专利名称：用于计算购买信任值的方法和设备的制作方法
技术领域：
本申请涉及信任值计算方法和设备，该方法和设备用于定义与日常生活消费行为有关的不同要素的信任值以及定义该要素中的信任值、并用于使消费者等能够根据信任值作出他们最好的选择。
背景技术：
本申请基于、并请求于2003年10月29日提交的申请号为2003-368802的日本申请的优先权，该日本申请的公开内容全文在此引入作为参考。
各种要素，诸如消费者的动机、广告媒体、商店、制造商、专家(评论家)等相互牵涉在人类日常消费行为中。在本文中，这些涉及消费行为的因素被称作“主体”。这些主体相互具有各种关系。假定在这些主体间存在某种信任关系。消费者能够获得各种指示这些主体间关系的信息。商品A由制造商B制造并在商店C出售。在现有技术的模式中，制造商B通过使用因特网为商品A做广告，商店C通过利用在当地报纸上的插页广告而为商品A做广告。
此外，评论家D分析商品A并将该分析置于杂志E上。在其他的商品上执行相同的消费行为，可以得到关于物品、制造商、商店、专家和杂志的值得注意的信息。消费者常常不能判断能够信任哪一个制造商、商店、专家等等。为了解决上述问题，现有技术已经提供了关于制造商、商店、专家等的可信性的信息或者指示器。
获得关于涉及消费行为中的“主体”的信任值的信息以及关于以上信息的个人喜好的信息则更有利。已经知道使用关于上述信息的各个个人喜好信息来获得关于消费行为的最可信的信息。
公开上述内容的现有技术包括(1)特许公开的JP专利出版物(P1999-306185)(2)Lawrence Page；Sergey Brin；Rajeev Motwani；Terry Winograd.ThePageRank Citation RankingBringing Order to the Web.TechnicalReport.Stanford大学，1998年。
(3)Noriko Arai；Kazuhiro Kitagawa.Personalization technique。NikkeiElectronics，2003-02-03。
在JP P-1999-306185中，网页级别(PageRank)被展开以便文本和多媒体数据以及访问这些数据的人的信息被安装在链接结构中作为虚拟网页。此外网页具有信息的等级(ranking)。当用户在因特网上访问各种多媒体数据以下载数据或记录该数据作为书签时，网页的链接结构被展开并且其重要程度被计算。在Page等人的文件中公开的网页级别方法中，在因特网上的网页被定义为结点，并且描述了其信任值和其估计方法。然而，网页级别方法的目标仅仅是在因特网上的网页的重要程度。因此，没有反映涉及在因特网上未描述的主体的信息。因而网页级别方法常常并没有给消费者提供最好的信息。
Arai的文件介绍了依赖于用户的喜好与否的个性化技术。根据该技术，基于个人的喜好信息推荐或介绍商品。Arai等人提出的技术包括简档匹配系统，规则库系统，以及协作过滤系统。根据这些系统，在诸如个人的喜好信息、购买记录、普通消费者的购买方式等信息的基础上推荐看来似乎是对个人而言最好的商品。然而，在这些方法中，没有将注意力放在关于消费行为中主体的信任值的信息上。因此，关于购买被推荐的商品是否真的好等不确定要素可能保持对被推荐的商品等的注意。
发明内容
本发明一个目的是提供一种新的和改进的方法和设备，用于定义在涉及消费行为的各主体之间的关系，计算这些主体的信任值并提供消费者可在消费行为中使用的具有高可靠性的信息。
本发明的另一个目的是提供一种新的和改进的方法和设备，用于提供关于符合个人喜好并可靠地反映涉及个人的喜好信息的主体的信息。
根据本发明的一个方面，不将信息限制为因特网上的信息，通过将信任值信息延展到消费行为中主体间的各种关系来计算信任值。在网页级别方法中，所有链接的信任值被认为是彼此相等。与本发明的一个方面相比，存在链接的信任值、信任关系类型、以及每一主体的信任值的定义。通过考虑这些问题来计算信任值。
