[发明专利]一种基于KendallTau距离的在线服务信誉度量方法

权利要求书

1.一种基于KendallTau距离的在线服务信誉度量方法，其特征在于：首先通过距离指标来衡量两个服务评分向量之间的一致性；然后将信誉度量建模为一个最优化问题，这个最优化问题就是寻找一个与用户-服务评分矩阵距离最小的信誉向量；最后采用模拟退火算法来解决该优化问题，将得到的信誉向量作为服务信誉。

2.根据权利要求1所述的基于KendallTau距离的在线服务信誉度量方法，其特征在于：所述方法的具体步骤如下：

步骤1、通过距离指标来衡量两个服务评分向量之间的一致性；

1.1设U＝{u₁,u₂,...,u_x}为有x个用户的集合，S＝{s₁,s₂,...,s_y}为有y个服务的集合，用户对服务的评分信息用一个x×y的矩阵R来表示，R中的元素r_us表示用户u对服务s的评分；

1.2通过距离指标K(r_i,r_j)测量两个服务评分向量r_i＝(r_i1,...,r_ip,...,r_iy)和r_j＝(r_j1,...,r_jq,...,r_jy)之间的一致性：

对于两个不同的服务s_p,s_q∈S(p≠q)，计算两个服务评分向量r_i＝(r_i1,...,r_ip,...,r_iy)和r_j＝(r_j1,...,r_jq,...,r_jy)之间的Kendall tau距离：

其中，r_ip(i＝1,2,...,x,p＝1,2,...,y)为第i个用户u_i对第p个服务s_p的评分，表示用户u_i对服务s_p的满意程度,r_ip越大则表示u_i对s_p越满意；r_ip＞r_iq表示用户u_i认为服务s_p优于s_q，r_ip＜r_iq表示用户u_i认为服务s_q优于s_p，r_ip＝r_iq表示用户u_i认为服务s_p和s_q无差别，r_ip＝0表示用户u_i没有给予服务s_p评分或者用户与该服务没有产生过交互，此时对于服务s_p,s_q∈S(p≠q)，不计算服务评分向量r_i和r_j之间的距离；

对于服务集合S＝{s₁,s₂,...,s_y}，计算两个服务评分向量r_i＝(r_i1,...,r_ip,...,r_iy)和r_j＝(r_j1,...,r_jq,...,r_jy)之间的距离：

K(ri,rj)=Σsp,sq∈SKsp,sq(ri,rj)---(2)]]>

其中K(r_i,r_j)表示r_i和r_j之间的偏好一致性，K(r_i,r_j)越小，表示r_i和r_j之间的偏好一致性越大；K(r_i,r_j)越大，表示r_i和r_j之间的偏好一致性越小；K(r_i,r_j)＝0表示r_i和r_j之间的偏好完全一致；

步骤2、然后将信誉度量建模为一个最优化问题，这个最优化问题就是寻找一个与用户-服务评分矩阵距离最小的信誉向量；

2.1统计用户-服务评分矩阵R中r_ip＞r_iq，r_ip＝r_iq，r_ip＜r_iq的服务对数量，并分别用N(r_ip＞r_iq)，N(r_ip＝r_iq)，N(r_ip<r_iq)表示；

2.2使用一个信誉向量r_z＝(r_z1,r_z2...,r_zy)来表示服务集合S＝{s₁,s₂,...,s_y}的信誉,基于公式(1)及公式(2)中K(r_i,r_j)的定义，结合步骤2.1中统计的r_ip＞r_iq，r_ip＝r_iq，r_ip＜r_iq的服务对数量，计算信誉向量r_z与用户-服务评分矩阵R之间的距离；

对于两个不同的服务s_p,s_q∈S(p≠q)，计算信誉向量r_z与用户-服务评分矩阵R之间的距离：

对于服务集合S＝{s₁,s₂,...,s_y}，r_z与用户-服务评分矩阵R之间的距离为：

K(rz,R)=Σsp,sq∈SΣri∈RKsp,sq(rz,ri)---(4)]]>

其中K(r_z,R)表示信誉向量r_z和用户-服务评分矩阵R之间的偏好一致性，K(r_z,R)越小，表示r_z和R之间的偏好一致性越大；K(r_z,R)越大，表示r_z和R之间的偏好一致性越小；K(r_z,R)＝0表示r_z和R之间的偏好完全一致。

2.3确定信誉度量最优化目标函数如下：

f(rb)=min K(rb,R)=minΣsp,sq∈SΣri∈RKsp,sq(rb,ri)---(5)]]>

公式(5)中：r_b为目标函数f(r_b)的一个可能解，r_b＝(r_b1,r_b2...,r_by)，其中r_b1,r_b2...,r_by表示服务集合S＝{s₁,s₂,...,s_y}的信誉；步骤2.2中的信誉向量r_z是目标函数f(r_b)的一个可能解，所有可能的解向量构成了最优化目标函数的解空间M；

步骤3、采用模拟退火算法解决步骤2中的最优化问题，将得到的信誉向量作为服务信誉；

3.1设定模拟退火算法的参数，包括初始温度t₀,终止温度t_e，退温系数α，马尔可夫链长L，初始参数选取采用下述经验值：t₀＝100，t_e＝1，α＝0.9，L＝100，计算过程中，令终止条件为：温度t下连续若干次迭代过程中的新解都未被接受或者温度降为终止温度，满足其中任一条件则算法终止；

3.2设定初始解r₀，从步骤2.3的解空间M中随机选取一个可能解作为初始解r₀，r₀＝(r₀₁,r₀₂...,r_0y)，计算r₀的目标函数值K(r₀,R)；

3.3随机改变初始解r₀中的元素值，产生一个位于解空间M的新解r_n，r_n＝(r_n1,r_n2...,r_ny)，计算r_n的目标函数值K(r_n,R)；

3.4计算r_n的目标函数K(r_n,R)和r₀的目标函数K(r₀,R)的差值Δk，Δk＝K(r_n,R)-K(r₀,R)；

3.5新解的接受概率为：

公式(6)中：t为当前温度，降温后的温度T＝αt

新解的接受遵循Metropolis准则：当Δk＜0时，接受r_n作为当前最优解，当Δk≥0时，给出一个(0,1)区间上的随机数β，在新解的接受概率P＞β时，接受r_n作为当前最优解，否则不接受r_n，此时初始解r₀实现了一次迭代；在当前温度下共进行L次迭代，若迭代过程中接受了新的解，则不满足终止条件，根据T＝αt降低温度；

3.6令当前温度t＝T，重复步骤3.3到3.5，直到满足终止条件，此时停止计算，求得的当前解为最优解；

3.7将得到的最优解作为用户-服务评分矩阵R的服务信誉。