While trust is increasingly getting

While trust is increasingly getting established, the use and modeling of distrust remains relatively unexplored. Most approaches completely ignore distrust (see for example [31, 32, 43, 55, 66]), or consider trust and distrust as opposite ends of the same continuous scale (see e.g. [1, 19, 59]). However, in agent network theory there is a growing body of opinion that distrust cannot be seen as the equivalent of lack of trust [10, 13, 34]. Moreover, work in the psychology area has repeatedly asked for a re-examination of the assumption that positive- and negative-valent feelings are not separable [8, 50, 52], and some researchers even claim that trust and distrust are not opposite, but related dimensions that can occur simultaneously [9, 33].

To the best of our knowledge, there is only one probabilistic model that considers trust and distrust simultaneously: in J?sang’s subjective logic [24, 25], an opinion includes a belief b that an agent is to be trusted, a disbelief d corresponding to a belief that an agent is not to be trusted, and an uncertainty u. The uncertainty factor leaves room for ignorance, but the requirement that the belief b, the disbelief d and the uncertainty u sum up to 1, rules out options for inconsistency even though this might arise quite naturally in large networks with contradictory sources [60].

Examples of gradual models for both trust and distrust can be found in [11, 21, 62, 68]. Guha et al. use a couple (t,d) with a trust degree t and a distrust degree d, both in [0,1]. To obtain the final suggested trust value, they subtract d from t [21]. However, as explained in [62], potentially important information is lost when the trust and distrust scales are merged into one. For example, the scenario (0.2,0) in which there is partial trust collapses to 0.2, but so does the scenario (0.6,0.4) that exhibits both partial trust and partial distrust. To deal with the issues in Guha’s and J?sang’s approach, Victor et al. proposed an extension of [11] in which trust and distrust values are drawn from a bilattice [14]. Such a bilattice structure is able to solve trust problems caused by presence of distrust or lack of knowledge, and provides insight into knowledge problems caused by having too little or too much, i.e. contradictory, information [62].

Trust and trust models have been used in many fields of computer science, and also in a wide range of applications; a nice overview can be found in [6] in which Artz and Gil classify trust research in four major areas: models that use policies to establish trust (enforcing access policies, managing credentials, etc.), general trust models such as [12] and [68], models for trust in information sources such as [66], and reputation-based trust models. The latter category includes, among others, research that uses the history of an agent’s actions or behaviour (see e.g. [28, 46]), and work that computes trust over social networks, such as [21, 36]. In fact, the trustenhanced recommender techniques that we will describe in Section 20.3 all belong to this class.

20.2.2 Trust Computation
In online trust networks, most other users are typically unknown to a specific user. Still there are cases in which it is useful to be able to derive some information on whether or not an unknown user can be trusted, and if so, to what degree. In the context of recommender systems for instance, this is important if none of the known users has rated a specific item that the user is interested in, but there are some ratings available by unknown users (who are a member of the trust network). For instance, the number of people that users have in their web of trust in Epinions is estimated to be around 1.7 on average. The total number of users of Epinions on the other hand well exceeds 700 000 [61]. In other words, the WOT of a user only contains a very tiny fraction of the user community. Hence, it would be very useful to be able to tap into the knowledge of a larger subset of the user population to generate recommendations.

Trust metrics compute an estimate of how much a user should trust another user, based on the existing trust relations between other users in the network. Various types of trust metrics exist in the literature; we refer to [68] for a good overview. In that paper, Ziegler and Lausen classify trust metrics along three dimensions: group versus scalar metrics, centralized versus distributed approaches, and global versus local metrics. The first dimension refers to the way trust relations are evaluated, while the second classification is based on the place where the trust estimations are computed. The last dimension refers to the network perspective: trust metrics can take into account all users and trust relationships between them when computing a trust estimation (see e.g. [28, 44, 55]), or only rely on a part of the trust network, hence taking into account personal bias (e.g. [15, 21, 35]). The trust-enhanced techniques of Section 3 belong to the latter type.

