CN105654361A - 一种基于社区o2o的信用评价方法和系统 - Google Patents

Abstract

本发明涉及一种基于社区O2O的信用评价方法和系统，方法包括设置社区O2O的各级评价指标的评价等级及等级数值；以消费者、商品、应用场景和服务为基础，设定消费者、商品销售商和服务提供商的评价指标体系；对评价指标体系按规则设置指标体系中各指标因素的对比矩阵，对消费者评价指标的权重系数进行一致性验证；对商品销售商和服务提供商的评价指标体系计算权重系数；计算获得消费者综合信用评价值，将评价结果代入对商品销售商和服务提供商信用评价的计算中，计算出商品销售商和服务提供商的综合信用评价取值，并判断其信用等级。本发明以社区O2O的诚信商圈为服务平台上的交易提供多维的信用评价和参考，能提升客户的满意度和黏度。

Description

一种基于社区O2O的信用评价方法和系统

技术领域

本发明属于电子商务中社区O2O诚信商圈及大数据研究领域，具体涉及一种基于社区O2O的信用评价方法和系统。

背景技术

随着电子商务的发展，社区O2O是立足于本地社区生活服务，为本地社区用户提供在线支付线下接受/享受服务的一种电子商务模式，是一种新型的消费模式。社区O2O诚信商圈服务平台利用互联网技术及云计算大数据模式，在节省成本和计算资源的基础上，让社区用户既获得享受传统模式服务又可体验电商平台带来的便捷。虽然国内的电子商务平台大部分都按各自平台的特点建立信用评价系统，但其评价方法过于简单且模式单一，无法按本地社区人群特征、商家特征动态建立信用评价指标体系，欠缺对用户网上行为特征、身份特征、交易时间有效性、评价时间有效性等评价因素的权重考虑，现有简单的信用评价方法已不适合应用于基于社区O2O诚信商圈服务平台。

在基于社区O2O诚信商圈服务平台中可能出现：信用炒作(如利用大量多笔小金额交易来刷新信用评价值，假用户刷评价等)、信息不对称、信用不对称加剧、商家无序竞争、信用值的时效性等问题，急需在社区O2O诚信商圈服务平台中建立一个客观、健全、有效的基于“社区+个性化”的O2O诚信商圈的多维信用评价系统。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种基于社区O2O的信用评价方法和系统。

本发明所采用的技术方案为：

一种基于社区O2O的信用评价方法，其特征在于：所述方法包括

(1)设置社区O2O的各级评价指标的评价等级及等级数值；

(2)以消费者、商品、应用场景和服务为基础，设定消费者、商品销售商和服务提供商的评价指标体系；

(3)对评价指标体系按规则设置指标体系中各指标因素的对比矩阵，对消费者评价指标的权重系数进行一致性验证；

(4)对商品销售商和服务提供商的评价指标体系计算权重系数；

(5)计算获得消费者综合信用评价值，将评价结果代入对商品销售商和服务提供商信用评价的计算中，计算出商品销售商和服务提供商的综合信用评价取值，并判断其信用等级。

可选的，所述步骤(2)包括

(2.1)结合社区O2O中消费者特征，将消费者定义为：C＝{c_NB，c_ID，c_FA}；

其中，c_NB表示消费者的网上行为特征，c_NB＝{nb_i|i＝1，2，3...}，其中nb_i表示消费者网上具体行为；c_ID表示消费者的身份特征，c_ID＝{id_i|i＝1，2，3...}，其中id_i表示消费者身份属性；c_FA表示消费者的偏好特征，c_FA＝{fa_i|i＝1，2，3...}，其中fa_i表示消费者偏好属性；

(2.2)结合社区O2O的应用场景对商品销售商的评价，将商品销售商定义为：GS＝{F_GI，F_S，F_T，F_L，F_R}；

其中，F_GI表示对商品的评价指标，F_GI＝{gi_i|i＝1，2，3...}，其中gi_i表示商品属性；F_S表示商家服务的评价指标，F_S＝{s_i|i＝1，2，3...}，其中s_i表示服务的描述属性；F_T表示商家的交易评价，F_T＝{t_i|i＝1，2，3...}，其中t_i表示交易过程的描述属性；F_L表示商家的物流评价，F_L＝{l_i|i＝1，2，3...}，其中l_i表示物流效果的描述属性；F_R表示商家的推广程度评价，F_R＝{r_i|i＝1，2，3...}，其中r_i表示推广的因素；

(2.3)结合社区O2O的应用场景对服务提供商的评价，将服务提供商定义为：SS＝{S_SI，F_SS，F_ST，F_SP，F_SR}；

其中，S_SI表示对服务基本情况的评价指标，S_SI＝{si_i|i＝1，2，3...}，其中si_i表示服务属性；F_SS表示商家服务的评价指标，F_SS＝{ss_i|i＝1，2，3...}，其中ss_i表示服务的描述属性；F_ST表示商家的交易评价，F_ST＝{st_i|i＝1，2，3...}，其中st_i表示交易过程的描述属性；F_SP表示消费者接受服务过程中商家对服务流程管理的评价，F_SP＝{sp_i|i＝1，2，3...}，其中sp_i表示物流效果的描述属性；F_SR表示商家的推广程度评价，F_SR＝{sr_i|i＝1，2，3...}，其中sr_i表示推广的因素；

(2.4)根据上述步骤(2.1)～(2.3)，对消费者、商品销售商和服务提供商的信用评价体系建立三级的树型评价指标体系：评价目标根节点，二级分支节点和三级指标因素叶子节点；

(2.5)按照树形评价指标体系的结构，统计信息形成社区O2O的评价指标因素规则库。

可选的，所述步骤(3)包括

(3.1)根据消费者定义C＝{c_NB，c_ID，c_FA}设定C为消费者信用评价目标，其二级指标分别为c_NB，c_ID，c_FA，对应二级指标下的具体评价指标nb_i，id_i，fa_i为三级评价指标，对应的三级指标的下一层具体因素项设定对应取值域的权重系数；

