在线信誉管理系统中信用度计算模型研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇在线信誉管理系统中信用度计算模型研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：电子商务改变了传统商务的经营模式，交易双方难以通过面对面接触的方式形成初始信任，建立在线信誉管理系统是解决该问题的有效途径。简单累加信用度计算模型和均值信用度计算模型是以信任模型为核心的在线信誉管理系统中两种主要的信用度计算模型。但这两种模型都忽略了影响信用度计算三个主要因素：交易商品的价值、评分人的信用度、交易的时间价值。为了得到有效实用的信用度计算模型，考虑交易商品价值权重、评分人信用度权重、交易的时间权重建立了加权累加信用度计算模型。选取淘宝网中两个卖家为例，验证了模型的有效性。结果表明，加权累加信用度计算模型较传统的简单累加信用度计算模型更能体现卖方的信用情况，具有一定的实用性。
关键词：电子商务；在线信誉管理系统；信用度计算模型
中图分类号：F062.5 文献标识码：A 文章编号：1003-5192(2008)04-0059-07
Research on Credit Calculation Model in Online Reputation Management System
JI Shu-xian1, HU Pei1, CHENG Fei2
（1.The School of Economic and Management, Southwest Jiaotong University, Chengdu 610031, China; 2. Institute of Computer Network System, Hefei University of Technology, Hefei 230009, China）
Abstract:Electronic commerce changes the fare mode of the traditional commerce, the traders cannot engender first trust through face to face contaction, constituting online reputation management systems is an effective approach to solve the problem. Simple adding credit calculation model and average credit calculation model are the two main credit calculation models in the online reputation management systems whose core is the credit model. But the two models ignore three main factors which affect the credit calculation: trading merchandise’s value、credit of the trading partner and time value. In order to get an effective method to calculate the credit, considering the trading merchandise’s value weight、credit of the trading partner weight and time value weight, establish a weight adding credit calculation model. Then select two taobao sellers to validate the validity of the model. The outcome indicates that the weight adding credit calculation model can more represent the bargainor’s trust circs than the simple adding credit calculation model and it has some practicability.
Key words:electronic commerce; online reputation management system; credit calculation model
1 引 言
