社会化电子商务环境下用户隐式信任评价与应用研究综述

吕成戍

[摘 要] 社会化电子商务中的用户隐式信任关系作为现实社会关系的映射和扩展，为可信推荐方法的研究带来了新的契机。对相关文献进行梳理总结， 形成综述；指出用户隐式信任评价与应用研究中的不足， 提出未来的研究可以从隐式信任信息收集、利用隐式信任网络的小世界特性、用户之间的信任关系和相互影响的规律等方向开展。

[关键词] 社会化电子商务；用户隐式信任；社会化推荐

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 15. 056

[中图分类号] F713.36；TP393.09 [文献标识码] A [文章编号] 1673 - 0194（2018）15- 0142- 03

0 引 言

随着社会化电子商务的高速发展，在线商品信息以前所未有的速度增长，面对错综复杂的社会网络关系和海量的商品信息，用户难以从中定位所需。社会化推荐服务可以完成个性化商品信息的主动推送，是社会化电子商务平台的核心功能之一，也是企业丰富营销手段和业务增长的重要途径。

虽然社会化推荐服务获得了很大的成功并频繁地应用到各大网站中，但是在大规模、开放的社会网络环境中，电子商务交易具有匿名性、随机性和动态性的特点，用户之间传递的信息真假难辨，社会化推荐面临着推荐攻击问题的挑战。受推荐服务在电子商务领域重大经济利益的驱动，一些恶意用户通过注入大量虚假信息的方式，操纵改变推荐结果，从而达到非法牟利的目的，这种攻击行为被称为“托攻击（Shilling Attack）”或“推荐攻击（Recommendation Attacks）”。推荐攻击行为误导用户接受或购买并非真正所需的信息或商品，降低用户的满意度，造成用户流失，使社会化电子商务平台蒙受信誉与利润的双重损失。面对越发精巧和更具破坏性的推荐攻击，如何为用户提供可信推荐服务已经成为社会化电子商务领域亟待解决的关键问题。

社会化电子商务中的用户信任关系作为现实社会关系的映射和扩展，为可信推荐方法的研究带来了新的契机。研究者将社会化电子商务中实体间的信任关系定义为一个信任网络，由于该信任网络是依据用户的社会关系建立的，而受商业利益驱动的攻击者无法与真实用户形成血缘关系、朋友关系、同事关系等，从而无法进入用户的信任网络中。因此，对恶意推荐攻击具有很好的抑制作用。每天都有数以万计的新用户加入社会化电子商务平台，与其他用户进行信息交流和交互，其中很多是互不相识的用户。评估这些用户之间的信任关系是提高社会化推荐服务质量和加强其安全性的关键。

