CN104717244B - 一种基于分布式计算的多维度信誉管理方法 - Google Patents

Abstract

本发明涉及计算机网络领域，提供了一种基于分布式计算的多维度信誉管理方法，从而使用户间的信誉数据更加准确可靠实用，包括：建立多维度等级模型，设定模型中的特征向量；第一节点采集交易信息，并对所述多维度等级模型中的特征向量进行赋值，生成初始信誉信息；第一节点向第二节点实时发送所述初始信誉信息；第二节点实时接收第一节点发送的初始信誉信息；第二节点对初始信誉信息进行均值计算，得出多维度信誉信息。本发明通过建立多维信誉管理机制，邻居节点间实时发送和接收信誉数据，邻居节点对信誉数据进行均值计算，使用户间的信誉数据更加准确可靠实用。

Description

一种基于分布式计算的多维度信誉管理方法

技术领域

本发明涉及计算机网络领域，特别是涉及一种基于分布式计算的多维度信誉管理方法。

背景技术

信誉管理是社会经济活动中的重要问题。具体的，一种信誉管理机制为每个可能参与某种经济活动的个体进行相关的信誉评定和维护。在相关经济活动发生时，相关人员可以参考此信誉管理机制中对方的信誉等级，辅助其做出决策。由于此信誉等级将对实际的经济生活产生重要的影响，因此其必须具备“可靠性”的特点，即一个人的信誉等级应该正确的反映出此人在经济活动中的可信程度。

“可靠性”的要求，使得信誉等级在收集、评定的过程中应该满足“公正性”、“时效性”的特点。即，任何相关经济活动的节点，不具备机会和条件对信誉等级的评定进行违背事实的修改；且，信誉等级的评定应该随着社会经济活动的开展，能正确反映在当前时刻，经济活动节点的可信程度。

由于“可靠性”和“公正性”的要求，传统的信誉管理机制需要依赖经济活动之外的第三方（如政府部门）进行集中式管理。集中式信誉管理在一定程度上可以起到公正的信誉评定和监督的作用，但仍然具有以下几种不足。

评定资源整合困难：作为实施集中式信誉管理的第三方，其首先面临的第一个问题是应该利用什么样的资源和信息进行信誉的评定。通常，这样的资源是多种多样的。如何将他们结合，并生成一个唯一的信誉等级，是一个非常困难的问题。目前，通常的做法是首先确定所维护的信誉等级进行应用的实际环境，然后根据不同信息资源与该实际环境的相关性，对其信息的可取程度进行判定。如目前的银行信誉管理机制中，对于贷款归还是否及时，列为影响信誉的重要因素。这种先确定环境，在根据情况判定信息重要性的做法虽然具有合理性，但是也同时具有过强的针对性。很自然地，这样得到的信誉等级，只适用于预先确定的环境。而且，为多种信息资源，确定其与应用环境的相关性，也存在普遍的难度。

信息收集渠道狭窄：由于“公正性”的要求，作为信誉等级判定的信息资源必须由具备资格的收集渠道来获得。而这一点就决定了，获得此类信息资源的渠道不会很广泛。面临目前网络规模急速扩张，信息***式增长的局面，狭窄的信息渠道，会潜在的造成信息的不完全，或不及时。

***维护成本巨大：由于信誉信息通过集中式的方式进行管理，这就对进行管理的第三方提出了很高的技术要求。面临巨量的信息，对其进行审查、判定、分析甚至存储都意味着巨大的成本支出。而事实上，由集中式管理实现的信誉管理，在接受信誉查询方面，也存在着能力的极限，因此将可能造成信誉查询时的延迟。

