Abstract
Social network online services are growing at an exponential pace, both in quantity of users and diversity of services; thus, the evaluation of trust in the interaction among users and toward the system is a central issue from the user point of view. Trust can be grounded in past direct experience or in the indirect information provided by trusted third-party users shaping the trustee reputation. When there is no previous history of interactions, the truster must resort to some form of prediction in order to establish Trust or Distrust on a potential trustee. In this study, we deal with the prediction of trust relationships on the basis of reputation information. Trust can be positive or negative (Distrust), hence, we have a two-class problem. Feature vectors for the classification have binary-valued components. Artificial neural network and statistical classifiers provide state-of-the-art results with these features on a benchmarking trust database. In this article, we propose the application of a sample generation method for the minority class in order to reduce some of the effect of class imbalance among Trust and Distrust classes. Specifically, the approach shows high resiliency to system growth
چکیده
سرویس های آنلاین شبکه ی اجتماعی با سرعتی نمایی هم به لحاظ تعداد کاربران و هم تنوع سرویس ها در حال رشد هستند؛ در نتیجه ارزیابی اعتماد در تعاملات میان کاربران و تعامل با سیستم، از منظر کاربران، مسئله ی مهمی است. اعتماد میتواند در تجارب مستقیم گذشته یا در اطلاعات غیرمستقیم ارائه شده توسط کاربران ثالث مورد اعتماد که شهرت امانتدار را شکل میدهند، ریشه داشته باشد. زمانیکه هیچ سابقه ی قبلی برای تعاملات وجود ندارد، بایستی شخص امانتگذار به نوعی از پیشبینی به منظور ایجاد اعتماد یا بی اعتمادی به امانتدار احتمالی، متوسل شود. ما در این مقاله به پیشبینی روابط اعتماد بر پایه ی اطلاعات شهرت میپردازیم. اعتماد میتواند مثبت یا منفی (بیاعتمادی) باشد، از این رو ما یک مسئله ی "دو رده ای" داریم. بردارهای ویژگی برای دسته بندی، مؤلفه هایی با مقادیر دودویی دارند. شبکه ی عصبی مصنوعی و دسته بندهای آماری، به روزترین نتایج را در خصوص این ویژگیها در محک زنی پایگاه داده فراهم می آورند. در این مقاله، ما بکارگیری یک روش تولید نمونه را برای رده ی اقلیت به منظور کاهش برخی اثرات عدم توازن رده ها در میان رده های اعتماد و بی عتمادی پیشنهاد میکنیم. بطور ویژه، این رویکرد انعطاف بالایی به رشد سیستم دارد.
1-مقـدمـه
پیشبینی اعتماد در حال بدل شدن به مسئله ی مهمی در بسیاری از مسائل محاسباتی از جمله تعاملات عاملها از طریق سرویسهای آنلاین است. این عاملها میتوانند انسانها یا موجودیت های محاسباتی مستقل باشند. اینترنت اشیاء (IoT) در تعاملات مورد اعتماد پشتیبانی میشود (آرتز و گیل، 2007؛ چن و همکاران، 2013؛ گریکو، 2013). ما بطور خاص به روابط اعتماد در شبکه های اجتماعی می پردازیم، یعنی جاییکه اعتماد یک ویژگی برای روابط میان عوامل انسانی بر پایهی تشخیص جامعه است (ریبولو و گرانا، 2013). اعتماد را میتوان از سوابق تعاملات مابین یک جفت عامل ایجاد نمود؛ اما هنوز هم پرسش "شروع سرد" به قوت خود باقی است. نگرش اساسی امانتگذار در ارتباط با امانتدار، زمانیکه هیچ سابقه ی قبلی از تعاملات وجود ندارد، چگونه است؟ این را میتوان بطور غیرمستقیم از نگرش های کاربر استنباط نمود، یعنی با دنبال کردن برخی استدلالات همرنگی (علاقه به کاربرانی که به موارد مشابهی علاقه دارند)، یا میتوان آن را از شهرت امانتدار پیشبینی کرد...