1 社会化电子商务环境下用户隐式信任关研究评述

近年来，国内外一些学者针对可信推荐问题对社会化电子商务中的用户信任关系进行了大量的研究，并取得了一系列研究成果。ODonovan 等人[1]从用户概貌级和项目级两个方面对用户之间的信任关系进行度量，并提出了一种改善系统推荐精度的信任计算模型。其中，概貌级信任度是对用户推荐的整体可信赖程度的描述；项目级信任度是关于用户对特定项目推荐的可信赖程度的描述。但是利用该信任计算模型得到的并不是用户间的局部信任度。随后，Lathia 等人[2]提出了一种改进的信任计算模型依据评分预测误差计算目标用户对推荐用户的信任度。但是这种基于评分预测误差的信任建模方法需要依据用户之间的相似度为目标用户进行评分预测。Pitsilis等人[3]从人的主观逻辑思维角度分析用户之间的信任关系，并且基于不确定概率理论提出了一种信任计算模型。不确定度是关于推荐用户对目标用户不具备做出准确预测能力的一种描述。该信任计算模型中，首先依据评分信息计算不确定度，然后采用线性或非线性方法计算目标用户对推荐用户的信任度。但是当系统中存在攻击用户时，利用该信任计算模型得到的用户间信任度准确性欠佳。Kwon 等人[4]提出了一种多维可信性计算方法，充分考虑了信任的多样性特征，根据用户-项目评分数据度量每一个特征值，并将其作为计算用户之间信任度的依据。该信任计算方法从消费心理学的角度对用户之间的信任关系进行度量，不仅为推荐系统中可靠邻居用户的选取提供了理论依据，而且还提出了一个跨学科的研究框架。但是，由于该方法仅考虑了用户评分的异构性特征，当面对用户概貌注入攻击时，仍然存在脆弱性。Maida 等人[5]提出了一个多维信任模型，对推荐系统中的用户间信任关系主要受哪些方面因素的影响进行了深入分析。该信任模型分别从基于知识的可信赖性和推断可信赖性两个方面进行了讨论，但是该模型对这两方面的描述仅限于理论层面，并没有对其进行量化计算和实验验证。Yuan W等人[6]对信任网络的网络结构进行了研究，通过实验验证了显式信任网络和隐式信任网络的小世界特性。与国外相比，国内的学者在基于用户信任关系的社会化推荐方面也进行的了积极的研究。张富国等人[7]针对基于概貌级信任模型的缺点以及推荐算法的易受攻击性，提出了基于主题级信任的协同过滤算法，提高了推荐的准确度。李湛[8]对社会信任网络的协同过滤推荐方法进行了研究，从显式信任和隐式信任两方面提出了改进策略，但是缺乏对信任在网络中传递特性的考量。田博等人[9]基于 D-S证据融合理论 ， 提出由多个成熟消费者的信任评价融合而成的推荐信任评价模型 ， 将提出的推荐信任评价模型应用于实际B2C在线购物推荐信任评价，但是其信任关系依靠显性信任获取，在信任匮乏时，推荐受限。

2 社会化电子商务环境下用户隐式信任关研究的不足之处

2.1 在信任关系抽取方面

按信任来源不同，信任关系的抽取方法又分为显式信任和隐式信任两种。其中，显式信任关系的建立对于用户来说耗费时间和精力且容易暴露用户个人隐私。因此，在实际应用中显式信任并不可行。隐式信任的现存研究中仅仅聚焦于挖掘“用户-项目”（User-Item）评分信息，利用用户评分的相似性關系来挖掘其潜在信任关系，当面对推荐攻击问题时，很难推理出真实的信任关系。社会化电子商务交易过程中蕴藏着丰富的用户交互行为数据和信息（交易订单、 交易评价、 交易次数、交易金额、评价时间、浏览历史等），对其进行分析，发现社会化电子商务中用户交互行为背后隐藏的用户隐式信任关系是未来重要的研究方向。

2.2 在信任关系测度方面

首先，直接通过在线社会网络是很难甚至无法进行信任评价的，必须借助信任网络来进行。而信任网络并不是直接现成的，必须通过构造而产生。研究者已经验证在线信任网络从网络拓扑结构上属于复杂网络的范畴，并且节点之间边的分布介于完全随机和完全规则之间，具有小世界网络的性质[6]，但是利用这些特性建立信任网络的探索还很少。

其次，社会化电子商务交易中用户通过交互行为、评分行为等关系形成了复杂的信任网络，同时用户之间的信任关系是影响用户复杂信任网络性质的重要元素。因此，在度量用户间信任关系时就必须要考虑复杂信任网络中信任关系的传播、聚合与动态演化对信任关系测度的影响。然而，现有信任模型大多数是基于信任度进行的单一维度数学建模，没有将信任关系在信任网络环境下的可靠性传递因素考虑进来，导致已有信任关系测度方法的准确性较差。

3 总结与展望

目前，社会化电子商务中用户隐式信任评价与应用问题面临着一系列挑战性难题，其中包括：如何利用丰富的用户交互行为数据抽取用户的隐式信任关系，如何测度复杂信任网络中用户之间的间接隐性信任关系，如何利用用户信任关系进行更可信的产品和服务推荐等等。未来相关研究可以从以下3 个方向开展。

