Controversial Users demandLocal Trust Metrics: an

ExperimentalStudy on Epinions.com

Community 

Paolo MassaPhD student in ICT

ITC/iRST and University of TrentoBlog: http://moloko.itc.it/paoloblog/

(Joint Work with Paolo Avesani)(Thanks Epinions.com for providing data)

Slides licenced under CreativeCommons Attribution­ShareAlike (see last slide for more info)

   

Summary

■What is Epinions.com■Trust Networks and Trust Metrics

Local vs Global Trust Metrics■Controversial Users■Experiments and Results■Conclusions

   

Motivation In a society, some peers are unknown to you (ebay, 

p2p, ...) Q: “Should I trust peer A?” [decentralization­­>relevant]

Most papers assume a peer has a unique quality value (there are good peers and bad peers, goal is to spot bad)

IRREALISTIC assumption (Evidence from real online  community of 150.000 users).

Consequence: we need Local Trust Metrics (personalized) [But most papers propose Global Metrics]

   

Epinions.com

What is Epinions.com? Community web site where users can

Write reviews about items and give them ratings Express their Web of Trust (“Users whose reviews and 

ratings you have consistently found to be valuable”) Express their Block List (“Users whose reviews and 

ratings ... offensive, inaccurate, or in general not valuable”)

Reviews of TRUSTed users are more visible Reviews of DISTRUSTed users are hidden

   

Dr.P profile page

Ratings given by Dr.P

Dr.P's Web of Trust(Block List is hidden)

Do you trust or distrust Dr.P?

Epinions.com

   

Real uses of Trust

News sites: Slashdot.org, Kuro5hin.org, ...

E­marketplaces: Ebay.com, Epinions.com, Amazon.com, ...

P2P networks: eDonkey, Gnutella, JXTA

Jobs sites: LinkedIn, Ryze, ...

Friendster, Tribes, Orkut and other “social” sites.

Opensource Developers communities: Advogato.org (Affero.org)

Hospitalityclub.org, couchsurfing.com: hosting in your house unknown people?

Bookcrossing and lending stuff sites.

Network of personal weblogs (the blogroll is your trust list)

Semantic Web: FOAF (Friend­Of­A­Friend) is an RDF format that allows to express social relationships (~10 millions files) and XFN microformat

PageRank (Google) ... MyWeb2.0 (Yahoo!)

   

Trust networks (are graphs) Aggregate all the trust statements to produce a 

trust network.

Dr.P

Mena

0.9

Doc1

00.2

?

Ben

0.6­ weighted (0=distrust, 1=max trust)

 ­ asymmetric­ subjective

A node is a user (example: Dr.P).

Properties of Trust:

A direct edge is a trust statement

Trust Metric (TM):Uses existing edges for predicting valuesof trust for non­existing edges,  thanks to trust propagation (if you trust someone, then you have some degree of trust in anyone that person trusts).

­ context­dependent

In Epinions, just 1 and 0!

   

TM perspective: Local or Global

Global Trust Metrics: “Reputation” of user is based on number and quality of incoming edges. Bill has 

just one predicted trust value (0.5). PageRank (Google), eBay, Slashdot, ... Works badly for controversial people

Local Trust Metrics Trust is subjective ­­> consider personal views (trust “Bill”?) Local can be more effective if people are not standardized.

ME

Mena

Doc1

Mary BillHow much Bill can be trusted? On average (by the community)? By Mary? And by ME?

1 1

0

   

Controversial Users

Intuitively: a Controversial User is TRUSTED by some users DISTRUSTED by some users

Do you want an example?

   

Controversial Users: an example

11

11

1

1(....)

100M people

0

00

0

00

(....)

100M people

If you don't know Bush, should you trust Bush? 

T(Bush)=0.5? Make sense? Here global metrics don't.

   

Controversial Users: an example

11

11

1

1(....)

100M people

0

00

0

00

(....)

100Mpeople

Local Metric makes more sense. Your trust in Bush depends on your trusted users!

