徐 軍，鐘元生，鄭也夫

(1.江西財經(jīng)大學信息管理學院，江西 南昌 330013;2.華東交通大學經(jīng)濟管理學院，江西 南昌 330013)

一種多維集成直覺模糊信息的信任評價方法*

徐 軍1，鐘元生1，鄭也夫2

(1.江西財經(jīng)大學信息管理學院，江西 南昌 330013;2.華東交通大學經(jīng)濟管理學院，江西 南昌 330013)

信任是保證在線服務(wù)質(zhì)量的前提。針對電子商務(wù)環(huán)境存在的復雜性、模糊性和不確定性等因素，引入直覺模糊理論，提出了一種多維集成直覺模糊信息的信任評價方法，給出了兩類信任反饋屬性集成直覺模糊信息的方法，通過直覺模糊熵確定屬性權(quán)重，并利用直覺加權(quán)算數(shù)平均算子求出實體的綜合直覺模糊數(shù)，從而全面、客觀和細膩地反映信任的模糊性和不確定性。計算實例和仿真實驗表明，基于多維集成直覺模糊信息的信任評估方法是可行的，通過對風險偏好因子的靈敏度分析，發(fā)現(xiàn)服務(wù)請求者風險偏好不同，則評估的服務(wù)提供商的信任得分也不同；同時也驗證了該方法可以有效地抑制惡意節(jié)點的攻擊，為電子商務(wù)環(huán)境下信任評價的研究提供了新思路。

直覺模糊；信任評價；反饋屬性；風險偏好；信任得分

2.School of Economics and Management,East China Jiaotong University,Nanchang 330013,China)

1 引言

隨著互聯(lián)網(wǎng)的發(fā)展，電子商務(wù)已成為國家拉動內(nèi)需、擴大消費、促進就業(yè)的重要途徑。數(shù)據(jù)顯示：2013年度中國電子商務(wù)市場交易規(guī)模達10.2萬億，同比增長31.23%。用戶規(guī)模達3.12億人，同比增長26.3%[1]。消費者在線購買商品時，不能親身體驗商品的真實性，在這種信息不對稱的環(huán)境下，很難決策是否購買。而信任是消費者成功購買的前提條件[2，3]，因此對參與交易的實體而言，信任極為重要。

近年來，對信任的建模已取得了一定的研究成果。大致可分為：

(1)基于貝葉斯概率論建模[4～7]。如Teacy W T L等人[4]用概率來表示信譽的不確定性，開發(fā)的TRAVOS模型；J?sang A等人[5]提出的利用貝塔分布作為先驗分布的信任模型；Vogiatzis G等人[6]提出的基于隱馬爾科夫概率框架的信任模型；Fouss F等人[7]采用的聯(lián)合概率分解的因子模型計算供應(yīng)商的可信度。但是，該類方法存在要求較強的獨立性假設(shè)、代理間的滿意度僅僅用[0,1]進行建模和在多準則系統(tǒng)中要求準則間相互獨立等諸多缺點。

(2)基于模糊理論建模[8～10]。如文獻[8]通過梯形模糊數(shù)來表達信任的模糊性，采用概念樹來定義信任類型的方法，以此對主體信任進行綜合評判；文獻[9]以模糊理論和圖論為基礎(chǔ)，提出了一種適應(yīng)主體動態(tài)性的主觀信任模型；文獻[10]通過引入模糊邏輯推理的概念，定義了信任關(guān)系的連接、合并和更新運算，構(gòu)造了一個開放式網(wǎng)絡(luò)環(huán)境的主觀信任模型。該類方法解決了概率模型中將主觀性、模糊性等同于隨機性的問題。但是，信任程度的隸屬度往往因需要確定隸屬度函數(shù)被“硬化”成精確值，以致信任關(guān)系在傳遞、推導等過程中會丟失模糊性。

(3)基于灰色系統(tǒng)理論建模[11,12]。如文獻[11]利用白化權(quán)函數(shù)量化實體屬性，將實體序列與參考序列的灰關(guān)聯(lián)度定義為實體的信任水平；文獻[12]利用灰色定權(quán)聚類的思想計算證人的信任，從而構(gòu)建了GTrust信任模型。該類方法為信譽數(shù)據(jù)倉庫建立提供了新的解決途徑。然而，屬性權(quán)重確定不夠客觀，不能反映評價屬性對決策的影響程度；并且分辨系數(shù)的確定帶有一定的主觀性，致使屬性灰類精確性不高。

