欢迎来到天天文库
浏览记录
ID:33493696
大小:312.61 KB
页数:4页
时间:2019-02-26
《基于聚类的p2p电子商务信誉评价算法》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、万方数据第35卷第l期计算机工程2009年1月场己35^,D.JComputerEngineeringJanuary2009·安全技术·文章编号:looo—3428(2009)ol—Ill38--02文献标识码:A中围分类号:TP301.6基于聚类的P2P电子商务信誉评价算法陈锦育,孙济洲,张亚平(天津大学计算机学院,天津300072)摘要:提出基于聚类的P2P电子商务信辔评价算法。该算法根据节点行为的相似性将侈点聚类成若干集合,将每个节点集合视为一个节点进行迭代信誉计算。诚实节点行为相似性较高,通常聚类为最大的话点集合,在迭代计算中占主导地位。实
2、验结果表明,与基于社会网络和概率估计的信誉评价体系算法相比,该算法误差较小。关键词:P2P信誉评价;电子商务;聚类;群体作弊Aggregation_basedReputationEValuationAlgorithmforP2PE.commerceCHENJin-yan,SUNJi-zhou,ZHANGYa-ping(schoolofComputer,TianjinUniVersity,Tianjin3()()072)IAbstractl111ispaperpresentsanaggregation-basedreputationeValuatio
3、nalgo“thmfbrP2Pe—commerce.ThemainfeatureofthisalgorithmisaggregatingpeersintoseveralpeersgmupsaccordingtotheirbehaViorsimilaritjes,andthereputationofthesegmupsiscalculatediteratiVely.Thegroupwiththelargestamount()fpeershaspriorityinthecalculationofreputation.Thehonestpeerswill
4、aggregateintoonegmupbe(:ausco九heirbehaviorsimilarity.Expe^mentalresultsshowthatthisalgorithmhaslessVariancecomparedwiththealgorithmsofs(一aInetworksorp“)babilisticestimationbase(ireputationeVaIuationsystem。IKeywordslP2Prepu组tionevaluation;e—commerce;aggregation;maliciouscollect
5、iVes互联网的发展为电子商务提供了广阔空间,准确、健壮的信誉评价体系是开展电子商务的必要条件。目前电子商务信誉评价体系卡要基于社会网络¨‘21和概率估计uJ,或在此基础上演化而来【4。J。实践表明,当存在大量节点相瓦串通、群体作弊时,上述信誉洋价体系会有较大计算误差。l基于聚类的信誉评价针对群体作弊问题,本文提出先根据节点的行为聚类,再进行信誉}平价的算法,具体思路如下:根据节点行为的相似性,用聚类的方法将节点划分成若干个节点集合,近似认为同一个节点集合内的节点具有相同信誉度,以节点问的直接评价矩阵为计算依据,对每个节点集合进行迭代信誉计算。1.
6、1节点及节点问评价为了简化问题,假定每次交易的评价仅有l(好评)、0(差评)2个取值。则节点j对,的直接评价定义如下:。卜冀!鬟登!!;:鏊f和,发生过直接交易‘,={fjm总的交易次数。⋯⋯~1⋯⋯一INuLL其他情况1.2节点集合阔的评价节点集合A对节.点集合B的评价定义为如下向量:曰(A,曰)={I,吒,⋯,,:I}其中,珂为B中的节点数量。如果A中节点与口中第,个节点有过直接交易(评价),则rf=average(f。),否则0=NuLL。如果集合8是集合A的邻居节点构成的集合,贝IJR(A,B)中不可能出现r产NULL的情况。如果2个节点集
7、合之间评价向量的每个分蕈都为l,则称该评价向量为完全信任向量,即E=(1,l,⋯,1)。完全信任向一138一量表明2个节点集合完全可信。如果节点集合A对节点集合c的信任度评价向量詹(A,c)=(d。,q,⋯,d。),节点集合曰对c的信任度评价向量足(B,c)=(岛,如,⋯,阮),则评价向量月(A,c),曰(B,c)的差异度定义如下:r———■—一d秽(矗(A,c),R(B,c))=√aVerage((“f一红)。)其中,口,≠NuLL;岛≠NuLL。1.3节点的聚类若节点集合A,B的公共邻居节点集合为c,E为完全信任向最,则A,占的相似度定义如下:
8、5州A,占)=(1一d彬’(层,曰(AB)))(1一(鳓r(E,詹(B,A)))(1一d移(R(AC),R(B,C)))(
此文档下载收益归作者所有