Les modèles de réputation ave raisonnement automatique ajoutent en- oreàl'indépendan e entre l'agentetl'intervention humaine.Ils permettent, en parti ulier, aux agents qui les implémentent d'utiliser des modèles plus ri hes, faisant intervenir de nombreuses fa ettes.
4.6.1 Modèle de Wang et Vassileva
[WV03℄ propose un modèle de réputation pour l'é hangede hiers dans les réseaux pair-à-pair. Les personnes qui fournissent des hiers sont éva- lués par les personnes qui télé hargent à l'aide de réputations séparées par fa ettes. Les deux types de réputation utilisés i i sont la réputation dire te etla réputation observée. Lesauteurs représentent les réputations, diéren- iéesparfa ettes,pardesprobabilitésetlesrelientpardesréseauxbayésiens. Contrairement auxmodèles de lase tion pré édente, l'évaluationest i ime- née par l'utilisateur du lient de partage de hiers pair-à-pair. Il fournit un degré de satisfa tion transformé en une évaluation dans
{0, 1}
. Le pro-essus de punition de la réputation dire te se fait grâ e à un renfor ement paramétrabledel'an iennevaleurde réputation.Lepro essusdepunitionde la réputation observée s'opère par renfor ement des probabilités du réseau bayésiendu béné iaire.Ce renfor ements'ee tue par omparaisonentre le réseau bayésien fourni omme re ommandationet elui du béné iaire.
Laplus-valuede emodèleestlepro essusderaisonnement.Ils'opèrepar fusiondesréputationsselondiérentesfa ettesàl'aidedesréseauxbayésiens. Par exemple, la réputation d'un pair pour fournir des hiers est liée à ses réputations pour fournir rapidement les hiers, pour fournir des hiers de bonne qualité et pour fournir des hiers du type re her hé. La réputation dans l'agentpeut alors se al uleràl'aidede larèglede Bayes appliquéeaux réputations selon les fa ettes de l'agent.Les réputations issues du pro essus de raisonnement permettentde dé iderpar un seuillagesimple.
Le modèle présenté i i manipule deux types de réputation : dire te et observée. Ellessont subje tives, uni-dimensionnelles( ompéten e), graduées et non transitives. Une réputationgénérale dansun agent (uni-fa ette) peut être al uléeàpartirdes réputationsselon diérentes fa ettes.Lespro essus de punition, de raisonnement et de dé ision sont automatisés. Le pro essus d'évaluation requiert l'intervention humaine. Le pro essus de propagation a toujours lieu, sur demande des autres agents etest sin ère.
4.6.2 Modèle de Melaye et Demazeau
[MD05 ℄s'intéressent prin ipalementaupro essus de raisonnement.Dans es travaux, un réseau bayésien est hiérar hisé en trois niveaux : lessour es d'information (niveau bas) sont liées aux réputations multi-fa ettes (niveau intermédiaire)etlesréputationsmulti-fa ettessontliéesàlaréputationgéné- rale de l'agent (niveau haut). Ces travaux proposent une appro he similaire à la pré édente, à l'aide d'un ltre de Kalman pour al uler la réputation générale d'un agent en fon tion des réputations multi-fa ettes.
Cemodèlemanipuleunseultypederéputation,laréputationdire te.Elle est subje tive,graduée etnon transitive.Laréputationde l'agent en général est al uléeàl'aide des réputationsselonlesdiérentes fa ettes.Les auteurs évoquent diérentes dimensions ( ompéten e et bonne volonté). Ce modèle prend en ompte les notions de fragilitéet d'érosion des réputations ave le
4.6.3 Modèle de Sabater i Mir et Sierra
[Sab02℄propose un modèlede réputation pour le ommer eéle tronique. Les ommerçants s'évaluent à l'aide de réputations dire te, propagée, ol- le tiveet stéréotypée. Ces réputationsprennent leurs valeurs dans
[−1, +1]
. Les ommerçantsnégo ientdes ontrats.Ceux- isontreprésentés demanière formelle dans le modèle à l'aide de onjon tions de paires attributsvaleurs. Une fois exé uté, un ontrat peut être représenté de la même façon, les va- leursasso iées aux diérents attributs pouvantdiérer du ontrat prévu. Le pro essusd'évaluation onsistealorsà omparerle ontrattelqu'ilaété exé- uté au ontrat tel qu'il était prévu. La réputation dire te est al ulée par une moyenne pondérée des évaluations des ontrats passés entre la ible et le béné iaire. La pondération dépend du temps (les an iennes évaluations ont moins d'importan e) et de l'importan e de haque attribut du ontrat pourlebéné iaire.Laréputationpropagéeest al uléeparrapportàunen- semble de témoinsattentivement séle tionnés a n de limiter le problème de orrelatedeviden e [Pea88℄.Lestémoinssont séle tionnéss'ilsontbeau- oup interagi ave la ible. La réputation olle tive est estimée en fon tion des réputations des agents ave lesquels la ible ade forterelationsso iales. Laréputation stéréotypée dépend simplement du r le de l'agentet n'évolue pas.Parallèlement à haque valeur de réputation,est al uléesa abilité.Le pro essus de dé ision onsiste à utiliser la réputation dire te si sa abilité est su sante. Si elle ne l'est pas, alors une ombinaison linéaire des autres typesderéputationestutilisée.Dansle asd'agentsin onnus,lesréputations se ondaires sont don utilisées.L'apportprin ipalde emodèleestdeproposerunpro essusderaisonne- ments'appuyantsuruneontologiedudomaine.Parexemple,l'ontologiepeut exprimer que la réputation d'une ompagnie aérienne repose sur la réputa- tion qu'elle ade posséderde bons avions, de ne jamaisperdre de bagages et de fournir de bons repas.Cette ontologierelie lesdiérentes fa ettes par des pondérationsreprésentant l'importan eave laquelle ellesinterviennent.Ces pondérationssontalorsutiliséespourfusionner,par ombinaisonlinéaire,les réputationsselon les diérentes fa ettes en une réputation globale.
Ce modèle est le plus ri he que nous ayons étudié puisqu'il implémente quasimenttouslestypesderéputationsdé nisettouslespro essusasso iés. Les réputations onsidérées sont subje tives, multi-fa ettes, potentiellement multi-dimensionnelles(selonlesattributsdu ontrat onsidérés),graduées et