第三章、 研究方法
第三節、 信任推論機制
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
27
顯性工作能力評價推論值 = 擁有WASmax的顯性工作能力等級 WASa：被使用者信任評價的節點至 Sink 節點的 WAS 集合向量
綜合以上對於人才推薦的討論，我們可以看出，本研究所提出的推薦機制包 含了以下幾個特性：
(1) 顯性工作能力是分領域的
(2) 當 A、B 兩成員學歷或者是工作經歷背景越相似者，系統有越大的信心（越 高的相似度）說 B 的顯性工作能力近似於 A
(3) 顯性工作能力評價決定於擁有最高 WAS 的顯性工作能力評價等級
(4) 顯性工作能力評價會隨著使用者對於系統中其他成員的評價資料的增加而 有所改變
第三節、信任推論機制
在人才被推薦出來之後，我們只能說該位人才具備有某領域下某等級的顯性 工作能力（專業能力）。為了要得知該位人才在該領域下的工作表現是否值得信 任，這時我們就必頇要對其作信任推論。透過推論出來的信任值，我們不僅能確 定該位人才擁有該職缺所需要的專業技能，更能確信該人才在整體的表現上會是 值得信任的。整個信任推論的機制的基礎是來自於信任的一個特性－遞移性，在 Huang and FOX (2006) 的研究中，便指出不同種類的信任，其遞移的特性也不同；
因此本研究也針對這樣的問題來設計出不同種類的信任 (Direct Trust 以及 Recommender Trust)，透過這些信任的結合才能有效的來做信任的推論。本研究 所提出的信任推論機制主要是基於 Abdul-Rahmanand and Hailes (2000)、Golbeck and Hendler (2003) 所提出之 Trust Model 加以改良而成。透過本研究的修改，讓 這樣的信任推論機制更符合信任在現實生活中所扮演的角色，所提出的信任推論 機制包含了以下幾個特性：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
28
(1) 信任是分領域的
(2) 信任是基於以往與該人才的合作經驗
(3) 該合作經驗可以來自於自己或者是透過推薦來得知別人與該人才的合作經 驗
(4) 每個人對於同樣人才的信任是不一樣的，端看其與該人才之間的合作經驗而 定
(5) 信任會依經驗的增加而有所改變
在討論本研究所設計之信任推論機制之前，先來討論在信任推論中的一些概 念。
3.3.1 信任推論機制中的角色
在本研究的信任推論機制當中，所參與的角色以及其間的互動關係跟推薦機 制相似，只是其推論傳遞的值由顯性工作能力相似度轉換成信任度而已。詳細的 說明請參考 3.2.2.1。
3.3.2 信任的種類及等級
在本研究中參考 Abdul-Rahman and Hailes (2000) 中所提出了信任的分類，
將信任分為兩種，分別為 Direct Trust 以及 Recommender Trust。Direct Trust 所代 表的是在某個領域之下，Source 節點對一曾經合作過之 Sink 節點（也就是說，
在某個領域之下，Source 節點對於 Sink 節點有一直接的連結）表現之信任度。
而 Recommender Trust 所代表的則是在某領域之下，Source 節點對於一曾經 推薦過他之 Recommender 節點（也就是說，在某個領域之下，與 Source 節點有 直接連結的 Recommender 節點）推薦結果之信任度。
舉個例子來說明上述信任的種類，對於 Direct Trust 我們可以說 Mary 對於
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
29
Andy 在修車領域中擁有一個非常高的 Direct Trust；這句話也可以說成 Mary 對 於 Andy 在修車這領域的表現十分的信任。另外對於 Recommender Trust 我們可 以說 Mary 對於 Andy 在推薦修車領域的人才擁有非常高的 Recommender Trust；
這句話也可以說成 Mary 對於 Andy 在推薦修車領域中人才的評價非常的信任。
另外為了要能達到信任的推論，我們要能先區分出何種信任是能夠遞移的。
用 Huang and FOX (2006)的研究對應到本研究所提出的信任種類，Direct Trust 是 不具遞移性，而 Recommender Trust 是具有遞移性的，因此透過 Recommender Trust 的幫忙，我們將可以推論出 Source 節點對於 Sink 節點的信任度。