(4)基于云模型建模[13,14]。如文獻[13,14]借助云模型的數(shù)字特征(如期望、熵和超熵)生成信任屬性云，通過計算信任屬性云和標準信任子云間的相似度，確定實體的信任等級。該類方法能夠較好地解決信任表達中模糊性和不確定性難題，但就如何防范信任詆毀或夸大還有待進一步地研究。此外，基于雙格的信任模型[15]、基于粗糙集理論的信任模型[16]、基于區(qū)間數(shù)理論的信任模型[17]等也分別從不同角度對信任進行了度量。

從上述研究成果來看，作者發(fā)現(xiàn)它們的不足之處主要有以下幾方面：

(1)多數(shù)模型采用精確數(shù)刻畫信任屬性，忽視了用戶對實體評分時，思維的主觀性、模糊性和不確定，而且簡單地利用均值方法, 無形中損失了許多有用的信息。再者，僅從信任程度這一個方面描述信任度，沒有認識到不信任程度和不確定程度對信任決策的影響。

(2)多數(shù)模型基于一個假設(shè)：所有評價屬性的數(shù)據(jù)類型為實數(shù)型。而目前電商環(huán)境下，對商家評價的數(shù)據(jù)類型，除了實數(shù)型，還有語言型變量。

(3)多數(shù)模型要么沒有考慮信任本身具有時間相關(guān)性，要么采用的衰減函數(shù)收斂過快。

為了解決上述問題，本文構(gòu)建一種多維集成直覺模糊信息的信任評價方法。首先，采用時間衰減函數(shù)修正原始評分，從而體現(xiàn)信任的時間相關(guān)性。然后，提出了定量和定性兩類反饋評價屬性集成直覺模糊信息的方法，通過直覺模糊集所包含的隸屬度、非隸屬度和猶豫度這三方面信息[18]，可以更細膩地描述和刻畫用戶思維判斷的模糊性本質(zhì)。最后，提出基于直覺模糊熵確定屬性權(quán)重的方法，計算實體的信任直覺模糊信息，利用信任得分對實體信任排序。

2 基本概念

2.1 實體集

根據(jù)服務(wù)雙方承擔的角色不同，參與在線服務(wù)的實體可以分與兩類：(1)服務(wù)提供者P，記作P={pi|i=1,2,…,m}；(2)服務(wù)請求者R，記作R={ri|i=1,2,…,m}。

2.2 反饋屬性集

2.3 衰減函數(shù)

信任具有隨時間衰減的趨勢，因此歷史評分的交易時間不同，則衰減程度也不同。設(shè)ai為服務(wù)請求者ri對某個服務(wù)提供者P的評價向量，記作ai={aij|j=1,2,…,n}，aij表示第i個用戶對第j個評價屬性修正后的評分。令:

(1)

其中,TF(i,t)為時間衰減函數(shù)，它是根據(jù)人們認知習慣，認為最近的交互行為更能反映實體的可信程度。例如，在選擇服務(wù)提供者時，請求者對最近反饋評分更感興趣。當前多數(shù)文獻采用指數(shù)函數(shù)或者線性函數(shù)作為時間衰減函數(shù)，本文采用如下改進的衰減函數(shù):

(2)

其中，t是交互時間戳，將一段時間分為若干個時間戳，時間戳反映了某一時刻的信任度，而信任度具有隨時間變化而衰減的特性[12]，從而提高評價向量的準確性和動態(tài)適應(yīng)能力。tc為當前時間戳，ψ表示衰減因子，用來控制衰減速率。

Figure 1 Curves of three decay functions

從圖1可以看出，指數(shù)函數(shù)開始時間收斂過快，在經(jīng)過幾個時間片后時間衰減函數(shù)值接近0，致使絕大多數(shù)歷史評價失去對最終信任計算的影響。

