一种基于RankedPairs社会选择理论的在线商品评价方法与流程

本发明涉及一种基于rankedpairs社会选择理论的在线商品评价方法，属于在线商品评价及群体决策
技术领域：
。
背景技术：
：随着电子商务的发展，消费者可以便捷地在电子商务网站上购买心仪的商品，但由于每个电子商务网站都有大量不同种类的商品或者相同商品有大量不同的卖家同时在售，从而出现了商品信息过载现象。这样，用户在选择一款心仪商品的时候需要反复进行搜索、对比，浪费大量时间。为此，各大电子商务网站为了提供更好的购物体验，为用户提供了多种基于第三方评价形成的在线商品排序方法以辅助用户制定自己的购买决策，用户在购买商品的时候很大程度上会参考这些排序方法得到的排序结果。以目前国内最大的电子商务网站淘宝网为例，淘宝上提供的商品排序方法有综合排名、销量排名、信用排名、价格排名等。在选择商品的时候，有的用户认为按照商品评分从高到低排序选择可以保证商品的质量。但是，这种情况下可能会出现有些商家为了提高商品销量，出现互刷商品好评的情况。所以，即使用户按照商品评分从高到低的顺序选择商品也有可能买不到高质量商品。因此，一种更难以操纵商品评价结果的在线商品排序方法可以有效抵制卖家互刷好评，从而提高在线商品评价结果的可靠性，辅助用户更好的制定自己的购买决策。zhangx,cuil,wangy(<ieeetransactionsonknowledgeanddataengineering>,2014,26(7):1631-1643)；bharadwajkk,al-shamrimyh(<electroniccommerceresearchandapplications>,2009,8(1):37-47)；陈建钧等(<计算机应用研究>,1001-3695(2015)01-0249-05)；王超等(<计算机工程与应用>2014(17):120-124)；王文佳等(<计算机工程与应用>,2010.46(29):1-5)指出目前电子商务中在线商品评价方法有：累加法、平均值法、模糊计算法、基于云模型理论方法等。然而，zhangx,cuil,wangy论文中提到的累加法与平均值法在商品评价中没有考虑到用户之间评价偏好准则不一致问题，同时得到的评价结果不满足孔多赛准则并且抗操纵能力较低：由于不同用户具有不同的消费心理，有的用户注重商品的性价比，有的用户注重商品的质量，有的用户注重购物体验。因此有的用户倾向给予商品较高评分、有的用户倾向给予商品较低评分或者有的用户没有特定的评分倾向，这样就使得不同用户对同一商品的评分不可比较。相同商品由于用户评价偏好准则不一致得到不同的评分，使用累加法与平均值法将得到不同的评价结果，因此累加法与平均值法得到的在线商品评价结果并不能真正体现商品性能。另外，累加法与平均值法根据用户对在线商品评分大小得到商品评价结果，因此只需要多次提高某一商品的评分就能达到操纵评价结果的目的，得到的评价结果抗操纵能力较低。此外，累加法与平均值法得到商品评价结果没有考虑到多数用户的意愿，将平均分或累加分最高商品作为最优商品进行推荐，因此只需要增加对某一商品高评分用户数量使该商品平均分或累加分高于其他任意商品即可将该商品作为最优商品进行推荐。然而社会选择理论中的孔多赛准则指出最优候选商品与其他任意商品相比均有一半以上用户认为该商品优于其他商品。因此，累加法与平均值法得到的评价结果不满足社会选择理论中的孔多赛准则，没有体现多数用户的意愿。技术实现要素：本发明要解决的技术问题是提供一种基于rankedpairs社会选择理论的在线商品评价方法，用来解决现有电子商务网站中在线商品评价方法假设不同用户具有相同评价偏好得到的在线商品评价结果不能真正体现商品性能，不满足多数用户意愿并且抗操纵能力较低等问题。