CN103985018B - 一种网络交易数据采集及交易完成度分析方法 - Google Patents

Abstract

本发明提供一种网络交易数据采集及交易完成度分析方法。将采集的网络交易评价数据通过逆向信用云算法进行计算，得到反映各个信用评价指标定性概念的数字特征；然后通过虚拟云综合算法得到主体的综合信用云；再通过正向信用云算法对综合信用云的数字特征进行计算，还原信用评价情况，生成一系列信用云滴数据，由此可画出信用评价云图，而信用就是网络交易完成度的一个重要衡量指标。本发明较好地解决了网络交易信用评价过程中出现的随机性及模糊性；以信用云为基础提出的评价模型可以多角度、多层次反映评价指标，确保评价结果的全面性、客观性及真实性。根据评价结果，进行交易完成度分析，可为网络交易平台运营及网络资源配置提供可靠参考依据。

Description

一种网络交易数据采集及交易完成度分析方法

技术领域

本发明是一种网络交易数据采集及交易完成度分析方法，主要用于解决网络交易环境下信用不确定性度量表达、参与主体的信用评价及交易完成度分析问题，属于服务信任与信誉管理领域。

背景技术

进入21世纪以来,随着网络技术的快速发展及网络基础设施的日益完善，互联网迅速得到了普及，基于互联网基础之上的网络交易随之也得到了空前的发展。网络交易因具有独有的优势而得到了爆发式的发展，它的未来将更具有巨大的价值创造潜能和发展空间。与传统的买卖方式相比较，基于互联网的网络交易可以进行跨越时间及空间的交易，这也是网络交易核心特征的体现。正因为这种跨时空的交易，给网络交易的参与者带来了信息的不对称，主要表现在以下两方面：一是不能完全掌握商品的信息；二是不能完全掌握交易另一方的诚信。通过建立不完全信息博弈模型进行分析可知：诚信对网络交易的健康发展起着关键作用。伴随网络交易的高速增长,网络欺诈和信用缺失问题日益严重,导致网上交易风险较大。因此，网络交易信用问题成为制约其发展的瓶颈。在开放式的网络交易环境中进行在线交易,一个必须解决的问题是交易双方如何建立信任关系，降低交易风险，提高交易完成度。因此，需要对网络交易参与主体进行信用评价，建立信用机制，才能打破瓶颈促进网络交易的发展。

交易完成度，即交易完成的程度，用来表示交易成功的比率。交易完成度，与信用密切相关，信用度越高，交易成功的可能性就越高，那么交易完成度也越高。因此，要衡量交易完成度，关键一步就是怎么评价网络交易参与主体的信用。网络交易中的信用即网络交易信用是指参与网络交易的成员或组织被他人信任的程度，守承诺的程度。而信任是一种主观判断，所有的信任本质上都是主观的。信任有程度高低之分，因此，在信用评价过程中，会体现出很强的主观性、模糊性和随机性，无法精确地加以描述和验证。网络交易信用的不确定性主要包括两种：模糊性及不确定性。信任的模糊性首先表现为信任不是二值的，也即不是“非此即彼”的，而是“亦此亦彼的”。例如，人们在现实中常常会划分“完全信任”、“非常信任”、“很信任”等不同等级的信任，并且通常不会简单地断定是否应该“非常信任”某主体，而是认为应当在多大程度上“非常信任”该主体。在许多情况下，人们甚至会认为既可以一定程度“非常信任”某主体，同时也可以另一程度“很信任”该主体。信任的随机性体现在主体在不同时间对同一主体进行信用评价时，评价结果可能不一致。例如，主体A对主体B的信任等级为“很信任”，过一段时间则视为“一般信任”，而主体B在这段时间并没有发生本质变化，这就体现了信任的随机性。因此，在对信任进行度量时需要充分考虑这种模糊性及随机性。

目前，处理网络交易信用不确定性的方法主要基于两种理论：概率模型、模糊集合理论及粗糙集。用以上方法来处理网络交易信用的不确定性，效果都不甚理想。其主要原因有：一是概率模型及模糊集合理论两种方法的结果最终都归结为精确数值，致使信任信息不再有丝毫的模糊性；二是概率模型及模糊集合理论方法均没有兼顾信用的随机性和模糊性交融的本质属性，基于概率模型的信用管理方法考虑了信用的随机性而忽视了模糊性，而基于模糊数学的信用管理方法重视了模糊性而忽略了随机性；三是模糊集合理论评价方法在评价过程中，获取模糊评价矩阵是一个难点，主观性较强，确定隶属度函数的方法并不是非常严格和科学；四是粗糙集方法可以减少数据量，但是属性约简后的信息相对会不完整。

