外推信任得分中的趋势制造技术

本文描述了用于外推信任得分的趋势的系统和方法。信任得分可以反映实体在特定社区中或与另一实体相关的可信度、声誉、成员资格、状态和/或影响。可以基于来自各种数据源的数据来计算实体的信任得分，并且可以在数据被更新并且新数据变得可用时周期性地更新该数据。但是，由于信息的稀缺，可能难以更新实体的信任得分。可以基于在相似时间段内针对其它实体的更新后的信任得分所观察到的趋势来更新这些实体的信任得分。以这种方式，可以对更新的数据不可用的实体更新信任得分。

Trends in Extrapolation Trust Score

This paper describes the systems and methods used to extrapolate the trend of trust score. Trust scores can reflect the credibility, reputation, membership, status and/or impact of an entity in a particular community or in relation to another entity. Trust scores of entities can be calculated based on data from various data sources, and the data can be updated periodically when the data is updated and new data becomes available. However, due to the scarcity of information, it may be difficult to update the entity's trust score. The trust scores of these entities can be updated based on the observed trends in the updated trust scores for other entities over a similar period of time. In this way, trust scores can be updated for entities that are not available for updated data.

【技术实现步骤摘要】
【国外来华专利技术】外推信任得分中的趋势
技术介绍
信任是许多社交和商业互动的重要分量，但信任既难以衡量，又难以量化。人们通常会期待各种不同的因素、经历和影响，以确定在交易中信任另一方或实体的程度。例如，决定是否在特定餐馆用餐的潜在顾客可能考虑他或她在餐馆吃过多少次、来自朋友和家人的口口相传以及来自在线反馈站点的任何评级。作为另一个示例，银行可以在确定是否发放贷款时查找潜在借款方的信用得分作为其财务责任的测量。关于在确定信任级别时哪些因素最重要，人们常常可以有截然不同的偏好，并且这些偏好可以取决于交易的类型和细节而改变。信任也可以随时间的推移而改变，从而反映累积的经验、交易历史以及实体之间的近期趋势。单个负面事件可以破坏信任，并且信任也可以随着时间的推移而重建。所有上述考虑都使“信任”成为难以捕获的测量。
技术实现思路
本文描述了用于计算信任得分的系统、设备和方法。可以在实体之间计算信任得分，其中实体包括但不限于人类用户、用户的群体、位置、组织或企业/集团，并且可以考虑各种因素，包括核实数据、网络连接性、公开可用信息、评级数据、群体/人口统计信息、位置数据和要执行的交易等等。信任得分可以反映实体在特定社区中或与另一个实体相关的可信度、声誉、成员资格、状况和/或影响。信任得分可以考虑来自任何合适的数据源的数据，包括但不限于网络连接性信息、社交网络信息、信用得分、可用的法院数据、选择提供的数据、交易历史、评级/反馈数据、群体/人口统计数据、搜索引擎数据或任何公开可用的信息。信任得分还可以包括由实体自身提供的某些非公开可用信息(例如，非公开交易历史、目标评级等)。在一些实施例中，还可以基于“众包”信息来计算信任得分。如本文所使用的，术语“众包”意味着从多个其它实体接收输入。例如，除了上面讨论的数据源之外，用户还可以提供和/或评论关于另一个用户的属性、特性、特征或任何其它信息。“群众(crowd)”的参与可以形成对信息的一种验证，并为二级(second-order)用户带来舒适感，二级用户知道群众中的成员可以观看属性、特性、特征和其它信息并对这些属性、特性、特征和其它信息做出贡献。为了说明，用户可以指示另一个实体是好管道工。许多其它用户可以对该属性提供“赞许(thumbsup)”和/或提供关于他们与实体的经历的评论，从而指示他们也认为该用户是好管道工。