本发明的技术方案是：一种基于rankedpairs社会选择理论的在线商品评价方法，首先根据用户商品评分矩阵计算每个用户对在线商品的偏好关系，得到商品商品比较矩阵；然后根据商品商品比较矩阵得到优先商品对排序列表；再根据优先商品对排序列表构造以商品为节点的有向无环图；最后根据有向无环图计算得到在线商品评价结果。具体步骤为：步骤1、根据用户商品评分矩阵计算每个用户对在线商品的偏好关系，得到商品商品比较矩阵；1.1、设用户集合为u＝{u1,u2,…,um}，商品集合为p＝{p1,p2,…,pn}，则用户商品评分矩阵为r＝[rij]m×n，其中rij表示用户ui对商品pj的评分；如果矩阵r中有用户未对商品进行评分，则先将矩阵r填充完整，然后根据步骤1.2建立用户商品偏好关系矩阵，填充未评分数据方法如下：用公式(1)计算用户ui，uj∈u(i,j＝1,2,3,...,m,i≠j)的皮尔逊相关系数pearij；其中，cij为用户ui，uj共同评价过的商品集合，n为集合cij中元素个数，ric为用户ui对共同评价过商品pc∈cij的评分，rjc为用户uj对共同评价过商品pc∈cij的评分；用公式(2)计算用户ui中未评分商品ps的填充评分值ris并将ris填充到该用户对目标商品ps的商品评分矩阵中；其中，pearij为用户ui，uj∈u(i,j＝1,2,3...,m,i≠j)的皮尔逊相关系数，rjs为矩阵r中用户uj对ui中未评分商品ps的评分；1.2、根据用户商品评分矩阵计算每个用户对在线商品的偏好关系；根据用户商品评分矩阵r计算每个用户ui∈u(i＝1,2,3,...,m)对在线商品px，py∈p(x,y＝1,2,3...n,x≠y)的偏好关系并建立偏好关系矩阵prei＝[prexy]n×n(x,y＝1,2,...,n,x≠y)，用户对在线商品评分转换成对商品偏好关系方法如下：①如果rix>riy，表示用户ui认为商品px优于py，在偏好关系矩阵prei中记做prexy＝1；②如果rix＝＝riy，表示用户ui对商品px，py具有相同的偏好，在偏好关系矩阵prei中记做prexy＝0；③如果rix<riy，表示用户ui认为商品py优于px，在偏好关系矩阵prei中记做prexy＝-1；1.3、根据偏好关系矩阵得到商品商品比较矩阵；根据步骤1.2得到的每个用户对在线商品的偏好关系矩阵prei，分别统计矩阵prei中m个用户里面prexy＝＝1和prexy＝＝-1的用户人数并比较用户人数大小确定商品对(px,py)中的优先商品，支持优先商品的用户人数以及不支持优先商品的用户人数，然后将其转换成商品商品比较矩阵cm＝[cmxy]n×n，偏好关系矩阵转换成商品商品比较矩阵方法如下：①如果表示在商品对(px,py)中认为商品px优于py的用户人数多于认为商品py优于px的用户人数，即商品px优于py，在矩阵cm中记做cmxy表示在商品对(px,py)中支持优先商品px的用户人数；cmyx表示在商品对(px,py)中不支持优先商品px的用户人数；②如果表示在商品对(px,py)中认为商品px优于py的用户数人少于认为商品py优于px的用户人数，即商品py优于px，在矩阵cm中记做cmyx表示在商品对(px,py)中支持优先商品py的用户人数；cmxy表示在商品对(px,py)中不支持优先商品py的用户人数；③如果表示在商品对(px,py)中认为商品px优于py的用户人数等于认为商品py优于px的用户人数，即商品px，py无法判断优劣关系，在矩阵cm中不考虑该情况；步骤2、根据商品商品比较矩阵得到优先商品对排序列表；2.1、根据步骤1.3得到的商品商品比较矩阵cm＝[cmxy]n×n，任取商品对(px1,py1)，(px2,py2)∈(px,py)并且cmx1,y1>0，cmx2,y2>0，根据cmx1,y1，cmx2,y2值从大到小顺序建立优先商品对排序列表listxy，在建立列