观因子的幂。

实验运行环境如下:CPU为Intel P4 3.0GHz,内存 2GB, 操作系统为Windows XP SP3,软件运行平台为Matlab7.1。运用上述算法^{[ 11]}生成具有50个节点的信任评价网络,分别采用本文提出的主观评价差异消除算法和Hasan的算法对评价网络中的信任值进行预处理,根据公式(1)计算用户的信誉值。同时以原始信任评价值作为参数,运用加权平均的方法计算用户的信誉。在50个节点的真实信任值不变的前提下,将“生成原始数据-去除主观性-计算信誉”的过程重复进行20次。三种不同算法对每个卖方信誉值的平均计算结果和真实值的对比如图3所示:

图3

	Figure Option ViewDownloadNew Window
	图3 信誉计算结果比较

横轴表示被评价方(卖方)的编号,纵轴表示卖方的归一化信誉值。其中,用本文算法计算出的信誉值比Hasan算法的计算结果更接近真实值的比例为76%,优于未去除主观性计算结果的比例为82%。由此可以看出,运用本文算法计算出的信誉值更接近卖方的真实信任值,可以为用户在电子商务平台选择卖方时提供精准的决策支持。

为了更直观地验证本文算法的有效性,对三种不同算法20次计算结果的平均绝对误差值进行比较,如图4所示:

图4

	Figure Option ViewDownloadNew Window
	图4 三种信誉算法的计算误差

本文算法、Hasan算法和未去除差异算法的平均绝对误差值均值分别是0.0141,0.0234,0.0352;平均绝对误差的最大值分别是0.0996,0.0788,0.1009。从以上分析可以看出本文提出的主观差异消除算法可以大幅提高信誉计算结果的准确性。

为了验证本文提出的主观差异消除算法抵抗信任欺诈的性能,在原信任评价网络中选取编号为1,8,15,17,23,26,36,45的卖方引入恶意和虚假的信任评价值。然后分别采用本算法和Hasan算法对原始数据进行处理,计算卖方的信誉值,重复进行20次,平均计算结果如图5所示:

图5

	Figure Option ViewDownloadNew Window
	图5 两种算法的抗信任欺诈性比较

本文算法的平均绝对误差为0.1088,最大偏离程度为20%,最小偏离程度为2%;Hasan算法的平均绝对误差为0.2871,最大偏离程度为35%,最小偏离程度为16%。从以上分析可以看出:本文算法具有较好的抗信任欺诈性。但该算法还存在数据稀疏性问题,当某个用户的信任评价数据很少时,会影响计算结果的准确性。

电子商务中信誉管理系统不仅可以帮助买方选择合适的卖方,而且对商家有一定的激励作用。本文就用户信任评价主观性影响信誉计算结果准确性这一问题,提出相应的主观评价差异消除算法,并构建了电子商务信誉系统模型、给出具体的信誉计算公式。仿真实验结果证明消除用户主观评价差异可以提高信誉计算的准确度和客观性,并且该算法具备抗信任欺诈的特性。

本文只采用模拟数据对用户主观差异消除算法的有效性进行了验证。后续工作包括采用电子商务网站的真实数据验证算法的准确性,以及利用数据库、信息检索等技术开发电子商务信誉系统原型,实现对交易反馈和卖方信誉的动态存储与管理。