基于客户诚信交易的信誉计算模型

1基于客户诚信交易的信誉计算模型本文提出的模型在信誉计算中，考查商家在交易过程中的行为表现的同时，也将评分客户的信誉状况纳入考查范围，并根据客户的具体行为采取相应的奖励和惩罚措施。模型在考虑客户对商家信誉反馈以及对其他客户的推荐信息的真实可靠性问题上，会同时参考评分客户本身的信誉状况，由此得到的客户反馈或推荐信息更具有客观性和准确性。这样不但可以降低恶意用户进行共谋推荐和恶意反馈的可行性，而且也有助于减少部分不良评分对商家信誉计算的干扰作用。1信任的建立信任信息主要来自于实体的观察判断以及第三方的推荐信息，这些因素构成了交易实体对目标实体的总体认识。主观信任是一种人类的认知现象，是对实体的特征或行为的认知程度的主观判断，也是信任关系的重要前提和基础。仅仅综合考虑一部分交易客户反馈的信息，而不考虑客户自身对交易对象的直接信任，存在明显的缺陷。由于信任决策依赖于综合评价信任，如果部分信息不可信，必然会误导客户。为了避免这种缺陷，客户的交易决策应该依赖于直接信任和推荐信任。直接信任是指通过实体之间的直接交互信息得到的信任关系。推荐信任是指两个以前没有建立信任关系，但双方与共同的第三方有信任关系，这个可信的第三方可为两个实体的信任进行担保，由此建立起来的信任关系。信任模型的影响因素主要体现在交易价值、商家信誉和客户反馈三个方面。交易价值是影响信任的重要因素。交易价值越大，交易风险也越大，客户也更加难以信任商家。也就是说对交易目标的信誉要求也会更高。同小交易额相比，大额交易的成功对商家的信誉增值应该更大，同时，大额交易的失败对商家的信誉损失也会更大。为此需要参考交易价值因素，根据不同的交易价值来衡量商家信誉值的变化，一方面可以鼓励大额诚信交易，另一方面也能降低信誉欺诈行为对信任计算的负面效应。另外，由于其他交易实体也无法对推荐客户的信任度有一个较为准确的定性，因此在计算信任度时，应考虑评分客户本身的信誉值，对多个客户的反馈评分统一衡量，既要尽量有效地利用客观、可靠的客户评分，准确地反映客户的评价信息，同时又要降低某些不良评分的负面影响，降低共谋评分的影响效果和可行性。这样可以在一定程度上抵制恶意客户之间的信誉共谋、防范信誉欺诈行为，也能够作为其他客户对推荐反馈者的信任度参考信息。2商家信誉值商家信誉值通常是客户决定是否与其进行交易活动的主要因素，在本模型中主要是由系统对交易的成败进行评分以及多个交易客户的反馈评分共同决定的。为鼓励诚信交易，打击网上恶意欺诈行为，系统根据交易结果对商家采取客观、准确的奖励或惩罚措施。对在一次电子商务交易中，商家在一次成功交易中所涉及的价值越高，则该商家就越可信，相应的信誉奖励也应该越大。同样地，在一次电子交易中，商家进行欺诈交易所涉及的价值越高，系统对其信誉的惩罚力度也越重。假设z表示当前一次交易的交易额，)(zs表示商家交易成功后，系统对其信誉值的奖励加分值，当交易额越大，系统的奖励效应也越大，这样有利于鼓励商家进行大额诚信交易。iz表示最近纳入考虑范围的第i次)1(ni交易额大小。n为该商家最近所进行的交易数，即仅采用最近的n次交易价值来衡量信誉值。0z是商家信誉变化幅度调节因子。由于成功交易额越大，所带来的奖励效应越大，因此得到)(zs的计算式：01||)(zzzzsnii用)(zf表示交易失败后，系统对信誉分值的惩罚函数，因为欺诈交易额越大，所带来的惩罚力度就越大，设m为纳入评分考虑范围的最近m次交易，且约定当交易成功时，0)(zf；交易失败时，系统将根据恶意商家的具体欺诈行为采取不同程度的惩罚措施。因此得到惩罚函数)(zf的计算式：201||||)(zzzzfmii电子交易过程中往往存在这样一种现象：当商家信誉值较低时进行正当交易以实现信誉值的增长，当信誉值增长到一定程度时就开始进行欺诈行为，如此反复下去。