امروزه با رشد وب جهانی و افزایش تعداد کاربران بسیاری از وبسایت های خرید برخط، که در آن کاربران به دنبال یافتن کالای مورد نظر خود هستند، تعداد بازخوردها درمورد محصولات نیز افزایش یافته و هر محصول سهم مناسبی از بازخوردهای کاربران را به خود اختصاص داده است. وجود بازخوردهای متنوع و بعضا متناقض برروی یک محصول، ارزیابی کیفیت محصولات را دشوار می کند. برای حل این مشکل سیستم های ارزیابی برخط، که نمونه ای از سیستم های مشارکتی هستند، با تجمیع بازخوردهای افراد متناسب با امتیاز افراد، امتیاز تجمیع شده ای برای محصولات ارائه می دهند. مرور مقالات نشان می دهد که این سیستم ها در معرض چالش های متعددی چون حفظ محرمانگی اطلاعات، نقطه واحد شکست، شروع سرد و نیز ارزیابی های غیرمنصفانه هستند. منشا این چالش ها عموماً در طراحی متمرکز این سامانه ها و روش های به کار گرفته شده برای محاسبه کیفیت افراد و یا محصولات است. ما برای رفع این چالش ها یک سیستم کنترل کیفیت غیرمتمرکز ارائه کرده ایم که محرمانگی اطلاعات را حفظ کرده و مشکل نقطه واحد شکست را حل می کند. همچنین این سیستم با استفاده از انتقال یادگیری، چالش شروع سرد را برطرف کرده و با ترکیب هوش مصنوعی و هوش انسان در برابر بازخوردهای غیرمنصفانه مقاومت میکند. نتایج بررسی‌ها نشان میدهد که مدل پیشنهادی ما عملکرد بهتری نسبت به مدل‌های موجود دارد

کلمات کلیدی