本发明通过提供了与web相关的信息的信任值、以及与涉及web的信息无直接联系的主体的信任值和这些主体间关系的信任值而不同于JP 1999-306185的公开内容。此外根据关系的类型执行加权。
根据本发明的另一个方面，通过计算消费行为领域中的信任值来确定用于制造商、商店、专家等的可信性指示器。通过参考这些可信性指示器，顾客可以选择一个商店或制造商，或者一个商店或制造商可以选择媒体以做广告。
可以通过响应在因特网上的信息以及源于诸如广告、调查表、杂志上的文章等各种数据源的信任信息来提出信任值。可以通过响应这种信任关系或者关于其信任度预先知道的主体的信息来计算信任值。
也可以通过响应个人所有的各主体的信任度来计算信任值。可以执行基于个体化(individualization)的所谓的个性化(personalization)。可以通过使用经采集信息建立的总的信任网络图，并且通过使用涉及一些特定杂志等的订阅者的部分主体组的部分信任网络图来执行信任值计算。
根据本发明其它方面，销售得好的商品被估计得高，而被所信任的制造商、商店、专家和其它主体信任的制造商、商店、专家等被估计得高，以便可以将更精确的估计提供给顾客。此外，由于在通常的消费行为中的信任关系被模型化，因而商品的领域并不限于特定领域，而是可以广泛地应用。
通过考虑以下特定实施例的详细描述，特别是当联系附图时，本发明的以上和其它的目的、特点和优势将变得显而易见。
图1是包括了信任网络图观念的简图。
图2是由图7的设备执行的操作的总流程图。
图3是图7的设备执行的用于计算信任值的算法的流程图。
图4是图7的设备执行的操作的第一例子的图示，其中在信任网络图中填满数值。
图5是图7的设备执行的操作的第二例子的图示，其中在信任网络图中填满数值。
图6是图7的设备执行的操作的第三例子的图示，其中在信任网络图中填满数值。
图7是用于执行本发明的设备的优选实施例的方块图。
具体实施例方式
图7是方块图，包括外壳200，其包含存储设备210、主存储器220、输出设备230、中央处理单元(CPU)240、控制台250和输入设备260。中央处理单元(CPU)240从主存储器220读取控制程序，通过响应于(1)来自控制台250的命令、来自输入设备260的用户信息以及(3)存储在存储设备210中的信任数据信息而执行信息处理。CPU240将关于具有高可靠性的主体的信息输出给输出设备230。
网站、消费者、广告媒体、商店、制造商、专家(评论家)等(“主体”)与日常生活的消费行为相关。对存在于这些主体之间的信任关系作出估计。
图1是包括因特网站点、评论家、商品、销售办事处、商品的制造商等形式的“主体”的消费行为的网络图。在图1的消费行为中所有的主体都被选作结点。此外，这些主体通过箭头相互连接，并且定义了这些主体间的信任关系及其信任值。
消费行为中的主体和主体间的信任关系从各种信息源中提取，信息源诸如调查表、网页、杂志、电子消息公告板等。通过使用网络图表示这些主体，在网络图中主体被表示为结点而信任关系被表示为箭头。图1被称作“无信任值的信任网络图”。计算结点和箭头的信任度以确定信任值。通过加权信任关系的类型以及结点的信任度而执行计算。随后，将如此计算的信任值填充到信任网络图中。这被称作“具有信任值的信任网络图”。根据该信息，将用于推荐/介绍商品的信息提供给消费者，而将有效的市场信息提供给销售者。信任网络图不局限于消费行为，而且还可以应用于在各种团体中的主体和该主体间的关系。
图1是辅助描述图7的设备如何确定可信性指示器和信任值的信任网络图。诸如网站、消费者、广告媒体、商店、制造商、专家(评论家)等参与消费行为的“主体”被表示为结点，主体间的信任关系被表示为箭头。箭头指向的方向是从信任结点到被信任的结点。在消费行为领域中的信任关系的图表称为“信任网络图”。在图1中，还没有计算出信任值。因此，图1被称作“无信任值的信任网络图”。
根据本发明的一个方面，需要信任值的“主体”被首先确定，然后使主体彼此相关的箭头被确定。图7的设备确定与这些“主体”、“箭头”相关联的值并因而确定其权重。