发明内容

本发明提供了一种基于分布式计算的多维度信誉管理方法，从而使用户间的信誉数据更加准确可靠实用。

本发明采用如下技术方案：

一种基于分布式计算的多维度信誉管理方法，用于交易信息中的信誉管理，包括：

建立多维度等级模型，设定模型中的特征向量；

第一节点采集交易信息，生成初始信誉信息；

第一节点向第二节点实时发送所述初始信誉信息；

第二节点实时接收第一节点发送的初始信誉信息；

第二节点对初始信誉信息进行整合，得出整合信誉信息；

第二节点根据用户需求，解析整合信誉信息，得到多维度信誉信息。

优选地，所述交易信息为交易双方来往产生的交易数据。

优选地，第一节点收集交易信息后，会根据交易信息和从维护服务器获得的特征向量组，计算初始的多维信誉向量，生成初始信誉信息。

优选地，第一节点和第二节点互为邻居节点。

优选地，所述第二节点对实时接收的初始信誉信息进行整合包括：

显式维度初始信誉信息的均值计算，获得整合信誉信息；

隐式维度的探测和对探测后的隐式维度初始信誉信息的均值计算，获得整合信誉信息。

优选地，所述隐式维度的探测包括：建立初始信誉信息特征向量集合，通过主成份分析处理方法得到特征向量，并作为信誉等级维度的特征向量，以信誉等级维度的特征向量为基底向量，计算得到多维度信息特征向量在新的基底特征向量下的坐标作为隐式维度初始信誉信息。

优选地，所述解析整合信誉信息指，所述第二节点根据所述第一节点信誉信息的向量进行解析，以得到所述第一节点的多维信誉信息。

优选地，所述显式维度探测的均值计算出结果后，第二节点提出请求，利用分析获得的维度，计算得出第一节点的可信度等级，并发送给第二节点。

优选地，所述隐式维度探测的均值计算出结果后，第二节点提出请求，根据第二节点提出的请求寻找对应的特征向量及信誉向量，计算得出信誉信息，并发送给第二节点。

优选地，对所述计算得出的信誉信息，通过向量间的内积计算方法，得出多维度信誉信息。

与现有技术相对，本发明的有益效果在于，通过基于分布式计算的多维度信誉管理方法，邻居节点间实时发送和接收信誉数据，邻居节点对信誉数据进行均值计算，使用户间的信誉数据更加准确可靠实用。

附图说明

图1为本发明一种基于分布式计算的多维度信誉管理方法的流程图；

图2为本发明实施例1显式维度探测的均值计算方法；

图3为本发明实施例2隐式维度探测的方法。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参考图1，一种基于分布式计算的多维度信誉管理方法，用于交易信息中的信誉管理，包括：

建立多维度等级模型，设定模型中的特征向量；

第一节点采集交易信息，生成初始信誉信息；

第一节点向第二节点实时发送所述初始信誉信息；

第二节点实时接收第一节点发送的初始信誉信息；

第二节点对初始信誉信息进行整合，得出整合信誉信息；

第二节点根据用户需求，解析整合信誉信息，得到多维度信誉信息。

优选地，所述交易信息为交易双方来往产生的交易数据。

优选地，第一节点收集交易信息后，会根据交易信息和从维护服务器获得的特征向量组，计算初始的多维信誉向量，生成初始信誉信息。

优选地，第一节点和第二节点互为邻居节点。

优选地，所述第二节点对实时接收的初始信誉信息进行整合包括：

显式维度初始信誉信息的均值计算，获得整合信誉信息；

隐式维度的探测和对探测后的隐式维度初始信誉信息的均值计算，获得整合信誉信息。

优选地，所述隐式维度的探测包括：建立初始信誉信息特征向量集合，通过主成份分析处理方法得到特征向量，并作为信誉等级维度的特征向量，以信誉等级维度的特征向量为基底向量，计算得到多维度信息特征向量在新的基底特征向量下的坐标作为隐式维度初始信誉信息。

优选地，所述解析整合信誉信息指，所述第二节点根据所述第一节点信誉信息的向量进行解析，以得到所述第一节点的多维信誉信息。

优选地，所述显式维度探测的均值计算出结果后，第二节点提出请求，利用分析获得的维度，计算得出第一节点的可信度等级，并发送给第二节点。

优选地，所述隐式维度探测的均值计算出结果后，第二节点提出请求，根据第二节点提出的请求寻找对应的特征向量及信誉向量，计算得出信誉信息，并发送给第二节点。

优选地，对所述计算得出的信誉信息，通过向量间的内积计算方法，得出多维度信誉信息。

与现有技术相对，本发明的有益效果在于，通过基于分布式计算的多维度信誉管理方法，邻居节点间实时发送和接收信誉数据，邻居节点对信誉数据进行均值计算，使用户间的信誉数据更加准确可靠实用。