发明内容

针对上述方法的不足，综合网络交易信用所具有的主观性、不确定性和模糊性，及参与主体信用度变化对信用决策的影响，本发明提出一种基于云模型的网络交易数据采集及完成度分析方法。云模型能综合考虑网络交易信用评价过程中体现出的随机性及模糊性等不确定性，可以客观地反映信用本身的模糊性和随机性本质，可有效解决信用评价中的模糊性和随机性。云模型能兼顾到随机性和模糊性的共存，由定量到定性，用数字特征表示语言值，再从定性到定量通过云发生器来模拟随机性、模糊性以及二者之间的关联性。该方法综合了主观信用评价的模糊性和随机性特点，评价结果包含有丰富的信用评价信息，能更好地反映实际的信用水平，较好地解决了网络交易信用决策问题。通过该方法可以更加合理地反映用户的实际信用情况。通过实验，可验证此方法的可行性和有效性，因此，本发明能很好地处理网络交易信用的不确定性、信用评价及交易完成度分析问题，为信用决策及网络资源配置提供科学合理的参考依据。

针对网络交易信用评价特点，本发明引入一个重要概念信用云，用来描述信用关系及信用的不确定性。信用云是一种特殊的云模型，它根据信用关系和其描述方式的特点，把信用的表达用云模型的方式反映出来。在之前，先给出信用度及交易完成度的概念。

定义1信用度：信用的定量描述，反映了信任的程度，是一个数值，为实现信用云的表达，把信用度和其不确定度归为[0,n]区间，可为此区间的离散值或连续值，信用的高低与信用度的大小成正比。根据应用情况，n可取值为5、10或100等，本方法将n取值为100。

定义2交易完成度：表示一段时间内主体交易成功的比率，即，主体的交易完成度与其信用度成正比，主体信用度越高，则其交易完成度越高。

定义3信用云：设信用度空间TD＝[0,100]为云的定量论域，e是信用空间上的定性信任概念，x∈TD是对定性概念e的一次定量信任评价，x对e的确定度μ(x)∈[0,1]是有稳定倾向的随机数。μ:TD→[0,100],x→μ(x)，x在论域TD上分布称为信用云，记为云TC(x)。每一个x称为一个云滴。

定义4信用云的定性表示：信用云是以一维正态云形式描述网络交易参与主体之间的信任关系，形式化表述为TC(Ex,En,He)，其中，Ex为信用期望，为基本信用度，表示信用度的平均值，0≤Ex≤100；En为信用熵，反映了信任关系的不确定度，0≤En≤100；He为信用超熵，反映了信用熵的不确定度，0≤He≤100。信用云是由一群信用云滴组成，而信用云滴反映了主体之间的每次交易后对服务质量的评价结果。信用云可以很好地把主体之间信任关系的不确定性和模糊性结合起来，并充分地表示出来。一般情况下，信用度有99.7％的可能落在[Ex-3En,Ex+3En]区间内。Ex＝85，En＝3，He＝0.6表示的信用云TC(85,3,0.6)的信用云图如图1所示。

本发明所采用的技术方案为：

一种网络交易数据采集及交易完成度分析方法，包括如下步骤：

步骤一：

确定网络交易参与主体信用评价指标体系及信用评价等级，并确定各评价指标的权重。评价指标就是用来衡量主体信用的属性。信用评价指标可采用一级或二级指标体系，当然指标层次也不宜过多；在选择信用评价等级时，一方面采用的评价等级数越多，其所得最终结果就越精确；但另一方面，评价等级数过多，容易导致很难区分评价等级之间的差别，一般选用3或5个等级适宜；各个指标对信用评价结果的影响程度是不一样的，因此，需合理确定各指标的权重，确定评价指标权重的方法很多，如专家打分法、德尔菲法、层次分析法、熵权法等。

步骤二：

采集交易数据及确定属性信用云。每次网络交易完成后，对衡量主体信用的各个属性进行评价。评价完后即可采集评价数据，根据不同数据形式，需做相应数据格式转换。评价形式可是一个信用度，或是信用等级。若是信用等级，则按一定方法转换成信用度。另外，若将完成交易的总金额考虑进来，则将金额区间映射成信任度区间，转换成相应的信用度。信用度是一个数值，可把每一次评价作为一个云滴，多次评价则形成一系列云滴，将这一系列云滴作为数据样本，根据逆向信用云生成器(算法1)生成各个指标的属性信用云。

