4. 直接信任计算：从交互数据到可信度量

直接信任，说白了就是「我跟你打过交道，我心里有杆秤」。这杆秤怎么校准？就是靠咱们的交互历史。今天我就把这套量化方法掰开揉碎讲清楚。

4.1 直接交互历史：信任的原始素材

每次交互都是一条记录。我习惯用一个四元组来存：

交互记录 = (用户A, 用户B, 时间戳, 交互结果)
交互结果 = 1 (成功/满意) 或 0 (失败/不满意)

举个例子，你在淘宝上买了10次东西，9次顺利收到货，1次出了问题。那这10条记录就是你和卖家之间的直接交互历史。

4.2 时间衰减因子：昨天的成功不等于今天

为什么需要时间衰减？你想想看，三年前我跟你合作愉快，但最近三年没联系，我还能完全信任你吗？

我常用的衰减函数有两种：

衰减模型	公式	特点
指数衰减	w(t) = e-λ·Δt	衰减速度快，适合高频交互场景
对数衰减	w(t) = 1 / (1 + ln(1 + Δt))	衰减速度慢，保留长期记忆

其中 Δt 是距离当前的时间差，λ 是衰减系数。λ 越大，历史记录「忘得越快」。

4.3 交互频率与金额权重

频率和金额，这两个因素很容易被忽略，但实际影响很大。

• 频率权重：一个月交易100次的人，比一年交易1次的人，信任评估应该更可靠。我一般用 f(x) = 1 - e^-α·n 来平滑，n 是交互次数。
• 金额权重：100万的交易成功，比10块的交易成功，含金量完全不同。金额权重通常做归一化处理，比如 g(amount) = amount / (amount + C)，C 是常数。

4.4 直接信任度计算公式

好了，前面都是原料，现在咱们来炒菜。我主要用两种方法：Beta分布法和平均法。

4.4.1 Beta分布法

这个方法适合「小样本」场景。你想想，如果只交互了3次，2次成功1次失败，直接算平均是66.7%，但你真的有把握吗？

Beta分布的核心思想是：用先验概率 + 观测数据，得到后验概率。

直接信任度 = α / (α + β)

其中：
α = 成功次数 + 1
β = 失败次数 + 1

这个「+1」就是先验。它保证了即使没有交互记录，信任度也是0.5，而不是0。

加上时间衰减和权重后，公式变成：

α = 1 + Σ(w_i · f_i · g_i · s_i)
β = 1 + Σ(w_i · f_i · g_i · (1 - s_i))

其中：
w_i = 时间衰减因子
f_i = 频率权重
g_i = 金额权重
s_i = 交互结果 (0或1)

4.4.2 平均法

这个方法简单粗暴，适合大样本场景。当交互次数超过30次，Beta分布和平均法的结果基本一致。

直接信任度 = Σ(w_i · f_i · g_i · s_i) / Σ(w_i · f_i · g_i)

说白了就是加权平均。权重由时间、频率、金额共同决定。

4.5 核心流程图：直接信任计算全链路

下面这张图把整个计算过程串起来了，我建议你仔细看看。

4.6 完整计算示例

咱们来个具体的。假设用户A和用户B有5次交互：

交互	时间(天前)	金额(元)	结果
1	100	10	成功
2	60	50	成功
3	30	200	失败
4	10	100	成功
5	1	500	成功

取 λ=0.1，α=0.5，C=100，用Beta分布法计算：

交互1: w=0.368, f=0.393, g=0.091, s=1 → 贡献 0.013
交互2: w=0.549, f=0.393, g=0.333, s=1 → 贡献 0.072
交互3: w=0.741, f=0.393, g=0.667, s=0 → 贡献 0
交互4: w=0.905, f=0.393, g=0.500, s=1 → 贡献 0.178
交互5: w=0.990, f=0.393, g=0.833, s=1 → 贡献 0.324

α = 1 + 0.013 + 0.072 + 0 + 0.178 + 0.324 = 1.587
β = 1 + 0 + 0 + 0.741·0.393·0.667 + 0 + 0 = 1.194

直接信任度 = 1.587 / (1.587 + 1.194) = 0.571

你看，虽然5次里成功了4次，但因为第3次金额大、时间近，信任度只有57.1%。这就是权重的作用。

直接信任计算是信任评估的基石。搞懂了这部分，后面间接信任和综合信任就好办了。记住一句话：信任不是非黑即白，而是一个不断更新的概率。