(3.2)计算每级别中各评价指标的权重系数，设二级指标c_NB，c_ID，c_FA下分别有k＝5，t＝6，h＝4个评价指标，针对一级指标C下属的三个二级指标以及每个二级指标中对应的评价因素按比例标度规则构造对比矩阵：

$A_{NB}=\left[\begin{array}{cccc}{\mathrm{nb}}_{11}& {\mathrm{nb}}_{12}& \mathrm{...}& {\mathrm{nb}}_{1k}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {\mathrm{nb}}_{k1}& {\mathrm{nb}}_{k2}& \mathrm{...}& {\mathrm{nb}}_{kk}\end{array}\right];$

${\mathrm{nb}}_{ij}=\left\{\begin{array}{cc}2& f\left({\mathrm{nb}}_i\right)>>f\left({\mathrm{nb}}_j\right)\\ 1.5& f\left({\mathrm{nb}}_i\right)>f\left({\mathrm{nb}}_j\right)\\ 1& f\left({\mathrm{nb}}_i\right)=f\left({\mathrm{nb}}_j\right)\\ 2/3& f\left({\mathrm{nb}}_i\right)<f\left({\mathrm{nb}}_j\right)\\ 1/2& f\left({\mathrm{nb}}_i\right)<<f\left({\mathrm{nb}}_j\right)\end{array}\right.;$ 其中，f(nb_i)表示评价指标的重要程度；

根据对比矩阵A_NB各元素的取值，按以下公式进行归一化处理，计算c_NB下各评价因素的权重系数w_nbi：

$w_{nbi}={\&Sigma;}_{j=1}^k{\mathrm{nb}}_{ij}/{\&Sigma;}_{m=1}^k{\&Sigma;}_{n=1}^k{\mathrm{nb}}_{mn},k=5,i=1,2,3,4,5;$

(3.3)对所有c，c_NB，c_ID，c_FA下对应的评价因素的权重系数进行一致性验证：

AW_NB＝A_NB·(w_nb1，w_nb2，...，w_nb5)^T；

一致性指标：依据平均随机一致性指标RI，判断一致性CR＝CI/RI是否小于0.1；若满足条件，则按计算所得权重系数进行下一步计算；否则调整相关的对比矩阵中系数。

可选的，所述步骤(4)包括

(4.1)设定商品销售商评价指标库和服务提供商评价指标体系中评价指标因素的对比矩阵；设定每次交易金额的影响权重；设定商家交易时间频繁度的影响权重；设社区O2O的所有商家整体的每天平均交易笔数为近一个月的平均每天交易笔数为前一周的平均交易笔数为每个商家对应的平均交易笔数为ΔT_a，ΔT_m，ΔT_w；则采用以下公式计算商家交易时间频繁度的影响权重：

$W_{\mathrm{\&Delta;}T}=5\&CenterDot;(\frac{1}{4}\frac{{\mathrm{\&Delta;T}}_a}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_a}}+\frac{1}{3}\frac{{\mathrm{\&Delta;T}}_m}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_m}}+\frac{5}{12}\frac{{\mathrm{\&Delta;T}}_w}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_w}}),$ 若W_ΔT≥5，则按W_ΔT＝5计算；

(4.2)对商品销售商和服务提供商各被评价指标及下一级评价因素构建对比矩阵，并计算相关级别评价指标的权重系数；

(4.3)对所获得的评价指标的权重系数各级评价指标权重系数进行一致性验证，判断CR＝CI/RI是否小于0.1，若满足条件，则按计算所得权重系数进行下一步计算；否则调整相关的对比矩阵中系数。

可选的，所述步骤(5)包括

(5.1)设定得分表中消费者信用评价指标体系中各指标的评语集、对应评分和相应信用等级系数；

(5.2)根据每次完成交易后商家对消费者进行的信用评价的数据集以及消费者本身的特征指标体系数据，按获得的消费者信用评价各指标权重系数表格式，分别对每一级评价指标的各评价因素按指标的得分表，对被评价的消费者所对应的评价数据统计汇总出各得分级别在该评价指标因素中的百分比数据，得到该评价指标因素的评价评判数据矩阵；设R_ij为第i级别下第j个评价指标所对应的下一级评价指标因素的统计结果数据矩阵：

$R_{ij}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{15}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ r_{n1}& r_{n2}& \mathrm{...}& r_{n5}\end{array}\right],$ 其中r_pk为对应评价集中得分为k的百分比数值且n为评价指标因素个数；

(5.3)根据各级评价指标中各评价指标的权重系数和对应级别的统计结果数据矩阵R_ij计算上一级的综合评价分值结果：

$Y_{i-1}=\&Sigma;W_{ij}\&times;R_{ij}=\&Sigma;(W_{ij1},W_{ij2},\mathrm{...},W_{ijn})\&times;\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{15}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ r_{n1}& r_{n2}& \mathrm{...}& r_{n5}\end{array}\right];$

将得到的结果Y_i-1进行归一化处理，作为i-2级别的统计计算结果矩阵Y_i-1＝R_i-1，j，直到获得Y_C消费者信用综合评价结果得分为止，即：

$Y_C={\&Sigma;}_{j=1}^3{W}_{2j}\&times;R_{2j}={\&Sigma;}_{j=1}^3{W}_{2j}\&times;Y_2;$

(5.4)以得到的综合信用评价结果向量Y_C为权数，对判断集评分值V_j进行加权平均：

$Y=\frac{{\&Sigma;}_{j=1}^5{Y}_{Cj}{V}_j}{{\&Sigma;}_{j=1}^5{Y}_{Cj}},V_j\&Element;\{5,4,3,2,1\};$

