以下是在确定输入项时 Bob 需要留意的事项。
· 信任：每个数据源（或聚合数）都具有该特定值的信任级别。信任是对数据可信度的评估。可以按照其信任级别对数据的各部门举办加权。
在确定误差边界时，一些数据大概比其它数据更要害。 譬喻，假如 Alice 缺少学术机构的测试功效，则 Bob 大概认为这是误差边界的一个次要因素，但假如她缺少学术机构的真实证明，则在确定误差边界时会被认为是较为重要的因素。因为这会让人猜疑 Alice 声称本身此刻结业的申明是否真实，从而对她所有其它自我证明的事项都感想猜疑。
· 刊行人的可信度（非正式意义上的声誉）。对 Bob 而言，一份来自某个商学院的后果单，它的代价几多取决于该商学院的声誉，以及 Bob 如何对待“应用常识”和“学术常识”等。
一旦明晰界说了输出项，就可以确定用于到达该输出的输入项。相识最终功效的需求，有助于对遍历大量可用信息等任务举办简化，完成这种看似不行能完成的任务。
尺度化进程的一部门是将差异的特征归为功效的某个适当部门。譬喻，假如 Alice 为一家著名机构事情，，这将影响 Alice 的薪水，而且该机构的名称将在 Alice 简介中提及。
· 抱负：抱负的功效在各个方面都很完美。Bob 将拥有 Alice 的所有学历记录、Alice 的每位患者的每项功效、同行评价及患者评价等。所有这些“完美的”信息100％靠得住，并且没有裂痕。
· 可用：在现实世界中，并非所有信息都可用。譬喻，抱负环境下，Bob 想知道 Alice 每个处事工具的症状或主诉、治疗时间是非以及最终功效。譬喻，Alice 大概花了三个小时来消除或人的惊骇症，或者她已经对其举办了三年的治疗，但其症状仍未消除。且抱负环境下，Bob 可以会见 Alice 每位患者的相关信息。但实际上凡是是没有这些信息的。纵然将来患者可以宣布这些数据（匿名数据），但不是 Alice 的所有客户城市果真这些信息，因此信息并不完整。
作者：Arthur Brock, Kaliya Hamlin, Grace (Rebecca) Rachmany, Jakub Lanc
原文： https://github.com/WebOfTrustInfo/rwot9-prague/blob/master/final-documents/reputation-interpretation.md
· 数据的名目大概难以领略或不统一。譬喻，品级可以利用1-5或1-10的数字标度（奇数标度具有中间选项而偶数标度没有），品级评估方法众口难调，评分维度多样化（专业性、有效性、友好度及对家庭浸染等）。收集专业评估或评论的系统大概需要类型化数据，以便以相似的范畴提供所有数据。
· 对数据范例的成见。譬喻，由于工钱成见，评论系统往往方向于两个极度的评论。假如人们以为还不错或中立，他们往往不会提供任何评论。明晰地说，人们的评论往往较量极度。
此刻，Bob 向 Alice 提出了对数据的请求，Alice 提供了全部或部门数据。通过查察这些数据，Bob 可以评估误差边界。但无法确认 Bob 是否知道 Alice 基础没有该数据（譬喻，她从未举办过 Myers-Brigg 评估），可能她是否有意隐瞒数据（譬喻，从简历或 LinkedIn 小我私家资料中删除经验）。Bob 会按照数据的完整性或不完整性确定最终分数的“ 靠得住性” 或“ 误差边界” 。
本文不会界说可用的输入范例或对其举办分类，也不会对如何提供输入项作出任何发起。
· 重要性：Bob 在确定输出项时，将利用加权机制来确定各个部门的重要性。譬喻，患者评论大概是潜在客户所看到的重要内容，占该陈诉的50％。可是在提供雇佣条约时，Bob 大概不会对患者评论计权重，而只有一个阈值。譬喻，假如 Alice 获得的患者正面评价高出80％，那么就聘用 Alice。
上面是处理惩罚数据时最先思量的问题。另外，数据可以是多维的。譬喻，Alice 研究生进修阶段的记录大概包罗后果、西席评语、学生评语、出书物数量、推荐信及奖项等。
· 本钱：某些数据需要费钱，包罗实际购置数据及处理惩罚数据。
结论
· 数据大概有裂痕。系统自己大概存在裂痕：人们大概会颁发虚假评论，入侵系统，对某些行为有成见等。
一旦把来自差异来历的数据举办类型化，那就可以认为该数据是名目化的，该名目答允将相似范例的数据一起分组处理惩罚。譬喻，同行评审将被尺度化为正面、中立或负面。专业本领的说明会和客户评论与同行评论分隔。
由于声誉所涉及到的方方面面及其权衡要领的遍及性，关于如何权衡声誉，什么是声誉以及如何跟踪声誉的接头永无尽头。通过采纳一种实用的要领，即在特定的配景下接头声誉，我们可以认识到声誉自己并不是一个孤独的工作，而是小我私家和组织用来决定的东西。假如从一开始就相识最终功效的需求，我们就可以或许从相识收集有关一小我私家的哪些数据以及如那里理惩罚它的角度来领略声誉。
确定输入项
基于以上这些考量因素，Bob 最终将得到他向 Alice 请求的数据和数据源列表。
误差边界
本文提供了一个框架，以从基于声誉的行为和决定的角度思量声誉问题。对差异的环境会利用差异的尺度化和评估要领，以便做出相关决定。数据类型化
注：本文不会接头数据如那里理惩罚，这是 Bob 能独立完成的工作。
· 用户节制。某些机构会提供未经审查的数据。譬喻，大学后果单包括全部课程的所有后果，而 Alice 无法编辑任何内容。但在 LinkedIn 中，当有人提供推荐时，Alice 可以接管或拒绝，或请求对评论举办变动。这不是“ 改动”系统，而是每个系统在用户节制方面的差异级别。
存眷点
本文源自于 Rebooting Web of Trust 组织在 RWOT IX — Prague, 2019集会会议上的论文《Reputation Interpretation》的后半部门，我们将继承延续上一期的话题，为各人具体叙述声誉系统的设计逻辑。
收集数据后，需要对数据举办类型化（尺度化）以使其易于领略和处理惩罚。以下是数据类型化的留意事项。
本文作者就将误差边界作为陈诉中的“ 总体” 评分来计较，照旧将其别离应用于每项数据举办了接头。计较顺序是一个实现问题。本文指出数据完整性是需要纳入考量的问题，这取决于声誉诠释系统的用户想要怎么实现。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
