CN110009449A - 商家信用评估方法、服务器及存储介质 - Google Patents

Abstract

本发明公开了一种商家信用评估方法、服务器及存储介质，所述方法包括步骤：获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值；收集所述商家对应的平台数据，并对所述平台数据进行分析，以得到所述商家信用浮动分值；将所述商家信用基础分值与所述商家信用浮动分值相加，得到商家信用评估总分值，并根据所述商家信用评估总分值对所述商家进行信用评估。从而为第三方平台建立了一套以商家证照资质为主，平台商家数据为辅的实时信用评估体系，能够对于商家的信用资质进行多维度评估，进而加强了商家监管，有利于平台健康有序发展。

Description

商家信用评估方法、服务器及存储介质

技术领域

本发明涉及信息技术领域，尤其涉及一种商家信用评估方法、服务器及存储介质。

背景技术

随着信息技术的发展，第三方电子商务平台逐渐兴起，许多个人或企业卖家可以在平台上注册成为商家进行商品销售。为了第三方电子商务平台的健康有序发展，需要对入驻商家进行科学监管。目前的商家监管方式主要是对于商家的入驻门槛设定要求，如果符合入驻要求则允许该商家在平台上进行销售活动，但实质上入驻门槛仅是筛除了一部分资质较差的商家，剩余满足入驻门槛的商家实质在进行经营活动时的信用水平也是鱼龙混杂的，因此第三方销售平台缺乏一种科学可持续的商家监管方法。

发明内容

本发明的主要目的在于提供一种商家信用评估方法、服务器及存储介质，旨在解决第三方电商平台缺乏科学可持续的商家监管方法的问题。

为实现上述目的，本发明提供一种商家信用评估方法，包括：

获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值；

收集所述商家对应的平台数据，并对所述平台数据进行分析，以得到所述商家信用浮动分值；

将所述商家信用基础分值与所述商家信用浮动分值相加，得到商家信用评估总分值，并根据所述商家信用评估总分值对所述商家进行信用评估。

可选地，所述获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值的步骤包括：

从预设存储器中读取所述商家的证照信息，并根据所述证照信息，对所述商家所持证照的数量进行统计；

将统计得到的所述商家所持证照的数量作为关键词，从预设的数量与评分的映射关系中，获取所述关键词对应的评分，并将所述关键词对应的评分作为所述商家信用基础分值。

可选地，所述从预设存储器中读取所述商家的证照信息的步骤之后，还包括：

通过第三方接口对所述商家的证照信息进行鉴别；

当所述商家的至少一个所持证照的鉴别结果为不通过时，将所述商家信用基础分值设置为0；

当所述商家的所有所持证照的鉴别结果均为通过时，执行步骤：根据所述证照信息，对所述商家所持证照的数量进行统计。

可选地，所述平台数据包括平台用户评价数据，平台交易数据以及平台投诉数据；

所述对所述平台数据进行分析，以得到所述商家信用浮动分值的步骤包括：

从所述商家对应的平台数据中获取平台用户评价数据、平台交易数据以及平台投诉数据，并分别将所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据输入对应的评估模型中进行运算，以得到所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据对应的浮动分值；

根据所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的浮动分值，获取所述商家信用浮动分值。

可选地，所述将所述平台用户评价数据输入对应的评估模型中进行运算，以得到所述平台用户评价数据对应的浮动分值的步骤包括：

将所述平台用户评价数据转化为对应的样本向量集合，并将所述样本向量集合中的每个样本向量依次输入至训练好的评价分类评估模型中，得到每个样本向量对应在评价分类评估模型中每一行的分类概率；

选择分类概率最高的一行作为每个样本向量的分类结果，并统计所有样本向量对应的分类结果，以将样本向量分类最多的分类结果作为所述商家的用户评价类别；

根据所述用户评价类别，获取所述用户评价类别对应的评估分值，并将所述用户评价类别对应的评估分值设置为所述平台用户评价数据对应的浮动分值。

可选地，所述将所述平台交易数据输入对应的评估模型中进行运算，以得到所述平台交易数据对应的浮动分值的步骤包括：

将所述平台交易数据输入对应的交易评估模型中，以确定所述商家所属的交易量区间；

获取所述商家所属的交易量区间对应的浮动分值。

可选地，所述将所述平台投诉数据输入对应的评估模型中进行运算，以得到所述平台投诉数据对应的浮动分值的步骤包括：

将所述平台投诉数据输入至对应的评估模型中，得到所述商家对应的被诉单数以及被诉经营范围数据；

根据所述商家对应的被诉单数以及所述被诉经营范围数据，确定所述商家的待减浮动分值；

将平台投诉数据对应的预设基准浮动分值与所述待减浮动分值相减，得到所述平台投诉数据对应的浮动分值。

可选地，所述根据所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的浮动分值，获取所述商家信用浮动分值的步骤包括：