对于以下观念来说，它们被认为是存在于目标消费行为中的信任关系的基础。
(1)想要购买可信的制造商或商店的优质商品的消费者。
(2)消费者咨询消费者信任的专家或杂志。
(3)消费者咨询另一个已经实际使用过该商品的消费者。
(4)制造商或商店将广告放置在可信的广告媒体上。
(5)评价优质商品、商店、和制造商的评论家。
具有从许多结点延伸的箭头的终点的结点在网络图的结点之中。这种结点可以认为是在消费行为中已经取得许多信任的结点。具有从可信任结点延伸的箭头的终点的结点也被认为是具有高信任的结点。
可以期望的是，普通的消费者基于对上述可信任结点、例如专家或杂志的广告媒体等的信任采取行动。如果使用了关于信任关系的信息，就可以根据该信息预测消费者的消费行为或者将其用作销售行为的提示。
为了探测具有高信任价值的结点，由图7的处理器计算表明信任网络图中哪一个结点具有比其它结点更高的信任价值的信任值。根据信任关系或关系类型计算信任值，或者因而预先被发现是可信任的结点的权重高而预先被发现是不可信任的结点的权重低。将如此计算的信任值分配给该结点以构建具有信任值的信任网络图。
在以下步骤中(图2)，根据上述观念图7的处理器构建信任网络图10选择结点/箭头；20创建无信任值的信任网络图；30确定结点/箭头的权重；40计算结点的信任值；以及50创建具有信任值的信任网络图。
现在详细描述由图7的处理器执行的图2中所示的算法。
步骤10选择结点/箭头在消费行为中涉及信任网络的“主体”是消费者、专家(评论家)、广告媒体、杂志、网站、商品、制造商、零售商等。这些“主体”被表示为结点。利用箭头将具有已建立的信任关系的主体(结点)相互连接。箭头从一个信任结点延伸到被信任结点。结点间的信任关系是“估计产品”、“描述杂志上的文章”、“放置广告”、“购买产品”、“制造产品”、“介绍产品”、“雇请专家”、等。
步骤20创建无信任值的信任网络图在步骤10中，图7的处理器创建根据确定的信息创建的信任网络图(参见图1)。
步骤30确定结点/箭头的权重接下来，图7的处理器收集从与消费行为相关的信息源收集的相关数据以获得结点的信任值。例如，从http∥www.about.com访问目标产品的网页以查阅相关网页。可得到杂志上面的关于产品的介绍或评价文章、广告、调查表结果等作为数据以获得信任值。该信息可以手工地得到或者通过使用应用自然语言处理的信息提取机等自动地或者半自动地提取。
当存在涉及一些结点间的信任关系的信息时，图7的处理器根据该信息对该箭头进行加权。而且，当根据该信息预先知道可信任的结点时，将较高的权重分配给那些结点。
步骤40计算结点的信任值根据在步骤30确定的权重，图7的处理器映射各结点的信任值。计算方法在后文描述。
如果结点的信任值是高的，那么该信任值具有较高的可靠性。
步骤50创建带有信任值的信任网络7的处理器将在步骤40计算的值映射在信任网络图中，从而关于高可靠性主体(结点)的信息能够一目了然。
参照图3描述包括以下步骤的信任值计算方法110在结点间选择零或多个箭头；120确定所有箭头的初始权重；130计算所有从结点ui指向结点uj的箭头的初始权重的总和；140计算从结点ui开始的箭头的初始权重的总和；150计算调整的权重Pij＝AWadj(ui→uj)；160定义向量v；170计算矩阵E＝e·vT，并计算P’＝cP+(1-c)E；以及180计算结点ui的信任值TV(ui)。
下文中详细描述信任值的计算。
步骤110在结点间选择零或多个箭头现在描述连接结点的箭头。如果结点间不存在关于可靠性的信息，那么没有箭头存在。此外，结点间的箭头数目并不限于一个。考虑例子评论家A撰写关于出现在杂志C中的商品B的功能和价格的文章，几乎同时在杂志C’中出现由评论家A撰写的关于商品B的性能的文章。在该例子中，两个箭头存在于表示评论家A的结点和表示商品B的结点之间。结点间的箭头由以上信息确定。在该例子中，从结点ui延伸到结点uj的箭头由A(ui→uj)k(k＝1至m)表示。