表listxy过程中，如果cmx1,y1＝＝cmx2,y2，则比较|cmy1,x1|，|cmy2,x2|值大小：①如果|cmy1,x1|<|cmy2,x2|，在列表listxy中商品对(px1,py1)排在商品对(px2,py2)前面；②如果|cmy1,x1|>|cmy2,x2|，在列表listxy中商品对(px1,py1)排在商品对(px2,py2)后面；③如果|cmy1,x1|＝＝|cmy2,x2|，在列表listxy中商品对(px1,py1)，(px2,py2)排序不分先后；步骤3、根据优先商品对排序列表构造以商品为节点的有向无环图；根据步骤2得到的优先商品对排序列表listxy，以listxy中商品对(px,py)为从节点px指向py的有向边构造有向无环图g＝<v,e>；其中，v＝p＝{p1,p2,…,pn}为图g节点集合，e＝(px,py)(x,y＝1,2,3,...,n,x≠y)为图g有向边集合；3.1、将有向边添加到图有向边集合并将有向边节点保存到图节点集合，依次将有向边(pxi,pyj)∈(px,py)添加到图g有向边集合e中并将节点pxi，pyj添加到节点集合v中；3.2在当前构造的有向图g中寻找入度为0节点，从图g有向边集e中任意有向边(pxi,pyj)开始遍历当前图g中所有有向边并从有向边集e中删除该有向边(pxi,pyj)，同时从节点集合v中删除该有向边的终止节点pyj，重复此步骤：①如果节点集合v中存在节点pxi但有向边集e中不存在有向边，此时节点pxi为当前构造的有向图g中入度为0节点；②如果当前构造的有向图g中找不到入度为0的节点，即图g中存在环路，删除添加后形成环路的有向边，若图g有向边集e中已经存在有向边(pyj,pxi)∈(px,py)，将有向边(pxi,pyj)添加到有向边集e中会形成环路pyj->pxi->pyj，则从向边集e中删除此时添加后形成环路的有向边(pxi,pyj)；3.3、重复步骤3.1，3.2，直到将有向边(px,py)全部添加到图g有向边集e中为止，此时得到的有向图g＝<v,e>为最终构造的以商品为节点的有向无环图；步骤4、根据有向无环图计算得到在线商品评价结果；根据步骤3构造的有向无环图g＝<v,e>计算得到在线商品评价结果，依次从有向图g中寻找入度为0节点，找到该节点后，从图g有向边集e中删除所有以该节点为起始节点的有向边并保存该节点，重复此步骤直到图g中不再存在入度为0节点为止，寻找到入度为0节点顺序即为计算得到的在线商品评价结果；4.1、寻找有向图g中入度为0节点，从步骤3构造的有向图g有向边集e中任意有向边(pxi,pyj)∈e开始遍历有向图g中所有有向边并且从有向边集e中删除该有向边(pxi,pyj)同时从图节点集合v中删除该有向边终止节点pyj，重复此步骤直到节点集合v不为空但有向边集e为空为止，此时图节点集合v中存在的节点即为图g中入度为0节点，建立列表finallist保存图g中入度为0节点；4.2、从入度为0节点开始遍历图g得到在线商品评价结果；①建立列表resultlist保存在线商品评价结果；②从finallist中入度为0节点开始遍历图g，依次从finallist中删除入度为0节点同时从图g有向边集e中删除所有以该节点为起始节点的有向边，并且将该节点添加到列表resultlist中；4.3、重复步骤4.1，4.2，直到finallist中不存在入度为0节点为止，此时得到的列表resultlist为在线商品评价结果。得到在线商品评价结果后，可以对评价结果有效性、孔多赛性、抗操纵性进行验证评估。不同用户具有不同的消费心理，使得不同用户对在线商品具有不同的评价偏好，因此不同评价偏好下的用户商品评分不可比较。