本文源于于 Rebooting Web of Trust 的组织在 RWOT IX — Prague, 2019会议上的论文《Reputation Interpretation》的后半部分，我们将之后沿袭上一期的话题，为大家详尽阐释声誉系统的设计逻辑。原文：https://github.com/WebOfTrustInfo/rwot9-prague/blob/master/final-documents/reputation-interpretation.md作者：Arthur Brock, Kaliya Hamlin, Grace (Rebecca) Rachmany, Jakub Lanc确认输出项一旦具体定义了输入项，就可以确认用作超过该输入的输出项。

理解最后结果的市场需求，有助对迭代大量能用信息等任务展开修改，已完成这种看起来不有可能已完成的任务。本文会定义能用的输出类型或对其展开分类，也会对如何获取输出项做出任何建议。以下是在确认输出项时 Bob 必须留意的事项。

· 理想：理想的结果在各个方面都很极致。Bob 将享有 Alice 的所有学历记录、Alice 的每位患者的每项结果、同行评价及患者评价等。

所有这些“极致的”信息100％可信，而且没漏洞。· 能用：在现实世界中，网卓新闻网，并非所有信息都能用。例如，理想情况下，Bob 想要告诉 Alice 每个服务对象的症状或主诉、化疗时间长短以及最后结果。

例如，Alice 有可能花上了三个小时来避免某人的恐惧症，也许她早已对其展开了三年的化疗，但其症状仍并未避免。且理想情况下，Bob 可以采访 Alice 每位患者的涉及信息。

但实质上一般来说是没这些信息的。即使未来患者可以公布这些数据（电子邮件数据），但不是 Alice 的所有客户都会公开发表这些信息，因此信息并不原始。· 成本：某些数据必须花钱，还包括实际出售数据及处置数据。

基于以上这些考量因素，Bob 最后将取得他向 Alice 催促的数据和数据源列表。误差界限现在，Bob 向 Alice 明确提出了对数据的催促，Alice 获取了全部或部分数据。通过查阅这些数据，Bob 可以评估误差界限。

但无法证实 Bob 否告诉 Alice 显然没该数据（例如，她未曾展开过 Myers-Brigg 评估），或者她否无意掩饰数据（例如，从履历或 LinkedIn 个人资料中移除经历）。Bob 不会根据数据的完整性或不完整性确认最后分数的“ 可靠性” 或“ 误差界限”。在确认误差界限时，一些数据有可能比其它数据更加关键。

例如，如果 Alice 缺乏学术机构的测试结果，则 Bob 有可能指出这是误差界限的一个次要因素，但如果她缺乏学术机构的现实证明，则在确认误差界限时会被指出是更为最重要的因素。因为这不会让人猜测 Alice 声称自己现在毕业的重申否现实，从而对她所有其它自我证明的事项都深感猜测。

本文作者就将误差界限作为报告中的“ 总体” 评分来计算出来，还是将其分别应用于每项数据展开了辩论。计算出来顺序是一个构建问题。本文认为数据完整性是必须划入考量的问题，这各不相同声誉演绎系统的用户想怎么构建。

数据规范化搜集数据后，必须对数据展开规范化（标准化）以使其更容易解读和处置。以下是数据规范化的注意事项。· 数据的格式有可能无法解读或不统一。

例如，等级可以用于1-5或1-10的数字标度（奇数标度具备中间选项而偶数标度没），等级评估方式众口难调，评分维度多样化（专业性、有效性、友好度及对家庭起到等）。搜集专业评估或评论的系统有可能必须规范化数据，以便以相近的范围获取所有数据。· 数据有可能有漏洞。

系统本身有可能不存在漏洞：人们可能会公开发表欺诈评论，侵略系统，对某些不道德有偏见等。· 用户掌控。

某些机构不会获取未经审查的数据。例如，大学成绩单包括全部课程的所有成绩，而 Alice 无法编辑任何内容。

但在 LinkedIn 中，当有人获取引荐时，Alice 可以拒绝接受或拒绝接受，或催促对评论展开变更。这不是“ 伪造”系统，而是每个系统在用户掌控方面的有所不同级别。

· 发行人的可信度（非正式意义上的声誉）。对 Bob 而言，一份来自某个商学院的成绩单，它的价值多少各不相同该商学院的声誉，以及 Bob 如何看来“应用于科学知识”和“学术科学知识”等。

· 对数据类型的种族主义。例如，由于人为种族主义，评论系统往往偏向于两个极端的评论。如果人们实在还不俗或中立，他们往往会获取任何评论。

具体地说道，人们的评论往往较为极端。上面是处置数据时年所考虑到的问题。此外，数据可以是多维的。

例如，Alice 研究生自学阶段的记录有可能还包括成绩、教师评语、学生评语、出版物数量、推荐信及奖项等。标准化过程的一部分是将有所不同的特征不属于结果的某个必要部分。例如，如果 Alice 为一家知名机构工作，这将影响 Alice 的薪水，并且该机构的名称将在 Alice 概述中提到。关注点一旦把来自有所不同来源的数据展开规范化，那就可以指出该数据是格式化的，该格式容许将相近类型的数据一起分组处置。

例如，同行评审将被标准化为正面、中立或负面。专业能力的说明会和客户评论与同行评论分离。在 Bob 的案例中，确认了两种类型的关注点：· 重要性：Bob 在确认输入项时，将用于权重机制来确认各个部分的重要性。例如，患者评论有可能是潜在客户所看见的最重要内容，占该报告的50％。

但是在获取雇用合约时，Bob 有可能会对患者评论计权重，而只有一个阈值。例如，如果 Alice 获得的患者正面评价多达80％，那么就聘请 Alice。

· 信任：每个数据源（或单体数）都具备该特定值的信任级别。信任是对数据可信度的评估。

可以根据其信任级别对数据的各部分展开权重。录：本文会辩论数据如何处置，这是 Bob 能独立国家已完成的事情。结论由于声誉所牵涉到到的方方面面及其取决于方法的广泛性，关于如何取决于声誉，什么是声誉以及如何追踪声誉的辩论永无止境。通过采行一种简单的方法，即在特定的背景下辩论声誉，我们可以认识到声誉本身并不是一个孤立无援的事情，而是个人和的组织用来决策的工具。

如果从一开始就理解最后结果的市场需求，我们就需要从理解搜集有关一个人的哪些数据以及如何处置它的角度来解读声誉。本文获取了一个框架，以从基于声誉的不道德和决策的角度考虑到声誉问题。

对有所不同的情况不会用于有所不同的标准化和评估方法，以便作出涉及决策。

本文来源：c7娱乐游戏-www.tuorange.com