一种动态自适应的服务评价计算方法及装置与流程

本发明涉及服务评价技术领域，特别是涉及一种动态自适应的服务评价计算方法及一种动态自适应的服务评价计算装置。

背景技术：

大规模动态开放的电子商务、众包等服务系统中，服务使用者很难获得明确的可用服务的特征，服务评价模型被引入进来用以描述服务特性。目前京东、淘宝、亚马逊等的大规模电子商务平台使用的服务系统评价模型，一方面会受到不公正评分的影响，另一方面时效性不足，即，对于服务的动态变化，有一定的滞后性。

技术实现要素：

本发明提供一种动态自适应的服务评价计算方法及一种动态自适应的服务评价计算装置，以克服上述技术问题，提高对服务评价的有效性。

为了解决上述问题，本发明公开了一种动态自适应的服务评价计算方法，包括缓存有历史评分的动态窗口q＝{ri-n,…,ri-2,ri-1}，n为所述动态窗口q内的当前评分个数，所述方法包括：

步骤s1：针对一个服务s，在收到第i个评分ri时，根据所述q内的当前n个历史评分ri-n,…,ri-2,ri-1，估算当前评分f(i)；

步骤s2：比较所述f(i)与所述ri，判定所述服务s的评分ri是否公正；

步骤s3：根据评分的公正性，调整所述动态窗口q的范围；

步骤s4：在调整后的所述动态窗口q的范围内，计算所述服务s的服务评价值ri。

可选的，所述步骤s1包括：

根据所述动态窗口q内的当前n个历史评分ri-n,…,ri-2,ri-1，利用公式(1)-(5)估算所述当前评分f(i)；

其中：

所述f(i)表示为评分序号的多项式，计算公式包括：

在(1)式中，m是多项式的阶，wj是权重；

使用贝叶斯模型对所述q＝{ri-n,…,ri-2,ri-1}进行训练，所述训练步骤包括：

针对当前n个历史评分的集合r＝{r1,r2,…,rn}，使用贝叶斯模型找到权重w＝{w1,w2,…,wn}的极大似然估计，具体公式如下：

对于符合正太分布的先验分布p(w|α)，lnp(w|r)满足以下公式：

通过最大期望算法，参数α和β的计算结果如下：

在(4)、(5)式中，a和c分别是表示样本(w|r)的输出w关于输入特征r、模型参数α以及样本分布方差β的概率密度函数p(w|r,α,β)的均值向量和协方差矩阵，是多项式基函数的经验协方差矩阵，trace(c)为矩阵c的迹。

可选的，所述步骤s2包括：

比较所述f(i)与所述ri的差值是否符合|f(i)-ri|～n(0,σ²)；

若所述差值符合，判定所述ri公正；

否则，判定所述ri不公正。

可选的，所述步骤s2还包括：

使用假设检验法来验证所述ri是否公正；

其中，所述验证步骤包括：

设定假设检验的阈值为τ，所述的τ计算公式如下：

τ＝σθ^-1(x)(δ/2)(6)；

其中，θ(x)＝1-φ(x)，φ(x)是标准正态分布n(0,1)的累积分布函数，δ为置信值；

比较所述|f(i)-ri|与所述τ；

若|f(i)-ri|≤τ，则所述f(i)与所述ri的差值在置信区间内，检验结果为所述ri“公正评分”；

若|f(i)-ri|>τ，则所述f(i)与所述ri的差值不在置信区间内，检验结果为所述ri“疑似不公正评分”，并将所述ri放入缓存区h。

可选的，若所述检验结果为所述ri“公正评分”，所述步骤s3包括：

将所述ri写入所述动态窗口q，所述动态窗口q更新为{ri-n,…,ri-2,ri-1,ri}。

可选的，若所述检验结果为所述ri“疑似不公正评分”，所述步骤s3包括：

设判断服务s变化的评分数为k；

将当前缓存区h的评分个数l与所述k比较；

1)若l<k，则确认所述h中缓存的“疑似不公正评分”为“不公正评分”，清空所述h，保持所述q不变；

2)若l＝k，则判定服务s发生改变造成连续的评分变化，确认所述h中缓存的“疑似不公正评分”为“公正评分”，清空动态窗口q，并将所述h中的所有评分写入动态窗口q。

可选的，在所述步骤s4中，所述ri的计算公式包括：

ri＝ρf(t)+(1-ρ)ri(7)；

其中，n′为调整后的所述动态窗口q内的当前评分个数。

可选的，所述ri包括以下情况：

(a)所述ri为常量，表示服务s保持在高或低的评价等级不变；

(b)所述ri为线性，表示服务s的服务评价随输入评分序列呈线性升高或降低；

(c)所述ri为分段式，表示服务s的变化导致服务评价大幅改变；

(d)所述ri为波动，表示服务s的服务评价在小幅度内波动。

可选的，所述方法还包括：

利用平均绝对误差mae衡量所述服务s的服务评价值ri的错误率；

其中，所述

在(9)式中，n是所述服务s的评价次数。

为了解决上述问题，本发明还公开了一种动态自适应的服务评价计算装置，包括缓存有历史评分的动态窗口q＝{ri-n,…,ri-2,ri-1}，n为所述动态窗口q内的当前评分个数，所述装置包括：