若用户ui，uj∈u(i,j＝1,2,3...m,i≠j)对商品px，py∈p(x,y＝1,2,3...n,x≠y)评分为rix，rjy，由于用户ui，uj具有不同的评价偏好，因此不能根据rix>rjy就说明商品px优于py或者rix＝＝rjy就说明商品px等同于py。但是，由于同一用户具有相同的评价偏好，所以同一用户对不同商品的评分是可比较的。若用户ui对商品px，py评分为rix，riy，如果rix>riy则商品px优于py；如果rix＝＝riy则商品px等同于py。因此，本发明将不同评价偏好下的用户对商品评分转换成对商品偏好关系并得到商品评价结果是可行的。孔多赛准则：若存在商品px相对其他任意商品py∈p(x,y＝1,2,3...n,x≠y)来说，都有一半以上的用户认为商品px优于py，则商品px为孔多赛候选商品。根据步骤1.3有在步骤3构造有向无环图g的时候图有向边集e中只存在有向边(px,py)而不存在有向边(py,px)，进而在步骤4计算得到在线商品评价结果的时候节点px最先选取，即商品px最优。由孔多赛准则定义可知，孔多赛候选商品px是多数用户偏好的体现，符合大多数用户意愿。因此，可以将商品px作为最优商品。通过将用户ui对商品px的评分从rix修改为rix'以实现操纵商品px评价结果，根据步骤1.2通过修改商品px的评分不仅会改变用户ui对px的偏好关系，还使得用户ui对其他商品py∈p(x,y＝1,2,3...n,x≠y)的偏好关系发生改变，在步骤2建立优先商品对排序列表listxy的时候会改变列表中优先商品对排列顺序，在步骤3中建立有向图g的时候会改变图g的形状，进而在步骤4遍历图g得到在线商品评价结果的时候不仅会改变商品px的评价结果，同时也会改变商品py的评价结果。因此，通过改变一个商品的评分操纵该商品的评价结果在改变该商品评价结果的同时也会改变其他商品的评价结果。因此，本发明提高了操纵商品评价结果的难度。本发明的有益效果是：1、由于不同用户具有不同的消费心理，有的用户注重商品的性价比，有的用户注重商品的质量，有的用户注重购物体验，因此用户对在线商品评价偏好准则不可能完全一致。然而公知方法只有在假设用户对在线商品具有相同评价偏好准则下得到的评价结果才具备可比较性。本发明所述方法不假设用户对在线商品具有相同评价偏好得到评价结果，方法通过将用户对在线商品评分两两比较后转换成用户对在线商品的偏好关系，然后根据偏好关系而不是传统的评分得到在线商品排序结果，由于用户对在线商品偏好是可比较的，因此本发明得到的评价结果具有可比较性。此外，方法得到的评价结果符合孔多赛准则，体现了多数用户的意愿，因此能够更好地辅助用户制定购买策略。2、公知方法根据用户对在线商品评分大小得到在线商品评价结果，因此，只需要提升某个特定商品的评分或者增加对某个商品高评分的用户人数就能轻易改变评价结果。然而，本发明所述方法通过将用户对在线商品的评分转化成用户对商品的偏好关系，然后根据偏好关系建立以商品为节点的有向无环图后经过一次计算得到商品排序结果，通过改变单个商品评分操纵评价结果时不仅会改变该商品评价结果，同时也会改变其他商品评价结果。因此，方法得到的在线商品评价结果具有更强的抗操纵能力。本发明考虑到用户对在线商品评价偏好的不一致，将不同评价偏好下的用户对商品评分两两比较后得到用户对在线商品的偏好关系，并且基于rankedpairs社会选择函数得到在线商品评价结果。方法得到的评价结果满足孔多赛性，体现了多数用户的意愿并且抗操纵能力更强，为用户评价偏好不一致下的在线商品评价及其相关应用提供了一种新的解决方案，能够辅助用户更好地制定购买策略。附图说明图1是本发明流程图；图2是本发明实施例中构造的有向无环图。具体实施方式下面结合附图和具体实施方式，对本发明作进一步说明。实施例1：如图1所示，一种基于rankedpairs社会选择理论的在线商品评价方法，首先根据用户商品评分矩阵计算每个用户对在线商品的偏好关系，得到商品商品比较矩阵；然后根据商品商品比较矩阵得到优先商品对排序列表；再根据优先商品对排序列表构造以商品为节点的有向无环图；最后根据有向无环图计算得到在线商品评价结果。