步骤120确定所有箭头的初始权重根据存在于结点间的信息的内容，确定箭头A(ui→uj)k(k＝1至m)的初始权重。
步骤130计算所有从结点ui延伸到结点uj的箭头的初始值的总和当从结点ui至结点uj的箭头的初始值的总和由AWacc(ui→uj)表示时，那么[等式7](1)--AWacc(ui→uj)=Σk=1mAWinit(ui→uj)k]]>步骤140计算以结点ui作为开始点的箭头的初始权重的总和初始值的总和由AWacc(ui)表示。
步骤150如下计算调整的权重Pij[等式8](2)Pij＝AWacc(ui→uj)/AWacc(ui)通过这种调整，在各结点间的箭头的权重取在0和1之间的值，并且用Pij表示。
步骤160定义向量v向量v是包括一个或多个元素的向量，每一个元素都表示一个结点的权重而且各元素的总和为1。图7的处理器调整向量v的值，该值被看作是结点信任度并根据对于该结点的杂志中的文章的评价、个人的信任、评价中介的等级信息等等而确定。向量v的值是根据消费者想要的对象而调整的，以获得基于消费者对象的信任。
步骤170计算矩阵E＝e·vT，并计算P’＝cP+(1-c)E
通过使用其中所有的元素都是“1”的向量e，图7的处理器计算矩阵E＝e·vT，以及计算P’＝cP+(1-c)E。在此，c表示具有值0≤c≤1的常量，c的值用实验方法确定。
步骤180计算结点ui的信任值TV(ui)结点ui的信任值TV(ui)由以下等式定义[等式9](3)--TV(ui)=Σuj∈BN(ui)P′(uj→ui)TV(uj)]]>其中[等式10](4)Uj∈BN(Ui)表示其箭头指向结点ui的一组结点。图7的处理器计算表达式(3)(即，等式9)中的特征向量(TV(ui)，i＝1至n)。通过定义向量XT＝(TV(u1)，…，TV(un))，表达式(3)可以被表示为如下[等式11](5)--X→=P′TX→T]]>图7的处理器计算向量 其计算为矩阵P’的转置矩阵的特征值“1”的特征向量。特征向量 的每一个值都相应于每一个结点的信任值。在这些结点中，具有大的值TV(uj)的结点uj被看作具有高信任的结点(主体)。
通过使用上述计算结果，将该实施例应用于下述设定的消费行为(a)一个制造商比其它制造商更可信以及介绍或者推荐由该可信的制造商制造的产品。
(b)消费者可以在最可信的商店购买由最可信的制造商制造的产品。
然而，由于产品不需要被当作主体，因而重写以上例子以便有经由产品的间接的信任关系。例如，如果专家推荐产品，那么专家被认为是信任制造该产品的制造商。
接下来，考虑将以上计算结果都映射在信任网络图中的例子。图4是选择了结点和结点的信任值以及结点间填满箭头的例子。在图4中，标有数字的框表示结点，分配给每一个结点的所包括的数值表示所计算的该结点的信任值。图7的处理器在c＝0.85并且对所有结点而言向量v的值都等于“1/n”的条件下执行计算。圆括号内的数值表示箭头的权重。在图4中，将“1.0”用作每一个箭头的权重。
在图5中，将“10.0”用作特定箭头(结点2→结点5，结点3→结点5，结点7→结点3，结点7→结点8)的箭头的权重。当使用以上值并且示出其它条件未改变时，图7的处理器计算各结点的信任值。处理器通过箭头的权重改变每一个结点的信任值。
处理器将图5中结点1的值从图4中的0.366改变为0.3016，以及将图5中结点4的值从图4中的0.378改变为0.287。在图5中结点1具有比结点4更高的信任值而在图4中结点4具有比结点1更高的信任值。图6示出了处理器在“3.0”被选作特定箭头(结点5→结点6)的信任值而其它条件未改变的条件下计算的各结点的信任值。将图6中结点2的值从图4中的0.0545改变为0.0665，以及将图6中结点5的值从图4中的0.055改变为0.0588。尽管在图4中结点5具有更高的信任值，然而在图6中结点2具有更高的信任值。