（1）隐式信任信息如何收集。目前，社会化电子商务环境下信任关系的获取途径有两种：一种信任关系是事先给定的，即信任度是通过预先设置好的值来进行度量的，然而，这类显式信任信息在现实中相对匮乏，在实际应用中并不可行；另外一种是通过数据挖掘获得隐式信任关系，而现有方法仅仅聚焦于“用户-项目”（User-Item）间的二维关系模型，利用用户评分相似性来挖掘其潜在信任关系，缺少对用户交互行为信息所表现出的相关度与信任度的考量，所以在面对恶意攻击问题时，很难提供可信的推荐服务。那么，如何提取相对客观的信息来构造用户之间的隐式信任值？如何缩减运算规模，并保持隐式信任预测的覆盖率和精度不受损？

（2）如何构建信任网络以及用户隐式信任关系如何动态演化。直接通过在线社会网络是很难甚至无法进行信任评价的，必须借助信任网络来进行。因此，如何由大规模社会网络导出小规模信任网络对构建完善的信任模型意义重大。目前，研究者已经通过实验的方法验证信任网络的小世界性，但是利用这些特性建立信任网络的探索还很少。因此，基于小世界网络理论来研究如何从大型社会网络生成小规模的信任网络就非常必要。

另外，目前基于信任网络的信任模型未能很好地解决信任关系的传播、聚合与动态演化两个挑战。朋友关系越远，信任的程度越弱，那么，如何模拟信任信息随路径传播的衰减？多条信任路径相互交叉时，如何有效进行信任信息的聚合？信任的传播和聚合构成了信任的静态模型，而在社会网络中，信任关系随时间是动态演化的，社会学与心理学研究表明，信任是一个缓慢累积而迅速坍塌的过程，如何模拟真实的社会生活中信任关系的变化规律？

（3）基于用户之间的信任关系和相互影响的规律，如何提高社会化推荐机制的可信性。目前，基于信任的推荐机制作为用户信任关系的重要应用场景之一，不能设计合理的用户信任关系测度方法和可信用户邻居选取策略，不能抵御推荐攻击对推荐可信性的影响，抗推荐攻击能力较差。那么，哪些因素会影响用户可信邻居集合的选择？不同的影响该如何体现？如何合理建模邻居选取依据，更好地提高邻居选取的质量，从而提高推荐方法的抗攻击能力。

主要参考文献

[1]ODonovan J， Smyth B. Trust in Recommender Systems[C]// Proceedings of the 10th International Conference on Intelligent User Interfaces，2005.

[2]Lathia N， Hailes S， Capra L. Trust-based Collaborative Filtering[C]// Proceedings of Joint iTrust and PST Conferences on Privacy， Trust Management and Security，2008.

[3]Pitsilis G， Marshall L. A Model of Trust Ferivation from Evidence for Use in Recommendation Systems [R]. Newcastle， UK： University of Newcastle Upon Tyne，2004.

[4]Kwon K， Cho J， Park Y. Multidimensional Credibility Model for Neighbor Selection in Collaborative Recommendation[J]. Expert Systems with Applications，2009，36（3）：7114-7122.

[5]Maida M， Maier K， Obwegeser N， et al. A Multidimensional Model of Trust in Recommender Systems[C]//Proceedings of 13th International Conference on Electronic Commerce and Web Technologies，2012.

[6]Yuan W， Shu L， Chao H C， et al. ITARS：Trust-aware Recommender System Using Implicit Trust Networks[J].IET Communications，2010， 4（14）：1709-1721.

[7]張富国，徐升华.基于信任的电子商务推荐多样性研究[J].情报学报，2010，29（2）：350-355.

[8]李湛. 基于社会信任网络的协同过滤推荐方法研究[D].大连：大连理工大学，2013.

[9]田博，覃正.B2C电子商务中基于D-S证据融合理论的推荐信任评价模型[J]. 管理科学，2008，21（5）：98-104.