T(R,Bush)=1                                  T(D,Bush)=0

R 1

1D

11

1

   

Controversial Users on Epinions Controversial users are normal in societies

How many controversial users on Epinions.com?

But first, two definitions of Controversiality: Controversiality Level of A: number of users that 

disagree with the majority = Min(#trust, #distrust) Contr. “Percentage” of A = (T­D) / (T+D) in [­1, 1]

CP(A)=1   if A is trusted by everyone (loved!) CP(A)=­1  if A is distrusted by everyone (hated!) CP(A)=0   if A is trusted by n users and distrusted by n users

   

Experiment Epinions.com dataset

Real Users: ~150K Edges (Trust / Distrust): 841K (717K / 124K)

~85K received at least one judgement (trust or distrust) 17.090 (>20%) are at least 1­controversial (at least 1 user 

disagrees with the majority)  ­­>  Non negligible portion! 1.247 are at least 10­controversial 144 are at least 40­controversial 1 user is 212­controversial! (~400 trust her, 212 distrust her)

   

Experiment Comparing 2 metrics about accuracy in trust/distrust 

prediction. Global: ebay­like. Trust(A)=#trust/(#trust+#distrust) Local: MoleTrust, based on Trust Propagation from current 

user (simple and fast)

Cycles are a problem ­­> Order peers based on distance from source userTrust of users at level k is based only 

on trust of users at level k­1 (and k)Trust propagation horizon & decay

   

How do we compare metrics? Leave­one­out: Remove an edge in Trust Network and 

try to predict it. Then compute error as absolute difference between Real and Predicted value. Also differentiating over trust or distrust statements

Experiment

   

Exp. on Controversiality Level

Ebay Controversiality level

MoleTrust2 Controversiality level

Erro

rEr

ror

 y=error made by TM predicting edges on users with x controversiality level.

Predicting Distrust is more difficult.

 Ebay error on Distrust ~ 0.6

 Mole2 error on Distrust ~ 0.4

Error on Trust is similar because (#trust >> #distrust)

   

Exp. on Controversiality Percentage

Ebay Controversiality percentage

MoleTrust2 Controversiality percentage

Erro

rEr

ror

CP~0 = Controversial User

Error Ebay = 0.5 on Contr.Us

Error MoleTrust2 smaller but not as small as we would like: can we reach 0?

Other experiments in paper:Error on Trust Edges.

Error on Distrust Edges (very important to correctly predict these ones!)

   

Other experiments

MoleTrust with different propagation horizons 2, 3, 4

Computing Coverage.

   

Conclusions In complex societies, it is normal that someone likes 

you and someone dislikes you. Most Papers make assumption of unique quality 

value for a peer (and propose an algo for predicting it) This is IRREALISTIC! (I know this is intuitive but 

still ...)

   

Conclusions (2) As a consequence, we need Local Trust Metrics.

Local TMs are computationally much more expensive than Global TMs! ­­> Possibly, you run it locally for yourself on your mobile or on your browser (should be fast!)

Local TMs exploits less information ­­> reduced coverage. Global Metrics fine in non­controversial domains: possibly 

ok on Ebay, surely not ok on sites about (political?) opinions  Trust networks are everywhere! More research is needed: Yahoo! (with MyWeb2.0) 

and Google are there. More real testbeds, more proposals of Local TMs, more comparisons, ...

   

Licence of this slidesThese slides are released under

Creative Commons

Attribution­ShareAlike 2.5You are free:

    * to copy, distribute, display, and perform the work

    * to make derivative works

    * to make commercial use of the work

Under the following conditions:

Attribution. You must attribute the work in the manner specified by the author or licensor.

Share Alike. If you alter, transform, or build upon this work, you may distribute the resulting work only under a license identical to this one.

    * For any reuse or distribution, you must make clear to others the license terms of this work.

    * Any of these conditions can be waived if you get permission from the copyright holder.

Your fair use and other rights are in no way affected by the above.

More info at http://creativecommons.org/licenses/by­sa/2.5/

   

The End

The End.Thanks for your attention!

Questions?