算法1逆向信用云生成器

输入：一系列信用云滴x_i(i＝1,2,…,n)；

输出：反映信用定性概念的数字特征期望Ex,熵En,超熵He；

算法步骤：

(1)根据x_i计算这组数据的样本均值一阶样本中心距

样本方差

(2)

(3)

(4)

步骤三：

确定综合信用云。获得各个属性的属性信用云的数字特征后，可利用虚拟云综合算法(见公式(1))，将属性信用云综合起来可获得综合信用云的数字特征。

$\left\{\begin{array}{c}Ex=\underset{i=1}{\overset{n}{\Σ}}\left(w_i{\mathrm{Ex}}_i\right)\\ En=\sqrt{\underset{i=1}{\overset{n}{\Σ}}\left(w_i{{\mathrm{En}}_i}^2\right)}\\ He=\underset{i=1}{\overset{n}{\Σ}}\left(w_i{\mathrm{He}}_i\right)\end{array}\right.---\left(1\right)$

其中，w_i表示第i个指标的权重，(Ex_i,En_i,He_i)表示第i个指标评价云的数字特征参数，n表示子指标项的个数。

步骤四：

确定标准信用云。每个评语对应一个标准信用云(Standard Trust Cloud)，作为确定最终评价等级的标尺。若有m个评价等级，则对应有m个标准信用云。对于存在双边约束[C_min,C_max]的评语可以用正态对称云模型来描述，得到每个语言的标尺云，具体计算如公式(2)所示。

$\left\{\begin{array}{c}Ex=(C_{min}+C_{max})/2\\ En=(C_{max}-C_{min})/6\\ He=k\end{array}\right.---\left(2\right)$

其中，超熵k是常数，可依据评价指标的不确定性及随机性作具体调整。

对于只有单边界限的定量变量，形如[C_min,∞]或[-∞,C_max]，可先根据数据的最大上限或下限确定其缺省边界参数或期望，然后再参照上式计算云特征参数。

步骤五：

确定信用等级及信用决策。利用欧式距离公式计算主体综合信用云的3个数字特征(Ex,En,He)分别与m个标准信用云3个数字特征的距离，得出其与标准信用云的相似距离，距离越小，就越相似于某个标准信用云；可将相似距离转换为相似度，与之相对应的是相似度值越大，说明主体综合信用云与某个标准信用云越相似。计算相似度的方法，见算法(2)。

算法2：信用云相似度计算

输入：主体综合信用云TC(Ex,En,He)，标准信用云STC_i(Ex_i,En_i,He_i),i＝1,2,…,m。

输出：信用云相似度ρ_i。

算法步骤：

(1)计算主体信用云与第i个标准信用云的距离：

$d_i=\sqrt{{(Ex-{\mathrm{Ex}}_i)}^2+{(En-{\mathrm{En}}_i)}^2+{(He-{\mathrm{He}}_i)}^2};$

(2)

(3)

(4)

相似度计算出来后，取表示此主体的信用云与第k等级的标准信用云最接近；也就是说，ρ_i值最大者所对应标准信用云的等级就是主体信用评价的最终等级。利用算法(2)可获得多个主体的信用等级，根据各个主体的最终信用评价等级，即可进行信用决策，最终选择与哪个主体进行交易。

步骤六：

信用评价等级验证。可利用正向信用云发生器(算法3)还原出足够数量的信用云滴，算出落在各个评语值区间云滴的隶属度，就能验证评价结果的正确性。此外，如果被评价的主体信用等级相同，则可根据其相应等级隶属度的大小进一步比较，隶属度值大的更可信。

步骤七：

信用评价等级展示。最终信用评价等级能用文字描述，还能用信用云图直观地展现出来。将信用主体的综合信用评价云，利用正向信用云发生器(算法3)可还原出一系列的信用云滴，据此可画出信用云图，将主体的信用情况用可视化的方式直观地表达出来。

其中，NORM(Ex,En_i')为生成以Ex为期望值，En_i'为方差的正态随机数的函数。给定信用云的三个数字特征(Ex,En,He)，利用正向信用云发生器可生成任意个云滴组成的正态云模型。步骤八：

根据各主体的综合信用评价等级，分析整个平台的交易完成度，为交易平台的运营提供决策参考依据。对每个评价等级赋予一个等级值，设有m个评价等级，则相应等级值为1,2,3,…,m，值越大，评价等级越高；设有n个主体，其等级值分别为t₁,t₂,t₃,…,t_n，参与的交易次数分别为d₁,d₂,d₃,…,d_n，则交易完成度计算方法如公式(3)所示。