传统商务活动中，交易的双方通过面对面进行接触的方式来形成初始信任，并利用法律、法规、政策等机制保障和维护交易双方彼此之间的交易信任关系。随着信息技术的发展和Intranet的普及，电子商务的兴起改变了这种传统商务活动的经营模式，交易双方的时间和空间分离程度进一步加剧，致使交易双方无法通过面对面接触的方式来识别对方身份，从而形成初始信任，加速了交易双方信任内容和形式的转化。在线信誉管理的滞后发展也成为阻碍电子商务快速、健康发展的主要因素。因此，近年来对信誉管理的研究引起了国内外学者的兴趣。Resnick等提出的基于web的在线信誉管理系统是目前许多电子商务网站上使用的一种信誉管理工具，成为解决在线信任危机的一种有效途径［1］。eBay是世界上最早采用信誉管理系统的电子商务网站［2］，分析人员指出，该信用系统对eBay的成功有很大的影响，类似的系统也应用在Yahoo、Auctions、Amazon等拍卖社区［3］。在线信誉管理系统是指在一种网络环境下，通过收集、统计、用户历史行为反馈信息，激励陌生人之间的合作行为，促进网络信任的信誉管理机制［4］，是电子商务中一种新的信任管理理念与模式。在P2P（peer to peer）系统中的信用和信任管理方面，Aberer等人［5］早期在P2P系统中提出了基于信用的管理系统。Xiong等人［6，7］提出了PeerTrust模型，在信用度计算中设立了反馈可靠性因子和环境因素，来处理不诚实反馈和缺少激励的问题。但现有的反馈系统无法让销售者有保持长期诚实的动机，而Fan等人［8］提出用一个指数平滑的信用系统作为销售者的长期激励机制。
目前，大部分信誉管理系统是用社区对一个主体的反馈信息来评价该主体的信用情况。主要采用了简单累加模型或均值模型来计算用户的信用度［9］。简单累加模型将用户得到的所有信誉反馈评分值进行简单累加，将得到的和作为用户的总信用度，模型计算较简单，难以体现被评价用户的实际信用情况。均值模型将用户所有的信誉反馈评分值取算术平均，作为该用户的总信用度，该模型对用户信用状况的区分能力比较差，易忽略用户潜在信用的评价。累加模型和均值模型涵盖的用户信息比较少，特别是忽视了评分用户信誉状况，评分时间权重单一化，易诱发信誉波动行为，很难准确地反映交易双方的真实信誉状况 ［10］。诚实交易的卖者得不到应有的信用度提升，而欺诈交易的卖者也得不到应有的信用惩罚。当诚实交易的成本比欺诈交易（指提供劣质的商品或不提供商品）的成本高，卖主将选择欺诈来最大化自己的利益。Zacharia［11］、Malaga［3］等人将评分用户信用情况作为度量评分可信性的重要因素，对现有信誉管理系统中的信用度计算模型进行了改进，但并没有给出如何设置相应权重的具体计算。随着电子商务的交易额增加，对在线信誉管理系统的建设提出了更高层次的要求，而在线信用度计算在继承社会信用体系特点的同时，具有许多个性化的特征：虚拟化特征，在线信用度计算是在虚拟空间进行的商务评估活动，对传统商务活动进行一次变革；国际化特征，在线信用度计算突破了疆域，使整个社会形成了一个“虚拟洲”商业营销网环境，促使商机呈指数般的增长；信息化特征，在线信用度计算对网络通信技术和信息处理技术提出更高的要求，提供信息保障的工具，扩展了信息评估的平台空间；规范化特征，用电子手段来证实一个用户的身份和对网络资源的访问权限，数字时间戳的服务提供信用评分电子文件发表的时间安全保护；复杂化特征，由于在线企业或个人注册的匿名，网络环境的变化使得在线信用度计算更复杂。
针对简单累加信用度计算模型和均值信用度计算模型中存在的问题，综合考虑交易商品价值、评分人的信誉状况和信用评价的时间价值是影响信用评价的三个主要因素，以及信用度计算模型的有效性和实用性。本文提出了基于这三个因素的信用度计算模型，建立了在线信誉管理系统中的信用度计算的方法，并通过实例验证了该模型的有效性和实用性。
2 在线信誉管理系统概述
在线信誉管理系统其基本框架如图1所示，设Ai（i=1,…,m）是社区中以前所有与B有过交易的个体，RB为个体Ai对个体B的信用评价值。其中，个体A对个体B的信用评价取决于所有个体Ai对B的评价ei。每次交易结束后，交易个体Ai（i=1,…,m）和Bj（j=1,…,n）分别提交有关A和B的信用反馈评分。在线信誉管理系统通过门户网站收集A和B的所有历史信用评分，按照正负反馈统计，并对A和B的信用反馈评分进行汇总，形成A和B的初始信用信息，再利用一定的模型来计算A和B的信用度，得到信誉信息。最后借助于门户网站，将最终信誉信息给所有潜在交易者。除了其他个体对个体的评价会影响他的信用度外，有些系统还将他对别人评价的准确性看作是他自己是否诚实的一项参照。