(5.5)参照设置的消费者信用评价指标体系得分表，对的计算结果按模糊数学中最大隶属度原则评判各级别评价指标因素的评价结果，根据结果Y获得综合信用系数即消费者C对商家评价有用指数：VC；

(5.6)用每个消费者各自对商家评价有用指数VC来过滤每次完成交易后消费者对商品销售商和服务提供商进行的信用评价的数据集，即在每次交易后对应评价指标因素的评价结果等级取值中按V_C，V_C∈(0，1)计算；

(5.7)将过滤后数据集按获得的信用评价各指标权重系数对每一级评价指标的各评价因素按指标的评价集，对被评价的商家所对应的评价数据统计汇总出各得分级别在该评价指标因素中的百分比数据，得到该评价指标因素的评价评判数据矩阵，即评价指标因素的统计结果数据矩阵；

(5.8)以计算得到的评价指标因素的统计结果数据矩阵作为初始数据集，并重复上述步骤计算商品销售商和服务提供商的各级综合信用评价得分和综合信用等级VGS，VSS。

本发明基于另一目的提供的一种基于社区O2O的信用评价系统，其改进之

处在于：所述系统包括评价建模层、权重计算层和信用值计算层；

所述评价建模层通过Web/App界面为用户提供友好的可视化界面，在相关的服务页面上部署用户行为特征、用户身份特征的脚本页面，部署评价指标体系设置页面，根据信用评价指标体系动态生成相应评价数据采集页面，并将从相应的界面采集到的数据存储到日志服务/日志存储集群和数据集存储系统中为并行计算提供初始化数据集；

所述权重计算层用于根据评价指标体系中的各级各评价指标对比矩阵，通过矩阵运算计算出各级评价指标的权重系数；

所述信用值计算层用于完成对采集的日志记录按既定的规则进行数据清洗，统计汇总出消费者用户的网上行为特征，标识用户身份特征值；按模糊评判的评价语集对评价数据集进行分类、汇总和统计，以初始化信用评价原始数据；采用并行计算模式，按完成交易、完成评价等时间节点实时计算消费者、商品销售商和服务提供商的各级评价指标的信用评价得分。

本发明的有益效果为：

本发明在大数据技术的支持下，提供一种客观、科学、灵活、健全和有效的基于社区O2O诚信商圈的信用评价方法和系统。该信用评价方法和系统能充分考虑社区O2O诚信商圈中“社区+个性化”的特征，考虑到用户信用评价对商家信用评价的影响；用户网上行为特征、身份特征等对用户信用评价的影响；信用值的时效性的影响；商家恶意无序竞争因素的存在影响等，可按需调整信用评价指标体系，能被应用于社区O2O应用中不同的场景，系统适用于以社区O2O应用为基础的诚信商圈云计算服务平台上，为服务平台上的交易提供多维的信用评价和参考，能提升客户对平台的满意度和黏度。

本发明充分利用云计算和大数据处理技术，利用Hadoop平台及其生态环境工具平台实现海量数据的存储、计算和可视化效果呈现，能充分利用和节省计算资源，有很好的拓展性和灵活的定制能力，对海量结构化和非结构化数据进行快速处理和计算，能快速完成信用评价的海量计算。

附图说明

图1是本发明提供的一种基于社区O2O的信用评价方法流程示意图；

图2是本发明提供的一种基于社区O2O的信用评价系统结构示意图；

图3是本发明提供的一种基于社区O2O的信用评价系统对应的部署结构示意图。

具体实施方式

本实施例一种基于社区O2O的信用评价方法的流程图如图1所示，具体流程如下：

S0:设置社区O2O诚信商圈的各级别信用评价等级为10级，越高级别其信用度越高，由低到高，每级别隶属数值为：设定的评价的得分取值为：(0，5]；

S1:以消费者本体模型、商品本体模型、应用场景本体模型和服务本体模型为基础，形成社区O2O诚信商圈信用评价所对应的消费者本体、商品销售商本体和服务提供商本体，以此设定消费者信用评价指标库、商品销售商评价指标库和服务提供商评价指标库；设定消费者、商品销售商和服务提供商的评价指标体系。以消费者的信用评价指标体系为例：

S1-1.结合社区O2O诚信商圈中消费者的特征，将消费者本体定义为：C＝{c_NB，c_IN，c_FA}，其中c_NB表示消费者的网上行为特征，c_NB＝{nb_i|i＝1，2，3...}，其中nb_i表示消费者网上具体行为(评价指标)；c_ID表示消费者的身份特征，c_ID＝{id_i|i＝1，2，3...}，其中id_i表示消费者身份属性(评价指标)；c_FA表示消费者的偏好特征，c_FA＝{fa_i|i＝1，2，3...}，其中fa_i表示消费者偏好属性(评价指标)；

S1-2.结合社区O2O诚信商圈的应用场景对商品销售商的评价，将商品销售商本体定义为：GS＝{F_GI，F_S，F_T，F_L，F_R}，其中F_GI表示对商品的评价指标，F_GI＝{gi_i|i＝1，2，3...}，其中gi_i表示商品属性；F_S表示商家服务的评价指标，F_S＝{s_i|i＝1，2，3...}，其中s_i表示服务的描述属性；F_T表示商家的交易评价，F_T＝{t_i|i＝1，2，3...}，其中t_i表示交易过程的描述属性；F_L表示商家的物流评价，F_L＝{l_i|i＝1，2，3...}，其中l_i表示物流效果的描述属性；F_R表示商家的推广程度评价，F_R＝{r_i|i＝1，2，3...}，其中r_i表示推广的因素；