评分估算模块，用于针对一个服务s，在收到第i个评分ri时，根据所述q内的当前n个历史评分ri-n,…,ri-2,ri-1，估算当前评分f(i)；

评分判定模块，用于比较所述f(i)与所述ri，判定所述服务s的评分ri是否公正；

窗口调整模块，用于根据评分的公正性，调整所述动态窗口q的范围；

评价计算模块，用于在调整后的所述动态窗口q的范围内，计算所述服务s的服务评价值ri。

与现有技术相比，本发明包括以下优点：

本发明针对一项服务，在获得当前评分后，对该评分的公正性进行判断，根据评分的公正性，实时调整缓存有历史评分的动态窗口，然后在调整后的所述动态窗口q的范围内，计算所述服务s的服务评价值ri，；通过本发明的计算方法，可以实现对服务评价值的动态计算，获得该服务较为准确和可靠的服务评价值，以此为服务的提供者或开发者提供更有效而准确的反馈数据，使得服务的提供者或开发者准确了解整个服务的优缺点，对服务s较为有效地进行改进，查找漏洞，优化服务；同时也为服务的使用者选择服务提供更可靠的参考和依据。

附图说明

图1是本发明实施例一种动态自适应的服务评价计算方法的步骤流程图；

图2是本发明实施例与平均算法和oacr算法的实验结果对比图；

图3是本发明实施例一种动态自适应的服务评价计算装置的结构示意图；

图4是本发明实施例的判断评分是否公正的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明实施例一种动态自适应的服务评价计算方法的步骤流程图，包括缓存有历史评分的动态窗口q＝{ri-n,…,ri-2,ri-1}，n为所述动态窗口q内的当前评分个数，所述方法可以包括如下步骤：

步骤s1：针对一个服务s，在收到第i个评分ri时，根据所述q内的当前n个历史评分ri-n,…,ri-2,ri-1，估算当前评分f(i)；

步骤s2：比较所述f(i)与所述ri，判定所述服务s的评分ri是否公正；

步骤s3：根据评分的公正性，调整所述动态窗口q的范围；

步骤s4：在调整后的所述动态窗口q的范围内，计算所述服务s的服务评价值ri。

在服务计算和云计算应用模式下，分布在internet上的各类异构资源都可封装为web服务以供外部使用。服务是作为构建应用系统的基本要素，是一种面向事务实体的基本服务、具有最小功能单位的基本功能服务以及工具类服务，通常具有以下特性：1)事务完整性；2)可重用性；3)稳定性；4)系统开发及维护的有效性。在本发明实施例中，服务s可以指京东、淘宝、亚马逊等的大规模电子商务平台为用户提供的一项功能服务，比如商品扫一扫服务，商品链接分享服务，购物群建立分享服务等，也可以指某些众包服务平台提供的业务服务，比如阿里云存储服务等。由于服务s的类型和划分标准不是本发明实施例的重点，在此不过多赘述，能形成一项动态服务，均可采用本发明的服务评价计算方法进行评价。

评分可以指用户对整个服务s的使用体验感评分，可通过电子商务平台或众包服务平台推出的产品反馈界面、用户体验界面或产品下载评价界面收集。

由于评分是用户的个人行为，具有很大的主观性和不可控因素，存在不公正评分的可能，导致一个服务s的服务特性不能较为准确地被反映，使得服务的提供者或开发者无法准确了解整个服务s的优缺点，无法对服务s较为有效地进行改进，存在服务优化漏洞。同时，目前的服务通常是动态变化的，提供给用户时有一定的滞后性，也导致各个用户的感受不一致。因此，针对一项服务s，获得该服务较为有效和准确的用户评分显得尤为重要。

针对上述问题，本发明实施例提出了一种动态自适应的服务评价计算方法，可获得该服务s较为准确和可靠的服务评价值，为服务的提供者或开发者提供有效而准确的反馈数据。具体的计算方法参照步骤s1～步骤s4。

首先，本发明实施例设计了一个动态窗口q，动态窗口内包括有当前n个历史评分ri-n,…,ri-2,ri-1，n为所述动态窗口q内的当前评分个数，比如n为100或50，指当前动态窗口内有100个或50个评分。通过动态窗口的设置，能去除一些异常或恶意的评分，对评分数据进行有效筛选，以提高服务评价值ri计算的有效性和可靠性。具体的，针对历史评分，通过权重与最大期望算法来估算出一个当前评分，以便与刚接收到的评分ri进行比较。在步骤s1中，估算当前评分f(i)的具体实现方法如下：