相反，線性函數(shù)衰減速度過慢，無論是距當前時間多長，其衰減速度是恒定的。而本文方法在不同衰減因子的情況下，其時間衰減速度開始時比指數(shù)函數(shù)要低，然后比線性函數(shù)要高。因此，本文方法結(jié)合了指數(shù)函數(shù)和線性函數(shù)的優(yōu)點，計算的時間權(quán)重不僅使得越是近期的評價權(quán)重越大，而且保留了更多的過去歷史評價對最終信任的影響，這更能體現(xiàn)信任隨時間衰減的變化趨勢。

2.4 直覺模糊集

Atanassov首先給出了以下直覺模糊集概念[17]。

2.5 信任表示

信任度是信任的定量表示。根據(jù)直覺模糊集的概念，文中將實體信任度用一個直覺模糊數(shù)α=〈μα,υα〉表示，其中μα和υα分別代表信任和不信任的程度， πα=1-μα-υα表示信任的不確定性程度(即猶豫度)。例如，〈1,0〉表示完全信任，〈0,1〉表示完全不信任，〈0,0〉表示完全不確定。其運算法則來自文獻[18]。

2.6 直覺模糊集與區(qū)間數(shù)的關(guān)系

F=〈μ,υ〉?[μ,1-υ]

(3)

3 基于多維反饋屬性集成直覺模糊信息的信任評價方法

3.1 多維集成直覺模糊信息的信任評價算法總體流程

本文提出了基于直覺模糊信息的信任評價方法，將評分數(shù)據(jù)集成直覺模糊數(shù)，并引入信任得分對實體信任度排序，其基本處理流程如圖2所示。其中數(shù)據(jù)庫部分表示用戶的評分數(shù)據(jù)，矩形部分表示算法的基本處理過程。

Figure 2 Flowchart of the algorithm

3.2 反饋屬性集成直覺模糊數(shù)

反饋評價的屬性可分定量和定性兩種，且屬性類型不同轉(zhuǎn)換成直覺模糊數(shù)的方法也不同。再者，屬性有效益型屬性和成本型號屬性之分，根據(jù)現(xiàn)實中在線服務(wù)評價屬性的特征，下文所指全為效益型屬性。

3.2.1 定量屬性的直覺模糊數(shù)設(shè)計

(1)子直覺模糊數(shù)生成。

當前絕大多數(shù)網(wǎng)上商店都是采用五分制評分。為了消除不同物理量綱對評價結(jié)果的影響，按下式對評分進行規(guī)范化處理：

(4)

顯然rij∈[0,1]。

(2)子直覺模糊數(shù)的權(quán)重。

定義2設(shè)ηx為某一評價屬性下子直覺模糊數(shù)fx的權(quán)重，令:

(5)

其中，N(fx)為該評價屬性下歷史交互評分包含在子直覺模糊數(shù)fx的元素的個數(shù)，n為反饋評價所有記錄數(shù)。顯然權(quán)重ηx反映了子直覺模糊數(shù)fx的影響程度。

(3)直覺模糊混合集成算子。

以往文獻在多個反饋評價進行綜合時,簡單地采用均值方法,忽略了反饋評價自身的重要性及其值大小所在位置的權(quán)重。為了克服上述缺點，本文給出直覺模糊混合平均算子定義。

定義3設(shè)αi=〈μαi,υαi〉(i=1,2,…,n)為一組直覺模糊數(shù)， 且設(shè)直覺模糊混合平均(IFHA)算子：In→I，若:

IFHAω,w(α1,α2,…,αn)=

(6)

設(shè)fj=(f1,f2,…,fk)為某一個屬性的子直覺模糊數(shù)向量，根據(jù)IFHA的集成算子，可以獲得該屬性的集成直覺模糊數(shù)。

3.2.2 定性屬性的直覺模糊數(shù)設(shè)計

以往研究只考慮實數(shù)型評分的因素，忽視了語言型評分屬性(定性屬性)，而當前大多數(shù)商務(wù)環(huán)境采用語言標簽來描述消費者的滿意度，如評價結(jié)果表現(xiàn)為很好、好、中等、差和很差。顯然，這些評價結(jié)果由于消費者主觀性，總是蘊含了一定的不滿意和不確定性。根據(jù)直覺模糊集的概念可知，直覺模糊數(shù)可以靈活地處理屬性值的模糊性和不確定性，即全面客觀地同時表達信任程度、不信任程度和不確定程度。故將語言型屬性轉(zhuǎn)換成直覺模糊數(shù)，從而將定性屬性量化。其轉(zhuǎn)換過程為：