获取所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的权值；

按照公式P＝a1*b1+a2*b2+a3*b3，计算得到所述商家信用浮动分值，其中P为商家信用浮动分值，a1为所述平台用户评价数据对应的浮动分值，b1为所述平台用户评价数据对应的权值，a2为所述平台交易数据对应的浮动分值，b2为所述平台交易数据对应的权值，a3为所述平台投诉数据对应的浮动分值，b3为所述平台投诉数据对应的权值。

此外，为实现上述目的，本发明还提供一种服务器，所述服务器包括：通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的商家信用评估方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的商家信用评估方法的步骤。

本发明通过获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值；收集所述商家对应的平台数据，并对所述平台数据进行分析，以得到所述商家信用浮动分值；将所述商家信用基础分值与所述商家信用浮动分值相加，得到商家信用评估总分值，并根据所述商家信用评估总分值对所述商家进行信用评估。从而为第三方平台建立了一套以商家证照资质为主，平台商家数据为辅的实时信用评估体系，能够对于商家的信用资质进行多维度评估，进而加强了商家监管，有利于平台健康有序发展。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图；

图2为本发明商家信用评估方法第一实施例的流程示意图；

图3为本发明商家信用评估方法第二实施例中步骤S10的细化流程示意图；

图4为本发明商家信用评估方法第三实施例中步骤S20的细化流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参看图1，图1为本发明所提供的服务器的硬件结构示意图。所述服务器可以包括通信模块10、存储器20以及处理器30等部件。在所述服务器中，所述处理器30分别与所述存储器20以及所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行，所述计算机程序执行时实现下述方法实施例的步骤。

通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可以发送请求、指令及信息至所述外部通讯设备。所述服务器可以利用通信模块10的连接作用，获取云存储器或其他分布式存储器中存储的商家对应的平台数据，或者调用第三方接口对商家数据信息进行鉴别。

存储器20，可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如对所述商家进行信用评估)等；存储数据区可包括数据库，存储数据区可存储根据服务器的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器30，是服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。处理器30可包括一个或多个处理单元；可选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。

尽管图1未示出，但上述服务器还可以包括电路控制模块，用于与电源连接，保证其他部件的正常工作。本领域技术人员可以理解，图1中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

基于上述硬件结构，提出本发明各个实施例。

参照图2，图2为本发明商家信用评估方法一实施例的流程示意图，在本实施例中，所述方法包括：

步骤S10,获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值；

本实施例中的证照信息是指商家在申请入驻电子商务平台所需提交的，与营业资质相关的文件资料，例如可以是图片格式，pdf(Portable Document Format的简称，意为“便携式文档格式”)文档等等，这些文件资料可以包括营业执照、组织机构代码证、税务登记证、商标证书、专利证书、商品销售来源证明以及商品销售授权证明等等。

可以理解地是，证照的类别可以分为必要和可选，即有一部分证照是在进行商家入驻申请时所必须提供的资料，可选的则可以根据商家的自主意愿提供，其可以用作信用评估的辅助参考材料。在进行信用评估时，可以按照证照的数量，以及每种不同的证照对应的预设影响因子进行商家信用基础分值的确定。当然，也可以只要商家的证照信息满足必选的要求即可为该商家设定固定的商家信用基础分值，例如商家信用基础分值为60分。

步骤S20,收集所述商家对应的平台数据，并对所述平台数据进行分析，以得到所述商家信用浮动分值；

其中，平台数据可以是商家在入驻平台后平台存储的相关的数据记录，当然也可以是从其他平台获取的该商家的相关数据，以作为平台数据。其中平台数据涉及的内容包括用户评价，商家投诉、商家店铺商品投诉以及商品销量相关的数据，例如可以是平台用户评价数据，平台交易数据以及平台投诉数据。在获取了这些平台数据后可以通过大数据分析，进一步确认在入驻前后商家的各种行为表现，从而得到商家在进行经营销售活动层面用户和实际销量反映的商家信用情况，即商家信用浮动分值。需要说明的是，只要商家产生了销售行为，平台数据实质上就会更新，因此可以在每间隔预设时间后固定进行商家信用浮动分值的更新。

