1. マルチエージェントによる
メタ評価を導入した
レビュア創発モデルに関する研究
複雑系工学講座 調和系工学研究室
４年 今川 孝博
平成16年度卒業論文発表

2. 背景
BBS，Weblog，ネットオークション，商品レビューサイト
発信される情報が自分にとって有益であるかを判断することが難しい
インターネットにおける情報流通の増加に伴いますます困難になっていく
インターネットの普及によるオンライン・コミュニティの多様化
インターネットにおいて評判が信頼を促進する手段となりうる
Reputation Systems[Resnick,2000]
個人を基盤とした参加者同士の評判情報の流通が，C2C取引の協調行動の発現に有効である
評判管理システムの可能性：C2C取引の人工市場モデル[山本,2004]
Webにおける参加者間の相互作用による信頼性の構築

3. 目的
• メタ評価を導入した評価システムのモデル化
– 各ユーザが満足する評価値を提示するレビュアの創発
– ユーザの嗜好，商品特徴の多様性の影響
– レビュア・メタレビュア数の影響
オンライン･コミュニティにおいて参加者に有益な情報を提供する
情報発信者を参加者自らの相互作用により創発するシステム

4. メタ評価値
metaE
モデル概要 構成要素の役割
ユーザ 商品を評価するユーザ
レビュアの評価値を
評価（メタ評価）するユーザ
評価システム
ユーザに商品の価値
（システム評価値SE）
を提示
レビュア
メタレビュア
評価値・メタ評価値を評価システムに投稿
メタ評価値から
レビュアの評判値を算出
評判値REP
REP
レビュアの評価値・評判値から商品に
対するシステム評価値を算出・ユーザに提示
システム評価値 SE
評価の信頼性の指標
評価値E
評価
メタ評価

5. 評判値REP 算出方法の設定
1）評価値の平均を全ユーザに提示
2） a)による評判値が最も高いレビュアの評価値を提示
3） b）による評判値が最も高いレビュアの評価値を提示
(メタ評価していなければ評価値の平均提示）
a）全ユーザのメタ評価値から算出する
b）ユーザが投稿したメタ評価値からユーザごとに算出する
a)全ユーザのメタ評価値から
レビュアの評判値を算出する
REPa
b)ユーザが投稿したメタ評価値から
ユーザごとにレビュアの評判値を算出する
REPb1 REPb2
システム評価値SE 算出方法の設定
REPa最大
平均
シミュレーション実験に
よって違いを検証する
1） 2） 3）

6. },...,2,1|{ Ai NiuserA 
レビュア メタレビュア
ユーザi の選好ベクトル
ユーザi の商品 jに対する効用
))(exp(),(
1
2


Fn
k
kkjiutiij vpfu vp
),...,,...,( 1 Fjnjkjj vvvv特徴ベクトル
レビュアi の商品 j に対する評価値
ijijevaij uugE  )(
mjrjmjrjmetamjE uEuEgmetaE rj
 1),(
メタレビュアm の評価値Erjに対するメタ評価値
 

Ij Mi
iE
M
r rj
meta
N
REP
1
)0( 
レビュアr の評判値
ユーザ kに提示する商品 j のシステム評価値
シミュレーションモデル


Ij
iE
I
ir rj
meta
N
REP
1
a）全ユーザのメタ評価値から算出
b）ユーザiが投稿したメタ評価値から算出
),...,,...,( 1 Finikii pppp
},...,2,1|{ Ri NirR 
},...,2,1|{ Mi NimM 
ユーザ集合
レビュア集合
メタレビュア集合
AMR ,
商品集合 },...,2,1|{ Ij NjitemI 


RN
r
rj
R
j E
N
SE
1
1
rjj ESE  )(REPmaxarg s
s
r 
rjij ESE  )(REPmaxarg is
s
r 
１）
2）
3）
商品ユーザ
評価システム

