Folyam alapú véleményezés Több, mint puszta rangsorolás
Készült Antonino Simone, Boris Skoric, Nicola Zannone „Flow-based reputation: more than just ranking” c. cikke alapján Cser Lajos, SZTE, 2012.
Bevezetés • Több résztvevős internetes közösségi oldalak • Példák: • Elektronikus kereskedelem (pl. eBay, Vatera) • Peer-to-Peer fájlmegosztás • Keresőmotorok
Bevezetés • Veszélyhelyzetek adódhatnak • Vásárlás: biztonságos ez a tranzakció? • Tartalommegosztás: bízhatunk a többi résztvevőben?
Bevezetés • Szükségessé vált a közösségben a „bizalom fenntartására” valamilyen eszköz – értékelések +támogató rendszer • Keresünk egy olyan „metrikát”, amivel könnyen eldönthetőek a bizalmi kérdések „Ajánlottság”
Ajánlottság • Egzakt fogalom? • A felhasználók egymást értékelik interakció után • Minőségi kérdések • Akkor jó, ha jól jellemzi a jövőbeli viselkedését az egyednek • Hiányosságok a hitelességben
Ajánlás Őszinte Elfogult (Példák esetekre)
Alapötlet • Vegyük az ajánlottságok egy kiindulási vektorát • Az aktuálisan elérhető információ alapján ezen vektort frissítjük • Iteratív, de nem emlékező módon, mígnem egy elfogadhatónak ítélt eredményt kapunk
Példa
Eigentrust • Rangsort képez • Minden esetben van értelme ennek? • Függ a mintától (sok rossz között kicsit jó tényleg jó?) • Mindkét esetben • Bob 0.1, • Charlie 0.9, • David 0
Célkitűzés • Egy jobb metrika kell, ami • Nem relatív értékeket ad meg • Minden figyelembe vehető adatra tekintettel van • Javaslat – Adjuk meg… • Sémamátrix (A) (az információ aggregátja) • Ajánlottsági vektor (r) • α közvetlenségi interpolációs paraméter De hogyan?
Formuláció (modell) Szétszórás (terjesztési mód) Kiszámítás (algoritmus)
Eigentrust • i,j felhasználók, szubjektív (lokális) ajánlottság – sij 1 ha pozitív dij = 0 semleges -1 negatív vélemény
Eigentrust A = [aij] ahol Így (p = r(0))
Eigentrust • A hiányosságok konkrétan • Normalizálunk, és ez információvesztést okoz (aij kiszámolása) • Konvergáláshoz használt „trükkök” (α, p vektor) behatása
A módszer • Az összesítéskor figyelni kellene • ajánlások • felhasználó kapott értékeléseinek száma • az értékelő megbízhatósága • tranzakció (pl. vásárlás) mérete és ideje
A módszer • x és y közti tranzakciók esetén • tranzakcióik • (súlyosság) • (y értékelése a tr-ban)
A módszer
A módszer • s: kiindulási vektor • Az Eigentrust egyenlete helyett r-et a köv. függvény definiálja: • Azaz másként
Önhivatkozások kerülése • Az [Axy] mátrixban Axx := 0 • És ha megengedjük, hogy x magát értékelje? • Általában nem sokat számít, de torzíthat (az elvárt eredményhez képest)
Kiszámítás Formális módszerekkel levezethető, hogy nem csak egy iteratív, hanem egy direkt eljárás is megadható, de…
Empirikusan mért hatékonyság • Jobb lenne belemenni a direkt módszer használatába vagy iteratívan? • Próba: generáljuk A-t • kezdetben Axy := ½ ha x != y • véletlenszerűen generáljuk az „eseményeket” • Wolfram Mathematica 7.0
Empirikusan mért hatékonyság Mindkét módszerben számításigényes mátrixműveletek a direkt módszer nem hogy jobb, de rosszabb eredményben nincs lényegi különbség (ábra)
A paraméterek hatása • α • értékét egy jó kezdeti feltevéssel kell meghatározni • ha A súlyát növeljük, előfordulhat, hogy egy eredetileg megbízhatónak vélt egyed hátrébb csúszik • s • lineárisan függ tőle az eredmény • ha nagyon bízunk valakiben, A kevésbé „ront”
Támadások • Céljuk az egyes egyedek értékelésének meghamisítása • önreklámozás • pozitívot a neki pozitívot adóknak • negatívat … • rágalmazás: más alaptalan leminősítése • hasonló trükkök, pl. értékelők értékelése • Szibilla1-támadás: új profilok + azokkal értékelés rágalmazás 1 Sybil attack
A alakja támadáskor • t támadó, tfh. egy csoportba rendezve A = Sybil attack
Változás önreklámozásnál • Tfh. y a támadó • Axy 1 ha az > 0.5, ill. Ayx 0 ha az < 0.5 (aki neki pozitívot ad, annak növeli, aki nem, annak csökkenti) Az elért változás a kezdetben megbízhatónak ítélt felhasználók T számának függvényében, eltérő αértékekre
Rágalmazás • Azokat felminősíti, akik a célpontról rossz véleményen vannak, a többieket le Az elért változás a kezdetben megbízhatónak ítélt felhasználók T számának függvényében, eltérő αértékekre 10x
Szibilla-támadás • y támadó, n*m új profil • az újak leminősítik a célt, és fel y-t és egymást T növelése csökkenti a veszélyt, de egyúttal egy kis α érték is jól jöhet
Összefoglalás • abszolút értékelést adó metrikát adtunk meg • megvizsgáltuk, miként hatnak a paraméterek, és hogyan lehet védekezni velük támadások ellen • meglepő módon α–tól lineárisan függ az értékelés (pedig nem lineáris egyenlet!) • kérdés • ugyanez-e az eredmény, ha nincs központi hatóság, hanem teljes az elosztottság a felhasználók közt?
Köszönöm a figyelmet!
