评分动态演化的在线信誉系统研究

In online reputation systems, the unbiasedness of ratings is critical to the accuracy of reputation estimation. However, recent studies showed that due to psychological effects, i.e., herding effects and assimilate-contrast effects, historical ratings influence subsequent ratings, destroying the unbiasedness of ratings. It is still unclear how this affects the reputation estimation error. The challenge is that ratings evolve dynamically, i.e., historical ratings influence a single rating, and this rating serves as a historical rating to influence subsequent ratings. To address this challenge, this project proposes to study the reputation estimation error of three typical reputation estimation methods, and explores three aspects: (1) the asymptotic convergence property and convergence value of the reputation estimation error, quantifying the impact of psychological effects, fake ratings, etc., on the estimation error; (2) the convergence rate and convergence time of the reputation estimation error, quantifying the impact of psychological effects, fake ratings, etc., on the convergence rate and convergence time; (3) the control of reputation estimation error, i.e., design algorithms to speed up the convergence. This project aims to build an analytical framework to analyze the reputation estimation error under dynamic evolving ratings, for the purpose of uncovering insights to guide the deployment and improvement of online reputation systems and improving the applications of online reputation systems.

在线信誉系统中，评分的无偏性是保证信誉估计准确性的关键。近期研究发现，由于羊群效应、反差效应等心理学效应，历史评分影响后续评分，破坏评分的无偏性。该历史评分影响下的信誉估计误差还缺乏研究。主要难点是在线评分动态演化，即历史评分影响单个评分，该单个评分作为历史评分进一步影响后续评分。本项目针对这一难点，研究三类典型的信誉估计方法的误差，包括：（1）信誉估计误差的渐进收敛性与收敛值，揭示心理学效应、虚假评分等对信誉估计渐进准确性的影响；（2）信誉估计误差的收敛速度与收敛时间,量化心理学效应、虚假评分等对信誉估计误差收敛速度与收敛时间的影响；（3）信誉估计误差的控制，设计算法加速信誉估计误差的收敛速度与缩短收敛时间。项目旨在形成针对在线评分动态演化的信誉估计误差分析框架，指导在线信誉系统的部署与改进，促进在线信誉系统的应用。

在线信誉系统中，评分的无偏性是保证信誉估计准确性的关键。由于羊群 效应、反差效应等心理学效应，历史评分影响后续评分，破坏评分的无偏性，带来历史评分偏差。该历史评分偏差如何影响信誉估计的准确性以及如何改进信誉系统抵御该历史评分偏差缺乏研究。目前对该历史评分偏差的研究方法局限于模型数值模拟，亟需搭建针对该历史评分偏差数学模型与理论分析框架，以指导信誉系统的改进，更好地支撑信誉系统上层应用。面临的主要难点是心理学效应下，在线评分动态演化，即历史评分影响单个评分，该单个评分作为历史评分进一步影响后续评分。 ..鉴于此，本项目首先对历史评分偏差下，评分动态演化的建模与信誉估计误差的收敛开展了相应的理论研究。其次，为了实现对用户群体受心理学影响效应强度的快速感知，对用户群体心理学效应影响强度的估计方法开展了研究。最后，从产品个体与产品群体的角度，对信誉估计误差的控制开展研究，旨在加快信誉估计误差的收敛速度与缩短收敛时间以及对不同质量产品的信誉评分进行不同的引流与控制。 . .通过对以上问题的研究，搭建了心理学效应影响下，评分动态演化的数学模型与信誉估计误差渐进收敛与收敛速度分析的理论框架，揭示信誉估计误差估计准确的充分条件，指导信誉系统的设计，解决传统方法对历史评分偏差的分析依靠模型数值模拟的局限。然后，提出了低样本复杂度且高准确度的采样算法，估计用户群体心理学效应影响强度，实现了对用户群体受心理学影响效应强度的快速感知。最后，提出了若干在线学习算法，实现了对信誉评分从个体到群体的优化与控制，为进一步优化在线信誉系统生态提供方法支撑。..经过为期三年的研究，共接收/发表国际学术论文 12 篇，其中包括 CCF 推荐A类论文长文5篇（KDD、IEEE TKDE等）短文1篇（ICDE），以及 CCF 推荐B类论文长文 5篇（ACM TKDD、IEEE TNNLS等）短文1篇（ICDM），以上论文均已标注该项目的资助。