(1)根據(jù)經(jīng)驗和實際應(yīng)用問題需要，本文拓展文獻[19]的語言變量和直覺模糊數(shù)的關(guān)系，建立了語言變量值與直覺模糊數(shù)之間的對應(yīng)關(guān)系，如表1所示。

Table 1 Corresponding relationship between linguistic variables and IF numbers表1 語言變量值與直覺模糊數(shù)之間的對應(yīng)關(guān)系

(2)利用式(2)修正原始評價信息。

(3)統(tǒng)計各個語言變量值所占的百分比，做為相應(yīng)直覺模糊數(shù)的權(quán)重。

(4)利用直覺模糊混合集成算子，計算定性屬性上集成的直覺模糊數(shù)。

3.3 基于直覺模糊熵的屬性權(quán)重計算方法

由于反饋評價屬性類型不同，且權(quán)重未知，而實際環(huán)境中往往很難獲得屬性權(quán)重，下面利用直覺模糊熵計算各屬性的權(quán)重。

(7)

那么對于直覺模糊數(shù)α=〈μa,υa〉,其模糊熵為:

(8)

經(jīng)以上第3節(jié)反饋屬性的直覺模糊數(shù)轉(zhuǎn)換后，設(shè)aj={a1j,a2j,…,akj},j=1,2,…,m為屬性Aj(j=1,2,…,m)下評分信息所對應(yīng)的直覺模糊數(shù)組成的集合，其中aij=〈μij,υij〉為第j個屬性下的第i個子直覺模糊數(shù)。通過式(8)可計算其模糊熵，記為eij。當eij越大時，說明直覺模糊數(shù)aij的不確定性越大。屬性Aj的信息熵為:

(9)

其中,ηi為第i個子直覺模糊數(shù)的權(quán)重，第j個評價屬性的權(quán)值可由下式計算：

(10)

由此可見，當屬性所含不確定性信息越大，其相應(yīng)的權(quán)重就越小。

3.4 基于直覺模糊數(shù)的實體信任表示

⊕wjFj⊕…⊕wjFj,j=1,2,…,m

(11)

根據(jù)文獻[18]的運算法則，式(11)可以轉(zhuǎn)化為:

(12)

3.5 實體信任得分

本文借鑒直覺模糊數(shù)的得分函數(shù)來描述實體的信任得分，得分函數(shù)于1994年首次被Chen S M等人[21]引入，其值是隸屬度和非隸屬度的差值，差值越大，則得分值越大，從而直覺模糊數(shù)越大。

定義5對于任一直覺模糊數(shù)α=〈μα,υα〉，定義S(α)=μα-υα為α的得分值，其中S(α)∈[-1,1]。

3.6 帶風險偏好的信任得分

由于每個服務(wù)請求者個人的知識、觀念、偏好、地位等因素的差異，不同的服務(wù)請求者評價同一個服務(wù)提供者的信任會作出不同的決策，這種現(xiàn)象被稱為風險態(tài)度。風險態(tài)度一般分三種，即風險偏好型、風險中立型和風險規(guī)避型。根據(jù)服務(wù)請求者的風險態(tài)度，實體信任的直覺模糊數(shù)包含猶豫度這一不確定性信息，偏好風險的服務(wù)請求者認為多數(shù)猶豫者偏向信任(最終會選擇信任)，規(guī)避風險的服務(wù)請求者認為多數(shù)猶豫者偏向不信任(最終會選擇不信任)，而風險中立的服務(wù)請求者認為猶豫者保持中立(即信任與不信任各占一半)。設(shè)λ∈[0,1]為風險偏好因子，它表示猶豫者需在信任與不信任做一個選擇時，服務(wù)請求者認為猶豫者中偏向信任的比例，則偏向不信任的比例是1-λ。風險偏好因子是請求者對猶豫者選擇信任概率的一種主觀判斷，這種判斷是根據(jù)服務(wù)請求者本人知識和經(jīng)驗的直覺性判斷，往往由服務(wù)請求者自行給出。顯然，存在以下三種風險態(tài)度：

