ESRep与其他声誉模型的实验对比结果

本实验主要考察ESRep声誉模型与其他同类声誉模型的性能对比情况。为了验证论文提出的ESRep声誉模型的稳定和有效，本章与文献[159]的Avg模型以及文献[160]的C2CRep模型进行对比。由于本章中ESRep模型是根据时间周期来记录商家声誉，而Avg模型、C2CRep模型是采用交易次数为基本单位，因此需要做一定的变换处理。变换如下：计算ESRep模型中受检测商家的交易次数，并以此作为累计均值模型、C2CRep模型的受监测商家的交易次数。

我们定义声誉计算误差（Reputation Compute Error-RCE）为商家在当前环境下的声誉与同一商家在诚信交易环境下声誉的比值。比值越接近1，说明声誉计算误差越小。通过声誉计算误差来进行这三个模型的性能对比。由于大部分O2O商家为本地服务商家，主要依靠服务质量生存，不存在其他电子商务商家类似的欺诈行为。为了方便对比，我们将本章模型的good、wonderful服务商家对应于Avg、C2CRep模型的诚信卖家节点，normal服务商家因为其服务质量存在波动情况，将其对应于Avg、C2CRep模型的震荡服务节点。

图5-5　恶意评价比例为50%时诚信节点的RCE对比

图5-5的实验中，商家为诚信商家，而客户节点中50%的客户为恶意客户。从图5-5的实验中可以得出以下结论。

1.对于诚信商家，本章的ESRep模型具有最好的精度，这是因为在计算商家声誉时，由于商家已经运营了3年时间，其实体声誉能够对恶意评价产生一定的缓冲作用，而且，服务声誉的计算将价格偏离度、距离因素考虑进来，也使一些恶意节点的评价产生的影响较小。

2.Avg模型因为采用迭代计算的方式，现有的声誉评价会逐渐增加其在节点声誉中的权重，因此下降较为平缓。(www.xing528.com)

3.C2CRep模型由于设置了社区最高声誉等级HM作为计算因子，当HM值下降的情况下，会造成整个声誉系统的数值下降，所以其下降最为明显。

图5-6　恶意评价比例为50%时震荡节点的RCE对比

从图5-6的实验中可以得出以下结论。

1.ESRep模型震荡较为剧烈，在4个周期之前，具备一定的下降趋势，而到了4-7周期之间，则震荡较为剧烈，这是由于部分商家在4周以后的声誉低于用户的信任阀值，导致无交易产生，而使得其整体声誉受影响剧烈。但到了第7个周期以后，由于商家的声誉趋于稳定，整个声誉计算误差有所回调，后期的精确度反而高于另外两个模型。

2.相对于Avg模型的较为平缓的下降曲线，C2CRep模型由于其共谋因子T的存在，导致震荡节点的后期交易下降，从而使其节点的声誉在第6周后下降得更为剧烈。