[发明专利]一种基于电商评论识别恶意用户的方法

说明书

本发明公开一种基于电商评论识别恶意用户的方法，步骤是：步骤1，构建三元组用于存储评分数据；步骤2，初始化所有用户的信誉；步骤3，计算各商品在各个评分下的带权群组大小；步骤4，计算不同商品中各群组的占比矩阵；步骤5，将占比矩阵映射到行和列分别对应用户和商品的矩阵中；步骤6，计算各用户所在群组占比的平均值和标准差，并计算用户评分的标准差；步骤7，根据步骤6得到的数据计算用户信誉；步骤8，基于步骤7得到的用户信誉，重复步骤3‑7，然后计算两次用户信誉的差值，若大于阈值则继续迭代，直至小于或等于阈值；步骤9，将信誉最低的L个用户当作恶意用户。此种方法可提高筛选恶意用户的精确度，增大识别过程计算的稳定性。

技术领域

本发明属于电子商务和社会计算领域，特别涉及一种基于电商评论来筛选恶意用户的方法。

背景技术

处在一个网络时代，用户的评分开始发挥越来越重要的作用，尤其是在电商领域。因此许多电商平台(如淘宝、京东)推出评分系统，用户可以对商品进行评分，同时商品收到的评分将会影响用户决策，确保评分的真实有效显得尤为重要。然而在评分系统中有一些恶意用户，他们的评分不可靠，一种恶意用户是商家请来的水军，给自己的商品评高分，给对手的商品评低分，另一种恶意用户是进行随机评分的恶意用户。这些恶意用户的评分扰乱了评分系统，因此需要一种方法来将恶意用户筛选出来，降低恶意评分的影响，使评分更加可靠。

要筛选恶意用户，可以根据用户的评分情况给每个用户赋予一个信誉分，将信誉分低的用户当做恶意用户。确定用户信誉分的方法多种多样，用户信誉分的确定方法决定了算法的好坏。

当前已有许多检测恶意用户的算法被提出，例如基于商品质量的CR(Correlation-based Ranking)算法，CR算法首先根据评分计算商品预估质量，然后计算用户评分和商品质量的相关性，根据相关性得出用户信誉，然后将信誉分低的用户当做恶意用户。同样基于商品质量的算法还有IR(Iterative Ranking)算法、RR(RankingReputation)算法和IBM(Iterative Balance Model)算法等，但是用户的评分可能与商品真实质量有一定差距，并不能用来代替商品质量，所以基于商品质量的算法有一定的不合理性。

另外一类是基于群组的算法，如GR(Group-based Ranking)算法，若用户对某个商品的评分和大多数人的评分相同，那么认为该用户更可信，应该有更高的信誉分。IGR(Iterative Group-based Ranking)算法是在GR算法的基础上将IR算法的迭代思想加入，使算法的效果得到提升，但是算法的效果仍然有提升空间。

还有一类是基于用户的评分分布特点的，如DR(Deviation-based Ranking)算法和BR(Bayesian Reputation)算法，DR算法认为用户的评分服从正态分布，BR算法认为用户的评分服从贝塔分布。然而用户的评分分布各不相同，并非完全服从某种分布，因此这种算法的稳定性较差。

发明内容

本发明的目的，在于提供一种基于电商评论识别恶意用户的方法，其可提高筛选恶意用户的精确度，增大识别过程计算的稳定性。

为了达成上述目的，本发明的解决方案是：

一种基于电商评论识别恶意用户的方法，包括如下步骤：

步骤1，构建三元组G[U_i,O_α,ω_s]用于存储评分数据，U_i代表用户i，i＝{1,…,m}，m是用户数；O_α代表商品α，α＝{1,…,n}，n是商品数；ω_s代表评分s，m、n分别表示用户数和商品数；

步骤2，初始化所有用户的信誉为1；

步骤3，计算各商品在各个评分下的带权群组大小，权值即为评价该商品的用户信誉；