在线信誉管理系统是电子商务中用于产生和传播信用的一种工具，主要是利用以往交易的信息来判断卖方所提品或服务的质量以及买方支付货款的情况。通过定量分析为在线交易双方提供信誉决策所需要的数据、信息和背景资料，帮助交易双方明确潜在的交易对象，建立或修改决策模型，提供各种备选方案并对各种方案进行评价和优选，为科学的信誉决策提供必要的技术支持，其核心是信任模型。
以eBay为例，eBay中采用的是简单累加信用度计算模型。每次交易后，交易伙伴之间互相评分，肯定评分为1，否定评分为-1，既不肯定也不否定的评分为0。直接累加最近6个月个体收到的评分，即为信用度。信用度越高者意味着他的信用越好，表明个体越可信赖。记个体i在第t次交易完成后其信用度为Rit，则
Rit=∑t-1k=1eik（1）
其中eik为个体i在第k次交易后收到的其交易伙伴对该个体的评分。但eBay中无反馈激励措施，当个体的
Rit=－4时，将停止它在eBay上的交易权。由于这种机制比较简单，eBay一直沿用至今。
在线信誉管理系统能对交易各方的行为产生一定的约束力，限制了投机行为，鼓励诚信行为，降低了信用风险。无论从卖方还是从买方的角度看，信誉管理系统都能够降低交易成本，减少交易双方为搜寻产品、收集信息的时间和费用等。所以，在线信誉管理系统的建立有利于交易双方了解到交易伙伴的信用状况，从而提高了在线交易的成功率。
3 在线信誉管理系统中的信用度计算模型
3.1 信用度的影响因素分析
影响信用度计算的因素除了近期信用度以外，主要还有交易商品的价值、评分人的信用状况、评分的时间权重等。
（1）交易商品的价值
在实际的交易过程中，交易价值越大，交易风险也就越大。事实上，用户在交易价值较大的物品时，若依然采取诚信行为，则这笔交易所带来的信用度增加值也越大，该用户越值得信任。而目前的在线信誉管理系统中，每次交易引起的信用度增减值是相同的，即肯定反馈为1而否定反馈为-1，与交易商品的价值无关。针对这一缺陷，一些投机者可通过大量的小额交易积累信誉，然后开始大宗交易进行欺诈以谋取利益。因此，我们将信任价值参量引入到信用度计算模型中，根据每次交易商品数量和交易商品价值的不同来设置不同的反馈评分权重，这样可以降低信誉欺诈行为给信用度计算带来的负面影响。
（2）评分人的信誉状况
在日常生活中，信用度越高的人，他的建议或推荐就越值得信任。尽管Zacharia、Malaga等将评分用户的信用度作为度量评分可信性的重要因素，对现有信誉管理系统中的信任模型进行了改进。但并没有给出如何构造评分人信用度的因子，无实际的可操作性。现有的在线信誉管理系统在进行信用度计算时仍未考虑到这一因素，这可能导致交易双方进行一些合谋行为，评分人可能蓄意进行恶意推荐等。评分人的信用度是根据网络环境下其他实体的推荐，两个网络实体之间不进行直接的交易，建立起来的一种信用计算方法。相反地，若两个网络实体直接进行交易，而信用度分值是根据交易记录获取，则称之为基于行为记录的信用度。电子商务网络环境下，其他评分人对实体的信用度计算以行为记录的信用度计算为基础。在构建信用度计算模型时，引入评分人的信誉状况参数，可以防止信誉度较低的用户，通过虚假交易，相互评分来增加信用度，提升信誉，谋求高额收益。
（3）评分的时间权重
在实际中，信用的形成是一个随着时间变化的累积过程，随着时间的变动，用户行为发生变化，这些都会导致其信用状况的波动［12］。因而，信用度在不同的时间段内不具有简单的累加性。近期的信用反馈评分要比早期的评分更能反映因交易用户行为变化所引起的信用的波动，更具有参考价值。在构建信用度计算模型时，引入信用反馈评分的时间权重这一参数，更能体现评分的时间价值。
3.2 信用度计算模型
为了模型的简洁性和实用性，首先给出如下定义：
定义1 设C={c1,c2,…,cn}为信用评分的因素集，ci表示第i个信用评价因素，通常可描述为物品的质量、价格、售后服务等等。给定在线企业u，其交易顾客v对企业u的信用反馈评分f（v,u）
f(v,u)={fc1（v,u）,fc2（v,u）,…,fcn（v,u）}
其中fci（v,u）为顾客v在因素ci下给企业u的信用反馈评分，显然，f(v,u)是一个n维向量。
定义2 给定企业u，记N(u)为企业u的交易伙伴的集合。
定义3 给定企业u，在［t-1,t］时期内，设与企业u完成交易的顾客为x。tx∈［t-1,t］表示顾客x与企业u发生交易的时间，称r(tx,t)为x对u的信用反馈评分f（x,u）的时间折现函数。tx越接近t，顾客x给企业u的信用反馈评分的权重越大。
定义4 给定企业u，在［t-1,t］时期内，设与企业u完成交易的顾客为x，称p（x,u）为x与u交易的价值，即交易商品的单价与数量之积或交易总金额。
定义5 称τt（u）为t时刻企业u的信用度。ρ［τt（x）］表示顾客x（评分人）在t时刻的信誉状况的权重。
由以上定义，建立给定时间t，企业u的信用度计算加权累加模型
τt（u）=ατt-1（u）+f-（x,u）（2）
