OpenSquare 协作信用模型

从用户协作数据建立信用

OpenSquare 是一个服务于用户协作的去中心化平台。传统的协作模式有协作双方难以筛选合作者和纠纷处理等问题。比如：

• Hunter（解决方）没有及时完成任务导致 Funder（需求方）的任务进度被迫延迟

• Funder 和 Hunter 对 bounty 交付标准理解不一致，从而造成交付结算纠纷

• 协作双方在协作过程中单方面终止合作导致对方利益无法得到保障

• Funder 延迟付款导致 Hunter 无法及时得到报酬

在去中心化环境下，链上数据透明和不可篡改的特点将使得链上的协作数据变得可信。

构建信用模型

OpenSquare 将建构信用模型，并以此服务于用户信用画像建设。特定信用模型会以信用分数体现，该信用分数可帮助协作方挑选合作对象，而协作过程反过来会影响信用分数。OpenSquare 设定了3种信用分数：

行为信用分数

行为由主观行为和客观行为组成。

客观行为可以被视为一种可度量的客观的历史行为，如 Hunter 没有在规定的时间内对进度进行汇报，Funder 没有在约定的时间范围内进行付款；主观行为可以被视为自己从协作方获得的评价，如 Hunter 获得了 Funder 对其交付物的高度评价。

无论是主观的还是客观的，行为都有正面和负面之分，协作者的正面行为将使其信用分数增加，负面行为将使其信用分数降低。随着用户协作行为的增多，其行为信用分也将不断积累。行为信用分数没有上下限，为 (-∞, +∞)。其最终的分数跟用户的历史行为有关，正面的行为越多，分数越高；负面的行为越多，分数越低。

通用信用分数

一般情况下，直接查看“行为信用分数”不容易区分用户间的信用高低。于是我们引入“通用信用分数”，将行为信用分数标准化为（0, 100）区间内的值，间接使用反正切函数 y = f (arctan(x) ) 来标准化协作者的信用分数。行为信用分数 x  越大，通用信用分数 y 越高。

特征信用分数

人类行为和能力是多样的，协作者往往不能根据单一指标决定协作的合作方。通常我们需要将行为进行分类，提取出一些个性化的特征供协作需求者来判断，而协作者的每个特征将体现为特征信用分数。行为特征可能包括以下例子：

• 守时：当某一协作者总是不能在约定时间完成工作时，那么其在该方面的特征分数会比较低

• 开发能力：bounty 类型为开发，而 hunter 多次收到其交付物的负面评价时，其在“开发能力”上的特征信用分数会比较低

OpenSquare 将定义多种原子的协作行为，用户可以根据需求将不同的行为划分到不同的行为组别，进而实现对协作者的个性化评定。

信用分数的应用

我们从用户协作中建立信用，信用被建立起来之后将反哺协作。OpenSquare 信用模型的作用如下：

• 降低协作者筛选合作方的成本

• 根据不同用户行为集对用户进行分类，进而为企业用户提供精准推荐等服务。同时根据企业用户端的需求，向普通用户推荐工作机会

• 波卡生态或其它区块链系统项目方可调用信用分数或历史协作行为作为其服务的数据基础

• 普通用户可以从其历史协作行为和信用模型构建过程中获得激励

关于 OpenSquare