W ostatnich latach poświęcono wiele badań zaufaniu , mechanizmom upraszczającym złożone transakcje w otwartych środowiskach w sieciach społecznościowych, handlu elektronicznym i systemach rekomendujących (RS). Takie otwarte środowiska są w dużej mierze tworzone przy użyciu systemów wieloagentowych, które są podatne na działanie złośliwych agentów i dlatego stanowią duże wyzwanie: wykrywanie niepożądanych zachowań i zapobieganie im. Zaufanie do systemów wieloagentowych jest wykorzystywane do minimalizowania niepewności w interakcjach między autonomicznymi jednostkami, takimi jak agenci. Niemniej jednak, pomimo tego wyzwania, w ciągu ostatnich kilku lat powstały różne systemy wsparcia użytkowników z wykorzystaniem systemów wieloagentowych ze względu na wiele oferowanych przez nie korzyści. Systemy wsparcia użytkownika to wyspecjalizowane narzędzia pomagające użytkownikom w różnych zadaniach za pośrednictwem komputera poprzez udostępnianie wytycznych lub wskazówek. RS to specjalna klasa narzędzi wsparcia użytkownika, które działają we współpracy z użytkownikami, uzupełniając ich możliwości i zwiększając ich wydajność, oferując proaktywne lub na żądanie, kontekstowe wsparcie. Oparte na agentach RS wykorzystują techniki, takie jak wnioskowanie o preferencjach użytkownika i inteligentne wnioskowanie w oparciu o dostępne dane, które są kluczowymi wymaganiami w proaktywnym, autonomicznym działaniu w celu uzyskania inteligentnej pomocy dla użytkowników [3]. Nacisk kładzie się nie tyle na szczegóły robocze jednego konkretnego agenta, ale na wzajemne oddziaływanie między agentami; oraz komunikacji, koordynacji i współpracy wymaganej przy zadaniach decyzyjnych. Chociaż skuteczność dotychczasowych rekomendujących jest godna uwagi, nadal mają oni pewne poważne ograniczenia. Z jednej strony nie potrafią formalnie poradzić sobie z niestabilnym sposobem preferencji użytkowników w złożonych środowiskach. Decyzje dotyczące preferencji użytkowników są w większości oparte na statystykach, które zależą od uszeregowania wcześniejszych wyborów użytkowników lub zebrania danych od innych podobnych użytkowników. Z drugiej strony nie są wyposażone w wyraźne zdolności wnioskowania. W związku z tym nie mogą dostarczyć wyjaśnienia, które pomogłoby użytkownikowi w ocenie analizy leżącej u podstaw przedstawionych zaleceń. Techniki ilościowe przyjęte przez obecne systemy wsparcia użytkowników podlegają temu ograniczeniu. Brak podstawowego modelu formalnego utrudnia wyjaśnienie użytkownikom przyczyn i procesów, które doprowadziły system do sformułowania pewnych konkretnych zaleceń. W rezultacie mogą pojawić się poważne problemy z wiarygodnością, szczególnie w przypadkach, gdy w grę wchodzą interesy handlowe lub gdy możliwy jest wpływ z zewnątrz. Podejścia oparte na logice mogą pomóc w przezwyciężeniu tych problemów, ulepszając technologię rekomendacji poprzez zapewnienie środków do formalnego wyrażania ograniczeń, a tym samym wyciągania wniosków. W tym kontekście ramy argumentacji [6,7] stanowią ekscytujący substytut dla wzmocnienia technologii rekomendacji poprzez zapewnienie odpowiednich mechanizmów wnioskowania dla rozumowania jakościowego. W rzeczywistości paradygmat argumentacji został uznany za skuteczny w coraz większej liczbie rzeczywistych aplikacji, które są oparte między innymi na systemach wieloagentowych, inteligentnych formularzach internetowych, sieci semantycznej i rozumowaniu prawniczym. W tym rozdziale przedstawiono ogólne podejście do wykorzystania zaufania i argumentacji w systemie wieloagentowym, a w szczególności ilustrujemy tę koncepcję za pomocą aplikacji rekomendacyjnej, czyli aplikacji wspierającej użytkownika opartej na agentach, w której dostarczane są i ulepszane wiarygodne rekomendacje na podstawie argumenty i preferencje użytkownika. Podejście przedstawione w tym rozdziale proponuje