S1-3.结合社区O2O诚信商圈的应用场景，以及服务类O2O的特殊性，对服务提供商的评价，将服务提供商本体定义为：SS＝{S_SI，F_SS，F_ST，F_SP，F_SR}，其中S_SI表示对服务基本情况的评价指标，S_SI＝{si_i|i＝1，2，3...}，其中si_i表示服务属性；F_SS表示商家服务的评价指标，F_SS＝{ss_i|i＝1，2，3...}，其中ss_i表示服务的描述属性；F_ST表示商家的交易评价，F_ST＝{st_i|i＝1，2，3...}，其中st_i表示交易过程的描述属性；F_SP表示消费者接受服务过程中商家对服务流程管理的评价，F_SP＝{sp_i|i＝1，2，3...}，其中sp_i表示物流效果的描述属性；F_SR表示商家的推广程度评价，F_SR＝{sr_i|i＝1，2，3...}，其中sr_i表示推广的因素；

S1-4.根据上述S1-1至S1-3，3个步骤，对消费者、商品销售商和服务提供商的信用评价体系建立三级的树型评价指标体系：评价目标根节点，二级分支节点和三级指标因素叶子节点；

S1-5.按照树形评价指标体系的结构，通过调查、领域专家、第三方咨询机构或评估结构的统计信息，形成社区O2O诚信商圈各被评价者的评价指标因素规则库。参照下表格式：

得到

对商品销售商和服务提供商的评价指标体系设定参照以下两个表格格式：商品销售商评价指标体系各级评价指标权重系数表：

服务提供商评价指标体系各级评价指标权重系数表：

评价目标

一级指标

权重系数

二级指标

权重系数

三级指标

权重系数

SS

SSI

wSI

si1

Wsi1

……

……

si2

Wsi2

……

……

sin

Wsin

FSS

WSS

ssi

Wssi

……

……

FST

WST

sti

Wsti

……

……

FSP

WSP

spi

Wspi

……

……

FSR

WSR

sri

Wsri

……

……

S2：对评价指标体系按规则设置指标体系中各指标因素的对比矩阵，对消费者评价指标的权重系数进行一致性验证；

S2-1.根据消费者本体定义C＝{c_NB，c_ID，c_FA}设定C为消费者信用评价目标，其二级指标分别为c_NB，c_ID，c_FA，对应二级指标下的具体评价指标nb_i，id_i，fa_i为三级评价指标，对应的三级指标的下一层具体因素项(四级指标)可按专家建议规则设定对应取值域的权重系数：如身份特征中的“个人月收入”项(可按不同地区人均收入进行相应调整)的下一层评定因素可根据网购行为按收入设定可信权重为：

S2-2.设定交易后用户在Δt天(Max_t＝tt+wt，假设物流时效为tt天，用户评价时效为wt天)内做出任何评价反馈时，由系统自动进行评价，则用户在“网上评价时效”这项信用评价因素的可信权重按以下公式计算：

$W_{\mathrm{\&Delta;}t}=\left\{\begin{array}{cc}5& \mathrm{\&Delta;}t\&le;tt\\ \frac{{\mathrm{Max}}_t-\mathrm{\&Delta;}t}{{\mathrm{Max}}_t}\&CenterDot;5& \mathrm{\&Delta;}t>tt\end{array}\right.;$

S2-3.设定以最近90天为期限，计算用户网购的平均时间间隔为天，最近的两次网购(第i-1次和第i次)间隔分别为Δp_i-1，Δp_i，最近一次网购时间到当前时间的时间间隔为Δp_now，以最大时间间隔阀值为Δp_max，则用户“网购平均间隔”这项的信用评价因素的可信权重按以下公式计算：

$W_{\mathrm{\&Delta;}p}=\{\begin{array}{cc}5\&CenterDot;(1-\frac{1}{2}(\frac{\stackrel{\&OverBar;}{\mathrm{\&Delta;}p}}{{\mathrm{\&Delta;p}}_{\max }}+\frac{1}{3}\&CenterDot;\frac{{\mathrm{\&Delta;p}}_{i-1}+{\mathrm{\&Delta;p}}_i+{\mathrm{\&Delta;p}}_{now}}{{\mathrm{\&Delta;p}}_{\max }}\left)\right)& \stackrel{\&OverBar;}{\mathrm{\&Delta;}p}\&le;{\mathrm{\&Delta;p}}_{\max }\\ 5\&CenterDot;(1-\frac{1}{2}(\frac{1}{3}\&CenterDot;\frac{{\mathrm{\&Delta;p}}_{i-1}+{\mathrm{\&Delta;p}}_i+{\mathrm{\&Delta;p}}_{now}}{{\mathrm{\&Delta;p}}_{\max }}\left)\right)& \stackrel{\&OverBar;}{\mathrm{\&Delta;}p}>{\mathrm{\&Delta;p}}_{\max }\end{array};$

S2-4.计算每级别中各评价指标的权重系数。设二级指标c_NB，c_ID，c_FA下分别有k＝5，t＝6，h＝4个评价指标，针对一级指标C下属的三个二级指标以及每个二级指标中对应的评价因素按以下五级比例标度规则构造两两因素间重要程度的对比矩阵(以二级指标CNB为例)：

$A_{NB}=\left[\begin{array}{cccc}{\mathrm{nb}}_{11}& {\mathrm{nb}}_{12}& \mathrm{...}& {\mathrm{nb}}_{1k}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {\mathrm{nb}}_{k1}& {\mathrm{nb}}_{k2}& \mathrm{...}& {\mathrm{nb}}_{kk}\end{array}\right];$

${\mathrm{nb}}_{ij}=\left\{\begin{array}{cc}2& f\left({\mathrm{nb}}_i\right)>>f\left({\mathrm{nb}}_j\right)\\ 1.5& f\left({\mathrm{nb}}_i\right)>f\left({\mathrm{nb}}_j\right)\\ 1& f\left({\mathrm{nb}}_i\right)=f\left({\mathrm{nb}}_j\right)\\ 2/3& f\left({\mathrm{nb}}_i\right)<f\left({\mathrm{nb}}_j\right)\\ 1/2& f\left({\mathrm{nb}}_i\right)<<f\left({\mathrm{nb}}_j\right)\end{array}\right.$ 其中，f(nb_i)表示评价指标的重要程度；