为降低这种交易欺诈行为的可行性，引入惩罚系数因子)(nc，用来调节对不良交易行为的惩罚力度。其中，n表示截止到最近一次交易为止，该商家进行欺诈交易的累计次数，)(nc随欺诈交易的累计次数成非正比变化。由于)(nc随欺诈交易累计次数的增多而快速变化，当商家首先通过多次小额交易获取一定的信誉值后，再伺机进行大额欺诈交易时，那么该商家在下一次小额成功交易中所获取的奖励分会急剧减少；同时，当该商家再度重复进行同样的欺诈交易行为时，系统对其惩罚力度也会逐步加剧。这样可以在很大程度上降低上述这种欺诈交易方案的可行性和发生概率。为防止已注册商家因为信誉问题而变换身份重新注册来继续进行交易欺诈行为这种现象，可以规定新注册用户的初始信誉值为0，且注册商家可以支付一定费用来提高其初始信誉值。信誉反馈评分是计算商家信誉值的基础信息，是由信誉值较高的交易客户对商家的评分数据，一般能客观反映商家信誉值的变化情况。在计算客户信誉反馈评分时，采取对近期交易的M个评分数据进行综合计算的措施，这样可以随时反映商家行为的动态变化，有利于客户做出更为合理的决定，可以有效地制止交易欺诈，鼓励诚信交易。为此，以MibiibiiRtRw1表示在客户集合中第i位客户在反馈评分中所占的权重，权重大小与客户本身的信誉值紧密相关。即客户信誉值越大，其反馈评分的客观性和准确度也就相对越高，基于这一点，采用第i位客户信誉值在M个评分客户信誉值总和中的权重大小来体现相应的客观性和准确度。由于电子交易的动态变化性和不确定性，距离当前交易历史越久，客户反馈信息的可信度就越低，而在最新交易中反馈信息的参考价值也就越高，由此引入时间退化因子it，用以表示客户反馈信息在当前状态下的可靠程度。若用nsR表示第n次交易之后商家的信誉值，1k，2k为常数，iv表示第i位客户的反馈值。对不同因子加上不同的权重，得到商家信誉模型的形式化描述为：MiibMiibMiiiibnsnsRRtvRRkzfnckzsR111121)1(1)1()()()(（1）3客户信誉值引起客户信誉值的变化的因素主要是客户在反馈或推荐过程中的评分准确度，对n个客户的推荐或反馈值集合),(21nrrrR，系统可以根据模型计算出目标商家的信誉综合值r，当客户的评分与商家信誉综合值之间的偏差在一定范围内时，认为推荐或反馈合理。系统在引入客户信誉因子之后，在客户信誉计算中可能会存在某些信誉较差的客户不断地进行恶意诋毁或共谋评分行为。若)1,0()(ibR表示合理度阈值，随评分客户当前信誉值的高低动态取值，客户信誉值根据前一次的推荐或反馈合理程度动态变化。其中以rrri表示客户评分与模型估计值之间的偏差程度，以此来衡量推荐客户推荐的合理度。客户信誉值计算表达式为：1)(nbrRnbReRib（2）当推荐偏差r时，认为推荐或反馈合理，系统会对客户的合理推荐行为采取相应的奖励措施；当推荐偏差r时，则认为是蓄意诋毁或恶意推荐，系统也会相应地降低客户的信誉值。评分合理度阈值)(ibR的取值大小随评分客户当前的信誉值高低变化，客户的信誉值越高，其合理度阈值也越大，客户评分的允许偏差也越大。反之，客户的信誉值越低，其对应的合理度阈值也越低。这样当一些恶意客户进行恶意反馈、共谋评分行为到3一定程度而导致其信誉值较低时，系统将会降低其评分合理度阈值大小，缩小允许的偏差范围，以此迫使其进行更为合理的评分，从而可以进一步地防止恶意诋毁、共谋评分的不良行为。4目标实体信任度的计算目标实体的信任度计算分为主观计算和客观计算两部分，分别对主观信任P以及推荐信任Q选取不同的权重综合计算而得。假定目标交易实体的信誉值估计以Y来表示，以表示交易主体对目标实体的主观信任度，那么存在线性关系：QPY)1(.1.实体信任的计算，将商家的信誉值以及客户自身对其历史交易的满意度作为参考因素。2.推荐信任度的计算，将推荐信任值进行简单合成计算并不合理，除此之外还要考虑相应的合成信任强度。