對於信任評價的等級有許多的研究有提出不同的看法，Golbeck et al. (2003) 在研究中所提出的信任模型包含了有 1~9 ，九個等級的信任等級；而 Ding 在其 論文當中比較了布林值(boolean)等級與數值(numerical)等級的優劣，其指出布林 值等級在信任度的處理上較為方便，而數值等級的優點則是可以充分表現出信任 度模糊的概念（李永銘等，2007）。
下表為本研究中所提出的信任評價等級，因為考量到使用者對於信任的感覺 通常並不是那麼的敏感，如果利用 numerical 的表達方式的話，會造成使用者衡 量的困擾。而 Golbeck 所提出的九個信任等級也略顯精細，因此本研究直接將信 任評價分為四個等級，分別為 VT、T、U、VU，讓使用者可以以更直覺的方式 去衡量信任的程度，其評價等級如表 5 所示。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
30
表 5、信任評價等級 信任評價等級
VT (Very Trustworthy) T (Trustworthy) U (Untrustworthy) VU (Very Untrustworthy)
資料來源：本研究整理
3.3.3 信任推論機制所需要儲存的資料以及使用的變數
本研究所提出的信任推論機制，會隨著使用者的使用經驗增加而不斷的去做 校正。所以在研究中必頇要儲存以下幾項資料，分別為 Direct Trust、推薦校正值 集合向量。另外在信任度 (Inferred Trust) 推算的同時，本研究所提出之機制會 自動產生以下幾項變數，分別為推薦校正值集中度向量、語意距離、Recommender Trust，以下便對這些資料以及變數分別表述。
(1) Direct Trust
每個 Source 節點對於每個合作過之 Sink 節點在該合作領域下有一 Direct Trust 值。此值是在 Source 節點與 Sink 節點實際合作過後，由 Source 節點給 Sink 節 點 之 信 任 評 價 。 在 本 研 究 中 以 DT 來 表 示 該 值 ， 則 DT 的 定 義 域 為 {VT,T,U,VU}。
(2) 推薦校正值集合向量
每個 Source 節點對於每個推薦過他之 Recommender 節點在該推薦領域有一 推 薦 校正 值集 合向 量 。 此 集合 向 量 是由系 統自動 記錄 Source 節點對於該 Recommender 在該領域下每次推薦結果的校正值，在本研究中以 RA 來表示該向 量，則 RA 的定義域為{-3,-2,-1,0,1,2,3}。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
31
(3) 推薦校正值集中度向量
每個 Source 節點對於每個推薦過他之 Recommender 節點在該推薦領域下有 一推薦校正值集中度向量，以 ND 來表示該向量，則
ND(nd−3, nd−2, nd−1, nd0, nd1, nd2, nd3)
ndi = 1
(xn−i)2 Nn =1
N
, N = num RA , xn ∈ RA
(4) 語意距離
每個 Source 節點對於每個推薦過他之 Recommender 節點在該推薦領域有語 意距離值。語意距離的涵意指的是，該 Source 節點對於某個 Recommender 結點 在該推薦領域下的推薦結果與親身體驗後之落差值，在本研究以 SD 變數來表示，
則
nde = max(ND)
SD = e
(5) Recommender Trust
每個 Source 節點對於每個推薦過他之 Recommender 節點在該推薦領域有一 Recommender Trust 值，在本研究中以 RT 變數來表示，則
RT = mod( ∀x ∈ RA |x|})
3.3.4 信任推論機制之運作
整個信任推算機制運作之後的結果會對該 Source 節點產生一對該 Sink 節點
‧
在某領域下的 Inferred Trust。其值域為{VT,T,U,VU}，在本研究中以 IT 變數來表 示，則 就必頇要將各路徑上所得到 IT 依不同 Recommender Trust 所代表的權重進行合併。
所產生之結果即為 Source 節點在該領域下對 Sink 節點之 IT，表 6、表 7 分別為 Recommender Trust 與權重的對應表以及 IT 等級與對應分數之對應表格。
表 6 、Recommender Trust 與權重之對應表
Corresponding
Degree 4 3 2 1
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
33