则有：

$A_{NB}=\left[\begin{array}{cccc}1& 1/2& 2/3& 1.5\\ 2& 1& 1.5& 1.5\\ 1.5& 2/3& 1& 2\\ 2/3& 2/3& 1/2& 1\end{array}\right];$

根据对比矩阵A_NB各元素的取值，按以下公式进行归一化处理计算c_NB下各评价因素(即二级指标)的权重系数w_nbi：

$w_{nbi}={\&Sigma;}_{j=1}^k{\mathrm{nb}}_{ij}/{\&Sigma;}_{m=1}^k{\&Sigma;}_{n=1}^k{\mathrm{nb}}_{mn},k=4,i=1,2,3,4;$

则有：

w_nbi＝[0.2075，0.3396，0.2925，0.1604]^T；

S2-5.重复上述S2-4过程规则计算c，c_ID，c_FA下各评价因素权重系数w_i，w_idi，w_fai。获得如下表格式的结果：

消费者信用评价各指标权重系数表：

S2-6：对消费者评价指标的权重系数进行一致性验证；对所有c，c_NB，c_ID，c_FA下对应的评价因素的权重系数进行一致性验证(以二级指标CNB为例)：

AW_NB＝A_NB·(w_nb1，w_nb2，...，w_nb5)^T；

一致性指标：依据平均随机一致性指标RI(如下表所示，根据矩阵阶数k＝4)：

阶数	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

判断一致性CR＝CI/RI是否小于0.1。若满足条件，则按计算所得权重系数进行下一步计算；否则调整相关的对比矩阵中系数。

${\mathrm{AW}}_{NB}=\left[\begin{array}{cccc}1& 1/2& 2/3& 1.5\\ 2& 1& 1.5& 1.5\\ 1.5& 2/3& 1& 2\\ 2/3& 2/3& 1/2& 1\end{array}\right]\&CenterDot;{\&lsqb;0.2075,0.3396,0.2925,0.1604\&rsqb;}^T;$

$CI=\frac{\frac{1}{4}(\frac{0.8129}{0.2075}+\frac{1.4340}{0.3396}+\frac{1.1509}{0.2925}+\frac{0.6714}{0.1604})-4}{4-1}=0.0217;$

CR＝0.0217/0.9＝0.0241＜0.1；

满足一致性要求。故得到c_NB的下一级指标权重为：

S3：对商品销售商和服务提供商的评价指标体系计算权重系数；

S3-1.设定商品销售商评价指标库和服务提供商评价指标体系中评价指标因素的重要性对比矩阵按下表九级标度进行设置：

标度取值	标度含义(矩阵中两两重要性比较)
		1	fi与fj同等重要
3	fi比fj稍微重要
		5	fi比fj明显重要
7	fi比fj强烈重要
		9	fi比fj极其重要
2，4，6，8	上述两两比较重要程度取值的中间值
		数值倒数	fj比fi重要程度(上述对称位置的取值的倒数)

设定每次交易金额的影响权重(可按具体地区和人群的平均收入作为参考来进行修定)：

设定商家交易时间频繁度的影响权重。社区O2O诚信商圈的所有商家整体的每天平均交易笔数为近一个月的平均每天交易笔数为前一周的平均交易笔数为每个商家对应的平均交易笔数为ΔT_a，ΔT_m，ΔT_w。则采用以下公式计算商家交易时间频繁度的影响权重： $W_{\mathrm{\&Delta;}T}=5\&CenterDot;(\frac{1}{4}\frac{{\mathrm{\&Delta;T}}_a}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_a}}+\frac{1}{3}\frac{{\mathrm{\&Delta;T}}_m}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_m}}+\frac{5}{12}\frac{{\mathrm{\&Delta;T}}_w}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_w}}),$ 若W_ΔT≥5，则按W_ΔT＝5计算；

S3-2.按S3-1所述对比矩阵九级标度方式对S1-2和S1-3中所述被评价的商品销售商和服务提供商各被评价指标及下一级评价因素构建对比矩阵，并重复上述S2-4过程规则计算相关级别评价指标的权重系数，获得如下表格式的权重系数表：

商品销售商评价指标体系各级评价指标权重系数表：

服务提供商评价指标体系各级评价指标权重系数表：

S3-3.按步骤S2-6所述方法对S3-2所获得的评价指标体系各级评价指标权重系数进行一致性验证，判断CR＝CI/RI是否小于0.1，若满足条件，则按计算所得权重系数进行下一步计算；否则调整相关的对比矩阵中系数。

S4：针对商家对消费者的评语数据集计算消费者的各级信用评价及综合信用评价(等级数值)

设定消费者信用评价指标体系中各指标的评语集、对应评分和相应信用等级系数如下表：

S4-2.根据每次完成交易后商家对消费者进行的信用评价的数据集以及消费者本身的特征指标体系(身份特征、网上行为特征、消费者偏好特征)数据，按S2-5获得的消费者信用评价各指标权重系数表格式，分别对每一级评价指标的各评价因素按S4-1所述的指标的评价集，对被评价的消费者所对应的评价数据统计汇总出各得分级别在该评价指标因素中的百分比数据，得到该评价指标因素的评价评判数据矩阵。设为第i级别下第j个评价指标所对应的下一级评价指标因素的统计结果数据矩阵：

$R_{ij}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{15}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ r_{n1}& r_{n2}& \mathrm{...}& r_{n5}\end{array}\right],$ 其中r_pk为对应评价集中得分为k的百分比数值且n为评价指标因素个数。

根据c_NB网上行为特征下的4个评价指标对应统计得到的数据集R_ij为： $R_{21}=\left[\begin{array}{ccccc}0.58& 0.1& 0.22& 0.05& 0.05\\ 0.55& 0.15& 0.2& 0.06& 0.04\\ 0.62& 0.12& 0.01& 0.1& 0.15\\ 0.16& 0.2& 0.58& 0.04& 0.02\end{array}\right];$