具体步骤为：步骤1、根据用户商品评分矩阵计算每个用户对在线商品的偏好关系，得到商品商品比较矩阵；1.1、设用户集合为u＝{u1,u2,…,um}，商品集合为p＝{p1,p2,…,pn}，则用户商品评分矩阵为r＝[rij]m×n，其中rij表示用户ui对商品pj的评分；如果矩阵r中有用户未对商品进行评分，则先将矩阵r填充完整，然后根据步骤1.2建立用户商品偏好关系矩阵，填充未评分数据方法如下：用公式(1)计算用户ui，uj∈u(i,j＝1,2,3,...,m,i≠j)的皮尔逊相关系数pearij；其中，cij为用户ui，uj共同评价过的商品集合，n为集合cij中元素个数，ric为用户ui对共同评价过商品pc∈cij的评分，rjc为用户uj对共同评价过商品pc∈cij的评分；用公式(2)计算用户ui中未评分商品ps的填充评分值ris并将ris填充到该用户对目标商品ps的商品评分矩阵中；其中，pearij为用户ui，uj∈u(i,j＝1,2,3...,m,i≠j)的皮尔逊相关系数，rjs为矩阵r中用户uj对ui中未评分商品ps的评分；1.2、根据用户商品评分矩阵计算每个用户对在线商品的偏好关系；根据用户商品评分矩阵r计算每个用户ui∈u(i＝1,2,3,...,m)对在线商品px，py∈p(x,y＝1,2,3...n,x≠y)的偏好关系并建立偏好关系矩阵prei＝[prexy]n×n(x,y＝1,2,...,n,x≠y)，用户对在线商品评分转换成对商品偏好关系方法如下：①如果rix>riy，表示用户ui认为商品px优于py，在偏好关系矩阵prei中记做prexy＝1；②如果rix＝＝riy，表示用户ui对商品px，py具有相同的偏好，在偏好关系矩阵prei中记做prexy＝0；③如果rix<riy，表示用户ui认为商品py优于px，在偏好关系矩阵prei中记做prexy＝-1；1.3、根据偏好关系矩阵得到商品商品比较矩阵；根据步骤1.2得到的每个用户对在线商品的偏好关系矩阵prei，分别统计矩阵prei中m个用户里面prexy＝＝1和prexy＝＝-1的用户人数并比较用户人数大小确定商品对(px,py)中的优先商品，支持优先商品的用户人数以及不支持优先商品的用户人数，然后将其转换成商品商品比较矩阵cm＝[cmxy]n×n，偏好关系矩阵转换成商品商品比较矩阵方法如下：①如果表示在商品对(px,py)中认为商品px优于py的用户人数多于认为商品py优于px的用户人数，即商品px优于py，在矩阵cm中记做cmxy表示在商品对(px,py)中支持优先商品px的用户人数；cmyx表示在商品对(px,py)中不支持优先商品px的用户人数；②如果表示在商品对(px,py)中认为商品px优于py的用户数人少于认为商品py优于px的用户人数，即商品py优于px，在矩阵cm中记做cmyx表示在商品对(px,py)中支持优先商品py的用户人数；cmxy表示在商品对(px,py)中不支持优先商品py的用户人数；③如果表示在商品对(px,py)中认为商品px优于py的用户人数等于认为商品py优于px的用户人数，即商品px，py无法判断优劣关系，在矩阵cm中不考虑该情况；步骤2、根据商品商品比较矩阵得到优先商品对排序列表；2.1、根据步骤1.3得到的商品商品比较矩阵cm＝[cmxy]n×n，任取商品对(px1,py1)，(px2,py2)∈(px,py)并且cmx1,y1>0，cmx2,y2>0，根据cmx1,y1，cmx2,y2值从大到小顺序建立优先商品对排序列表listxy，在建立列表listxy过程中，如果cmx1,y1＝＝cmx2,y2，则比较|cmy1,x1|，|cmy2,x2|值大小：①如果|cmy1,x1|<|cmy2,x2|，在列表listxy中商品对(px1,py1)排在商品对(px2,py2)前面；②如果|cmy1,x1|>|cmy2,x2|，在列表listxy中商品对(px1,py1)排在商品对(px2,py2)后面；③如果|cmy1,x1|＝＝|cmy2,x2|，在列表listxy中商品对(px1,py1)，(px2,py2)排序不分先后；步骤3、根据优先商品对排序列表构造以商品为节点的有向无环图；根据步骤2得到的优先商品对排序列表listxy，以listxy中商品对(px,py)为从节点px指向py的有向边构造有向无环图g＝<v,e>；其中，v＝p＝{p1,p2,…,pn}为图g节点集合，e＝(px,py)(x,y＝1,2,3,...,n,x≠y)为图g有向边集合；3.1、将有向边添加到图有向边集合并将有向边节点保存到图节点集合，依次将有向边(pxi,pyj)∈(px,py)添加到图g有向边集合e中并将节点pxi，pyj添加到节点集合v中；3.2在当前构造的有向图g中寻找入度为0节点，从图g有向边集e中任意有向边(pxi,pyj)开始遍历当前图g中所有有向边并从有向边集e中删除该有向边(pxi,pyj)，同时从节点集合v中删除该有向边的终止节点pyj，重复此步骤：①如果节点集合v中存在节点pxi但有向边集e中不存在有向边，此时节点pxi为当前构造的有向图g中入度为0节点；②如果当前构造的有向图g中找不到入度为0的节点，即图g中存在环路，删除添加后形成环路的有向边，若图g有向边集e中已经存在有向边(pyj,pxi)∈(px,py)，将有向边(pxi,pyj)添加到有向边集e中会形成环路pyj->pxi->pyj，则从向边集e中删除此时添加后形成环路的有向边(pxi,pyj)；3.3、重复步骤3.1，3.2，直到将有向边(px,py)全部添加到图g有向边集e中为止，此时得到的有向图g＝<v,e>为最终构造的以商品为节点的有向无环图；步骤4、根据有向无环图计算得到在线商品评价结果；根据步骤3构造的有向无环图g＝<v,e>计算得到在线商品评价结果，依次从有向图g中寻找入度为0节点，找到该节点后，从图g有向边集e中删除所有以该节点为起始节点的有向边并保存该节点，重复此步骤直到图g中不再存在入度为0节点为止，寻找到入度为0节点顺序即为计算得到的在线商品评价结果；4.1、寻找有向图g中入度为0节点，从步骤3构造的有向图g有向边集e中任意有向边(pxi,pyj)∈e开始遍历有向图g中所有有向边并且从有向边集e中删除该有向边(pxi,pyj)同时从图节点集合v中删除该有向边终止节点pyj，重复此步骤直到节点集合v不为空但有向边集e为空为止，此时图节点集合v中存在的节点即为图g中入度为0节点，建立列表finallist保存图g中入度为0节点；4.2、从入度为0节点开始遍历图g得到在线商品评价结果；①建立列表resultlist保存在线商品评价结果；②从finallist中入度为0节点开始遍历图g，依次从finallist中删除入度为0节点同时从图g有向边集e中删除所有以该节点为起始节点的有向边，并且将该节点添加到列表resultlist中；4.3、重复步骤4.1，4.2，直到finallist中不存在入度为0节点为止，此时得到的列表resultlist为在线商品评价结果。实施例2：如图1所示，一种基于rankedpairs社会选择理论的在线商品评价方法，首先根据用户商品评分矩阵计算每个用户对在线商品的偏好关系，得到商品商品比较矩阵；然后根据商品商品比较矩阵得到优先商品对排序列表；再根据优先商品对排序列表构造以商品为节点的有向无环图；最后根据有向无环图计算得到在线商品评价结果。所述方法的具体步骤如下：1、根据用户商品评分矩阵计算每个用户对在线商品的偏好关系，得到商品商品比较矩阵。