这些类型的输入和评论可以被整合到用户的信任得分的计算中，从而将“群众”的意见整合到信任得分中。如本文所使用的，“系统信任得分”是指基于可用于实体的信息为实体计算出的信任得分，而无需具体引用另一个实体或活动/交易。系统信任得分可以表示未考虑关于具体活动/交易的信息的实体的基本可信度级别。在一些实施例中，可以基于公开可用的信息(诸如核实数据、网络连接性得分和/或评级数据)来计算系统信任得分。如本文所定义的，“网络社区”可以包括通过网络(包括但不限于计算机网络或社交网络)连接的实体的任何集合或群体。在一些实施例中，用户可以将初始信任得分设置为最小信任级别。在这些实施例中，可以基于公开可用的信息来检索和更新初始信任得分，以便确定系统信任得分。在一些实施例中，系统信任得分可以在请求时提供给最终用户，而最终用户不必识别自己。例如，最终用户可以例如通过网站或移动应用查询其它实体的系统信任得分，而不必登录到网站或移动应用中或者以其它方式必须识别自己。也可以基于私人可用信息和/或众包信息来计算系统信任得分。例如，如以上所讨论的，其它用户可以提供关于用户的属性、特性、特征或其它信息，并且该信息可以被整合到系统信任得分中。如本文所使用的，“对等信任得分”是指与第二实体相关地为第一实体计算出的信任得分。对等信任得分可以考虑特定于第一和第二实体的某些信息，诸如第一和第二实体之间的特定交易历史、公共联系人/朋友的数量等。在一些实施例中，对等信任得分可以从系统信任得分导出并表示系统信任得分的更新。例如，在一些实施例中，可以基于与系统信任得分基本相同的数据源来计算对等信任得分，其中可以更新一些分量以便进一步加权或考虑特定于第一和第二实体的附加信息。在其它实施例中，对等信任得分可以独立于系统信任得分来计算，并且可以基于与系统信任得分不同的数据源集合。在一些实施例中，可以基于众包信息来计算第一实体的对等信任得分，该众包信息或者验证来自用于计算系统信任得分的数据源之一的数据，或者提供从用于计算系统信任得分的数据源不可获得的附加数据。在这种情况下，提供众包信息的实体与第二用户之间的关系可以提供对第一用户和第二用户之间的信任有价值的洞察。作为说明性示例，第一实体可以在其简档上列有属性“值得信赖”，该属性具有其它用户的大量“喜欢(likes)”。第二实体可能正在指望与第一实体进入商业交易并寻求计算第一实体和第二实体之间的对等信任得分。对等信任得分可以考虑“喜欢”第一用户的属性“值得信赖”的一些用户也是第二用户在社交媒体网络中的朋友。因此，对等信任得分的计算不仅基于根据大量其它用户确定第一实体“值得信赖”，而且基于以下事实：即，这些用户中的一些用户也是第二用户的朋友，与陌生人的意见相比，第二用户可能更信任这些朋友。如本文所使用的，“上下文信任得分”是指与具体活动或交易相关地为第一实体计算出的信任得分。上下文信任得分可以考虑特定于具体活动或交易的某些信息。在一些实施例中，上下文信任得分可以从系统信任得分或对等信任得分导出并表示系统信任得分或对等信任得分的更新。例如，在一些实施例中，可以基于与系统信任得分基本相同的数据源来计算上下文信任得分，其中可以更新一些分量以便考虑特定于活动/交易的信息。在其它实施例中，可以基于与系统信任得分和对等信任得分不同的数据源集合来计算上下文信任得分。在一些实施例中，可以通过基于活动/交易的类型对来自不同数据源的数据进行加权来计算上下文信任得分。例如，正在从银行寻求抵押的潜在借款方的信任得分可能对借款方的信用得分和财务历史重(heavily)加权，而不会对他们在社交网络中的连接性级别重加权。以这种方式，上下文信任得分可以基于与系统信任得分和/或对等信任得分相同或相似的数据源，但具有不同的权重，以组合来自数据源的数据。在一些实施例中，交易的具体细节也可以影响上下文信任得分的计算。例如，借10美元的朋友的上下文信任得分可以较多地关注社交网络连接性(例如，他们共同拥有的朋友的数量等)，而寻求从银行贷款10万美元的借款方的上下文信任得分可以较多地关注财务因素。在一些实施例中，交易的细节可以影响对来自数据源的数据的组合的加权。在一些实施例中，类似于上述系统信任得分和对等信任得分，上下文信任得分可以基于众包信息。例如，其它用户可以提供关于用户的属性、特性、特征或其它信息。这些属性、特性、特征或其它信息可能与某些交易类型特别相关。例如，扩展上面的说明性示例，借款方可以具有由100人验证的“财务上负责”的属性，该属性影响贷方(lender)决定是否借钱给借款方。以这种方式，一旦识别出用于计算上下文信任得分的交易类型，就可以识别出交易类型和与用户相关联的一个或多个属性之间的关系，并且可以鉴于这些关系来更新上下文信任得分。根据一个方面，一种用于更新信任得分的方法可以包括识别从第一实体到第二实体的路径，基于识别出的路径本文档来自技高网...

