[发明专利]一种基于极差的电商水军识别方法

说明书

本发明公开一种基于极差的电商水军识别方法，步骤是：计算初始状态下的商品质量，计算各个用户评分与商品质量的偏差；计算各用户的评分极差；基于偏差和评分极差，计算得到各个用户的用户信誉；将各用户信誉代入商品质量的计算公式中，得到对应的商品质量，进而得到新的用户信誉；计算用户信誉变化总和，若大于信誉变化阈值，则将新的用户信誉代入商品质量的计算公式中，得到对应的商品质量，直至用户信誉变化总和小于信誉变化阈值；若小于信誉变化阈值，则停止迭代；最后，选择前N个低信誉用户作为水军。此种方法对极端水军群组和随机水军群组的识别能力较优，在大数据下能够基本保证原有的识别能力，鲁棒性强，且其可拓展性强。

技术领域

本发明属于信息技术领域，涉及复杂网络分析技术，涉及一种在电子商务系统下基于信息熵及用户评分特征的信誉评价方法，具体而言是一种对带权的用户 -商品二部图进行用户信誉评价的计算方法。

背景技术

随着电子商务的迅速发展，大量的商品交易越来越依赖于可靠的信誉系统对物品给出合理有价值的评分，然而当前的信誉评分系统面临着诸多挑战，其中最常见的一种就是用户评分的随意性引发的不合理问题，特别是有组织的水军群组对特定商家故意提高或降低分值，严重误导消费者决策。这些水军群组不依据客观事实进行评分，而且数量众多，隐蔽性强，造成商品评分异常，从而导致消费者对商品价值的错误判断。这些水军群组扰乱电子商务平台发展的正常秩序，损害电商平台和消费者的利益，对电子商务的发展造成了不可忽视的危害。因此如何建立一个高效可靠的用户和商品信誉系统，既能够识别那些有组织的恶意攻击用户，又能够对商品给出合理的评分，具有深刻的理论意义和重大的社会经济价值。

信誉评分系统通过使用一系列的用户历史评分数据以及量化用户对商品的影响来计算用户的信誉。虽然水军群组具有隐蔽性强的特点，但是从历史评分数据进行分析，水军群组在评分行为的表现上是区别于正常用户的。其中最常见的水军群组就是，极端水军群组和随机水军群组。所谓极端水军群组是一些偏向于将分数打最低和打最高的用户，而随机水军群组是为了扰乱评分，随机对商品进行评分。针对这两类水军群组，近年来涌现出大量的信誉评价算法。

基于用户信誉和商品质量的相关性P.LAURETI与Zhou Yan-Bo等人分别提出了IR(Iterative Refinement Ranking),CR(Correlation---based Ranking)算法等。此类算法核心在于确定商品的质量与用户评分的差异，当用户的评分行为偏离商品质量越多，则此时此类用户的信誉就会低与正常用户，此类算法在面对极端水军群组表现效果较好，然而在针对随机水军群组显得束手无策。因此Gao Jian等人基于群组的思想提出了GR(Group-based Ranking),IGR(Iterative Group-based Ranking)算法。这些算法的想法在于把那些背离大众评分行为的用户归为水军群组。虽然此类算法对随机评分水军群组和极端水军群组的判别都有不错的表现，但该算法未考虑到若商品中水军群组占据“大众”地位，则此时反而正常用户变为水军群组，算法就会失效。除以上算法之外，还有基于正态分布、Beta分布假设的一些信誉算法，例如LEE DAEKYUNG等人提出得DR(Deviation-based spam-filtering Ranking)以及WuYing-Ying等人提出的BR(Bayesian Ranking)算法，以及考虑到用户偏好Wu Leilei等人提出的IBR(Iterative Balance Ranking)算法。不过此类算法都只适应某种假设下的数据，具有较大的局限性。经过相关实验，以上算法在数据量较大、且比较稀疏的情况下，表现不佳，鲁棒性不是很好。

发明内容

本发明的目的，在于提供一种基于极差的电商水军识别方法，其对极端水军群组和随机水军群组的识别能力较优，在大数据下能够基本保证原有的识别能力，鲁棒性强，且其可拓展性强。

为了达成上述目的，本发明的解决方案是：

一种基于极差的电商水军识别方法，包括如下步骤：