Folyam alapú véleményezés

1. Folyam alapú véleményezés Több, mint puszta rangsorolás

2. Készült Antonino Simone, Boris Skoric, Nicola Zannone „Flow-based reputation: more than just ranking” c. cikke alapján Cser Lajos, SZTE, 2012.

3. Bevezetés • Több résztvevős internetes közösségi oldalak • Példák: • Elektronikus kereskedelem (pl. eBay, Vatera) • Peer-to-Peer fájlmegosztás • Keresőmotorok

4. Bevezetés • Veszélyhelyzetek adódhatnak • Vásárlás: biztonságos ez a tranzakció? • Tartalommegosztás: bízhatunk a többi résztvevőben?

5. Bevezetés • Szükségessé vált a közösségben a „bizalom fenntartására” valamilyen eszköz – értékelések +támogató rendszer • Keresünk egy olyan „metrikát”, amivel könnyen eldönthetőek a bizalmi kérdések „Ajánlottság”

6. Ajánlottság • Egzakt fogalom? • A felhasználók egymást értékelik interakció után • Minőségi kérdések • Akkor jó, ha jól jellemzi a jövőbeli viselkedését az egyednek • Hiányosságok a hitelességben

7. Ajánlás Őszinte Elfogult (Példák esetekre)

8. 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

9. Példa

10. 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

11. 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?

12. Formuláció (modell) Szétszórás (terjesztési mód) Kiszámítás (algoritmus)

13. Eigentrust • i,j felhasználók, szubjektív (lokális) ajánlottság – sij 1 ha pozitív dij = 0 semleges -1 negatív vélemény

14. Eigentrust A = [aij] ahol Így (p = r(0))

15. Eigentrust • A hiányosságok konkrétan • Normalizálunk, és ez információvesztést okoz (aij kiszámolása) • Konvergáláshoz használt „trükkök” (α, p vektor) behatása

16. A módszer • Az összesítéskor figyelni kellene • ajánlások • felhasználó kapott értékeléseinek száma • az értékelő megbízhatósága • tranzakció (pl. vásárlás) mérete és ideje

17. A módszer • x és y közti tranzakciók esetén • tranzakcióik • (súlyosság) • (y értékelése a tr-ban)

18. A módszer

19. A módszer • s: kiindulási vektor • Az Eigentrust egyenlete helyett r-et a köv. függvény definiálja: • Azaz másként

20. Önhivatkozások kerülése • Az [Axy] mátrixban Axx := 0 • És ha megengedjük, hogy x magát értékelje? • Általában nem sokat számít, de torzíthat (az elvárt eredményhez képest)

21. Kiszámítás Formális módszerekkel levezethető, hogy nem csak egy iteratív, hanem egy direkt eljárás is megadható, de…

22. 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

23. Empirikusan mért hatékonyság Mindkét módszerben számításigényes mátrixműveletek a direkt módszer nem hogy jobb, de rosszabb eredményben nincs lényegi különbség (ábra)

24. 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”

25. 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

26. A alakja támadáskor • t támadó, tfh. egy csoportba rendezve A = Sybil attack

27. 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

28. 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

29. 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

30. 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?

31. Köszönöm a figyelmet!