【技术保护点】
1.一种用于更新信任得分的方法，所述方法包括：使用处理电路系统从数据库中检索与计算机网络中的第一实体相关联的第一信任得分，其中第一信任得分是在第一时间计算的；使用处理电路系统确定第一时间和当前时间之间的差值超过阈值时间段；响应于确定第一时间和当前时间之间的差值超过阈值时间段：识别计算机网络中的第二实体；检索在第二时间计算出的第二信任得分和在第三时间计算出的第三信任得分，其中第二信任得分和第三信任得分与第二实体相关联；使用处理电路系统确定第二时间或第三时间中的至少一个晚于第一时间；使用第二信任得分和第三信任得分计算趋势；以及使用计算出的趋势更新第一信任得分。

【技术特征摘要】
【国外来华专利技术】2016.02.29 US 15/055,9521.一种用于更新信任得分的方法，所述方法包括：使用处理电路系统从数据库中检索与计算机网络中的第一实体相关联的第一信任得分，其中第一信任得分是在第一时间计算的；使用处理电路系统确定第一时间和当前时间之间的差值超过阈值时间段；响应于确定第一时间和当前时间之间的差值超过阈值时间段：识别计算机网络中的第二实体；检索在第二时间计算出的第二信任得分和在第三时间计算出的第三信任得分，其中第二信任得分和第三信任得分与第二实体相关联；使用处理电路系统确定第二时间或第三时间中的至少一个晚于第一时间；使用第二信任得分和第三信任得分计算趋势；以及使用计算出的趋势更新第一信任得分。2.如权利要求1所述的方法，其中计算趋势包括以下各项中的一个：计算第二信任得分与第三信任得分之间的差值，计算第二信任得分与第三信任得分之间每次的差值，计算从第二信任得分到第三信任得分的增加/减少的百分比，或计算从第二信任得分到第三信任得分每次增加/减少的百分比。3.如权利要求1所述的方法，其中使用计算出的趋势更新第一信任得分包括增加或减少第一信任得分。4.如权利要求1所述的方法，其中使用计算出的趋势更新第一信任得分包括：从多个数据源接收与第一实体相关联的数据；计算与从所述多个数据源接收到的数据对应的多个分量得分；使用加权组合来组合所述多个分量得分以产生初始信任得分；以及基于计算出的趋势增加或减少初始信任得分。5.如权利要求1所述的方法，其中，第一信任得分、第二信任得分和第三信任得分中的每一个包括多个分量得分，并且其中，使用第二信任得分和第三信任得分来计算趋势包括计算第二信任得分的分量与第三信任得分的对应分量之间的趋势。6.如权利要求1所述的方法，还包括基于与计算机网络中的第三实体相关联的多个信任得分来计算趋势，并且其中更新第一信任得分包括根据基于与第三实体相关联的所述多个信任得分计算出的趋势来更新第一信任得分。7.如权利要求6所述的方法，其中更新第一信任得分包括计算基于与第三实体相关联的所述多个信任得分的趋势与第二信任得分和第三信任得分的趋势的平均值。8.如权利要求1所述的方法，其中识别第二实体包括识别连接计算机网络中的第一实体和第二实体的至少一条路径。9.如权利要求8所述的方法，所述至少一条路径中的每条路径包括大于零的数条链路，并且其中识别所述至少一条路径包括识别计算机网络中包括少于阈值数量的连接第一实体和第二实体的链路的至少一条路径。10.如权利要求1所述的方法，还包括接收要由第一实体将来执行的活动的指示，并且其中识别第二实体包括接收指示第二实体已执行所述活动的数据。11.一种用于更新信任得分的系统，所述系统包括：数据库，存储由计算机网络连接的多个实体的信任得分；处理电路系统，被配置为：从数据库中检索与计算机网络中的第一实体相关联的第一信任得分，其中第一信任得分是在第一时间计算的；使用处理电路系统确定第一时间和当前时间之间的差值超过阈值时间段；响应于确定第一时间和当前时间之间的差值超过阈值时间段：识别计算机网络中的第二实体；检索在第二时间计算出的第二信任得分和在第三时间计算出的第三信任得分，其中第二信任得分和第三信任得分与第二实体相关联；使用处理电路系统确定第二时间或第三时间...

【专利技术属性】
技术研发人员：A·莫吉，C·特鲁德尔，
申请(专利权)人：WWW信任科学COM股份有限公司，
类型：发明
国别省市：加拿大,CA