7. 実験設定
step1～step3の手順を40試行繰り返し， の試行回数C，商品数NIの総平均を
全体満足度と定義し，システム評価値SE 算出方法の比較の指標とした．
meta
システム評価値算出方法ごとに
ユーザの全体満足度の比較
１．ユーザの好みの分散の影響
２．レビュア率・メタレビュア率の影響
ユーザ数 1000
レビュア率 操作パラメータ
メタレビュア率 操作パラメータ
選好ベクトル・特徴ベクトルの次元数 10
商品数（新商品数） 10
選好ベクトルの値 平均0，分散 の正規分布
特徴ベクトルの値 平均0，分散 の正規分布
2
p
2
v
step1
ⅱ）レビュア，メタレビュアを
ランダムに決定
ⅲ)レビュアが評価
ⅳ)メタレビュアがメタ評価
ⅴ)評価システムがレビュアの
評判値を算出
step2
ⅱ)step1と同じレビュアが評価
ⅲ)step1の評判値とⅰ)の
評価値から評価システムが
システム評価値を算出，
全ユーザに提示
step3
ⅰ)全ユーザが
システム評価値をメタ評価
ⅱ)メタ評価値の全ユーザ
平均を算出
meta
全体満足度＝  
IN
j
C
iI
meta
CN 1 1
1 全体満足度が高いほど，システム評価値に
対するユーザの満足が高いと判断する
ⅰ） 10個の商品を用意 ⅰ） 10個の別の商品を用意

8. 実験１
（２）一部のユーザによって支持された評価値が
全ユーザの満足する評価値とはならない
（３）メタレビュア率が高い状況では，ユーザの
好みの分散に関わらず，全ユーザの満足する
評価値が提示されている
ユーザの好みの変化が
全体満足度にどう影響するかを検証
レビュア率 0.032
特徴ベクトルの分散 0.5
ユーザの好みの分散に関わらず，
ユーザに特化した算出方法が有効
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1
0 0 0 0.01 0.02 0.03 0.06 0.13 0.26 0.51
メタレビュア率
全体満足度
(1)平均値提示
(2)評判MAX評価値提示
(3)評判値MAX評価値 各ユーザ提示
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1
0.001 0.002 0.004 0.008 0.016 0.032 0.064 0.128 0.256 0.512
メタレビュア率
全体満足度
(1)平均値提示
(2)評判MAX評価値提示
(3)評判値MAX評価値 各ユーザ提示
ユーザの選好ベクトルの分散 1.0
ユーザの選好ベクトルの分散 2.0
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1
0 0 0 0.01 0.02 0.03 0.06 0.13 0.26 0.51
メタレビュア率
全体満足度
(1)平均値提示
(2)評判MAX評価値提示
(3)評判値MAX評価値 各ユーザ提示
ユーザの選好ベクトルの分散 0.5

9. 0.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0.01
0.1
1
0.01
0.1
10.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0.01
0.1
1
0.01
0.1
10.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0.01
0.1
1
0.01
0.1
10.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
実験２
(1)平均値提示 (2)評判値MAX評価値提示
（１）平均値による提示には限界がある
（２）一部のユーザによる支持では無理がある
（３）レビュア率，メタレビュア率が高い段階で
ユーザがより満足していると判断できる
レビュア数，メタレビュア数の変化が
全体満足度にどう影響するかを検証
(3)評判値MAX評価値 各ユーザ提示
選好ベクトルの分散 1.0
特徴ベクトルの分散 0.5
レビュア率 レビュア率
レビュア率メタレビュア率
メタレビュア率 メタレビュア率
全体満足度 全体満足度
全体満足度
レビュア・メタレビュア数が多いほど，
ユーザに特化した算出方法が有効

10. • メタ評価を導入した評価システムのモデル化を行なった
• ユーザに特化した評価値の提示がレビュアの創発に有効
である
今後の課題
• 他のパラメータ変化による影響の分析
• より現実的な状況を考慮したモデル化
– 参加者が入退出する状況
– 偏った評価を投稿するレビュアが存在する状況
結論