通过考虑个人喜好简档信息来改变结点或箭头的权重，获得处理器考虑个人喜好简档而计算的信任值。例如，描述了这样一种情形，其中某些人的喜好的趋势与一些时尚杂志A的内容相似。在图3的步骤160中定义的向量v是其中每一个元素都表示一个结点的权重并且所有的元素的总和等于1的向量。向量v的值根据想要的对象而改变以获得处理器考虑想要的对象而计算的信任值。通过增加对应于与时尚杂志A相对应的结点的向量v的值，获得在考虑到时尚杂志A的趋势的情况下处理器所计算的每一个结点的信任值。
作为另一个应用，考虑以下个性化，其中预先知道的或者需要被提高的主体间信任关系的程度被反映在信任值计算中。现在描述箭头的信任值被改变的情形。如上所述，在彼此具有一些关系的结点间存在一个或多个箭头。例如，与在特定杂志相关的主体和与该主体有信任关系的另一主体之间的箭头相联系的值能够被增加。通过使用与箭头相关联的改变的信任值，通过考虑所涉及的杂志的订阅者的信任值，处理器计算信任值。结果，被认为是可信任的主体的产品可以被推荐或介绍，并且较好的产品可以被推荐或介绍给订阅该杂志的人。在这种情形中，通过改变结点间箭头的权重或改变调整的权重Pij，介绍信任度。可以通过使用与个人或个人从属的组相关联的信任关系来执行计算。此外，信任值针对不同的个人喜好简档、诸如年龄、性别、年收入、家庭结构、嗜好、喜好等而不同。通过改变图3的步骤160中所示的向量v和箭头的信任值，处理器可以计算信任值。
本发明可应用于各种领域然而，在以下领域中尤其有效(1)促销推进行为如果知道一个特定制造商比其他制造商更受信任，那么由该制造商生产的产品将被介绍/推荐。因此，该制造商的产品的销售方可以有效地推进行销和销售行为。
(2)介绍/推荐与个人的需求(个性化)相匹配的产品可以根据基于一般信息和每一个个人不同的喜好信息的每一个主体的信任信息介绍/推荐产品。
(3)介绍/推荐与特定组的需求相匹配的产品例如，根据关于涉及特定杂志的主体的信息以及这些主体间的信任关系，通过考虑杂志的订阅者所固有的信任关系，处理器计算信任值，并且可以将更好的产品推荐/介绍给订阅该杂志的人。
(4)信息过滤的应用通过根据由各种搜索系统得到的搜索结果而选择具有更高信任值的结点，处理器可以执行过滤功能。此外，具有高信任值的制造商和商店能够被优先地介绍给在产品的信任和商店的信任上投入比产品的价格更高的额外费用的消费者。
尽管已经描述和举例说明了本发明特定实施例，然而应当清楚，在不脱离如附加的权利要求中所定义的本发明的实质精神和范围的情况下，可以对特定实施例的说明和描述在细节上作出变化。
权利要求
1.一种用于计算n个结点(ui，i＝1至n)的信任值的设备(a)用于当各结点彼此具有相应关系时用箭头使结点相互关联的装置；(b)用于根据结点间相应关系选择Pij(i，j＝1至n)作为从结点ui指向结点uj的箭头的权重的装置；(c)用于计算P’＝cP+(1-c)E的装置，其中c为常量，E为预先确定的矩阵，P是其中第i行、第j列的元素被表示为Pij的矩阵；以及(d)用于根据P’计算每一个结点的信任值(TV(ui)，i＝1至n)的装置。
2.如权利要求1所述的设备，其中用于计算每一个结点的信任值(TV(ui)，i＝1至n)的装置被安排用来计算TV(ui)，其中i＝1至n，作为P’T的特征值1的特征向量，其中TV(ui)=Σuj∈BN(ui)P′(uj→ui)TV(uj)]]>其中，Uj∈BN(Ui)表示射出入射到ui上的箭头的一组结点。
3.如权利要求2所述的设备，其中用于以箭头连接各结点的装置包括(a)用于根据相应的关系用零个或多个箭头连接第一结点和第二结点的装置；(b)用于分配初始权重值给箭头的装置；(c)用于计算所有从第一结点指向第二结点的箭头的初始值的总和(第一总和)的装置；(d)用于计算所有以第一结点作为开始点的箭头的初始权重值的总和(第二总和)的装置；(e)用于将第一总和除以第二总和以计算调整的权重并以同样的方式得到所有结点的调整的权重Pij的装置。