根据所述动态窗口q内的当前n个历史评分ri-n,…,ri-2,ri-1，利用公式(1)-(5)估算所述当前评分f(i)；

其中：

所述f(i)表示为评分序号的多项式，计算公式包括：

在(1)式中，m是多项式的阶，wj是权重；

使用贝叶斯模型对所述q＝{ri-n,…,ri-2,ri-1}进行训练，所述训练步骤包括：

针对当前n个历史评分的集合r＝{r1,r2,…,rn}，使用贝叶斯模型找到权重w＝{w1,w2,…,wn}的极大似然估计，具体公式如下：

对于符合正太分布的先验分布p(w|α)，lnp(w|r)满足以下公式：

通过最大期望算法，参数α和β的计算结果如下：

在(4)、(5)式中，a和c分别是表示样本(w|r)的输出w关于输入特征r、模型参数α以及样本分布方差β的概率密度函数p(w|r,α,β)的均值向量和协方差矩阵，是多项式基函数的经验协方差矩阵，trace(c)为矩阵c的迹。

其次，比较所述f(i)与所述ri，判定所述ri是否公正。参照图4，示出了本发明实施例的判断评分是否公正的流程示意图，在步骤s2中，判断评分是否公正包括初步判断和验证的过程。

在本发明实施例中，初步判断的过程如下：

比较所述f(i)与所述ri的差值是否符合|f(i)-ri|～n(0,σ²)；

若所述差值符合，判定所述ri公正；

否则，判定所述ri不公正。

通常绝大部分用户对于同一个服务的使用体验应该是类似的，也就是，大家普遍会认为一个服务“好”或者“不好”，因此，假设用户都会公正的给服务评分，则一个服务的评分序列应该满足正态分布。此外，少部分用户可能对服务看法不一样，给出与大众差别很大的评分，或者，存在恶意刷分的现象，这部分评分不符合公正评分序列的正态分布。因此，采用本发明实施例的初步判断判断方法可以对恶意刷分进行筛查和判断，进一步提高本发明实施例服务评价的公正性和有效性。

就具体实现而言，根据已有的评分，估计符合正态分布1的评分f(i)，计算的公正评分ri与估计评分f(i)的差值，差值应该满足另外一个正态分布2，正态分布2的均值应该为0。

接下来，使用假设检验法来验证所述ri的评分是否公正。所述使用假设检验法来验证所述ri的评分是否公正的步骤具体可以包括：

设定假设检验的阈值为τ，所述的τ计算公式如下：

τ＝σθ^-1(x)(δ/2)(6)；

其中，θ(x)＝1-φ(x)，φ(x)是标准正态分布n(0,1)的累积分布函数，δ为置信值；

比较所述|f(i)-ri|与所述τ；

若|f(i)-ri|≤τ，则所述f(i)与所述ri的差值在置信区间内，检验结果为所述ri“公正评分”；

若|f(i)-ri|>τ，则所述f(i)与所述ri的差值不在置信区间内，检验结果为所述ri“疑似不公正评分”，并将所述ri放入缓存区h。

然后，根据评分的公正性，即检验结果，调整所述动态窗口q的范围。具体可以包括以下几种情况：

情况一：若所述检验结果为所述ri“公正评分”，则直接将所述ri写入所述动态窗口q，所述动态窗口q更新为{ri-n,…,ri-2,ri-1,ri}。

情况二：若所述检验结果为所述ri“疑似不公正评分”，则采用以下方式进一步判断：

设判断服务s变化的评分数为k；

将当前缓存区h的评分个数l与所述k比较；

1)若l<k，则确认所述h中缓存的“疑似不公正评分”为“不公正评分”，清空所述h，保持所述q不变，即维持q＝{ri-n,…,ri-2,ri-1}；

2)若l＝k，则判定服务s发生改变造成连续的评分变化，确认所述h中缓存的“疑似不公正评分”为“公正评分”，清空动态窗口q，并将所述h中的所有评分写入动态窗口q。

最后，执行步骤s4，利用公式(7)(8)计算服务s的服务评价值ri；其中：ri的计算公式包括：

ri＝ρf(t)+(1-ρ)ri(7)；

其中，n′为调整后的所述动态窗口q内的当前评分个数。

进一步的，为了更清楚地解释本发明实施例可以跟随服务的动态变化，实现服务评价的动态计算，以此为服务的提供者或开发者提供更有效而准确的反馈数据，下面以阿里云存储服务为例，对本发明实施例一种动态自适应的服务评价计算方法进行说明。