实施例1：

请参考图1和图2，本发明实施例1提供了一种基于分布式计算的多维度信誉管理方法中针对显式维度探测的信誉信息处理方法。

以网络购物为例子，阐明在信誉维度可以显示确定的情况下，该专利中的方案的实施方式。

根据目前的网络购物常例，买家较为关注的信息有“产品质量”，“物流速度”，“产品质量”和“售后服务”几个方面。为阐述便利，我们取这三个方面作为例子。而卖家比较关心的是买家的“付款速度”，“满意程度”等方面。

步骤S1：建立多维度等级模型，设定模型中的特征向量。

在模型中，我们将每个用户的信誉等级，用一个5维特征向量进行表示（如a，b，c，d，e）。其中，数字a将反应商家所售产品是否符合其描述，以及是否具有质量方面的问题；数字b将放映卖家是否能及时发货，且买家是否能在合理时间内获得产品；数字c将反应卖家是否在售后服务方面处理得当；数字d反应用户作为买家，是否及时确认交易，完成付款；数字e反应用户作为买家，在完成交易后是否有不合理的售后服务要求。

步骤S2：第一节点采集交易信息，并对所述多维度等级模型中的特征向量进行赋值，生成初始信誉信息。

在分布式信誉管理方法中，每一个买家或卖家都可以是节点。通过对其交易账户信息（如淘宝信息，支付宝信息）进行统计，在每一次交易完成时，将按如下方式进行信息收集：

作为交易的买方，如果交易顺利完成并确认，我们可认定卖方的货物符合质量要求，因此记a=1，否则，记a=0；计算交易开始到结束的时间差，并令b等于该时间差，以此综合反应卖方发货和物流的速度；如果在交易后，买方提出投诉或类似的行为，我们认为卖方在售后服务方面可能存在问题，令c为1，否则c为0。如此，针对一次交易，可以获得（a，b，c，*，*）这样一条关于卖家信誉的信息，其中，后两维度由于不适用，因而缺省。

类似的，作为交易的卖方，如果我们计算买方由确认交易，到实际付款的时间差，令d为此时间差；如果卖方在交易后提出投诉或类似行为，我们认为买方在产品或服务方面的要求，可能存在不合理的成分，因此记e为1，否则，记e为0。这样，通过每一次交易，我们将获得（*，*，*，d，e）这样一条针对买家信誉的信息。

步骤S3：第一节点向第二节点实时发送所述初始信誉信息。

处于网络拓扑结构中的各个节点，实时进行节点信息的发送和收取。一个节点，将其持有的关于其他所有者的信誉信息，通过特定的网络拓扑结构，传递给其在网络中的邻居节点。

步骤S4：第二节点实时接收第一节点发送的初始信誉信息。

每一个节点都不断接收由其邻居节点发送来的信息。

步骤S5：第二节点对初始信誉信息进行均值计算，得出多维度信誉信息；

当一个节点从其他节点获得信息后，需要对其进行整合。具体来讲，当一个节点收到关于某一个节点的多条信誉信息，节点需要对这些信息进行整合。使用平均值计算的方法，对多个信息进行合并。即对于所取信息特征向量中的每一个分量，通过计算平均值的方法获得新值。节点A获得（从其他节点收取，或自己与B交易后计算得到）关于节点B的三条信誉记录：（1，3，1，*，*）、（0，5，0，*，*）、（1，1，0，*，*）。进行均值计算后，得到一条关于节点B的信誉信息，（2/3,7/3,1/3）。对于确实的值，不加入均值计算。之后，节点A只将整合后关于节点B的信息发送出去，之前的三个特征向量直接丢弃。

在任何时刻，各个节点存储的只是在上一轮信息传递过程中从其他节点获得的信息，和刚刚发生的交易中它自己收集的信息。这一点保证了作为任何节点，其存储信息数量被保持在接近线性复杂度的级别，从而不会造成存储空间的压力。

