Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
KiadtaGéza Fülöp Megváltozta több, mint 10 éve
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) Kiszámítás (algoritmus) Szétszórás (terjesztési mód)
13
Eigentrust i,j felhasználók, szubjektív (lokális) ajánlottság – s ij 1 ha pozitív d ij = 0 semleges -1 negatív vélemény
14
Eigentrust A = [a ij ] ahol Így (p = r (0) )
15
Eigentrust A hiányosságok konkrétan –Normalizálunk, és ez információvesztést okoz (a ij 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
s: kiindulási vektor Az Eigentrust egyenlete helyett r-et a köv. függvény definiálja: Azaz másként
20
Önhivatkozások kerülése Az [A xy ] mátrixban A xx := 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 A xy := 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 –Szibilla 1 -támadás: új profilok + azokkal értékelés rágalmazás 1 Sybil attack
26
A alakja támadáskor t támadó, tfh. egy csoportba rendezve Őszintéről ítélet őszintéktől Őszintéről ítélet támadóktól Támadóról ítélet őszintéktől Támadóról ítélet támadóktól A = Sybil attack
27
Változás önreklámozásnál Tfh. y a támadó –A xy 1 ha az > 0.5, ill. A yx 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 α értékekre
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 α értékekre 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!
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.