1.1、给定5个用户对5个在线商品的评分，其中用户集合为u＝{u1,u2,u3,u4,u5}，商品集合为p＝{p1,p2,p3,p4,p5}，用户商品评分矩阵r＝[rij]5×5如表1所示。评分矩阵r中每个元素取值参照淘宝现有的表示方式来表达用户对商品的满意程度，即1代表非常不满，2代表不满意，3代表一般，4代表满意，5代表非常满意。其中空白单元格表示用户未对该商品进行评分。rijp1p2p3p4p5u11234u223134u32314u41253u531244表1根据公式(1)、(2)，将表1中不完整用户商品评分矩阵填充完整，得到完整的用户商品评分矩阵r＝[rij]5×5。结果如表2所示。表21.2、根据用户商品评分矩阵计算每个用户对在线商品的偏好关系。根据表2填充完整的用户商品评分矩阵r，计算每个用户ui∈u(i＝1,2,3,4,5)对在线商品的偏好关系矩阵prei＝[prexy]5×5(i＝1,2,3,4,5,x,y＝1,2,3,4,5,x≠y)。结果如表3所示。表31.3、根据偏好关系矩阵得到商品商品比较矩阵。①统计表3得到的偏好关系矩阵prei中5个用户里面prexy＝＝1以及prexy＝＝-1的用户人数。结果如表4所示。表4其中，prexy＝＝1表示在商品对(px,py)中商品px优于py，prexy＝＝-1表示在商品对(px,py)中商品py优于px。例如，在商品对(p1:p3)中，pre13＝＝1用户人数为4，表示认为商品p1优于p3的用户人数为4；pre13＝＝-1用户人数为1，表示认为商品p3优于p1的用户人数为1。②根据表4得到的统计结果根据prexy＝＝1以及prexy＝＝-1用户人数大小确定商品对(px,py)中的优先商品、支持优先商品的用户人数以及不支持优先商品的用户人数。结果如表5所示。表5③根据步骤1.3所述构造商品商品比较矩阵方法，将表5转换成商品商品比较矩阵cm＝[cmxy]5×5(x,y＝1,2,3,4,5,x≠y)。结果如表6所示。表6其中，cmxy>0表示在商品对(px,py)中支持优先商品px的用户人数，cmxy<0表示在商品对(px,py)中不支持优先商品px的用户人数。例如，cm32＝3表示在商品对(p2,p3)中支持优先商品p3的用户人数为3，cm23＝-2表示在商品对(p2,p3)中不支持优先商品p3的用户人数为2。2、根据商品商品比较矩阵得到优先商品对排序列表。根据表6商品商品比较矩阵cm，任取商品对(px1,py1)，(px2,py2)∈(px,py)并且cmx1,y1>0，cmx2,y2>0，根据步骤2所述方法建立优先商品对排序列表listxy。结果如表7所示。listxy(p4:p1)(p5:p1)(p5:p2)(p4:p3)(p5:p3)(p4:p2)(p1:p3)(p5:p4)(p3:p2)(p2:p1)表7例如，在表6中，cm13＝4，cm21＝3，由于4>3，所以在列表listxy中商品对(p1,p3)排在(p2,p1)前面；cm42＝4，由于4＝＝4，所以比较|cm24|，|cm31|大小。|cm24|＝0，|cm31|＝1，由于0<1，所以在列表listxy中商品对(p4,p2)排在(p1,p3)前面。3、根据优先商品对排序列表构造以商品为节点的有向无环图。根据表7得到的优先商品对排序列表listxy，以listxy中商品对(px,py)为从顶点px到py的有向边动态构造有向无环图g。实例1最终形成的有向图g有向边集e中存在10条有向边且添加顺序为：p4->p1，p5->p1，p5->p2，p4->p3，p5->p3，p4->p2，p1->p3，p5->p4，p3->p2，p2->p1，图节点集合v中存在5个节点：p1，p2，p3，p4，p5。