zintegrowanie istniejących technologii wsparcia użytkowników z odpowiednimi opartymi na zaufaniu mechanizmami wnioskowania na potrzeby rozumowania jakościowego. Korzystanie z zaufania i argumentacji pozwala różnym agentom rozwiązywać konflikty opinii i przedstawiać godne zaufania zalecenia wraz z uzasadnionymi uzasadnieniami. Użytkownik może następnie dalej badać te argumenty i zaakceptować zalecenia tylko wtedy, gdy narzędzie rekomendacji może przedstawić wiarygodny przypadek. Badamy integrację miar zaufania obliczeniowego i nieufności wobec agentów, wykorzystując argumentację do rozumowania i interakcji; łącząc podejście do obliczania zaufania, nieufności i systemu argumentacji dla opartego na agentach RS. Odbywa się to poprzez interpretację informacji zaufania w RS przy użyciu logiki; i jego integracja z rozumowaniem opartym na argumentach. Rozdział ten jest zorganizowany w następujący sposób: Sekcja „Wprowadzenie” przedstawia wprowadzenie i motywacje. Podkreśla wyzwania badawcze, przed którymi stają współczesne RS jako aplikacje wieloagentowe. Sekcja „Tradycyjne technologie systemów rekomendujących i wyzwania” przedstawia przegląd obecnych technologii RS i pokrótce opisuje znaczenie zaufania i argumentacji w RS. Sekcja „Podstawowe pojęcia: zaufanie i argumentacja” zawiera omówienie podstawowych pojęć dotyczących argumentacji i zaufania. Pojęcia te są potrzebne, aby w pełni zrozumieć przesłanki stojące za technikami rekomendacji opartymi na argumentacji opartymi na zaufaniu, które zostały omówione w centralnej części tego rozdziału, która koncentruje się na zastosowaniu zaufania i rozumowania opartego na argumentach w RS. Sekcja „Modelowanie zaufania dla systemu rekomendacji opartego na argumentacji” przedstawia nowatorski model zaufania i nieufności odpowiedni dla RS opartych na argumentacji. Jego sformułowanie uwzględnia elementy, które wykorzystujemy w naszym podejściu do rekomendacji (zaakceptowane i odrzucone argumenty, spełnione i naruszone preferencje, lubiane i nielubiane rekomendacje). Później porównujemy (w kolejnych sekcjach) wspomniany wyżej obliczeniowy model zaufania z innymi obliczeniowymi mechanizmami zaufania stosowanymi w RS. Sekcja „Ujednolicenie zaufania i argumentacja z rozumowaniem agentów” omawia nasze podejście do wzmacniania technologii rekomendacji poprzez zaufanie i argumentację. Zajmuje się integracją zaufania opartego na argumentacji z praktycznym rozumowaniem agenta w celu umożliwienia agentom inicjowania, oceny informacji, wnioskowania, podejmowania decyzji i propagowania wartości zaufania. Ta integracja umożliwia agentom dyskutowanie o zaufaniu lub oświadczeniu o słabej strukturze wsparcia zaufania. W związku z tym agenci są w stanie rozumować z zaufaniem i o nim, używając logiki i analizy opartej na argumentach. W sekcji „Ilustracja ze scenariusza rekomendacji książkowej” przedstawiamy korzyści płynące z proponowanego podejścia na przykładzie, w którym agenci argumentują z zaufaniem i o nim; jednocześnie może to skutkować atakami argumentacyjnymi i konfliktami, które są następnie rozwiązywane za pomocą argumentów ważonych. Powyższy przykład jest oparty na konkretnej aplikacji, która pojawiła się jako przykład tego podejścia, zorientowanej na zapewnienie odpowiedniego wsparcia decyzji w kontekście systemu rekomendacji książek. Wreszcie, sekcja „Najnowocześniejsze systemy rekomendacji i możliwe rozszerzenia” omawia niektóre najnowocześniejsze systemy, ostatnie wydarzenia i otwarte wyzwania, takie jak wizualizacja relacji zaufania i ataków argumentami w RS, łagodząc zimny start problem w sieci zaufania RS poprzez użycie argumentacji, badanie wpływu zaangażowania argumentacji w proces rekomendacji oraz badanie potencjału wpływów społecznych na agentów w systemie wieloagentowym. Sekcja „Podsumowanie” przedstawia wnioski i przyszłe kierunki.