4.如权利要求3所述的设备，其中用于计算P’的装置包括装置，用于(a)得到其中所有元素都等于1的向量e，(b)得到其中各元素表示结点的权重并且各元素的总和等于1的向量v，(c)计算矩阵E＝e·vT，以及(d)计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
5.如权利要求1所述的设备，其中用于计算P’的装置包括装置，用于(a)得到其中所有元素都等于1的向量e，(b)得到其中各元素表示结点的权重并且各元素的总和等于1的向量v，(c)计算矩阵E＝e·vT，以及(d)计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
6.如权利要求1所述的设备，其中用于计算P’的装置包括装置，用于(a)得到其中所有元素都等于1的向量e，(b)得到其中各元素表示结点的权重并且各元素的总和等于1的向量v，(c)计算矩阵E＝e·vT，以及(d)计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
7.如权利要求4所述的设备，其中用于定义向量v的装置被用来根据对结点的信任度定义向量v。
8.如权利要求6所述的设备，其中用于定义向量v的装置被用来根据对结点的信任度定义向量v。
9.一种带有程序的存储介质或存储设备，该程序用于通过使处理装置执行以下处理而使该处理装置计算n个结点(ui，i＝1至n)的信任值，该处理包括(a)当各结点彼此具有相应关系时，用箭头使结点相互关联；(b)根据结点间相应关系选择Pij(i，j＝1至n)作为从结点ui指向结点uj的箭头的权重；(c)计算P’＝cP+(1-c)E，其中c为常量，E为预先确定的矩阵，P是其中第i行、第j列的元素被表示为Pij的矩阵；以及(d)根据P’计算每一个结点的信任值(TV(ui)，i＝1至n)。
10.如权利要求9所述的介质或设备，其中通过计算TV(ui)、i＝1至n作为P’T的特征值1的特征向量而使每一个结点的信任值(TV(ui)，i＝1至n)得以计算，其中TV(ui)=Σuj∈BN(ui)P′(uj→ui)TV(uj)]]>其中，Uj∈BN(Ui)表示射出入射到ui上的箭头的一组结点。
11.如权利要求10所述的介质或设备，其中通过使处理器装置(a)根据相应的关系，用零个或多个箭头连接第一结点和第二结点；(b)分配初始权重值给箭头；(c)计算所有从第一结点指向第二结点的箭头的初始值的总和(第一总和)；(d)计算所有以第一结点作为开始点的箭头的初始权重值的总和(第二总和)；(e)将第一总和除以第二总和以计算调整的权重；以及(f)以同样的方式得到所有结点的调整的权重Pij；以使各结点用箭头连接。
12.如权利要求11所述的介质或设备，其中该程序使处理器装置通过执行以下操作来计算P’得到其中所有元素都等于1的向量e，得到其中各元素表示结点的权重并且各元素的总和等于1的向量v，计算矩阵E＝e·vT，以及计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
13.如权利要求12所述的介质或设备，其中所述程序使处理器根据对结点的信任度得到向量v。
14.如权利要求9所述的介质或设备，其中通过使处理器装置(a)根据相应的关系，用零个或多个箭头连接第一结点和第二结点；(b)分配初始权重值给箭头；(c)计算所有从第一结点指向第二结点的箭头的初始值的总和(第一总和)；(d)计算所有以第一结点作为开始点的箭头的初始权重值的总和(第二总和)；(e)将第一总和除以第二总和以计算调整的权重；以及(f)以同样的方式得到所有结点的调整的权重Pij；以使各结点用箭头连接。
15.如权利要求9所述的介质或设备，其中所述程序使处理器装置通过执行以下操作来计算P’得到其中所有元素都等于1的向量e，得到其中各元素表示结点的权重并且各元素的总和等于1的向量v，计算矩阵E＝e·vT，以及计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
16.权利要求9所述的介质或设备，其中所述程序使处理器根据对结点的信任度得到向量v。