步骤S30,将所述商家信用基础分值与所述商家信用浮动分值相加，得到商家信用评估总分值，并根据所述商家信用评估总分值对所述商家进行信用评估。

本实施例使用了一套以商家证照资质为主，平台商家数据为辅的实时信用评估体系，能够将两方面获得的分值综合起来考虑商家的实际信用。可选的综合方法可以是将基础分值与浮动分值相加，从而得到评估总分值，当然也可以将分值进行其他逻辑运算，例如相乘操作，但在执行时需要将分值的取值范围进行对应调整。进一步可以按照不同商家信用评分总分值划分不同的商家评价等级，按照等级划分商家，实际等级的不同显示了商家信用的高低水平，或者也可以直接将总分值作为衡量商家信用的标准。

本实施例通过获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值；收集所述商家对应的平台数据，并对所述平台数据进行分析，以得到所述商家信用浮动分值；将所述商家信用基础分值与所述商家信用浮动分值相加，得到商家信用评估总分值，并根据所述商家信用评估总分值对所述商家进行信用评估。从而为第三方平台建立了一套以商家证照资质为主，平台商家数据为辅的实时信用评估体系，能够对于商家的信用资质进行多维度评估，进而加强了商家监管，有利于平台健康有序发展。

进一步地，参见图3，在另一实施例中，所述步骤S10的步骤包括：

步骤S11，从预设存储器中读取所述商家的证照信息，并根据所述证照信息，对所述商家所持证照的数量进行统计；

步骤S12，将统计得到的所述商家所持证照的数量作为关键词，从预设的数量与评分的映射关系中，获取所述关键词对应的评分，并将所述关键词对应的评分作为所述商家信用基础分值。

其中，商家证照信息可以从服务器相连的或者服务器自身预设的存储器中读取。在执行时可以获取待信用评估商家的所有证照信息，得到该商家上传证照的数量，此外还可以获得商家的经营范围，企业资质等信息。需要说明的是，本实施例实际在进行商家信用基础分值获取时设定的规则是认为商家提供的证照数量越多，基础分值越高，可以将商家证照数量划分多个区间，每个区间对应一个基础分值，也可以不划分区间，直接每个证照数量对应一个信用基础分值，但总的分值变化趋势应当是数量越多，代表企业基础资质越优秀，可以根据实际信用评估规则设定代表更为优质的企业资质的分数。本方案通过设定基础分值的评估策略，帮助快速有效设定各商家的基础分值，为商家信用评估起到了核心的参考作用。

可选地，在其他实施例中，所述步骤S11中从预设存储器中读取所述商家的证照信息之后，还可以执行以下步骤：

通过第三方接口对所述商家的证照信息进行鉴别；

当所述商家的至少一个所持证照的鉴别结果为不通过时，将所述商家信用基础分值设置为0；

当所述商家的所有所持证照的鉴别结果均为通过时，执行步骤：根据所述证照信息，对所述商家所持证照的数量进行统计。

其中第三方接口可以是提供证照鉴定服务的第三方企业或机构接口，通过第三方接口能够验证商家提供的证照信息的真假和/或验证企业运营情况，如果证照鉴别不通过，即认为本身提供的证照信息存在问题，可能是假的，也可能本身企业经营存在问题，可以直接将其基础分值设置为0，此时可以进一步取消商家入驻或者拒绝该商家的入驻。只有当所有的证照鉴别都通过了，才可以直接执行统计证照数量以获取基础分值的操作，因此本方案通过第三方接口进行证照鉴别，帮助筛除了一批在证照信息提供时即存在可疑行为的商家，信用评估合理。

进一步地，参见图4，在又一实施例中，所述平台数据包括平台用户评价数据，平台交易数据以及平台投诉数据；在本实施例中，所述步骤S20包括：

步骤S21，收集所述商家对应的平台数据；

步骤S22，从所述商家对应的平台数据中获取平台用户评价数据、平台交易数据以及平台投诉数据，并分别将所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据输入对应的评估模型中进行运算，以得到所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据对应的浮动分值；

步骤S23，根据所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的浮动分值，获取所述商家信用浮动分值。

本实施例中，设置了不同平台数据分别对应的不同评估模型，其中评估模型可以是神经网络模型，可以是区间确认模型，也可以是聚类模型，在进行运算时，本领域技术人员可以参考自身需要进行设置，只要规律本身符合商家信用评估体系即可。