20.2.2.1 Propagation
Trust metrics usually incorporate techniques that are based on the assumption that trust is somehow transitive. We call these techniques trust propagation strategies. Let us illustrate this with Figure 20.1: if user a trusts user b (whom we call a trusted third party, or TTP for short), and TTP b trusts user c, then it is reasonable to assume

Results (Thai) 1:

ในขณะที่เชื่อถือได้รับการก่อตั้ง ขึ้นใช้และสร้างโมเดลของระแวงยังคงค่อนข้าง unexplored วิธีส่วนใหญ่สมบูรณ์ละเว้นระแวง (ดูตัวอย่าง [31, 32, 43, 55, 66]), หรือพิจารณาความน่าเชื่อถือและระแวงเป็นปลายตรงกันข้ามของสเกลเดียวกันอย่างต่อเนื่อง (ดูเช่น [1, 19, 59]) อย่างไรก็ตาม ในทฤษฎีตัวแทนเครือข่าย มีร่างกายเจริญเติบโตของความคิดที่ว่า ไม่เห็นระแวงเป็นเหมือนกับการขาดความน่าเชื่อถือ [10, 13, 34] นอกจากนี้ ทำงานในพื้นที่จิตวิทยาซ้ำ ๆ ขอการตรวจสอบสมมติฐานที่ว่า ความรู้สึกบวก - และลบ-valent ไม่ separable ใหม่ [8, 50, 52], และนักวิจัยบางแม้จะอ้างว่า ความไว้วางใจและระแวงไม่ข้าม แต่ที่เกี่ยวข้องกับมิติที่อาจเกิดขึ้นพร้อมกัน [9, 33] กับความรู้ของเรา มีรุ่น probabilistic เดียวเท่านั้นที่พิจารณาความน่าเชื่อถือและระแวงกัน: ใน J ? สังของตรรกะตามอัตวิสัย [24, 25], b เป็นความเชื่อที่ตัวแทนจะสามารถเชื่อถือได้ d disbelief ที่สอดคล้องกับความเชื่อว่าตัวแทนจะไม่สามารถเชื่อถือได้ และ u เป็นความไม่แน่นอน รวมถึงความเห็น ห้องใบปัจจัยความไม่แน่นอน ความไม่รู้แต่ความต้องการที่ b ความเชื่อ disbelief d และ u ความไม่แน่นอนรวมถึง 1 กฎออกตัวเลือกสำหรับความไม่สอดคล้องแม้ว่านี้อาจเกิดขึ้นตามธรรมชาติค่อนข้างในเครือข่ายขนาดใหญ่ที่มีแหล่งขัดแย้ง [60] สามารถพบตัวอย่างของรูปแบบสมดุลสำหรับความไว้วางใจและระแวง [11, 21, 62, 68] Al. Guha ร้อยเอ็ดใช้คู่ (t, d) กับ t ระดับความน่าเชื่อถือและระแวงตัว d ทั้งใน [0,1] รับค่าแนะนำแทนสุดท้าย พวกเขาลบ d จาก t [21] อย่างไรก็ตาม ตามที่อธิบายไว้ใน [62], ข้อมูลสำคัญอาจหายเมื่อเครื่องชั่งน้ำหนักความน่าเชื่อถือและระแวงถูกผสานเข้าไป ตัวอย่าง สถานการณ์ (0.2,0) ซึ่งมีความน่าเชื่อถือบางส่วนยุบไป 0.2 แต่สถานการณ์ (0.6,0.4) ที่จัดแสดงความน่าเชื่อถือเป็นบางส่วนและบางส่วนระแวงไม่ การจัดการกับปัญหาใน Guha และ J ? สังของวิธี วิคเตอร์ et al. นำเสนอนามสกุล [11] ในค่าความไว้วางใจและระแวงที่จะออกจาก bilattice [14] โครงสร้าง bilattice การดังกล่าวสามารถแก้ปัญหาความน่าเชื่อถือที่เกิดจากของระแวงหรือขาดความรู้ และมีความเข้าใจในปัญหาความรู้ที่เกิดจากการมีน้อยเกินไป หรือ มากเกินไป เช่นขัดแย้ง ข้อมูล [62] แบบจำลองความน่าเชื่อถือและไว้วางใจได้ถูกใช้ ในหลายสาขาของวิทยาการคอมพิวเตอร์ และความหลากหลายของการใช้งาน ภาพรวมดีสามารถพบได้ใน [6] ที่ Artz และ Gil จัดประเภทวิจัยความน่าเชื่อถือในสี่หัวข้อหลัก: รุ่นที่ใช้นโยบายเพื่อสร้างความน่าเชื่อถือ (บังคับใช้นโยบายการเข้าถึง การจัดการข้อมูลประจำตัว ฯลฯ), รุ่นทั่วไปความน่าเชื่อถือเช่น [12] และ [68], แบบจำลองสำหรับความน่าเชื่อถือในแหล่งข้อมูลเช่น [66], และรูปแบบใช้ชื่อเสียงความน่าเชื่อถือได้ ประเภทหลังมี หมู่คนอื่น ๆ งานวิจัยที่ใช้ประวัติความเป็นมาของการกระทำหรือพฤติกรรมของตัวแทน (ดูเช่น [28, 46]), และงานที่คำนวณความน่าเชื่อถือผ่านเครือข่ายทางสังคม เช่น [21, 36] ในความเป็นจริง เทคนิคผู้แนะนำ trustenhanced ที่เราจะอธิบายในส่วน 20.3 ทั้งหมดเป็นสมาชิกของคลาสนี้ 20.2.2 ใจคำนวณผู้ใช้อื่น ๆ ส่วนใหญ่จะไม่รู้จักโดยทั่วไปแล้วผู้ใช้เฉพาะในเครือข่ายที่น่าเชื่อถือออนไลน์ ยัง มีกรณีที่เป็นประโยชน์เพื่อให้สามารถได้รับข้อมูลบางอย่างบนว่าผู้ที่รู้จักไว้ใจได้หรือไม่ และ อื่น ๆ ระดับใด ในบริบทของระบบผู้แนะนำ เช่น ซึ่งเป็นสิ่งสำคัญถ้าไม่มีผู้รู้จักมีคะแนนสินค้าเฉพาะที่ผู้ใช้สนใจ แต่มีบางจัดอันดับ โดยผู้ใช้ไม่ทราบ (ที่เป็นสมาชิกของเครือข่ายความน่าเชื่อถือ) ตัวอย่าง จำนวนคนที่มีผู้ใช้ในเว็บของพวกเขาของความน่าเชื่อถือใน Epinions คือประมาณ ประมาณ 1.7 โดยเฉลี่ย จำนวนผู้ใช้ของ Epinions คงดีเกิน 700 000 [61] ในคำอื่น ๆ WOT ของผู้ใช้ประกอบด้วยเฉพาะส่วนย่อย ๆ ของชุมชนผู้ใช้นั้น ดังนั้น มันจะมีประโยชน์มากสามารถเข้าไปยังความรู้ย่อยใหญ่ของประชากรผู้ใช้เพื่อสร้างคำแนะนำ การวัดความเชื่อมั่นคำนวณประมาณการจำนวนผู้ใช้ควรไว้วางใจผู้อื่น ขึ้นอยู่กับความสัมพันธ์ความไว้วางใจที่มีอยู่ระหว่างผู้ใช้อื่น ๆ ในเครือข่าย ชนิดต่าง ๆ การวัดความน่าเชื่อถือที่มีอยู่ในวรรณคดี เราอ้างถึง [68] ภาพรวมดี ในกระดาษนั้น Ziegler และ Lausen จัดประเภทการวัดความน่าเชื่อถือตามสามมิติ: กลุ่มเมื่อเทียบกับวัดสเกลา ส่วนกลางเมื่อเทียบกับวิธีแบบกระจาย และทั่วโลกเมื่อเทียบกับเครื่องวัด มิติแรกหมายถึงลักษณะความสัมพันธ์ของความน่าเชื่อถือมีค่า ในขณะที่การจัดประเภทที่สองตามสถานที่ที่ใช้ในการคำนวณการประเมินความน่าเชื่อถือ มิติสุดท้ายหมายถึงมุมมองของเครือข่าย: การวัดความน่าเชื่อถือสามารถคำนึงถึงผู้ใช้ทั้งหมด และเชื่อถือความสัมพันธ์ระหว่างพวกเขาเมื่อคำนวณประเมินความน่าเชื่อถือ (ดูเช่น [28, 44, 55]), หรือเฉพาะ อาศัยส่วนหนึ่งของเครือข่าย ความน่าเชื่อถือจึง พิจารณาบัญชีอคติส่วนบุคคล (เช่น [15, 21, 35]) เทคนิคเพิ่มความน่าเชื่อถือ 3 ส่วนเป็นแบบหลัง 20.2.2.1 เผยแพร่เชื่อถือการวัดมักจะรวมเทคนิคต่าง ๆ ที่อยู่บนสมมติฐานที่ว่า ความน่าเชื่อถือเป็นอย่างใดสกรรมกริยา เราเรียกเทคนิคนี้กลยุทธ์เผยแพร่ความน่าเชื่อถือ เราแสดงนี้ ด้วยรูป 20.1: ถ้าผู้ที่มิใช่ผู้ใช้ b (ซึ่งเราเรียกบุคคลสามที่เชื่อถือได้ หรือ TTP สั้น ๆ), และบี TTP บรรดาของฝากผู้ใช้ c แล้วก็สมเหตุสมผลคิด

Results (Thai) 2:

ในขณะที่ความไว้วางใจจะได้รับการจัดตั้งขึ้นการใช้งานและการสร้างแบบจำลองของความหวาดระแวงยังคงสำรวจค่อนข้าง วิธีการส่วนใหญ่สมบูรณ์ไม่สนใจความไม่ไว้วางใจ (ดูตัวอย่าง [31, 32, 43, 55, 66]) หรือพิจารณาความไว้วางใจและความไม่ไว้วางใจเป็นปลายตรงข้ามอย่างต่อเนื่องของขนาดเดียวกัน (ดูเช่น [1, 19, 59]) แต่ในทางทฤษฎีเครือข่ายตัวแทนมีร่างกายเจริญเติบโตของความเห็นว่าไม่ไว้วางใจไม่สามารถมองเห็นเป็นเทียบเท่าขาดความไว้วางใจ [10, 13, 34] นอกจากนี้การทำงานในพื้นที่จิตวิทยาได้ถามซ้ำอีกครั้งการตรวจสอบของสมมติฐานที่ว่าบวกและความรู้สึกเชิงลบ-valent ไม่ได้แยกกันไม่ออก [8, 50, 52] และนักวิจัยบางคนถึงกับเรียกร้องความไว้วางใจและความไม่ไว้วางใจไม่ได้ตรงข้าม แต่ขนาดที่เกี่ยวข้องที่สามารถเกิดขึ้นพร้อมกัน [9, 33]. ที่ดีที่สุดของความรู้ของเรามีเพียงหนึ่งรูปแบบความน่าจะเป็นที่จะพิจารณาความไว้วางใจและความไม่ไว้วางใจพร้อมกัน: เจร้องเพลงของตรรกะอัตนัย [24, 25] ความเห็นรวมถึงความเชื่อ ขที่ตัวแทนจะได้รับการไว้วางใจเชื่องที่สอดคล้องกับความเชื่อที่ว่าตัวแทนไม่ได้ที่จะได้รับความเชื่อถือและความไม่แน่นอนยู ปัจจัยความไม่แน่นอนออกจากห้องเพื่อความไม่รู้ แต่ความต้องการที่เชื่อขงเชื่อและความไม่แน่นอนรวมถึงยู 1 ออกกฎตัวเลือกสำหรับการที่ไม่สอดคล้องกันแม้ว่านี้อาจเกิดขึ้นค่อนข้างเป็นธรรมชาติในระบบเครือข่ายขนาดใหญ่ที่มีแหล่งที่มาของความขัดแย้ง [60] ตัวอย่างของรูปแบบค่อยเป็นค่อยไปสำหรับความไว้วางใจและความไม่ไว้วางใจทั้งสองสามารถพบได้ใน [11, 21, 62, 68] กู et al, ใช้คู่ (t, D) กับทีระดับความไว้วางใจและความไม่ไว้วางใจในระดับ d ทั้งใน [0,1] ที่จะได้รับค่าแนะนำไว้วางใจครั้งสุดท้ายที่พวกเขาลบจาก d t [21] อย่างไรก็ตามตามที่อธิบายใน [62], ข้อมูลสำคัญที่อาจจะหายไปเมื่อความไว้วางใจและเครื่องชั่งน้ำหนักไม่ไว้วางใจจะรวมเป็นหนึ่ง ตัวอย่างเช่นสถานการณ์ (0.2,0) ซึ่งมีความไว้วางใจบางส่วนพังทลายลงมา 0.2 แต่เพื่อไม่สถานการณ์ (0.6,0.4) ที่จัดแสดงนิทรรศการทั้งความไว้วางใจบางส่วนและบางส่วนไม่ไว้วางใจ เพื่อจัดการกับปัญหาที่เกิดขึ้นในกูและ J? วิธีการร้องเพลงของวิคเตอร์, et al ที่นำเสนอเป็นส่วนหนึ่งของ [11] ซึ่งในความไว้วางใจและความไม่ไว้วางใจค่ามาจาก bilattice [14] โครงสร้างดังกล่าว bilattice สามารถที่จะแก้ปัญหาที่เกิดจากความไว้วางใจการปรากฏตัวของความไม่ไว้วางใจหรือการขาดความรู้และให้ข้อมูลเชิงลึกในปัญหาที่เกิดจากความรู้ที่มีน้อยเกินไปหรือมากเกินไปเช่นขัดแย้งข้อมูล [62]. ความน่าเชื่อถือความไว้วางใจและรูปแบบที่มีการใช้ ในหลายสาขาวิทยาการคอมพิวเตอร์และยังอยู่ในความหลากหลายของการใช้งาน; ภาพรวมที่ดีสามารถพบได้ใน [6] ซึ่ง Artz และกิจำแนกวิจัยความไว้วางใจในพื้นที่สี่หลัก: ที่ใช้นโยบายการสร้างความไว้วางใจ (บังคับใช้นโยบายการเข้าถึงการจัดการข้อมูลประจำตัว ฯลฯ ) รุ่นความไว้วางใจทั่วไปเช่น [12] และ [68] แบบจำลองสำหรับความไว้วางใจในแหล่งที่มาของข้อมูลเช่น [66] และชื่อเสียงตามรูปแบบความไว้วางใจ ประเภทหลังรวมถึงหมู่คนที่ใช้การวิจัยประวัติศาสตร์ของการกระทำของตัวแทนหรือพฤติกรรม (ดูเช่น [28 46]) และการทำงานที่คำนวณไว้วางใจผ่านเครือข่ายสังคมเช่น [21 36] ในความเป็นจริง trustenhanced เทคนิค recommender ที่เราจะอธิบายในส่วนที่ 20.3 ทั้งหมดอยู่ในชั้นนี้. 20.2.2 การคำนวณความน่าเชื่อถือความไว้วางใจในเครือข่ายออนไลน์ที่ผู้ใช้อื่น ๆ ส่วนใหญ่มักจะไม่รู้จักกับผู้ใช้ที่เฉพาะเจาะจง ยังคงมีกรณีที่จะเป็นประโยชน์ที่จะสามารถที่จะได้รับข้อมูลบางอย่างหรือไม่ว่าผู้ใช้ที่ไม่รู้จักสามารถเชื่อถือได้และถ้าเป็นเช่นนั้นสิ่งที่การศึกษาระดับปริญญา ในบริบทของระบบ recommender เช่นนี้เป็นสิ่งที่สำคัญถ้าไม่มีผู้ใช้งานที่เป็นที่รู้จักได้จัดอันดับรายการที่ระบุว่าผู้ใช้มีความสนใจใน แต่มีการจัดอันดับที่มีอยู่บางส่วนโดยผู้ใช้ที่ไม่รู้จัก (ที่เป็นสมาชิกของเครือข่ายความไว้วางใจ) ยกตัวอย่างเช่นจำนวนของคนที่ว่าผู้ใช้มีในเว็บของพวกเขาไว้วางใจใน Epinions คาดว่าจะอยู่ที่ประมาณ 1.7 โดยเฉลี่ย จำนวนรวมของผู้ใช้ Epinions ดีในทางกลับกันเกินกว่า 700 000 [61] ในคำอื่น ๆ WOT ของผู้ใช้มีเพียงส่วนเล็ก ๆ มากของชุมชนผู้ใช้ ดังนั้นมันจะมีประโยชน์มากที่จะสามารถที่จะเข้าไปในความรู้ของกลุ่มย่อยที่มีขนาดใหญ่ของประชากรผู้ใช้สามารถสร้างข้อแนะนำ. ตัวชี้วัดความน่าเชื่อถือคำนวณประมาณการของเท่าใดผู้ใช้ควรจะไว้วางใจผู้อื่นขึ้นอยู่กับความสัมพันธ์ระหว่างความไว้วางใจที่มีอยู่อื่น ๆ ผู้ใช้ในเครือข่าย ประเภทต่างๆของตัวชี้วัดความไว้วางใจที่มีอยู่ในวรรณกรรม; เราดู [68] สำหรับภาพรวมที่ดี ในกระดาษที่ Ziegler และ Lausen จำแนกตามตัวชี้วัดความไว้วางใจสามมิติ: กลุ่มเมื่อเทียบกับตัวชี้วัดเกลาส่วนกลางเมื่อเทียบกับวิธีการกระจายและทั่วโลกเมื่อเทียบกับตัวชี้วัดในท้องถิ่น มิติแรกหมายถึงวิธีการความสัมพันธ์ความไว้วางใจจะมีการประเมินในขณะที่การจัดหมวดหมู่ที่สองจะขึ้นอยู่กับสถานที่ที่ประมาณการไว้วางใจจะคำนวณ มิติที่ผ่านมาหมายถึงมุมมองของเครือข่าย: ตัวชี้วัดความไว้วางใจสามารถนำเข้าบัญชีผู้ใช้ทุกคนและความสัมพันธ์ความไว้วางใจระหว่างพวกเขาเมื่อคำนวณการประมาณค่าความไว้วางใจ (ดูเช่น [28, 44, 55]) หรือเพียงพึ่งพาส่วนหนึ่งของเครือข่ายความไว้วางใจ, จึงคำนึงถึงอคติส่วนบุคคล (เช่น [15, 21, 35]) เทคนิคการเพิ่มความไว้วางใจในส่วนที่ 3 เป็นประเภทหลัง. 20.2.2.1 การขยายพันธุ์ตัวชี้วัดความน่าเชื่อถือมักจะรวมเทคนิคที่เป็นไปตามสมมติฐานที่ความไว้วางใจที่เป็นสกรรมกริยาอย่างใด เราขอเรียกร้องเหล่านี้ความไว้วางใจเทคนิคกลยุทธ์การขยายพันธุ์ ขอให้เราแสดงให้เห็นถึงนี้กับรูปที่ 20.1: หากผู้ใช้ขลงทุน (ซึ่งเราเรียกบุคคลที่สามที่เชื่อถือได้หรือ TTP สำหรับระยะสั้น) และ TTP ขลงทุนใช้คแล้วมันก็มีเหตุผลที่จะคิด