17.一种计算n个结点(ui，i＝1至n)的信任值的方法，该结点彼此具有相应关系，用箭头使结点相互关联；该方法包括(a)根据结点间相应关系分配Pij(i，j＝1至n)作为从结点ui指向结点uj的箭头的权重；(b)计算P’＝cP+(1-c)E，其中c为常量，E为预先确定的矩阵，P是其中第i行、第j列的元素被表示为Pij的矩阵；以及(c)根据P’计算每一个结点的信任值(TV(ui)，i＝1至n)。
18.如权利要求17所述的方法，其中计算每一个结点的信任值(TV(ui)，i＝1至n)的步骤包括计算TV(ui)、i＝1至n作为P’T的特征值1的特征向量，其中TV(ui)=Σuj∈BN(ui)P′(uj→ui)TV(uj)]]>其中，Uj∈BN(Ui)表示射出入射到ui上的箭头的一组结点。
19.如权利要求18所述的方法，其中通过包括以下步骤的方法用箭头将各结点连接(a)根据相应的关系，用零个或多个箭头连接第一结点和第二结点；(b)分配初始权重值给箭头；(c)计算所有从第一结点指向第二结点的箭头的初始值的总和(第一总和)；(d)计算所有以第一结点作为开始点的箭头的初始权重值的总和(第二总和)；以及(e)通过将第一总和除以第二总和来计算调整的权重；以及(f)以同样的方式得到所有结点的调整的权重Pij。
20.如权利要求19所述的方法，其中计算P’的步骤包括得到其中所有元素都等于1的向量e；得到其中各元素表示结点的权重并且各元素的总和等于1的向量v；计算矩阵E＝e·vT，以及计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
21.如权利要求20所述的方法，其中根据对结点的信任度得到向量v。
22.如权利要求17所述的方法，其中通过包括以下步骤的方法将各结点用箭头连接(a)根据相应的关系，用零个或多个箭头连接第一结点和第二结点；(b)分配初始权重值给箭头；(c)计算所有从第一结点指向第二结点的箭头的初始值的总和(第一总和)；(d)计算所有以第一结点作为开始点的箭头的初始权重值的总和(第二总和)；(e)通过将第一总和除以第二总和来计算调整的权重；以及(f)以同样的方式得到所有结点的调整的权重Pij。
23.如权利要求17所述的方法，其中计算P’的步骤包括得到其中所有元素都等于1的向量e；得到其中各元素表示结点的权重并且各元素的总和等于1的向量v；计算矩阵E＝e·vT；以及计算P’＝cP+(1-c)E，其中c为满足0≤c≤1的常量。
24.如权利要求17所述的方法，其中根据对结点的信任度得到向量v。
25.一种处理器装置，用于执行如权利要求17所述的方法。
26.一种处理器装置，用于执行如权利要求22所述的方法。
27.一种处理器装置，用于执行如权利要求23所述的方法。
28.一种处理器装置，用于执行如权利要求24所述的方法。
29.如权利要求1所述的设备，其中从包括消费者、评论家、广告媒体、杂志、网站、商品、制造商以及零售商的组中选择结点。
30.如权利要求9所述的介质或存储设备，其中从包括消费者、评论家、广告媒体、杂志、网站、商品、制造商以及零售商的组中选择结点。
31.如权利要求17所述的方法，其中从包括消费者、评论家、广告媒体、杂志、网站、商品、制造商以及零售商的组中选择结点。
32.如权利要求25所述的处理器装置，其中从包括消费者、评论家、广告媒体、杂志、网站、商品、制造商以及零售商的组中选择结点。
全文摘要
通过用箭头联系有相应关系的结点，计算n个结点的信任值。根据结点间的关系，Pij(i，j＝1至n)被分配为从结点ui至结点uj的箭头的权重。计算P’＝cP+(1－c)E，其中c＝常量，E＝预先确定的矩阵，P＝具有由Pij表示第i行、第j列的元素的矩阵。根据P’计算每一个结点的信任值。
文档编号G06Q10/04GK1619567SQ20041010384
公开日2005年5月25日 申请日期2004年10月29日 优先权日2003年10月29日
发明者宫内兴治 申请人:惠普开发有限公司