在构造有向图g的过程中，由于有向边p1->p3，p3->p2优先于有向边p2->p1加入到有向边集e中，在加入有向边p2->p1后，会形成环路p1->p3->p2->p1。此时无法判断商品p1，p3，p2之间的优劣关系，删除添加后形成环路的有向边p2->p1。最终生成以商品为节点的有向无环图g如图2所示。4、根据有向无环图计算得到在线商品评价结果。根据3中得到的有向无环图g，依次从有向图g中寻找入度为0节点，找到该节点后，从图g有向边集e中删除所有以该节点为起始节点的有向边并保存该节点，重复此步骤直到图g中不再存在入度为0节点为止。寻找到入度为0节点顺序即为计算得到的在线商品评价结果。在有向图g中首先找到入度为0的节点p5，从图g有向边集e中删除以p5为起始节点的有向边p5->p1，p5->p2，p5->p3，p5->p4；接着找到入度为0的节点p4，删除以p4为起始节点的有向边p4->p1，p4->p2，p4->p3；再接着找到入度为0的节点p1，删除以p1为起始节点的有向边p1->p3；再找到入度为0的节点p3，删除以p1为起始节点的有向边p3->p2；直到图g中只存在节点p2为止。因此，得到的在线商品评价结果为p5>p4>p1>p3>p2。5、对评价结果有效性、孔多赛性、抗操纵性的验证评估。5.1、表2中，用户u1对商品p1评分r11为1，用户u2对商品p2评分r22为3，由于用户u1与u2具有不同评价偏好，因此不能根据r11<r22，就说明商品p2优于p1。但是，用户u1对所有在线商品具有同样的评价偏好，因此u1对不同商品评分是可比较的。表2中，用户u1对商品p1评分r11为1，对商品p2评分r12为2，则用户u1认为商品p2优于p1。因此本发明将表2中所有用户对在线商品评分转换成对商品偏好关系并以此得到的商品评价结果p5>p4>p1>p3>p2是可行的。5.2、本发明所述方法得到最优商品p5。由于在表6中有(p5:p1)：5，(p5:p2)：5，(p5:p3)：5，(p5:p4)：3，即商品p5与商品p1，p2，p3，p4相比均有大于5/2个用户认为其优于其他商品，与孔多赛准则定义相符。因此，方法得到的评价结果满足孔多赛准则。平均值法与简单累加法得到实例1中在线商品评价结果如表8所示。表8根据表8得到的在线商品评价结果可知用平均值法与简单累加法得到实例1中最优商品为p4。但是在商品对(p4,p5)中，支持优先商品p4的用户人数为1，小于5/2，即得到的商品不满足孔多赛准则。因此，平均值法与简单累加法得到的评价结果不满足孔多赛准则。5.3、将用户ui∈u(i＝1,2,3,4,5)对商品p3的评分都增加1分，商品p3增加评分后的用户商品评分矩阵如表9所示。表9根据步骤1得到提升商品p3评分后的商品商品比较矩阵如表10所示。表10根据步骤3与步骤4得到提升商品p3评分后的在线商品评价结果为：p5>p4>p3>p2>p1，对比提升p3评分前商品评价结果p5>p4>p1>p3>p2可知，提升商品p3评分不仅改变了p3的评价结果，商品p1，p2的评价结果也发生改变。因此，本发明所述方法得到的在线商品评价结果具有更强的抗操纵能力。平均值法、简单累加法得到提升商品p3评分前后在线商品评价结果如表11所示。表11-a比较表11-a用平均值法得到的提升商品p3评分前后评价结果可知，通过提升商品p3的评分，可以提高p3的评价结果，但是其他在线商品评价结果没有改变。表11-b比较表11-b用简单累加法得到的提升商品p3评分前后评价结果可知，通过提升商品p3的评分，可以提高p3的评价结果，但是其他在线商品评价结果没有改变。因此，平均值法与简单累加法得到的在线商品评价结果，可以通过提高某一商品评分操纵评价结果，得到的评价结果抗操纵能力较低。以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。当前第1页12