当节点A获得了关于节点B的信誉信息后，需要根据实际应用的情况，对表示信誉信息的5维向量（a，b，c，d，e）进行解析，得出多维度信誉等级信息。

在节点A需要获得关于节点B的信息时，一种可能是节点A在上一轮刚好获得了关于节点B的信誉信息。这种情况下，A可以方面的进行信息查询。另一种可能是，A在上一轮没有获得节点B的信誉信息。这种情况下，A需要等待几轮时间。当信誉机制网络的拓扑结构符合社交网络特征时，A将在相对极短时间内（根据相关研究对社交网络直径的结论，通常只需10轮左右）即可获得关于节点B的信息。由于该专利提出的方法，在执行中基于分布式的计算机程序，每一轮的时间非常短暂。因此，为了等待关于节点B的下信息，节点A不需要付出很多时间。而且，由于在经济活动中，交易网络通常具有社区化的特征，即相互交易的用户之间，形成相对连接紧密的子网络结构，在大部分交易对信誉等级产生需要时，相关节点的信息极有可能在1到2轮之内就可获得。

更深层次的方式为，第二节点对结果进行解析，第二节点提出请求，利用获得的维度，计算得出第一节点的可信度等级，并发送给第二节点。

一个节点作为卖家的信誉等级，事实上与其作为买家时的某些信息有很强的关联性，因此***将根据节点A提出的请求，如请求B的卖家信誉信息，利用获得的有参考性的几个维度，计算得出关于节点B当前作为卖家的可信度等级，如使用一个处于0到1之间的实数，并报告给节点A。节点A可以依据该数的大小，直接而有效的了解节点B作为卖家的可信任程度。

实施例2

请参考图1和图3，在此实例中，我们仍然以网络购物为例子，阐述当信誉等级的维度为隐式维度探测的情况。

根据目前的网络购物常例，买家较为关注的信息有“产品质量”，“物流速度”，“产品质量”和“售后服务”几个方面。为阐述便利，我们取这三个方面作为例子。而卖家比较关心的是买家的“付款速度”，“满意程度”等方面。

步骤S1：建立多维度等级模型，设定模型中的特征向量。

在模型中，我们将每个用户的信誉等级，用一个5维向量进行表示（a，b，c，d，e）。其中，数字a将反应商家所售产品是否符合其描述，以及是否具有质量方面的问题；数字b将放映卖家是否能及时发货，且买家是否能在合理时间内获得产品；数字c将反应卖家是否在售后服务方面处理得当；数字d反应用户作为买家，是否及时确认交易，完成付款；数字e反应用户作为买家，在完成交易后是否有不合理的售后服务要求。

步骤S2：第一节点采集交易信息，并对所述多维度等级模型中的特征向量进行赋值，生成初始信誉信息。

分布式信誉管理机制中，每一个买家或卖家都可以是节点。通过对其交易账户（如淘宝信息，支付宝信息）进行统计，在每一次交易完成时，该专利方案提出的机制，将按如下方式进行信息收集。

作为交易的买方，如果交易顺利完成并确认，我们可认定卖方的货物符合质量要求，因此记a=1。否则，记a=0；计算交易开始到结束的时间差，并令b等于该时间差，以此综合反应卖方发货和物流的速度；如果在交易后，买方提出投诉或类似的行为，我们认为卖方在售后服务方面可能存在问题，令c为1，否则c为0。如此，针对一次交易，可以获得（a，b，c，*，*）这样一条关于卖家信誉的信息，其中，后两维度由于不适用，因而缺省。

类似的，作为交易的卖方，如果我们计算买方由确认交易，到实际付款的时间差，令d为此时间差；如果卖方在交易后提出投诉或类似行为，我们认为买方在产品或服务方面的要求，可能存在不合理的成分，因此记e为1，否则，记e为0。这样，通过每一次交易，我们将获得（*，*，*，d，e）这样一条针对买家信誉的信息。

步骤S3：第一节点向第二节点实时发送所述初始信誉信息。

处于信誉等级机制中的各个节点，实时进行者信息的发和收取。一个节点，将其持有的关于其他所有者的信誉信息，通过特定的网络拓扑结构，传递给其在网络中的邻居节点。

步骤S4：第二节点实时接收第一节点发送的初始信誉信息。

每一个节点都不断收取由其邻居节点发送来的信息。

步骤S5：第二节点对初始信誉信息进行均值计算，得出多维度信誉信息；

建立一个初始的信誉信息集合。在电子购物的例子中，即一个由5维的向量构成的集合。该集合中的向量具有稀疏性的特点。即大部分的信息，都有几个分量是缺失的。根据特征向量探测的理论，在大部分活动中，有效的信息维度远远低于可获得信誉维度。在此例子中，即可以假设实际有效的信誉等级维度数目要低于5。