根据S3得到的各级评价指标中各评价指标的权重系数矩阵W_ij和步骤S4-2得到对应级别的统计结果数据矩阵R_ij计算上一级的综合评价分值结果：

$Y_{i-1}=\&Sigma;W_{ij}\&times;R_{ij}=\&Sigma;(W_{ij1},W_{ij2},\mathrm{...},W_{ijn})\&times;\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{15}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ r_{n1}& r_{n2}& \mathrm{...}& r_{n5}\end{array}\right];$

$\begin{array}{c}{Y}_{21}=\&lsqb;0.2075,0.3396,0.2925,0.1604\&rsqb;\&times;\left[\begin{array}{ccccc}0.58& 0.1& 0.22& 0.05& 0.05\\ 0.55& 0.15& 0.2& 0.06& 0.04\\ 0.62& 0.12& 0.01& 0.1& 0.15\\ 0.16& 0.2& 0.58& 0.04& 0.02\end{array}\right]\\ =\&lsqb;0.5142,0.1389,0.2095,0.06642,0.07104\&rsqb;\end{array};$

以Y₂₁为权数，对判断集评分值V_j进行加权平均：

$Y=\frac{{\&Sigma;}_{j=1}^5{Y}_{Cj}{V}_j}{{\&Sigma;}_{j=1}^5{Y}_{Cj}},V_j\&Element;\{5,4,3,2,1\};$

$\stackrel{\&OverBar;}{Y_{21}}=0.5142*5+0.1389*+0.2095*3+0.06642*2+0.07104=3.9587;$

根据则该用户的“网上行为特征”项的得分为：3.9587，隶属取值为：0.7917。

重复上述过程，将得到的结果Y_i-1进行归一化处理，作为i-2级别的统计计算结果矩阵Y_i-1＝R_i-1，j，直到获得Y_C消费者信用综合评价结果得分为止，即：

$Y_C={\&Sigma;}_{j=1}^3{W}_{2j}\&times;R_{2j}={\&Sigma;}_{j=1}^3{W}_{2j}\&times;Y_2;$

以得到的综合信用评价结果向量Y_C为权数，对判断集评分值V_j进行加权平均：

S4-5.参照S4-1设置的消费者信用评价指标体系得分表，对步骤S4-3和S4-4的计算结果按模糊数学中最大隶属度原则评判各级别评价指标因素的评价结果，根据结果Y获得综合信用系数即消费者C对商家评价有用指数：VC。

S4-6.用每个消费者各自对商家评价有用指数VC来过滤每次完成交易后消费者对商家(商品销售商和服务提供商)进行的信用评价的数据集，即在每次交易后对应评价指标因素的评价结果等级取值中按V_C，V_C∈(0，1]计算。

S4-7.将过滤后数据集按S3-2获得的信用评价各指标权重系数表格式分别对每一级评价指标的各评价因素按S4-1所述的指标的评价集，参照步骤S4-2所述，对被评价的商家所对应的评价数据统计汇总出各得分级别在该评价指标因素中的百分比数据，得到该评价指标因素的评价评判数据矩阵，即评价指标因素的统计结果数据矩阵。最终得到用户各级评价指标的得分和综合信用评价得分：0.8635，表示在最终统计汇总评价记录集数据时，该用户对所有商家的评判按0.8635进行计算。

S5：按照S4的过程，针对消费者对商家的评语数据集计算商家的各级信用评价及综合信用评价(等级数值)。以步骤S4-7计算得到的评价指标因素的统计结果数据矩阵作为初始数据集，参照步骤S4-3到S4-5，并重复上述步骤计算商品销售商和服务提供商的各级综合信用评价得分和综合信用等级VGS，VSS。

本发明还包括另一实施例一种基于社区O2O的信用评价系统，系统结构如图2所示，系统所对应的部署结构如图3所示，该系统主要由三个业务层所组成：评价建模层、权重计算层和信用值计算层。下面结合逻辑结构图和系统部署图对相应层进行详细描述：

评价建模层主要是社区O2O诚信商圈的服务平台，通过Web/App界面为用户提供友好的可视化界面，在相关的服务页面上部署用户行为特征、用户身份特征的脚本页面，部署评价指标体系设置页面(包括评价指标库的录入页面、评价指标体系模板页面、评价指标各指标对比矩阵设置页面等)，根据信用评价指标体系动态生成相应评价数据采集页面，并将从相应的界面采集到的数据存储到日志服务/日志存储集群和数据集存储系统中为并行计算提供初始化数据集；让管理者或领域专家实现在界面中按树形结构设置信用评价指标体系的各级指标因素，形成评价指标因素规则库；消费者、商品销售商和服务提供商本体模型设置信用评价指标体系；设置各指标因素的对比矩阵并保存设置结果。

权重计算层主要是根据评价指标体系中的各级各评价指标对比矩阵，按照一种基于社区O2O诚信商圈的信用评价方法中对权重系数计算的过程，通过矩阵运算计算出各级评价指标的权重系数；

信用值计算层是系统的核心层，在大数据技术的支持下，主要完成对采集的日志记录按既定的规则进行数据清洗，统计汇总出消费者用户的网上行为特征，标识用户身份特征值；按模糊评判的评价语集对评价数据集(消费者和商家之间的评价记录数据集)进行分类、汇总和统计，以初始化信用评价原始数据；采用并行计算模式，按完成交易、完成评价等时间节点实时计算消费者、商品销售商和服务提供商的各级评价指标的信用评价得分；该层主要由数据集(针对评价指标体系的交易评价数据)管理及分析子系统、诚信评价指标计算及分析处理子系统、云存储系统所组成。在系统实现上主要采用Hadoop(MapReduce和HDFS)、Hbase，结构化数据的存储使用MySQL，数据整合工具使用Sqoop和Hive。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (6)

