葉藝勇

摘 要： 為了降低電子商務(wù)交易的風(fēng)險(xiǎn)，需要進(jìn)行交易風(fēng)險(xiǎn)的量化評(píng)估，提出一種基于改進(jìn)遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估方法。采用稀疏散點(diǎn)云數(shù)據(jù)采集技術(shù)進(jìn)行電子商務(wù)交易信息的數(shù)據(jù)采樣，并輸入到云存儲(chǔ)系統(tǒng)中建立電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)評(píng)估的專家數(shù)據(jù)庫，提取電子商務(wù)平臺(tái)中商家的信任度推薦參量值，并進(jìn)行信息融合處理。對(duì)融合后的商家信任度信息采用遺傳算法進(jìn)行交叉變異處理，結(jié)合自適應(yīng)全局遺傳進(jìn)化方法實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)信息的準(zhǔn)確預(yù)測，從而實(shí)現(xiàn)交易風(fēng)險(xiǎn)評(píng)估。仿真結(jié)果表明，采用該方法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的預(yù)測準(zhǔn)確性較好，收斂誤差較低，具有可行性。

關(guān)鍵詞： 遺傳算法； 電子商務(wù)； 交易； 信息融合； 風(fēng)險(xiǎn)評(píng)估

中圖分類號(hào)： TN99?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）13?0094?04

Abstract： In order to reduce the risk of e?commerce transaction， it is necessary to perform the quantitative evaluation of transaction risk， therefore an e?commerce transaction risk evaluation method based on improved genetic algorithm is put forward. The sparse scattered point cloud data technology is used to sample the data of the e?commerce transaction information， and input it into the cloud storage system. The specialist database of the e?commerce transaction risk data evaluation was established. The merchant trust recommendation parameters in e?commerce platform are extracted， and conducted with information fusion. The genetic algorithm is used to perform the crossover and mutation for the fused merchant trust information， and combined with the adaptive global genetic evolution algorithm to predict the e?commerce transaction risk information accurately， and realize the transaction risk assessment. The simulation results show that the method has high prediction accuracy and low convergence error for e?commerce transaction risk assessment， and is feasible.

Keywords： genetic algorithm； e?commerce； transaction； information fusion； risk assessment

0 引 言

網(wǎng)絡(luò)技術(shù)和現(xiàn)代物流技術(shù)催生了電子商務(wù)的快速發(fā)展，電子商務(wù)平臺(tái)建立在P2P和O2O交易平臺(tái)基礎(chǔ)上，交易平臺(tái)具有開放性和自組織性，導(dǎo)致電子商務(wù)交易的管理和控制有漏洞，容易出現(xiàn)交易風(fēng)險(xiǎn)，為商家和顧客帶來了較大的損失[1]。

為了最大限度地降低電子商務(wù)交易的風(fēng)險(xiǎn)，需要采用量化信息評(píng)估方法進(jìn)行電子商務(wù)交易預(yù)測評(píng)估，提高應(yīng)對(duì)風(fēng)險(xiǎn)的能力和水平，因此，研究電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估方法具有重要意義。

傳統(tǒng)方法主要采用神經(jīng)網(wǎng)絡(luò)預(yù)測評(píng)估方法和決策樹預(yù)測評(píng)估方法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估，采用無監(jiān)督學(xué)習(xí)訓(xùn)練方法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)信息的線性相關(guān)性擬合，提取電子商務(wù)交易數(shù)據(jù)的風(fēng)險(xiǎn)關(guān)聯(lián)性特征[2]，例如，文獻(xiàn)[3]中提出一種電子商務(wù)下的信任網(wǎng)絡(luò)構(gòu)造與優(yōu)化方法，結(jié)合項(xiàng)目分類和云模型方法進(jìn)行商家的信任度推薦，取得了較好的風(fēng)險(xiǎn)預(yù)測效果，但該模型的收斂性不好，計(jì)算復(fù)雜度較高。

針對(duì)上述問題，本文提出一種基于改進(jìn)遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估方法，首先提取電子商務(wù)平臺(tái)中商家的信任度推薦參量值，并進(jìn)行信息融合處理，然后采用全局遺傳進(jìn)化方法實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)信息的準(zhǔn)確預(yù)測和風(fēng)險(xiǎn)評(píng)估，最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估準(zhǔn)確性方面的優(yōu)越性能。

1 電子商務(wù)交易風(fēng)險(xiǎn)先驗(yàn)數(shù)據(jù)分析

1.1 信息采集

為了實(shí)現(xiàn)對(duì)電子商務(wù)交易風(fēng)險(xiǎn)準(zhǔn)確評(píng)估，采用信息處理算法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)先驗(yàn)數(shù)據(jù)采集和數(shù)據(jù)分析。采用稀疏散點(diǎn)云數(shù)據(jù)采集技術(shù)進(jìn)行電子商務(wù)交易信息的數(shù)據(jù)采樣，假設(shè)統(tǒng)計(jì)電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)時(shí)間序列采樣的先驗(yàn)知識(shí)表示為，按照序列的秩進(jìn)行數(shù)據(jù)排列分析，得到電子商務(wù)交易風(fēng)險(xiǎn)原始序列幅值，采用自適應(yīng)回歸分析方法構(gòu)建電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)的特征分量[4]，把交易數(shù)據(jù)的風(fēng)險(xiǎn)等級(jí)劃分為個(gè)等級(jí)，為，即，按照電子商務(wù)交易習(xí)慣，對(duì)交易的風(fēng)險(xiǎn)序列進(jìn)行降則處理，采用云計(jì)算技術(shù)得到風(fēng)險(xiǎn)信息的稀疏散點(diǎn)云數(shù)據(jù)采樣變量為是風(fēng)險(xiǎn)數(shù)據(jù)的指數(shù)譜，每個(gè)對(duì)應(yīng)一個(gè)解向量，為：