(1) 當λ>0.5時，請求者屬風險型，認為多數(shù)猶豫者支持信任，λ越大，偏好風險的程度越大。

(2) 當λ=0.5時，請求者屬風險中立，認為猶豫者支持信任和不信任各占一半。

(3) 當λ<0.5時，請求者屬規(guī)避風險的，認為多數(shù)猶豫者支持不信任，λ越小，規(guī)避風險的程度越大。

(13)

4 實驗與分析

本實驗環(huán)境硬件配置是：Intel(R) CoreTMi5-2537M CPU，4 GB內(nèi)存，操作系統(tǒng)為Windows 7，在Matlab環(huán)境下進行仿真實驗。

實驗數(shù)據(jù)來源于淘寶網(wǎng)某商家2010年1月至2011年12月的交易共1 300條，累計有效評價記錄(去除干擾記錄，如有的用戶沒有對屬性給出分數(shù)；要不就只給1～2項屬性的分數(shù))共1 020條。每條評價記錄包括：信任評價屬性(包括寶貝描述的相符度、賣家服務(wù)態(tài)度和賣家發(fā)貨速度，其評分區(qū)間為[0,5])和語言評價(好、中、差評)。

4.1 基于集成直覺模糊信息的信任評價方法的仿真實驗與分析

本節(jié)模擬實際場景計算實體信任直覺模糊信息，對風險態(tài)度因子進行靈敏度分析，以驗證本文信任模型的有效性。

4.1.1 案例計算

以選擇提供同類商品的淘寶賣家的例子來說明本文的方法。設(shè)有服務(wù)提供商P1、P2、P3、P4，評價屬性集為(寶貝描述的相符度、賣家服務(wù)態(tài)度和賣家發(fā)貨速度、語言評價)，根據(jù)以往交易的用戶反饋，對四個服務(wù)提供商的信任排序。

(1) 初始化處理。

首先，按照式(4)將原始反饋屬性的評分進行規(guī)范化處理；然后，以當前時間為2012年1月1日為參考，通過2.3節(jié)對衰減函數(shù)的比較分析，選取衰減速率因子ψ=5，根據(jù)式(1)和式(2)計算修正后評價向量，從而獲得服務(wù)請求者對實體反饋屬性的評價向量。由于大部分電子商務(wù)網(wǎng)站采用五級評分尺度，根據(jù)經(jīng)驗將定量屬性評分區(qū)間和直覺模糊數(shù)對應(yīng)關(guān)系劃分如表2所示，定性屬性的語言變量和直覺模糊數(shù)對應(yīng)關(guān)系如表1所示，通過擇優(yōu)計算獲得各子直覺模糊數(shù)及其權(quán)重。

Table 2 Corresponding relationship among satisfaction, interval and IF numbers表2 滿意度、區(qū)間和直覺模糊數(shù)對應(yīng)關(guān)系

(2)反饋評價屬性的直覺模糊數(shù)。

將各服務(wù)提供商的評分向量利用第3節(jié)直覺模糊數(shù)轉(zhuǎn)換機制，集成各服務(wù)提供商在評價屬性(如寶貝描述相符度、服務(wù)態(tài)度、發(fā)貨速度和語言評價)上的直覺模糊數(shù)。由此可構(gòu)造四個賣家的屬性集成的直覺模糊評價矩陣B，如下所示:

寶貝描述相符度 服務(wù)態(tài)度 發(fā)貨速度 語言評價

(3)基于直覺模糊數(shù)的實體信任計算。

然后，根據(jù)式(10)，獲得反饋評價屬性的權(quán)重向量w=(0.224,0.225,0.270,0.281)，根據(jù)式(12)生成各實體的直覺模糊數(shù)及其信任得分排序。如表3所示。

Table 3 Trust ranking result表3 各實體的信任排序結(jié)果

4.1.2 風險態(tài)度對決策結(jié)果的影響

為了進一步研究風險態(tài)度對信任決策的影響，采用基于風險偏好因子信任得分排序函數(shù)式(13)，得到如表4所示的排序結(jié)果。

Table 4 Result ranking of different methods表4 不同方法的排序結(jié)果

從表4可知，當風險偏好因子λ的取值不同時，即服務(wù)請求者對待風險的態(tài)度不同，服務(wù)提供者的信任得分也不同。當決策時服務(wù)請求者的規(guī)避風險程度較嚴重時，如λ=0，實體的可信優(yōu)劣順序為丁?甲?乙?丙，最可信的實體為??；當λ=0.4時，實體的可信優(yōu)劣順序為甲?丁?乙?丙，最可信的實體為甲；當服務(wù)請求者為風險型或樂觀型者時，如λ=1，實體的可信優(yōu)劣順序為甲?丁?丙?乙，最可信的實體為甲。再者，利用文獻[11,13]產(chǎn)生的排序，均可以在本文方法得到體現(xiàn)。

