27、随机环境中基于学习自动机的服务选择解决方案

随机环境中基于学习自动机的服务选择解决方案

在当今这个服务丰富多样的时代，要识别出高质量的服务变得越来越困难。“声誉系统”（RSs）在过去十年里在学术界和工业界都备受关注，它已成为处理在线服务信任问题的有效方法，还能在缺乏直接体验的情况下收集服务性能信息。然而，声誉系统面临着诸多挑战，比如存在提供不公平评价的用户，以及服务质量和用户性质随时间变化等问题。

声誉系统面临的问题

随着服务数量的增多，声誉系统在帮助用户选择服务方面发挥着重要作用。但该系统容易受到“刷票”和“恶意诋毁”等行为的影响，不公平的评价会降低声誉系统的可信度，而且服务质量随时间的变化会使之前的评价变得不可靠。

此前有不少研究致力于解决不公平评价对声誉系统的负面影响。例如，Dellarocas使用协同过滤元素确定具有相似评价的代理的最近邻，然后应用聚类过滤方法过滤出最可能的不公平正面评价；Sen和Sajja提出一种算法，通过询问其他用户代理对可用服务提供商的评价来选择服务提供商，但其实验测试表明该方法容易受到欺骗性代理比例变化的影响；Witby和Jøsang提出一种贝叶斯方法，基于迭代过滤方法过滤出不诚实的反馈；还有研究者提出概率模型来评估P2P网络中对等节点的可信度。

问题建模

假设存在L个服务（或服务提供商）的集合S = {S1, S2, …, SL}，以及由N个用户（也称为“代理”）组成的社交网络U = {u1, u2, …, uN}。每个服务Sl都有一个相关的质量，用服务提供商在被代理请求服务时表现出色的“固有”概率θl表示，该概率对用户/代理来说是未知的。

对于用户代理ui与服务Sl的一次交互，用xil表示性能值，xil ∈ {0, 1}，其