其中α=∑k∈N（u）ω［p（x,u）］ρ［τt-1（x）］r（tx,t），ω［p（x,u）］为交易价值的权重函数，可表示为ω［p（x,u）］=p（x,u）/μ，μ为系统所设置的满足保险索赔条件的最小交易价值，f-（x,u）为交易结束后，顾客x对企业u的平均信用反馈评分。可以表示为
f-（x,u）=∑|C|i=1ωci fci(x,u)∑|C|i=1ωci
其中|C|表示信用评分因素集C的基，ωci∈［0,1］为系统设定的信用评分因素ci的权重，表示所有参与交易活动的顾客对信用因素ci的普遍偏好程度。
评分用户信誉状况的权重ρ［τt(x)］通常情况下可以采用基于用户信用度和基于协同过滤的两种计算方法［6,13］。
基于用户信用度的计算方法直接采用评分用户自身的信用度作为其提交的信用反馈评分的权重。用户的信用度越高，其提交的信用反馈评分的权重越大。给定用户u，在［t-1,t］时间段内，x∈N(u)，顾客x的信用反馈评分权重为ρ［τt(x)］，则
ρ［τt(x)］=τt-1(x)∑yN(u)τt-1(y)（3）
基于协同过滤的计算方法主要根据被评价主体企业u的个人交易历史，通过计算被评价主体u与评分顾客x对同一交易伙伴评分的相似性，作为评分顾客x的信誉状况的权重。通常情况下估算用户之间的相似性有两种方法，一种是计算相关系数，另一种是将两个用户的记录看作两个向量，用向量之间夹角的余弦值来表示。在这里我们列出第一种算法，用Pearson相关系数来表示相似性，则
ρ［τt(x)］=∑|C|i=1［fci(x,k)-f-(x,k)］［fci(u,k)-f-(u,k)］∑|C|i=1［fci(x,k)-f-(x,k)］2∑|C|i=1［fci(u,k)-f-(u,k)］2
（4）
4 实例分析
为了验证本文建立的信用度计算模型的有效性和实用性，不妨选择淘宝网两个卖家A和B的信用反馈评分信息来进行比较说明。卖家A主要经营电脑耗材和软件，其注册时间为2006年8月20日，其简单累加信用度为24；卖家B主要经营小饰品，其注册时间为2006年8月8日，其简单累加信用度为33。A和B的好评率均为100％。具体见表1。卖家A和B的详细交易记录（每次交易的商品价值，买家的信用度，交易的时间）见表2。 从直观上看，卖家A和B的信用都很好，B的信用度比A更高，但这是否意味着B比A更可信？
现利用本文建立的加权累加信用度计算模型，重新对卖家A和B的信用度进行计算。为了计算的方便性，作如下假设：
（1）交易价值为100元的商品，好评时给评分为1分，差评时给-1分，即μ＝100；对于交易价值越高的商品，好评时给予的评分越高，反之，差评时评分越低；评分的大小与交易商品价值成线性关系。
（2）买家对卖家仅在商品质量和价格两个方面评分，且质量和价格的权重相同。
（3）评分用户的信誉状况权重采用基于用户信用度的计算方法。
（4）据淘宝网给出的信用反馈评分的统计，把交易时间分为：6个月前，1～6个月之间，1个月～1周，1周以内几个时间段进行折现。通过和部分淘友进行讨论，普遍认定：6个月前的信用评分时间折现系数为0.6, 1个月和6个月之间的信用评分时间折现系数为0.8，1个月和1周之间的信用评分时间折现系数为0.9，1周之内的信用评分时间不进行折现。
据以上假设和表2中的具体数值，可以得到三因素的权重见表3。
把表3中的数据代入（2）式进行计算，可以得到卖家A和B的信用度分别为：27.34和0.83。根据卖家A和B的历史交易可以看，卖家A所经营的产品价值要高于卖家B所经营的商品，卖家A的评分人的信誉情况普遍高于卖家B，卖家A的交易伙伴的信用度更高，故结论很好展现了卖家A在实际的交易过程中较可信。而采用的简单累加信用度计算模型给出的信用度分别为：24和33。则相反地体现了卖家A和卖家B的评分人的信用度相当地接近，相互间的交易伙伴的信用度区分不大，不利于断定其信用情况的差异。这种简单累加信用评分计算模型中所采用的数据往往会带有多变量数据的通病――变量值缺失，有些变量值缺失属于结构性缺失使得整体信用情况由此被扭曲，信用评分模型的价值降低。模型计算所依据的信息产生误判，酌情处理区间和临界值的决定自然出现了偏差。为此，模型计算的实例阐明了建立的加权累加信用度计算模型比简单累加信用度计算模型更符合实际情况。这与对购买过这两个卖家商品的淘友进行交谈，得知的淘友普遍认定卖家A的信誉好于卖家B的信誉相吻合。
5 结束语