由此可見，服務(wù)請求者的風險態(tài)度對決策結(jié)果產(chǎn)生重要的影響，當服務(wù)請求者處理不同的風險態(tài)度時，可以通過調(diào)整其風險偏好因子來進行信任決策，可以較好地反映實際情況。

4.2 模型的表達及抗欺詐能力分析

本實驗通過實現(xiàn)本文模型以及另外兩個作為對比的模型，即灰色系統(tǒng)信任模型[11]和基本信任模型(屬性采用算術(shù)平均集成)，分析模型的表達和抗欺詐能力，擬采用的欺詐均方根誤差定義如下：

(14)

本實驗?zāi)M實際場景，計算不同欺詐率下的實體信任分數(shù)(按上述案例計算，這里不再敘述)，以驗證模型的表達力和抗欺詐力。

(1)從圖3知，隨著詆毀行為下欺詐率的提高，實體的信任隸屬度隨之降低，而不信任隸屬度則隨之提高，信任得分呈下降趨勢。

(2)從圖4可知，隨著夸大行為下欺詐率的提高，實體的信任隸屬度隨之提高，而不信任隸屬度則隨之降低，信任得分呈上升趨勢，較好地反映了實體交互的實際情況。

(3)從圖3和圖4可知，以往信任模型只能片面地給出實體的信任值，忽視了實體的不信任分量，而本文模型既能表達實體的信任分量，又能給出不信任分量，而且給出的信任得分更加客觀。再者，隨著欺詐率的提高，實體信任得分變化趨勢較緩和，表示模型具有一定的抗欺詐能力。

Figure 3 Trust value under defaming behavior

Figure 4 Trust value under exaggerating behavior

從圖5可以看出，隨著欺詐率的不斷提高， 三者的D-RMSE不斷上升，其中本文模型上升最緩慢，即便在惡意節(jié)點達到30%的情況下模型仍然維持一個較低的誤差水平。這主要是因為本文模型利用直覺模糊混合平均集成屬性值，考慮了數(shù)據(jù)所在位置的權(quán)重，通過對過好或過差的評分賦予較小的權(quán)重，從而減弱了惡意推薦對直覺模糊信息集結(jié)的影響。

Figure 5 Fraud root mean square error

5 結(jié)束語

本文以電子商務(wù)環(huán)境為研究背景，借鑒已有工作，引入直覺模糊集理論提出了一種多維集成直覺模糊信息的信任評價方法。通過直覺模糊數(shù)采用兩標度(即信任隸屬度和不信任隸屬度)來刻畫信任評價時的模糊性與不確定性，可以同時表示信任、不信任和不確定性三種狀態(tài)，克服了以往單純信任度的局限性，而把猶豫度也包含在內(nèi)，它能夠更加細膩、完整地表達客觀現(xiàn)象的自然屬性。我們給出了兩類反饋評價屬性集成直覺模糊信息的方法，并利用直覺模糊混合平均算子生成直覺模糊信任信息，有效地減少了惡意推薦對集成信息的影響。針對不同服務(wù)中評價屬性權(quán)重難以客觀確定的問題，提出基于直覺模糊熵的屬性權(quán)重確定方法。通過計算實例和仿真實驗，驗證了該方法的有效性和表達能力，同時也證實了本算法對單純惡意節(jié)點的攻擊有較好的抑制能力。今后將針對以下問題做進一步深入探討，一是研究信任直覺模糊信息的有效集成方式，二是研究該信任模型在實際環(huán)境中的應(yīng)用。

[1] 2013 china online retail market data monitoring report [EB/OL].[2014-03-19].http://www.100ec.cn/zt/upload_data/down/2013ndbgqw.pdf.