可选地，可以将平台用户评价数据对应的评估模型设定为基于神经网络的评价分类评估模型，该评价分类评估模型是神经网络分类模型。在进行运算之前，可以选择一部分平台用户评价数据作为训练样本数据，将训练样本数据按照预设顺序输入初始的评价分类评估模型中进行训练，每输入一次数据至模型中时，可以计算模型的损失函数进行神经网络模型优化，直至分类模型的损失最小时，认为模型训练完成，可以将全部的平台用户评价数据作为样本进行运算。

需要说明的是，由于神经网络输入的限制，需要将平台用户评价数据转换为神经网络所支持的样本向量形式，所有样本向量构成了样本向量集合。而由于其中数据与用户评价相关，用户评价有好有坏，通过训练好的神经网络则可以进行区分。在单个样本向量输入时，作为神经网络分类模型的评价分类评估模型可以输出样本向量归属于每一类的概率，每一类的概率对应在模型中即是分类模型的每一行的分类结果，行数或者类别的数量与用户评价的种类相关，可以根据实际需要进行限定，在此不进行赘述。本方案通过引入神经网络分类模型，很好地对不同用户的评价进行了区分，因此，与用户评价类别相关的浮动分值设定合理。其中通过平台用户评价数据获得对应浮动分值的步骤可以包括：

步骤S221，将所述平台用户评价数据转化为对应的样本向量集合，并将所述样本向量集合中的每个样本向量依次输入至训练好的评价分类评估模型中，得到每个样本向量对应在评价分类评估模型中每一行的分类概率；

步骤S222，选择分类概率最高的一行作为每个样本向量的分类结果，并统计所有样本向量对应的分类结果，以将样本向量分类最多的分类结果作为所述商家的用户评价类别；

步骤S223，根据所述用户评价类别，获取所述用户评价类别对应的评估分值，并将所述用户评价类别对应的评估分值设置为所述平台用户评价数据对应的浮动分值。

可选地，在本实施例中，通过平台交易数据和评估模型运算，获得对应浮动分值的步骤可以包括将所述平台交易数据输入对应的交易评估模型中，以确定所述商家所属的交易量区间；获取所述商家所属的交易量区间对应的浮动分值。其中，平台交易数据对应的评估模型中，设定了不同的交易量区间，可以将平台交易数据输入评估模型中，进行交易量统计，然后根据获得的该商家的相关数据交易量与预设的交易量区间进行匹配，从而确定商家交易量对应匹配的交易量区间，即商家所属的交易量区间。此外，存储器或运算模型中还可以设置交易量区间与浮动分值的对应关系，在确定了交易量区间后，即可根据对应关系查找到平台交易数据对应的浮动分值。由于交易量最能够反映商家产品的优劣和受欢迎程度，因此本方案通过交易量进行分值区分给出了如何获得平台交易数据对应的浮动分值的策略，从而直观地反映出了消费者在购买交易层面对于商家信用的反映程度，合理客观。

进一步地，在进行平台投诉数据对应的浮动分值获取时，可以将所述平台投诉数据输入至对应的评估模型中，得到所述商家对应的被诉单数以及被诉经营范围数据；根据所述商家对应的被诉单数以及所述被诉经营范围数据，确定所述商家的待减浮动分值；将平台投诉数据对应的预设基准浮动分值与所述待减浮动分值相减，得到所述平台投诉数据对应的浮动分值。

其中，平台投诉方面对应的评估模型主要用于对平台投诉数据进行分析，获得商家被投诉的单数和投诉内容相关的经营范围，所述被诉经营范围数据主要考虑到商家的经营范围广泛，可能在某一方面做得不够妥帖，进而影响到了商家信用，而被诉单数的多少也能够反映商家产品和服务的到位程度，对于商家信用评估评级的确定也是重要的组成部分。被诉单数越多，待减浮动分数越高，被诉经营范围数据越广，对应待减浮动分值也越高，最后可以求得预设基准浮动分值与待减浮动分值的差即可作为平台投诉数据对应的浮动分值。本方案通过将被诉经营范围的程度和单数的多少进行浮动分值的确定，从售后层面进行了商家信用的考虑。

需要说明的是，在根据平台用户评价数据、平台交易数据和平台投诉数据分别确定了对应的浮动分值后，可以联合进行商家信用浮动分值的确定。其可以是进行浮动分值的累加，也可以对于用户评价、交易数据和平台投诉方面设定不同的权重，例如用户评价和交易数据可能高于投诉方面的权重，通过将浮动分值乘以对应的权值后求和，以将求和的结果作为商家信用浮动分值，能够对于不同方面的数据提现不同的商家信用的权重倾向程度，全面的体现商家信用浮动分值的合理性。