合成信任强度定义：当存在k个并行的中间推荐实体时，则多个推荐实体的合成信任强度为kiiSS1)1(1当交易客户接受n个客户推荐信息，那么综合信任度T为niiibniiibniiiibRRrRT111)]1(1[)()(ibR为客户信誉值，作为实体对该客户的信任程度，式中以该值作为各客户推荐的权重。)1,1(i为权重调节因子，根据客户自身对不同推荐实体的信任度不同，取不同的值。对交易实体熟悉的推荐客户而言，取正值；对交易实体不太信任的推荐者，取负值。这样交易客户可以将朋友以及陌生人的推荐信息区别看待。3.引入交易额修正因子，交易额越大，交易风险也越大，交易客户对目标商家实体的信任度要求也会更高，因此需要对信誉计算值进行风险度修正，这样可以减少风险交易发生的概率，从而降低客户因大额交易欺诈所带来的损失。一般而言，商家对小额交易采取欺诈行为的概率比较低，当交易额低于某个参考临界值时，可认为不存在交易欺诈风险。假设待交易额为z，以目标商家在最近一时间段内的最高成功交易额Max为参考临界值，以)(zpMax作为交易额修正因子，)(zp随交易额变化并满足Maxzp)(，且规定当Maxz时，Maxzp)(。综合各式得商家信誉估计计算表达式：niiibniiibniiiibsnRRrRRzpMaxY111)]}1(1[)()()1({)(（3）客户根据自己对商家的已知信息和主观评价以及其他客户的推荐信息，根据以上表达式可以估计商家的信任度Y，客户将估计值与自己所定的阈值作比较：若1Y，表示目标实体可充分信任；若12Y，则表示目标实体弱可信任；若2Y，则表示目标实体不可信任。5示例仿真假定客户反馈合理度阈值)(ibR的取值方案为：0.20.8ibR10.140.7ibR0.8)(ibR＝0.100.6ibR0.70.070.5ibR0.60.050ibR0.5若商家信誉初始值为0.8，恶意客户规模为客户总体的60%，假定这些恶意客户按以下方式进行恶意评分：每个恶意客户在反馈评分时，都进行允许范围内的最低反馈评分。采用本模型的信誉估计计算方式和5级反馈模型评4分方式，得到的商家信誉估计值变化曲线比较如图1所示。通过对客户进行恶意评分时信誉值变化的计算可以看到不同规模的恶意客户连续进行恶意评分时的信誉值变化如图2所示。图1客户恶意反馈情况下商家信誉估计值比较图2客户连续进行恶意评分时的信誉值变化图1表明：恶意客户规模的增大对模型的信誉值的估计并无明显影响，信誉评分系统的估计偏差不会因为恶意客户比例的增大而明显变化。另外，本模型的信誉估计偏差与5级反馈模型相比明显要低，表现出了明显的优势。从图2可以看出不同规模恶意客户进行恶意推荐或恶意诋毁的情况下，图中信誉值变化曲线的走向趋势都非常相似，表明本模型在信誉估计上具有很好的稳定性和准确度，不会因为在电子交易过程中恶意用户比例的增大和不良评分的比重加大而导致在信誉估计上出现较为明显的偏差。针对本模型，取1k＝2k＝1，0z＝200，)(nc={1,2,4,8,16,…21n}，对商家进行欺诈交易行为进行模拟实现。假定一个恶意商家采用如下方式进行交易欺诈：每当信誉值低于0.75时，就进行正当交易以获得交易成功奖励分；否则开始进行大额交易欺诈。其中小额交易值为10，大额交易欺诈为20。系统对商家欺诈交易行为所采取的惩罚措施为：系统作为x个完全可信任客户介入评分，对该次欺诈交易进行客观反馈，其中所有系统客户的信誉值10R，反馈评分00r。其中x值的大小由欺诈交易额的大小来决定。根据模型模拟恶意商家的行为所得的信誉值变化曲线如图3所示。图3商家进行欺诈交易的信誉值变化从图3可以看出，欺诈交易额不变的情况下，随着恶意商家进行交易欺诈行为累计次数的增多，系统对恶意商家交易欺诈行为的惩罚力度也在逐步加大。恶意商家每进行一次新的交易欺诈行为，其信誉值的下降幅度也较上次剧烈，该商家