[2] Beatty P, Reay I, Dick S, et al. Consumer trust in e-commerce web sites:A meta-study [J]. ACM Computing Surveys (CSUR), 2011, 43(3):14.

[3] Mou J, Cohen J. Trust in electronic-service providers:A meta-analysis of antecedents [C]∥Proc of the 18th Pacific Asia Conference on Information Systems, 2014:1.

[4] Teacy W T L, Patel J, Jennings N R, et al. Travos:Trust and reputation in the context of inaccurate information sources [J]. Autonomous Agents and Multi-Agent Systems, 2006,12(2):183-198.

[5] J?sang A, Ismail R, Boyd C. A survey of trust and reputation systems for online service provision [J]. Decision Support Systems, 2007, 43(2):618-644.

[6] Vogiatzis G, MacGillivray I, Chli M. A probabilistic model for trust and reputation [C]∥Proc of the 9th International Conference on Autonomous Agents and Multiagent System, 2010:225-232.

[7] Fouss F, Achbany Y, Saerens M. A probabilistic reputation model based on transaction ratings [J]. Information Sciences, 2010, 180(11):2095-2123.

[8] Tang Wen, Chen Zhong. Research of subjective trust management model based on the fuzzy set theory [J]. Journal of Software, 2003, 14(8):1401-1408. (in Chinese)

[9] Zhang Shi-bin, Liu Quan, Zeng Hong. Fuzzy autonomous trust model based on open network [J]. Journal of Tsinghua University(Science & Technology), 2006,46(S1):1109-1114.(in Chinese)

[10] Chen Chao, Wang Ru-chuan, Zhang Lin. The research of subjective trust model based on fuzzy theory in open networks [J]. ACTA Electronica SINICA, 2010,38(11):2505-2509.(in Chinese)

[11] Xu Lan-fang, Zhang Da-sheng, Xu Feng-ming. Subjective trust model based on grey system theory [J]. Journal o f Chinese Computer Systems, 2007, 28(5):801-804.(in Chinese)

[12] He Li-jian, Huang Hou-kuan. A distributed trust model based on grey system theory [J]. Journal of Beijing Jiaotong University, 2011, 35(3):26-32.(in Chinese)

[13] Zhang Shi-bin, Xu Chun-xiang. Study on the trust evaluation approach based on cloud model [J]. Chinese Journal of Computers, 2013, 36(2):422-431.(in Chinese)

[14] Tao L M, Liang X K. Research on trust cloud-based trust evaluation model for C2C electronic commerce [J]. Applied Mechanics and Materials, 2014,543:4243-4250.

[15] Verbiest N, Cornelis C, Victor P, et al. Trust and distrust aggregation enhanced with path length incorporation[J]. Fuzzy Sets and Systems, 2012, 202:61-74.

[16] Zhao Xi, Wang Xin-sheng. Research of a dynamic trust measurement and prediction method [J]. Computer Engineering & Science, 2010,32(9):20-22.(in Chinese)

[17] Xu Jun, Zhong Yuan-sheng. A subjective trust model based on integrated interval similarity to ideal [J]. Journal of Chinese Computer Systems, 2014,35(11):2428-2433.(in Chinese)

[18] Xu Z.Intuitionistic fuzzy information aggregation theory and applications [M]. Beijing:Science Press; Berlin Heidelberg:Springer-Verlag, 2012.

[19] Guo Si-zong, Lü Jin-hui. The research of intuitionistic fuzzy numbers [J]. Fuzzy Systems and Mathematics, 2013,27(5):11-20.(in Chinese)

[20] Pal N R, Bustince H, Pagola M, et al. Uncertainties with Atanassov’s intuitionistic fuzzy sets:Fuzziness and lack of knowledge [J]. Information Sciences, 2013, 228:61-74.

[21] Chen S M, Tan J M. Handling muti-criteria fuzzy decision-making problems based on vague set theory[J]. Fuzzy sets and Systems, 1994,67(2):163-172.

附中文參考文獻:

[8] 唐文, 陳鐘. 基于模糊集合理論的主觀信任管理模型研究[J]. 軟件學報, 2003,14(8):1401-1408.

[9] 張仕斌, 劉全, 曾鴻. 基于開放式網(wǎng)絡(luò)環(huán)境的模糊自主信任模型[J]. 清華大學學報(自然科學版), 2006, 46(S1):1109-1114.