1.一种基于社区O2O的信用评价方法，其特征在于：所述方法包括

(1)设置社区O2O的各级评价指标的评价等级及等级数值；

(2)以消费者、商品、应用场景和服务为基础，设定消费者、商品销售商和服务提供商的评价指标体系；

(3)对评价指标体系按规则设置指标体系中各指标因素的对比矩阵，对消费者评价指标的权重系数进行一致性验证；

(4)对商品销售商和服务提供商的评价指标体系计算权重系数；

(5)计算获得消费者综合信用评价值，将评价结果代入对商品销售商和服务提供商信用评价的计算中，计算出商品销售商和服务提供商的综合信用评价取值，并判断其信用等级。

2.根据权利要求1所述的一种基于社区O2O的信用评价方法，其特征在于：所述步骤(2)包括

(2.1)结合社区O2O中消费者特征，将消费者定义为：C＝{c_NB，c_ID，c_FA}；

其中，c_NB表示消费者的网上行为特征，c_NB＝{nb_i|i＝1，2，3...}，其中nb_i表示消费者网上具体行为；c_ID表示消费者的身份特征，c_ID＝{id_i|i＝1，2，3...}，其中id_i表示消费者身份属性；c_FA表示消费者的偏好特征，c_FA＝{fa_i|i＝1，2，3...}，其中fa_i表示消费者偏好属性；

(2.2)结合社区O2O的应用场景对商品销售商的评价，将商品销售商定义为：GS＝{F_GI，F_S，F_T，F_L，F_R}；

其中，F_GI表示对商品的评价指标，F_GI＝{gi_i|i＝1，2，3...}，其中gi_i表示商品属性；F_S表示商家服务的评价指标，F_S＝{s_i|i＝1，2，3...}，其中s_i表示服务的描述属性；F_T表示商家的交易评价，F_T＝{t_i|i＝1，2，3...}，其中t_i表示交易过程的描述属性；F_L表示商家的物流评价，F_L＝{l_i|i＝1，2，3...}，其中l_i表示物流效果的描述属性；F_R表示商家的推广程度评价，F_R＝{r_i|i＝1，2，3...}，其中r_i表示推广的因素；

(2.3)结合社区O2O的应用场景对服务提供商的评价，将服务提供商定义为：SS＝{S_SI，F_SS，F_ST，F_SP，F_SR}；

其中，S_SI表示对服务基本情况的评价指标，S_SI＝{si_i|i＝1，2，3...}，其中si_i表示服务属性；F_SS表示商家服务的评价指标，F_SS＝{ss_i|i＝1，2，3...}，其中ss_i表示服务的描述属性；F_ST表示商家的交易评价，F_ST＝{st_i|i＝1，2，3...}，其中st_i表示交易过程的描述属性；F_SP表示消费者接受服务过程中商家对服务流程管理的评价，F_SP＝{sp_i|i＝1，2，3...}，其中sp_i表示物流效果的描述属性；F_SR表示商家的推广程度评价，F_SR＝{sr_i|i＝1，2，3...}，其中sr_i表示推广的因素；

(2.4)根据上述步骤(2.1)～(2.3)，对消费者、商品销售商和服务提供商的信用评价体系建立三级的树型评价指标体系：评价目标根节点，二级分支节点和三级指标因素叶子节点；

(2.5)按照树形评价指标体系的结构，统计信息形成社区O2O的评价指标因素规则库。

3.根据权利要求1所述的一种基于社区O2O的信用评价方法，其特征在于：所述步骤(3)包括

(3.1)根据消费者定义C＝{c_NB，c_ID，c_FA}设定C为消费者信用评价目标，其二级指标分别为c_NB，c_ID，c_FA，对应二级指标下的具体评价指标nb_i，id_i，fa_i为三级评价指标，对应的三级指标的下一层具体因素项设定对应取值域的权重系数；

(3.2)计算每级别中各评价指标的权重系数，设二级指标c_NB，c_ID，c_FA下分别有k＝5，t＝6，h＝4个评价指标，针对一级指标C下属的三个二级指标以及每个二级指标中对应的评价因素按比例标度规则构造对比矩阵：

$A_{NB}=\left[\begin{array}{cccc}{\mathrm{nb}}_{11}& {\mathrm{nb}}_{12}& ...& {\mathrm{nb}}_{1k}\\ ...& ...& ...& ...\\ {\mathrm{nb}}_{k1}& {\mathrm{nb}}_{k2}& ...& {\mathrm{nh}}_{kk}\end{array}\right];$

${\mathrm{nb}}_{ij}=\left\{\begin{array}{cc}2& f\left({\mathrm{nb}}_i\right)>>f\left({\mathrm{nb}}_j\right)\\ 1.5& f\left({\mathrm{nb}}_i\right)>f\left({\mathrm{nb}}_j\right)\\ 1& f\left({\mathrm{nb}}_i\right)=f\left({\mathrm{nb}}_j\right)\\ 2/3& f\left({\mathrm{nb}}_i\right)<f\left({\mathrm{nb}}_j\right)\\ 1/2& f\left({\mathrm{nb}}_i\right)<<f\left({\mathrm{nb}}_j\right)\end{array}\right.;$ 其中，f(nb_i)表示评价指标的重要程度；

根据对比矩阵A_NB各元素的取值，按以下公式进行归一化处理，计算c_NB下各评价因素的权重系数w_nbi：

$w_{nbi}={\mathrm{\&Sigma;}}_{j=1}^k{\mathrm{nb}}_{ij}/{\mathrm{\&Sigma;}}_{m=1}^k{\mathrm{\&Sigma;}}_{n=1}^k{\mathrm{nb}}_{mn},k=5,1=1,2,3,4,5;$

