Page 64 - 《软件学报》2021年第11期

3390 Journal of Software 软件学报 Vol.32, No.11, November 2021

1 相关研究

近年来,国内外学者围绕利用用户的评价信息协助用户进行服务决策展开了深入研究.用户在与在线服务
交互过程中产生的评价信息能表达用户对在线服务的主观偏好,体现了用户对在线服务的满意程度,是在线服
[6]
务评价的重要基础 .用户对在线服务的评价信息主要分为文本型评论和数值型评分 [15] .目前,基于评价信息的
在线服务评价方法主要分为 3 类:基于文本型评论的评价方法、基于数值型评分的评价方法以及考虑用户评价
准则不一致的方法.
基于文本型评论,文献[16]提出一种在线服务排序方法.该方法基于一组语言特征和支持向量回归(support
vector regression,简称 SVR)模型,通过训练 SVR 模型,预测评论的有用性指数,帮助用户评估文本评价的质量.
文献[2]设计了一种自动多方位评价在线服务的系统,该系统通过对文本评论进行词性标注、情感分析和特征选
择来合成文本的向量表示,进而实现对在线服务的排序.文献[17]提出以用户评论信息为基础、通过概率排序算
法来实现服务排序的方法.文献[18]提出利用灰色评估理论分析用户情感满意度的评价方法,该方法对文本评
论的多种评价因素进行量化分析,构建用户满意度测试指标,为用户服务选择决策提供更好的参考依据.然而,
随着在线服务规模的不断扩大,互联网上复杂的文本评价信息让用户很难理解评价结果背后的含义.
[1]
基于数值型评分的方法目前被广泛应用于电子商务平台 .累加值法、平均值法是工业界最常见的在线服
[2]
务评价方法 .累加法将所有用户对服务的评分进行累加并排序,得到服务评价结果.eBay 和 Taobao 采用累加法
对在线服务进行评价.平均值法首先将某个在线服务获得的所有用户评分进行累加,然后将累加结果与评分次
数的商作为该服务的评价结果.目前,该方法被应用于 Amazom 和 Tmall.
在平均值的基础上,文献[19]提出可利用加权平均值和中心加权平均值来预测在线服务的评分值.其中,加
权平均值通过比较当前用户与邻居用户的相似程度,赋予大小不同的推荐权重值,以此实现在线服务评分预测;
中心加权平均值在加权平均值的基础上,通过计算不同用户的加权评分值与平均评分值间的差值进行评分预
测.文献[20]提出一种信誉度量方法,该方法首先基于用户的上下文对评级进行分类,然后计算不同上下文的用
户评分差异获取用户内部评分,最后采用协同过滤方法来度量每个 Web 服务的信誉.文献[3]提出一种服务信誉
评价机制以研究服务评价的多样性和动态性、用户反馈的不完全性及恶意评分的复杂性.这些在线服务计算方
法原理简单易于普通用户理解,可以很快得到评价结果.
上述两类在线服务评价方法均假设用户对在线服务具有相同评价准则 [10] .然而,由于在开放的网络环境下
用户交互心理和交互背景的差异,导致用户评价准则不一致,使得用户对服务的评价信息不可比较.因此,上述
方法中所使用的评价信息不可比较,从而得到的评价结果难以真实反映在线服务的客观情况.为解决用户评价
准则不一致情况下的在线服务评价问题,目前研究主要有两种思路.
• 其一,俱乐部分组思想.例如文献[21]设计的基于联盟形成博弈论的混合信誉系统,其鼓励具有不同主
观性类型的用户组成独立俱乐部,然后聚合俱乐部内用户的评分,并在俱乐部内部实现对服务信誉的
评价.
• 其二,基于用户的序数偏好解决用户评价准则不一致问题.文献[10]提出了利用用户对在线服务的序数
偏好来计算服务信誉的方法,方法定义距离来度量评价向量间的差异,将信誉计算问题转化为一个优
化问题,并利用遗传算法对其进行求解.文献[11]提出了考虑用户偏好不一致的服务信誉度量机制,该
机制基于用户对服务的序数偏好,采用多数准则确定服务间优劣关系,并根据服务对的优劣关系构造
有向无环图实现服务排序.
受思路二的启发,本文方法充分考虑用户主观偏好的不一致性,采用用户的偏好排序进行服务评价,避免对
不同用户间的评价信息进行比较.
综上,现有研究的核心思想是:
• 基于用户的评价信息获得在线服务的完整排序,其为单个用户的服务选择提供参考.然而,在 Top-k 在
线服务评价场景下,用户群体满意程度是衡量选择是否合理的一个重要指标,评价结果的服务集合应
尽可能满足用户群体的满意度最大.