[10] 陳超, 王汝傳, 張琳. 一種基于開放式網(wǎng)絡(luò)環(huán)境的模糊主觀信任模型研究[J]. 電子學報, 2010, 38(11):2505-2509.

[11] 徐蘭芳, 張大圣, 徐鳳鳴. 基于灰色系統(tǒng)理論的主觀信任模型[J]. 小型微型計算機系統(tǒng), 2007, 28(5):801-804.

[12] 賀利堅, 黃厚寬. 一種基于灰色系統(tǒng)理論的分布式信任模型[J]. 北京交通大學學報, 2011, 35(3):26-32.

[13] 張仕斌, 許春香. 基于云模型的信任評估方法研究[J]. 計算機學報, 2013, 36(2):422-431.

[16] 趙茜,王新生.一種動態(tài)信任度量與預測方法研究[J].計算機工程與科學,2010,32(9):20-22.

[17] 徐軍,鐘元生.一種集成區(qū)間逼近理想點的主觀信任模型[J].小型微型計算機系統(tǒng), 2014,35(11):2428-2433.

[19] 郭嗣琮, 呂金輝. 直覺模糊數(shù)的研究[J]. 模糊系統(tǒng)與數(shù)學, 2013,27(5):11-20.

徐軍(1982-),男，江西九江人，博士生，講師，CCF會員(E200028459M)，研究方向為可信計算和科學決策。E-mail:Xujun1028@126.com

XU Jun,born in 1982,PhD candidate,lecturer，CCF member(E200028459M)，his research interests include trusted computing, and scientific decision.

鐘元生(1968-),男，江西贛州人，博士，教授，博士生導師，研究方向為電子商務(wù)和信任管理。E-mail:zhong.ys@163.com

ZHONG Yuan-sheng,born in 1968,PhD,professor,PhD supervisor,his research interests include e-commerce, and trust management.

鄭也夫(1983-),女，江西南昌人，碩士，講師，研究方向為信用風險管理。E-mail:Dondon105@126.com

ZHENG Ye-fu,born in 1983,MS,lecturer，her research interest includes credit risk management.

A trust evaluation approach of multi-dimensionalintegrated intuitionistic fuzzy information

XU Jun1,ZHONG Yuan-sheng1,ZHENG Ye-fu2

(1.College of Information Management,Jiangxi University of Finance and Economics,Nanchang 330013;

Trust provides guarantee for quality of service. In e-commerce environment,factors such as complexity,fuzziness and uncertainty can’t ensure consumer payment.It is urgent to judge service providers’credibility and ability to provide services. In this paper,taking the e-commerce environment as the research background,by use of intuitionistic fuzzy (IF) theory,we propose a trust evaluation approach of multi-dimensional feedback IF information.This trust evaluation approach can implement conversions between feedback attributes and IF sets.We obtain the weight of the attributes via entropy for intuitionistic fuzzy sets,and then aggregate the IF information corresponding to each entity through intuitionistic weighted arithmetic averaging operators,which comprehensively,objectively,and delicately reflects the fuzziness and uncertainty of the trust.Examples and simulation results show the feasibility of the trust evaluation approach.A sensitivity analysis for risk appetites shows that different risk appetites of service requestors will lead to different trust scores of service providers under estimation. It is also verified that the proposed approach can effectively inhibit attacks from malicious nodes, and it may provide a new way for research on trust evaluation in e-commence environment.

intutionistic fuzzy (IF);trust evaluation;feedback attribute;risk appetite;trust score

1007-130X(2015)09-1768-09

2014-07-04;

2014-11-11基金項目：國家自然科學基金資助項目(71361012,61263018)；江西省自然科學基金資助項目(20132BAB201050)；江西財經(jīng)大學校級課題資助項目

TP391.3

A

10.3969/j.issn.1007-130X.2015.09.028

通信地址：330013 江西省南昌市昌北經(jīng)濟技術(shù)開發(fā)區(qū)雙港東大街169號江西財經(jīng)大學信息管理學院

Address:College of Information Management,Jiangxi University of Finance and Economics,169 Shuanggang Rd East,Changbei,Nanchang 330013,Jiangxi,P.R.China