(3.3)对所有c，c_NB，c_ID，c_FA下对应的评价因素的权重系数进行一致性验证：

AW_NB＝A_NB·(w_nb1，w_nb2，...，w_nb5)^T；

一致性指标：依据平均随机一致性指标RI，判断一致性CR＝CI/RI是否小于0.1；若满足条件，则按计算所得权重系数进行下一步计算；否则调整相关的对比矩阵中系数。

4.根据权利要求1所述的一种基于社区O2O的信用评价方法，其特征在于：所述步骤(4)包括

(4.1)设定商品销售商评价指标库和服务提供商评价指标体系中评价指标因素的对比矩阵；设定每次交易金额的影响权重；设定商家交易时间频繁度的影响权重；设社区O2O的所有商家整体的每天平均交易笔数为近一个月的平均每天交易笔数为前一周的平均交易笔数为每个商家对应的平均交易笔数为ΔT_a，ΔT_m，ΔT_w；则采用以下公式计算商家交易时间频繁度的影响权重：

$W_{\mathrm{\&Delta;}T}=5\&CenterDot;(\frac{1}{4}\frac{{\mathrm{\&Delta;T}}_a}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_a}}+\frac{1}{3}\frac{{\mathrm{\&Delta;T}}_m}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_m}}+\frac{5}{12}\frac{{\mathrm{\&Delta;T}}_w}{\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_w}}),$ 若W_ΔT≥5，则按W_ΔT＝5计算；

(4.2)对商品销售商和服务提供商各被评价指标及下一级评价因素构建对比矩阵，并计算相关级别评价指标的权重系数；

(4.3)对所获得的评价指标的权重系数各级评价指标权重系数进行一致性验证，判断CR＝CI/RI是否小于0.1，若满足条件，则按计算所得权重系数进行下一步计算；否则调整相关的对比矩阵中系数。

5.根据权利要求1所述的一种基于社区O2O的信用评价方法，其特征在于：所述步骤(5)包括

(5.1)设定得分表中消费者信用评价指标体系中各指标的评语集、对应评分和相应信用等级系数；

(5.2)根据每次完成交易后商家对消费者进行的信用评价的数据集以及消费者本身的特征指标体系数据，按获得的消费者信用评价各指标权重系数表格式，分别对每一级评价指标的各评价因素按指标的得分表，对被评价的消费者所对应的评价数据统计汇总出各得分级别在该评价指标因素中的百分比数据，得到该评价指标因素的评价评判数据矩阵；设R_ij为第i级别下第j个评价指标所对应的下一级评价指标因素的统计结果数据矩阵：

$R_{ij}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{15}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{n5}\end{array}\right],$ 其中r_pk为对应评价集中得分为k的百分比数值且n为评价指标因素个数；

(5.3)根据各级评价指标中各评价指标的权重系数和对应级别的统计结果数据矩阵R_ij计算上一级的综合评价分值结果：

$Y_{i-1}={\mathrm{\&Sigma;W}}_{ij}\&times;R_{ij}=\mathrm{\&Sigma;}(W_{ij1},W_{ij2},...,W_{ijn})\&times;\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{15}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{n5}\end{array}\right];$

将得到的结果Y_i-1进行归一化处理，作为i-2级别的统计计算结果矩阵Y_i-1＝R_i-1，j，直到获得Y_C消费者信用综合评价结果得分为止，即：

$Y_C={\mathrm{\&Sigma;}}_{j=1}^3{W}_{2j}\&times;R_{2j}={\mathrm{\&Sigma;}}_{j=1}^3{W}_{2j}\&times;Y_2;$

(5.4)以得到的综合信用评价结果向量Y_C为权数，对判断集评分值V_j进行加权平均：

$Y=\frac{{\mathrm{\&Sigma;}}_{j=1}^5{Y}_{Cj}{V}_j}{{\mathrm{\&Sigma;}}_{j=1}^5{Y}_{Cj}},V_j\&Element;\{5,4,3,2,1\};$

(5.5)参照设置的消费者信用评价指标体系得分表，对的计算结果按模糊数学中最大隶属度原则评判各级别评价指标因素的评价结果，根据结果Y获得综合信用系数即消费者C对商家评价有用指数：VC；

(5.6)用每个消费者各自对商家评价有用指数VC来过滤每次完成交易后消费者对商品销售商和服务提供商进行的信用评价的数据集，即在每次交易后对应评价指标因素的评价结果等级取值中按V_C，V_C∈(0，1]计算；

(5.7)将过滤后数据集按获得的信用评价各指标权重系数对每一级评价指标的各评价因素按指标的评价集，对被评价的商家所对应的评价数据统计汇总出各得分级别在该评价指标因素中的百分比数据，得到该评价指标因素的评价评判数据矩阵，即评价指标因素的统计结果数据矩阵；

(5.8)以计算得到的评价指标因素的统计结果数据矩阵作为初始数据集，并重复上述步骤计算商品销售商和服务提供商的各级综合信用评价得分和综合信用等级VGS，VSS。

6.一种基于社区O2O的信用评价系统，其特征在于：所述系统包括评价建模层、权重计算层和信用值计算层；

所述评价建模层通过Web/App界面为用户提供友好的可视化界面，在相关的服务页面上部署用户行为特征、用户身份特征的脚本页面，部署评价指标体系设置页面，根据信用评价指标体系动态生成相应评价数据采集页面，并将从相应的界面采集到的数据存储到日志服务/日志存储集群和数据集存储系统中为并行计算提供初始化数据集；

所述权重计算层用于根据评价指标体系中的各级各评价指标对比矩阵，通过矩阵运算计算出各级评价指标的权重系数；

所述信用值计算层用于完成对采集的日志记录按既定的规则进行数据清洗，统计汇总出消费者用户的网上行为特征，标识用户身份特征值；按模糊评判的评价语集对评价数据集进行分类、汇总和统计，以初始化信用评价原始数据；采用并行计算模式，按完成交易、完成评价等时间节点实时计算消费者、商品销售商和服务提供商的各级评价指标的信用评价得分。