[发明专利]一种基于Plackett-Luce模型的在线服务评价方法

权利要求书

1.一种基于Plackett-Luce模型的在线服务评价方法，其特征在于：包括如下步骤：首先根据用户的在线服务评分得到用户对在线服务的偏好值，进一步确定每位用户对于在线服务的偏好关系；通过确定的在线服务的偏好值，统计出每个服务在排序中占优的次数；然后根据Plackett-Luce模型的对数似然函数，利用极大似然估计法构建迭代函数，并将服务的占优次数标准化后得到每个服务在服务比较中的占优概率，并将概率作为排序权重值代入迭代函数，通过迭代函数得出每个服务排序的权重值，把权重值作为评价结果，实现对在线服务的评价。

2.根据权利要求1所述的一种基于Plackett-Luce模型的在线服务评价方法，其特征在于：所述方法的具体步骤如下：

Step1、根据在线服务评分矩阵得到用户对在线服务的偏好关系，建立偏好矩阵，并统计所有服务的占优次数；

设用户集合为U＝{u₁,u₂,...,u_m}，m表示用户数，服务集合为S＝{s₁,s₂,...,s_k}，k表示服务数，用户服务评分矩阵为R＝[r_ij]_m×k，其中r_ij表示第i位用户u_i对第j个服务s_j的评分；

Step 1.1、通过用户评分求解用户对在线服务的偏好值；

根据Plackett-Luce模型的排序功能，通过评分计算在线服务偏好值，偏好值pre越大则表示用户越倾向于选择该服务；

用户u_i对服务S＝{s₁,s₂,...,s_k}的偏好值计算公式如下所示：

其中pre_i1表示用户u_i对服务s₁的偏好值，基于评分矩阵R建立所有用户u_i∈U对所有服务s_j∈S的偏好矩阵Pre＝[pre_ij]_m×k(i＝1,2,…,m；j＝1,2,…,k)，pre_ij表示第i位用户u_i对第j个服务s_j的偏好值；

根据公式(1)-(3)计算用户对在线服务的偏好值，建立所有用户对所有服务的偏好矩阵Pre如下所示：

Step 1.2、根据偏好矩阵统计服务占优次数；

通过比较偏好矩阵Pre内用户对服务的偏好值，得到每个用户对所有服务的偏好关系，并根据偏好值得到所有服务的占优次数；

在用户u_i的偏好下，将服务s_j和服务s_g的偏好值进行比较，服务偏好关系如下所示：

若pre_ij＞pre_ig，那么用户u_i对服务s_j和服务s_g的偏好关系为s_j＞s_g，即用户u_i的认为服务s_j比服务s_g更优，符号“＞”表示更优；

比较每个用户偏好下所有服务的偏好值，得到服务在比较中的占优次数，基于服务的占优次数建立服务占优次数矩阵T＝[t_ij]_m×k(i＝1,2,…,m；j＝1,2,…,k)，其中t_ij表示服务s_j在用户u_i偏好下的占优次数，在同一个用户的偏好下，每个服务和其他服务进行两两比较得到该服务的占优次数，若在用户u_i的偏好下将服务s_j和s_g(j,g＝1,2,…,k)进行比较，服务s_j和s_g占优次数计算方式如下所示：

其中，在u_i的偏好下，若pre_ij＞pre_ig，则记为服务s_j占优，即t_ij的值加1，t_ig的值加0；若pre_ij＝pre_ig，则记为服务s_j和服务s_g都不占优，即t_ij和t_ig的值都加0；若pre_ij＜pre_ig，则记为服务s_g占优，即t_ij的值加0，t_ig的值加1，服务的占优次数矩阵T如下所示：

用W表示服务在所有用户偏好下总的占优次数，W＝{W₁,W₂,…,W_k}，通过累加每个用户偏好下服务s_j的占优次数得到服务s_j总的占优次数W_j，服务s_j总的占优次数W_j(j＝1,2,3,…,k)计算方式如下所示：