从上式可以看出，主体的信用等级越低，交易成功的可能性越低，最终完成交易的次数也就越少。

本发明的有益效果：1)有助于交易决策，降低交易网络，减少交易损失；2)有利于交易平台合理配置资源，如网络带宽，支付端口等，以降低运营成本，提高竞争能力。

附图说明

图1是信用云TC(85,3,0.6)的信用云图，

图2是卖家A和卖家B的综合信用云图。

具体实施方式

本发明以评价某C2C网络交易平台中某卖家信用为例，说明其具体实施方式。

下面以具体实例对本发明加以说明。

1、确定信用评价指标体系及指标权重

本例选取的卖家信用评价指标及指标权重，如表1所示。

表1卖方信任评价指标体系及权重

2、确定评语及划分评价等级

对C2C卖家信用进行评价时，采用等级评价方法。本实例信用评价等级、对应区间及相应标度，如表2所示。

表2评价等级、对应区间及相应标度

3、确定标准信用云

根据表2中的评价等级及信用度区间，利用公式(2)可确定各个评价等级的标准信用云，如表3所示。

表3标准信用云的数字特征

4、数据采集及预处理

以卖家A作为分析对象，通过计算确定该卖家的信任等级。由于只是希望通过对实际数据的仿真来测试本发明信用等级评定方法的合理性和有效性，所以本实例只选取了历史评价中的一部分评价数据作为分析的对象。从交易记录中，抽取A卖家的最近100条评价记录，评价情况见表4。

表4卖家A的信用评价情况

由于信用评价时采用等级评价方法，因此，在进一步处理之前，需将评价等级赋予相应的信用标度值。

5、确定属性信用云

本实例的信用评价采用二级指标评价体系，因此需确定二级指标及一级指标的属性信用云。首先，确定二级指标的属性信用云，对于每个二级指标的评价等级可转换为相应的信用标度值，这样可将这一系列的信用标度值当作云滴，作为逆向信用云生成器的输入，这样就可生成各个二级评价指标的属性信用云，如表5所示。

表5二级指标属性信用云的数字特征

然后，利用公式(1)将二级指标的属性信用云综合，可得到各个一级指标的属性信用云，如表6所示。

表6一级指标属性信用云的数字特征

6、确定综合信用云

根据表6中的一级指标属性信用云，利用公式(1)，可综合得到卖家A的综合信用云，如表7所示。

表7卖家A综合信用云的数字特征

7、确定信用等级及信用决策

利用算法(2)，计算卖家A综合信用云与各个标准信用云的相似度，如表8所示。

表8卖家A综合信用云的相似度(％)

根据表8可知，ρ₁的值最大，由此可判断卖家A的信用综合评价等级为“非常信任”。

对于其它同类卖家，也可以通过上述方式确定其信用等级，然后进行信用决策，选择信用等级高的卖家进行交易。当然，如果信用等级相同的话，则可通过相似度进一步判断。

8、信用评价等级验证

为了验证信用评价等级确定的正确性，可利用正向信用云发生器(算法3)对评价结果的云模型进行10000次的随机模拟计算，这样能够还原出相应云滴在评语值区间的分布特征，经过统计，“非常信任”的个数为6737，“信任”的个数为2724，“一般信任”的个数为433，“不信任”的个数为84，“非常不信任”的个数为22。对应评语集所属的隶属度分别为：0.6737，0.2724，0.433，0.0084，0.0022；因此评价等级隶属于“非常信任”这一等级，与上述判断保持一致，验证了该方法的正确性。

9、信用评价等级展示

利用算法3，可绘出卖家A的综合信用云图，如图2所示。设有卖家B的综合信用云为(83.67,4.24,1.36)，综合评价等级也为“非常信任”，其信用云图如图2所示。

虽然卖家A和卖家B的最终信用等级都为“非常优秀”，还是可以通过云的数字特征及信用云图对其进一步分析，挖掘更有价值的信息，如表9所示。

表9卖家A和卖家B的信用对比分析

10、交易完成度分析

本实施例有五个信任等级：非常信任、信任、一般信任、不信任、非常不信任，相应等级值分别为：5、4、3、2、1；以五个卖家A、B、C、D、E为例进行分析，其信用等级、等级值及参与交易次数等情况如表10所示。

表10五个卖家相关情况

根据表10相关数据，利用公式(3)，则可计算交易完成度：

根据这一结果说明：在5位卖家参与的1000次交易中，最终可能成功的有884次。

以上实施例仅用以说明本发明的技术方案，而非对其限制；虽然参照上述实施例对本发明进行了详细的说明，本领域的技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使得相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (1)

