制造数据交易市场的声誉系统设计:基于Q学习和IRL估计效用的多智能体评估

近期机器学习和大数据分析的进展加剧了对高质量跨域数据集的需求,并推动了数据在组织之间进行交易的增长。随着数据日益被视为经济资产,数据市场作为数据驱动创新的关键基础设施不断涌现。然而,与成熟的产品或服务市场不同,数据交易环境仍处于萌芽阶段,且存在显著的信息不对称。买方在购买数据前无法核查内容或质量,使信任和质量保证成为核心挑战。为此,本研究开发了一个多智能体数据市场模拟器,建模参与者行为并评估促进信任形成的制度机制。聚焦制造业,该模拟器整合了强化学习(RL)用于智能体自适应行为,以及逆强化学习(IRL)从经验行为数据估计效用函数。通过该模拟器,我们检验了五种典型声誉系统—时间衰减、贝叶斯Beta、PageRank、PowerTrust和PeerTrust—的市场层面效果,发现PeerTrust在实现数据价格与质量匹配方面最佳,且防止垄断主导。基于此结果,我们构建了一种混合声誉机制,整合现有系统优势,实现价格-质量一致性和整体市场稳定性的提升。本研究通过将信任和声誉作为内生机制纳入仿真数据市场分析,提供了可靠高效数据生态系统设计的方法论与制度洞见。