为了获得实际有效的信息维度，可以对已有的信息向量集合，使用主成分分析的处理方法。此类方法广泛应用于稀疏矩阵降维的领域。其原理是将已有的5维信息向量组成一个列数为5的矩阵，通过对该矩阵的协方差矩阵，进行谱分析计算，获得对应显著特征值的特征向量。这些特征向量所代表的方向，可以用来作为信誉等级维度的特征向量。以这些特征向量，数目少于5个，为基向量，我们可以计算已有的5维信息向量在新的基底下的坐标。并以此坐标作为***使用的最终信誉等级向量，比如3维。

在进行信息整合时，一个节点持有的有两类向量，一类是从其他节点获得的3维的信誉向量，还有一类是该节点收集的5维的信息向量。为了进行信息整合，首先该节点将根据信誉模型的维度特征向量，即基底向量，计算其收集的5维信息向量在基底下的坐标，并获得其对应的3维信誉向量。

之后，该节点将对其所持有的关于同一节点的3维信誉向量，以平均值计算的方式进行整合，并将新得到的信誉向量，发送给网络中的邻居节点。

在信息提取方面，节点A提出想要了解节点B“产品质量”的信息（即信息向量中a反应的信息），***根据产品质量在信誉等级***中的特征向量（即5维信息向量的第一维向量，在3维信誉维度中的投影/特征），以及节点B的3维信誉向量，来计算出一个可信度参数，可信度参数的计算方法，可以使用向量间的内积计算。并将此参数返回给节点A，以此作为多维信誉等级信息。

与现有技术相对，本发明的有益效果在于，通过基于分布式计算的多维度信誉管理方法，邻居节点间实时发送和接收信誉数据，邻居节点对信誉数据进行均值计算，使用户间的信誉数据更加准确可靠实用。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于分布式计算的多维度信誉管理方法，用于交易信息中的信誉管理，其特征在于，包括：

建立多维度等级模型，设定模型中的特征向量；

第一节点采集交易信息，并对所述多维度等级模型中的特征向量进行赋值，生成初始信誉信息；

第一节点向第二节点实时发送所述初始信誉信息；

第二节点实时接收第一节点发送的初始信誉信息；

第二节点对初始信誉信息进行整合，得出整合信誉信息；

第二节点根据用户需求，解析整合信誉信息，得到多维度信誉信息；

所述第二节点对初始信誉信息进行整合包括：

显式维度初始信誉信息的均值计算，获得第一整合信誉信息；

隐式维度的探测和对探测后的隐式维度初始信誉信息的均值计算，获得第二整合信誉信息，其中所述整合信誉信息包括第一整合信誉信息和第二整合信誉信息；

所述隐式维度的探测包括：建立初始信誉信息特征向量集合，通过主成份分析处理方法得到特征向量，并作为信誉等级维度的特征向量，以信誉等级维度的特征向量为基底向量，计算得到多维度信息特征向量在所述基底向量下的坐标作为隐式维度初始信誉信息。

2.根据权利要求1所述的方法，其特征在于，所述交易信息为交易双方来往产生的交易数据。

3.根据权利要求1所述的方法，其特征在于，第一节点和第二节点互为邻居节点。

4.根据权利要求1所述的方法，其特征在于，所述解析整合信誉信息指，所述第二节点根据所述第一节点发送的初始信誉信息的向量进行解析，以得到所述第一节点的多维信誉信息。

5.根据权利要求1所述的方法，其特征在于，所述显式维度初始信誉信息的均值计算出结果后，第二节点提出请求，***利用分析获得的维度，计算得出第一节点的可信度等级，并发送给第二节点。

6.根据权利要求1所述的方法，其特征在于，所述隐式维度初始信誉信息的均值计算出结果后，第二节点提出请求，***根据第二节点提出的请求寻找对应的特征向量及信誉向量，计算得出信誉信息，并发送给第二节点。

7.根据权利要求1所述的方法，其特征在于，对所述计算得出的整合信誉信息，通过向量间的内积计算方法，得出多维度信誉信息。