29、Prob - Cog：用于信任评估的自适应过滤模型

Prob - Cog：用于信任评估的自适应过滤模型

1. 阈值参数评估

在 Prob - Cog 模型中，将信任的认知和概率观点相结合，每种观点的权重取决于消费者的内在因素，如意愿和偏好。不同观点的优先级体现在为各层设定的不同阈值上。该模型中，采用的阈值取值受多种因素影响：
- 提供者绩效的变化
- 持不诚实态度的邻居比例
- 认知方法对消费者观点的影响（Infview:cog）

为了在第二层中最优地估计 β，消费者 C 需要获取足够关于报告者不准确的潜在原因的信息。可以通过捕捉提供者产品质量的平均变化来评估不准确容忍阈值 β。具体来说，只选择可靠性高（c(r, s) > 0.50）的提供者来精确计算其绩效变化。提供者 Pj 的变化计算如下：
[dev(C, Pj) = \frac{\sum_{r_i\in\Re(C,P_j)}(v_i - \overline{v})^2}{|\Re(C, P_j)|}]
β 的估计公式为：
[\beta = \frac{\sum_{j = 1}^{|P|} dev(C, P_j)}{|P|}]
其中，$dev(C, P_j)$ 是提供者 Pj 在消费者 C 最近交互中的绩效标准差，$v_i$ 是消费者 C 为 Pj 提供的评级 $r_i$ 的值（$0 \leq v_i \leq 1$），$\overline{v}$ 是评级集合 $\Re(C, P_j)$ 中所有评级值的平均值。

根据 Infview:cog 的值，消费者对建模顾问的行为模式表现出不同程度的兴趣。为满足他们的需求，设计了 ϵ 来让消费者检测顾问的不同倾向。初始化 ϵ 不仅取决于 Infview:cog，还依赖于