Results (Thai) 3:

ในขณะที่ความไว้วางใจมากขึ้น การสร้าง ใช้ และแบบจำลองของความหวาดระแวงยังคงค่อนข้าง unexplored . วิธีการส่วนใหญ่ไม่สนใจ distrust ( เห็นตัวอย่าง [ 31 , 33 , 44 , 55 , 66 ] ) หรือการพิจารณาความน่าเชื่อถือและความคลางแคลงใจที่ปลายตรงข้ามของระดับต่อเนื่องกัน ( ดูเช่น [ 1 , 19 , 59 ] ) อย่างไรก็ตามในเครือข่ายของตัวแทนทางทฤษฎีมีร่างกายเจริญเติบโตของความคิดเห็นที่กินใจ ไม่สามารถเห็นเป็นเทียบเท่าของการขาดความไว้วางใจ [ 10 , 13 , 34 ] นอกจากนี้การทำงานในพื้นที่จิตวิทยากล่าวถามอีกครั้งการตรวจสอบสมมติฐานที่เป็นบวกและลบความรู้สึกมีคุณค่าไม่แยกกัน [ 8 , 50 , 52 ] , และนักวิจัยบางคนถึงกับอ้างว่า ไว้วางใจและไม่ไว้วางใจไม่ได้อยู่ตรงข้ามแต่ที่เกี่ยวข้องกับมิติที่สามารถเกิดขึ้นได้พร้อมกัน 9 [ 33 ]

เพื่อที่ดีที่สุดของความรู้ของเรามีเพียงหนึ่งการพิจารณาแบบที่ไว้วางใจและไม่ไว้วางใจพร้อมกัน : ในเจ ซางอัตนัยตรรกศาสตร์ [ 24 , 25 ] ความเห็นรวมถึงความเชื่อที่ตัวแทนที่ไว้ใจได้ มีการปฏิเสธศรัทธา D ที่สอดคล้องกับความเชื่อว่าตัวแทนที่เชื่อถือไม่ได้ และความไม่แน่นอน .ปัจจัยความไม่แน่นอน ออกจากห้องเพราะความไม่รู้ แต่ความต้องการที่ความเชื่อ B , D และความไม่แน่นอนที่คุณผลรวมมากมายถึง 1 , ออกกฎตัวเลือกไม่คงเส้นคงวาแม้ว่านี้อาจเกิดขึ้นค่อนข้างเป็นธรรมชาติในเครือข่ายขนาดใหญ่ที่มีแหล่ง [ 60 ] ขัดแย้ง .

ตัวอย่างค่อยเป็นค่อยไปแบบทั้งความไว้วางใจและความคลางแคลงใจที่สามารถพบได้ใน [ 11 , 21 , 62 , 66 ] guha et al . ใช้คู่ ( T ,D ) มีความไว้วางใจและระดับไม่เอะใจระดับ D ทั้งใน [ 0.1 ] เพื่อให้ได้สุดท้ายแนะนำเชื่อค่า พวกเขาลบ D จาก T [ 21 ] อย่างไรก็ตาม ตามที่อธิบายไว้ใน [ 62 ] , ข้อมูลที่สำคัญสูญหายเมื่อความไว้วางใจและระดับความคลางแคลงใจถูกผสานเข้าเป็นหนึ่งเดียว ตัวอย่างเช่น สมมติ ( 0.2,0 ) ซึ่งมีความน่าเชื่อถือบางส่วนเพื่อยุบ 0.2 แต่แล้วสถานการณ์ ( 0.6,0 .4 ) ที่จัดแสดงทั้งเชื่อบางส่วน และความไม่ไว้วางใจได้บางส่วน ที่จะจัดการกับปัญหาใน guha และเจ วิธีการร้องเพลงของ วิคเตอร์ et al . เสนอขยาย [ 11 ] ที่ไว้วางใจและไม่ไว้วางใจค่าวาดจาก bilattice [ 14 ] เช่น bilattice โครงสร้างสามารถแก้ปัญหาที่เกิดจากการขาดความเชื่อถือ หรือขาดความรู้และมีความเข้าใจในปัญหาที่เกิดขึ้น โดยมีความรู้น้อยเกินไป หรือมากเกินไป เช่น กรณีข้อมูล [ 62 ]

เชื่อใจและไว้ใจแบบถูกใช้ในหลายสาขาของวิทยาศาสตร์คอมพิวเตอร์ และในช่วงกว้างของการใช้งาน ; ภาพรวมที่ดีสามารถพบได้ใน [ 6 ] ซึ่งอาร์ตสและกิลแบ่งการวิจัยเชื่อ ใน 4 พื้นที่หลัก :รุ่นที่ใช้นโยบายเพื่อสร้างความเชื่อถือ ( บังคับใช้นโยบายการเข้าถึงการจัดการข้อมูลประจำตัว , ฯลฯ ) , เชื่อทั่วไปรุ่นเช่น [ 12 ] และ [ 68 ] , แบบจำลองความน่าเชื่อถือในแหล่งข้อมูลเช่น [ 66 ] และชื่อเสียงตามความเชื่อถือรุ่น ประเภทหลังรวมถึงหมู่คนอื่น ๆ , การวิจัยที่ใช้การกระทำของตัวแทนหรือพฤติกรรม ( ดู 28 ก. [ 46 ] )และงานที่คำนวณความน่าเชื่อถือผ่านเครือข่ายทางสังคม เช่น 21 [ 36 ] ในความเป็นจริง trustenhanced แนะนำเทคนิคที่เราจะอธิบายในส่วนที่ 20.3% ของคลาสนี้


20.2.2 เชื่อการคำนวณออนไลน์เชื่อเครือข่าย ผู้ใช้อื่น ๆ ส่วนใหญ่มักจะไม่รู้จักกับผู้ใช้ที่เฉพาะเจาะจงยังคงมีกรณีที่มันเป็นประโยชน์ที่จะได้รับข้อมูลบางอย่างเกี่ยวกับผู้ใช้ที่ไม่รู้จักหรือไม่ เชื่อถือได้ และถ้าเป็นเช่นนั้น ระดับไหน ในบริบทของระบบแนะนำสำหรับอินสแตนซ์นี้สำคัญมากถ้าไม่มีของหรือผู้ใช้ได้สูงสุดเฉพาะสินค้าที่ผู้ใช้สนใจแต่ก็ยังมีบางบริษัทที่พร้อมใช้งาน โดยผู้ใช้ที่ไม่รู้จัก ( ที่เป็นสมาชิกของความน่าเชื่อถือเครือข่าย ) ตัวอย่างเช่นจำนวนของผู้คนที่ผู้ใช้มีในเว็บของตนเอง เชื่อใน epinions คาดว่าจะอยู่ที่ประมาณ 1.7 โดยเฉลี่ย จำนวนรวมของผู้ใช้ epinions บนมืออื่น ๆดีเกิน 700 , 000 [ 61 ] ในคำอื่น ๆเข้าใจของผู้ใช้ที่มีเพียงเศษเสี้ยวนิดเดียวของชุมชนผู้ใช้ดังนั้น มันจะมีประโยชน์มากที่จะสามารถที่จะแตะลงในความรู้ของขนาดใหญ่ย่อยของกลุ่มผู้ใช้เพื่อสร้างคำแนะนำ

เชื่อวัดคำนวณประมาณการของเท่าใดผู้ใช้ควรเชื่อถือได้ผู้ใช้คนอื่นบนพื้นฐานที่มีอยู่เชื่อความสัมพันธ์ระหว่างผู้ใช้อื่นๆในเครือข่าย ประเภทต่างๆของการวัดความไว้วางใจอยู่ในวรรณคดี เราดูที่ [ 68 ] สำหรับภาพรวมดีในกระดาษแผ่นนั้น และ lausen จำแนกตามวัดและไว้วางใจ 3 มิติและตัวชี้วัดกลุ่มสเกลาร์ ส่วนกลางและกระจายทั่วโลกเมื่อเทียบกับวิธีการวัดและท้องถิ่น มิติแรกหมายถึงวิธีการความสัมพันธ์ความไว้วางใจจะถูกประเมิน ในขณะที่ประเภทที่สองจะขึ้นอยู่กับสถานที่ ที่เชื่อว่าเป็นการคํานวณมิติสุดท้ายคือมุมมองของเครือข่าย : ตัวชี้วัดความน่าเชื่อถือสามารถใช้ลงในบัญชีผู้ใช้ทั้งหมดและความสัมพันธ์ที่เชื่อถือระหว่างพวกเขาเมื่อคำนวณความน่าเชื่อถือการเห็นเช่น [ 28 , 44 , 55 ] ) หรือพึ่งเป็นส่วนหนึ่งของความน่าเชื่อถือเครือข่าย ดังนั้นในการตั้งค่าบัญชีส่วนบุคคล ( เช่น [ 15 , 21 , 35 ] ) ความไว้วางใจเพิ่มเทคนิคของมาตรา 3 ให้อยู่ในประเภทหลัง


20.2.2.1 การขยายพันธุ์ตัวชี้วัดความน่าเชื่อถือมักจะรวมเทคนิคที่มีพื้นฐานอยู่บนสมมติฐานที่ว่าเชื่อเป็นอย่างใดสกรรมกริยา . เราเรียกเทคนิคเหล่านี้เชื่อใจ , กลยุทธ์ ให้เราแสดงด้วยรูป 20.1 : ถ้าผู้ใช้ไว้ใจผู้ใช้ B ( ที่เราเรียกว่าไว้ใจบุคคลที่สามหรือ TTP สำหรับสั้น ) และ trusts ผู้ใช้ C TTP B แล้วมันมีเหตุผลที่จะสมมติว่า