假设某一个云存储服务，此前的评分窗口是{8,7.9,8.1,8,7.5,7.8,8,7.7}，设置参数如下：

1)正太分布n(0,σ²)中，μ＝0,σ＝6.5；

2)公式(3)中，α＝0.005，对于符合正太分布的评分，

3)公式(6)中，δ＝5；

4)临时窗口最大尺寸k＝10；

根据此前的评分窗口是{8,7.9,8.1,8,7.5,7.8,8,7.7}和上述参数，估算当前历史评分，以及计算检验阈值τ。

当前到来一个用户评分，该用户评分的情况可能如下：

1)评分为7.6，将7.6与当前历史评分作差的绝对值与τ比较，7.6通过了评分检验，则直接将7.6写入评分窗口中，窗口变成{8,7.9,8.1,8,7.5,7.8,8,7.7,7.6}，在该范围内，通过公式(7)(8)计算新的服务评价值。

2)评分为3，此评分检验不通过，将3先放到缓存区，评分窗口仍旧是{8,7.9,8.1,8,7.5,7.8,8,7.7}，根据估计的评分计算服务评价值，然后对接下来到来的评分进行判断。

2.1)若接下来新到的y个用户评分，(此时y<k，实验中设置,k＝10)，评分检验都不通过，则先放到缓存区，评分窗口仍旧是{8,7.9,8.1,8,7.5,7.8,8,7.7}，根据估计的评分计算服务评价值；

若第y+1个评分为8.1，通过了评分检验，则，缓存区中的y个评分都被判定为不公正评分，删除；窗口变成{8,7.9,8.1,8,7.5,7.8,8,7.7,8.1}，在该范围内，通过公式(7)(8)计算新的服务评价值。

2.2)若接下来新到的第y个评分，(此时y＝k，实验中设置k＝10)，评分检验仍然不通过，则，认为该云服务已经发生变化，窗口就变成这10个评分，在这10个评分范围内，通过公式(7)(8)计算新的服务评价值。

在本发明实施例中，服务评价值ri的计算结果包括以下几种情况：

(a)所述ri为常量，表示服务s保持在高或低的评价等级不变；

(b)所述ri为线性，表示服务s的服务评价随输入评分序列呈线性升高或降低；

(c)所述ri为分段式，表示服务s的变化导致服务评价大幅改变；

(d)所述ri为波动，表示服务s的服务评价在小幅度内波动，通常采用正弦函数模拟。

此外，本发明实施例还提出了对服务s的服务评价值ri的错误率进行衡量的方法，具体的，优选利用平均绝对误差mae衡量所述服务s的服务评价值ri的错误率；

其中，所述

在(9)式中，n是所述服务s的评价次数。

本发明实施例通过对服务评价值ri的错误率进行衡量，可以及时发现本发明服务评价计算方法以及依照所述方法制造出来的装置存在的漏洞。

为了验证本发明实施例的计算方法的可靠性，本发明实施例还与现有的服务评价算法进行比较，其中，现有的比较算法包括平均算法和oacr算法。平均算法所计算的服务评价值为窗口内所有用户评分的算术平均值。oacr算法是一种两阶段算法，首先用动态权重公式估计最新服务评价，然后用基于“嗅觉疲劳现象”衍生的“嗅觉反应公式”去除不公正用户评分带来的影响。

具体比对实验如下：

首先，向本发明实施例的计算方法，以及平均算法和oacr算法中分别输入150个服务评价序列。150个符合正太分布的用户评分序列，其中，模拟不公正评分的方法为，将区间[20,26)的评分改成r＝r-20，区间[110,130)的评分改成r＝r+20。按各自计算方式计算服务评价值，再根据公式(9)对三种计算方法的错误率进行衡量。本发明实施例与平均算法和oacr算法的实验结果对比图如图2所示，从图可得知，本发明提出的动态自适应服务评价计算方法平均误差最低，效果最好。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图3，示出了本发明实施例一种动态自适应的服务评价计算装置的结构示意图，包括缓存有历史评分的动态窗口q＝{ri-n,…,ri-2,ri-1}，n为所述动态窗口q内的当前评分个数，所述装置可以包括如下模块：

评分估算模块301，用于针对一个服务s，在收到第i个评分ri时，根据所述q内的当前n个历史评分ri-n,…,ri-2,ri-1，估算当前评分f(i)；

评分判定模块，用于比较所述f(i)与所述ri，判定所述服务s的评分ri是否公正；

窗口调整模块302，用于根据评分的公正性，调整所述动态窗口q的范围；

评价计算模块303，用于在调整后的所述动态窗口q的范围内，计算所述服务s的服务评价值ri。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明实施例还提供了一种装置，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如本发明实施例所述的一个或多个的一种动态自适应的服务评价计算方法。

本发明实施例还提供了一种计算机可读存储介质，其存储的计算机程序使得处理器执行如本发明实施例所述的一种动态自适应的服务评价计算方法。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上对本发明所提供的一种动态自适应的服务评价计算方法及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。