Step2、首先根据Plackett-Luce模型的对数似然函数，使用极大似然估计方法构建迭代函数，其次把每个服务的占优次数标准化后得到的值作为初始迭代权重，然后迭代计算得出每个在线服务最终的排名概率作为排序权重，最后将排序权重作为服务评价结果对在线服务进行排序；

Step 2.1、构造Plackett-Luce模型的对数似然函数；

若根据Plackett-Luce模型对服务s_j和s_g排序，那么占优概率计算公式如下所示：

P表示在线服务在排序占优的概率，γ_j是在线服务s_j在Plackett-Luce模型中的权重值，γ_g是在线服务s_g在Plackett-Luce模型中的权重值，把排序占优概率作为权重值γ，通过迭代的方法求解使Plackett-Luce模型的对数似然函数l(γ)取得最大值的权重值γ，

Plackett-Luce模型的对数似然函数如下式：

Step 2.2、建立迭代函数；

因为建立的对数似然函数l(γ)无法直接求解出最大值，所以建立迭代函数近似求解，根据公式(9)、(10)构建的迭代函数Q如下式：

且：

假设γ_j⁽ⁿ⁾是在迭代过程中最接近真实值γ_j的结果，n代表第n次迭代，那么在迭代计算中，服务s_j计算的权重值γ_j会从γ_j⁽¹⁾一直迭代到最终的结果γ_j⁽ⁿ⁾，根据条件(12)，如果γ_j⁽ⁿ⁾是计算得到最接近真实值γ_j的权重值，那么当权重值等于γ_j⁽ⁿ⁾时，迭代函数的值Q(γ_j)等于对数似然函数的值l(γ)；

Step 2.3、通过占优次数求解初始排序权重；

根据Step 1.2统计的占优次数，把每个服务的占优次数W标准化，用标准化后得到的值作为初始排序权重γ⁽¹⁾，即计算每个服务占优次数在所有服务总占优次数中所占的比例，得到每个服务的初始排序权重γ⁽¹⁾＝{γ₁⁽¹⁾,γ₂⁽¹⁾,…,γ_k⁽¹⁾}，服务s_j的初始权重值计算如下所示：

权重值γ的迭代公式如下所示：

N_jg表示在线服务s_j和s_g的占优次数之和，N_jg＝W_j+W_g，根据公式(14)，可以从γ_j⁽¹⁾依次迭代得到γ_j⁽ⁿ⁾的确定值，在确定γ_j^(k)的前提下，把权重值γ_j代入公式(11)循环迭代，找到使迭代函数Q取得最大值的权重值γ_j；

Step 2.4、建立迭代函数收敛条件，迭代求解；

迭代函数的收敛条件是|Q(γ_j⁽ⁿ⁾)-Q(γ_j^(n-1))|≤ε，γ_j^(n-1)表示第n-1次迭代的权重值，γ_j⁽ⁿ⁾表示第n次迭代的权重值，阈值ε的值按照需求手动设定，ε值的大小决定迭代结果的精确程度，ε值越小结果越精确，若计算结果|Q(γ_j⁽ⁿ⁾)-Q(γ_j^(n-1))|＞ε，则继续把当前γ_j⁽ⁿ⁾的值代入公式(14)进行计算得到γ_j⁽ⁿ⁺¹⁾，并把γ_j⁽ⁿ⁺¹⁾的值代入公式(11)继续迭代，计算完成后，若得到的权重值γ_j⁽ⁿ⁺¹⁾满足收敛条件|Q(γ_j⁽ⁿ⁺¹⁾)-Q(γ_j⁽ⁿ⁾)|≤ε，则认为当前得到的结果γ_j⁽ⁿ⁺¹⁾接近最优的权重值γ_j，把权重值γ_j⁽ⁿ⁺¹⁾作为服务评价结果；

根据计算出的每个服务的权重值大小把在线服务从大到小排序，并把排序结果作为在线服务评价结果向用户展示。