1.一种网络交易数据采集及交易完成度分析方法，其特征在于：

该方法包括如下步骤：

1)确定网络交易参与主体信用评价指标体系及信用评价等级，并确定各评价指标的权重；

2)采集数据及确定属性信用云，每次网络交易完成后，采集相关数据并转换成信用度，然后对衡量主体信用的各个属性进行评价；信用度是一个数值，把每一次评价作为一个云滴，多次评价则形成一系列云滴，将这一系列云滴作为数据样本，根据算法1逆向信用云生成器生成各个指标的属性信用云；

算法1 逆向信用云生成器

输入：一系列信用云滴x_i,i＝1,2,…,n，其中n为自然数，

输出：反映信用定性概念的数字特征：期望Ex,熵En,超熵He；

算法步骤：

1.1)根据x_i计算这组数据的样本均值一阶样本中心距

样本方差

1.2)

1.3)

1.4)

3)确定综合信用云

获得各个属性的属性信用云的数字特征后，利用虚拟云综合算法，即如下公式(1)，将属性信用云综合起来可获得综合信用云的数字特征；

$\left\{\begin{array}{c}Ex=\underset{i=1}{\overset{n}{\Σ}}\left(w_i{\mathrm{Ex}}_i\right)\\ En=\sqrt{\underset{i=1}{\overset{n}{\Σ}}\left(w_i{{\mathrm{En}}_i}^2\right)}\\ He=\underset{i=1}{\overset{n}{\Σ}}\left(w_i{\mathrm{He}}_i\right)\end{array}\right.---\left(1\right)$

其中，w_i表示第i个指标的权重，(Ex_i,En_i,He_i)表示第i个指标评价云的数字特征参数，n表示子指标项的个数；

4)确定标准信用云

若有m个评价等级，则对应有m个标准信用云，其中m为自然数；对于存在双边约束[C_min,C_max]的评语可以用正态对称云模型来描述，得到每个语言的标准云，具体计算如公式(2)所示；

$\left\{\begin{array}{c}Ex=(C_{min}+C_{max})/2\\ En=(C_{max}-C_{min})/6\\ He=\mathrm{\α}\end{array}\right.---\left(2\right)$

其中，α是常数，可依据评价指标的不确定性及随机性作具体调整；

5)确定信用等级及信用决策

利用欧式距离公式计算主体综合信用云的3个数字特征(Ex,En,He)分别与m个标准信用云3个数字特征的距离，得出其与标准信用云的相似度，相似度计算方法见算法2；

算法2：信用云相似度计算

输入：主体综合信用云TC(Ex,En,He)，标准信用云STC_i(Ex_i,En_i,He_i),i＝1,2,…,m；

输出：信用云相似度ρ_i；

算法步骤：

2.1)计算主体信用云与第i个标准信用云的距离：

$d_i=\sqrt{{(Ex-{\mathrm{Ex}}_i)}^2+{(En-{\mathrm{En}}_i)}^2+{(He-{\mathrm{He}}_i)}^2};$

2.2)

2.3)

2.4)

相似度计算出来后，取表示此主体的信用云与第k等级的标准信用云最接近；

6)信用评价等级验证

可利用正向信用云发生器算法3还原出足够数量的信用云滴，算出落在各个评语值区间云滴的隶属度，就能验证评价结果的正确性；

7)信用评价可视化展示

最终信用评价等级能用文字描述，还能用信用云图直观地展现出来，利用正向信用云发生器算法3可还原出信用评价状况，生成一系列的信用云滴，据此可画出信用云图，将主体的信用情况用可视化的方式直观地表达出来；

算法3 正向信用云发生器

输入：表示信用定性概念的三个数字特征(Ex,En,He)，云滴数量N；

输出：N个云滴x及其确定度μ；

算法步骤：

3.1)生成以En为期望值，He为方差的一个正态随机数En_i'＝NORM(En,He)；

3.2)生成以Ex为期望值，En_i'为方差的一个正态随机数x_i＝NORM(Ex,En_i')；

3.3)计算

3.4)令带有确定度μ(x_i)的x_i成为数域中的一个云滴；

3.5)重复步骤3.1)到3.4)，直至产生N个云滴为止；

其中，NORM(Ex,En_i')为生成以Ex为期望值，En_i'为方差的正态随机数的函数；

8)交易完成度分析

根据各主体的综合信用评价等级，分析整个平台的交易完成度，为交易平台的运营提供决策参考依据；对每个评价等级赋予一个等级值，设有m个评价等级，则相应等级值为1,2,3,…,m，值越大，评价等级越高；设有n个主体，其等级值分别为t₁,t₂,t₃,…,t_n，参与的交易次数分别为d₁,d₂,d₃,…,d_n，则交易完成度计算方法如公式(3)所示: