一种鲁棒的基于声誉的群组排序系统及其抗贿赂性

在线评论和观点的传播及其对人们行为和决策日益增长的影响，提升了从这一数据洪流中提取有意义信息的兴趣。因此，众包的产品与服务评级在商业和政府中扮演了关键角色。当前最先进的解决方案通过对某条目所表达评级取平均来对其排序，导致缺乏个性化，且易遭受攻击及垃圾/虚假用户的影响。利用这些评级将具有相似偏好的用户分组，可能有助于向用户呈现反映其偏好的条目并克服上述漏洞。本文提出一种新颖的基于声誉的排序系统，利用多部评级子网络，通过三种度量（其中两种基于 Kolmogorov 复杂度）根据用户相似性进行聚类。我们还研究了其抗贿赂性以及如何设计最优贿赂策略。我们系统的新颖之处在于，它通过（可能）为不同用户群组对同一条目分配不同排序来反映偏好的多样性。我们证明了该系统的收敛性与效率。通过在合成与真实数据上测试，我们发现其能更好地应对垃圾/虚假用户，比最先进方法更鲁棒于攻击。此外，通过用户聚类，与二部情况相比，所提出的多部排序系统中贿赂的影响被削弱。