本文针对现有在线信誉管理系统中信用度计算模型存在的一些问题，提出了基于电子商务交易过程中交易商品的价值、交易的时间价值、评分人自身的信誉状况三个因素的加权累加信用度计算模型。选择淘宝网上两个卖家采用文中模型分别进行信用度的分析计算，并与简单累加信用度计算模型进行比较，结果表明基于三因素的加权累加信用度计算模型更能体现出交易双方的信誉状况。这说明了本文建立的加权累加信用度计算模型在在线信誉管理系统中具有一定的有效性和实用性。而加权累加模型的广泛实用性还需要大量的实例和数据加以验证和支持，同时信用度计算的三个影响因素的权重确定的深入研究将进一步扩大模型的实用性。另一方面，卖方近期的信用度、合谋、恶意欺诈现象等因素也会影响卖家的信用情况，如何将这些影响因素引入到加权累加信任度计算模型中，从而完善在线信誉管理系统中的信用度计算模型，有力地促进在线交易的发展，将是下一步的研究方向。
参 考 文 献：
［1］Resnick P, Kuwabara K, Zeckhauser R, et al.. Reputation systems［J］. Communications of the ACM, 2000, 43(12): 45-58.
［2］Houser D, Wooders J. Reputation in internet auctions: theory and evidence from eBay［J］. Journal of Economics and Management Strategy, 2006, 15(2): 353-369.
［3］Malaga R A. Web-based reputation management systems: problems and suggested solutions［J］. Electronic Commerce Research, 2001, 1(4): 403-417.
［4］Dellarocas C. The digitization of word-of-mouth: promise and challenges of online feedback mechanisms［J］. Management Science, 2003, 49(10): 1407-1424.
［5］ Aberer K, Despotovic Z. Managing trust in a peer-to-peer Information system［A］. Proceedings of ACM Conference on Information and Knowledge Management ［C］. USA: ACM Press, 2001. 310-317.
［6］Xiong Li, Liu Ling. A reputation-based trust model for peer-to-peer e-commerce［A］. Proceedings of the IEEE International Conference on E-Commerce(CEC’03)［C］. San Diego, ACM Press, 2003. 275-284.
［7］Xiong Li, Liu Ling. Peertrust: supporting reputation-based trust model for peer-to-peer electronic communities［J］. IEEE Transactions on Knowledge and Data Engineering, 2004, 6(7): 843-857.
［8］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.
［9］Bath T, Borcherding M, Klein B. Valuation of trust in open network［A］. In Gollmann D, ed. Proceedings of European Symposium on Research in Security［C］. Brighton: Springer-Verlag, 1994. 3-18.
［10］ 宋光兴,杨德礼.电子商务中在线信誉管理系统设计中的若干问题研究［J］.系统工程,2004,29(2):5-9.
［11］Zacharia G. Collaborative reputation mechanisms for electronic market places［J］. Decision Support Systems, 2000, 29(4): 371-388.
［12］Herbig P, John M. The relationship of reputation and credibility to brand success［J］. Consumer Marketing, 1995, 12(4): 5-10.
［13］游文,叶水生.电子商务推荐系统中的协同过滤推荐［J］.计算机技术与发展，2006，16(9):70-72.