本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图1的服务器中的存储器20，也可以是如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干指令用以使得一台具有处理器的服务器设备(可以是手机，计算机，服务器，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者服务端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者服务端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者服务端中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种商家信用评估方法，其特征在于，包括步骤：

获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值；

收集所述商家对应的平台数据，并对所述平台数据进行分析，以得到所述商家信用浮动分值；

将所述商家信用基础分值与所述商家信用浮动分值相加，得到商家信用评估总分值，并根据所述商家信用评估总分值对所述商家进行信用评估。

2.如权利要求1所述的商家信用评估方法，其特征在于，所述获取商家的证照信息，并根据所述商家的证照信息获取商家信用基础分值的步骤包括：

从预设存储器中读取所述商家的证照信息，并根据所述证照信息，对所述商家所持证照的数量进行统计；

将统计得到的所述商家所持证照的数量作为关键词，从预设的数量与评分的映射关系中，获取所述关键词对应的评分，并将所述关键词对应的评分作为所述商家信用基础分值。

3.如权利要求2所述的商家信用评估方法，其特征在于，所述从预设存储器中读取所述商家的证照信息的步骤之后，还包括：

通过第三方接口对所述商家的证照信息进行鉴别；

当所述商家的至少一个所持证照的鉴别结果为不通过时，将所述商家信用基础分值设置为0；

当所述商家的所有所持证照的鉴别结果均为通过时，执行步骤：根据所述证照信息，对所述商家所持证照的数量进行统计。

4.如权利要求1所述的商家信用评估方法，其特征在于，所述平台数据包括平台用户评价数据，平台交易数据以及平台投诉数据；

所述对所述平台数据进行分析，以得到所述商家信用浮动分值的步骤包括：

从所述商家对应的平台数据中获取平台用户评价数据、平台交易数据以及平台投诉数据，并分别将所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据输入对应的评估模型中进行运算，以得到所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据对应的浮动分值；

根据所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的浮动分值，获取所述商家信用浮动分值。

5.如权利要求4所述的商家信用评估方法，其特征在于，所述将所述平台用户评价数据输入对应的评估模型中进行运算，以得到所述平台用户评价数据对应的浮动分值的步骤包括：

将所述平台用户评价数据转化为对应的样本向量集合，并将所述样本向量集合中的每个样本向量依次输入至训练好的评价分类评估模型中，得到每个样本向量对应在评价分类评估模型中每一行的分类概率；

选择分类概率最高的一行作为每个样本向量的分类结果，并统计所有样本向量对应的分类结果，以将样本向量分类最多的分类结果作为所述商家的用户评价类别；

根据所述用户评价类别，获取所述用户评价类别对应的评估分值，并将所述用户评价类别对应的评估分值设置为所述平台用户评价数据对应的浮动分值。

6.如权利要求4所述的商家信用评估方法，其特征在于，所述将所述平台交易数据输入对应的评估模型中进行运算，以得到所述平台交易数据对应的浮动分值的步骤包括：

将所述平台交易数据输入对应的交易评估模型中，以确定所述商家所属的交易量区间；

获取所述商家所属的交易量区间对应的浮动分值。

7.如权利要求4所述的商家信用评估方法，其特征在于，所述将所述平台投诉数据输入对应的评估模型中进行运算，以得到所述平台投诉数据对应的浮动分值的步骤包括：

将所述平台投诉数据输入至对应的评估模型中，得到所述商家对应的被诉单数以及被诉经营范围数据；

根据所述商家对应的被诉单数以及所述被诉经营范围数据，确定所述商家的待减浮动分值；

将平台投诉数据对应的预设基准浮动分值与所述待减浮动分值相减，得到所述平台投诉数据对应的浮动分值。

8.如权利要求4-7任一项所述的商家信用评估方法，其特征在于，所述根据所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的浮动分值，获取所述商家信用浮动分值的步骤包括：

获取所述平台用户评价数据、所述平台交易数据以及所述平台投诉数据分别对应的权值；

按照公式P＝a1*b1+a2*b2+a3*b3，计算得到所述商家信用浮动分值，其中P为商家信用浮动分值，a1为所述平台用户评价数据对应的浮动分值，b1为所述平台用户评价数据对应的权值，a2为所述平台交易数据对应的浮动分值，b2为所述平台交易数据对应的权值，a3为所述平台投诉数据对应的浮动分值，b3为所述平台投诉数据对应的权值。

9.一种服务器，其特征在于，所述服务器包括：通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8任一项所述的商家信用评估方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的商家信用评估方法的步骤。