通過對(duì)交易風(fēng)險(xiǎn)數(shù)據(jù)的稀疏散亂點(diǎn)重排[5]，結(jié)合先驗(yàn)規(guī)則函數(shù)，得到電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)的統(tǒng)計(jì)信息的擬合時(shí)間序列模型，表示為：

式中：是均值為0，方差為的正態(tài)分布函數(shù)；稱為電子商務(wù)交易風(fēng)險(xiǎn)的時(shí)間反演不可逆特征分解系數(shù)；為交易數(shù)據(jù)采樣的測量誤差。

1.2 商家的信任度推薦值計(jì)算

將上述采集的電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)輸入到云存儲(chǔ)系統(tǒng)中，建立電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)評(píng)估的專家數(shù)據(jù)庫，提取電子商務(wù)平臺(tái)中商家的信任度推薦參量值，并進(jìn)行信息融合處理[6]，電子商務(wù)平臺(tái)中交易雙方風(fēng)險(xiǎn)最低約束條件下的最優(yōu)解為：

采用遺傳進(jìn)化算法進(jìn)行交叉和變異操作，降低交易風(fēng)險(xiǎn)，計(jì)算變量與交易風(fēng)險(xiǎn)控制函數(shù)值的最大（或最?。┲?，在遺傳進(jìn)化過程中，建立初始種群，設(shè)計(jì)一個(gè)種群的適應(yīng)度函數(shù)，得到風(fēng)險(xiǎn)控制的先驗(yàn)概率密度，對(duì)應(yīng)的遺傳準(zhǔn)則為：

式中：為電子商務(wù)交易雙方的交叉概率。

在遺傳進(jìn)化中，種群個(gè)體在維空間中的個(gè)體適應(yīng)度函數(shù)為，其表示對(duì)應(yīng)商家的風(fēng)險(xiǎn)代價(jià)函數(shù)，計(jì)算每個(gè)個(gè)體的適應(yīng)度，得到第個(gè)遺傳種群的最終歸集解為，其中：

在遺傳進(jìn)化控制下，得到商家的信任度推薦值計(jì)算迭代式為：

式中為迭代步長。

2 交易風(fēng)險(xiǎn)評(píng)估模型實(shí)現(xiàn)

2.1 交易信息融合處理

在上述進(jìn)行了電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)采集和信任度推薦特征參量提取的基礎(chǔ)上，進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估模型改進(jìn)設(shè)計(jì)，本文提出一種基于改進(jìn)遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估方法，對(duì)提取的電子商務(wù)平臺(tái)中商家的信任度推薦參量值進(jìn)行信息融合處理[7]，采用遺傳算法得到電子商務(wù)交易風(fēng)險(xiǎn)誤差統(tǒng)計(jì)特征量的計(jì)算式為：

式中：是比例元集；是遺傳進(jìn)化的敏感算子；是整個(gè)搜索空間的第個(gè)節(jié)點(diǎn)的全局極值；是每個(gè)染色體相應(yīng)的代價(jià)值。

選擇一個(gè)已經(jīng)設(shè)定了的適應(yīng)度函數(shù)，依據(jù)貪婪搜索進(jìn)行風(fēng)險(xiǎn)代價(jià)函數(shù)的最大尋優(yōu)[8]，并計(jì)算適應(yīng)度高的個(gè)體的代價(jià)值：

云交易主體在演化博弈中常會(huì)處于一個(gè)相對(duì)穩(wěn)定的狀態(tài)，對(duì)全局最優(yōu)個(gè)體進(jìn)行局部搜索，實(shí)現(xiàn)對(duì)電子商務(wù)交易風(fēng)險(xiǎn)的量化評(píng)估，用線性加權(quán)得到交易雙方的信任度的信息融合權(quán)重迭代式為：

初始化隸屬度函數(shù)通過改進(jìn)的遺傳算法對(duì)新的交易個(gè)體進(jìn)行風(fēng)險(xiǎn)量化評(píng)估，確定全局最優(yōu)個(gè)體為：

設(shè)置門限值當(dāng)時(shí)，交易信任度評(píng)價(jià)滿足低風(fēng)險(xiǎn)要求。

采用改進(jìn)的遺傳優(yōu)化算法對(duì)交易主體的風(fēng)險(xiǎn)信息進(jìn)行重排[9]，根據(jù)特征值的大小進(jìn)行閾值估計(jì)，得到交易風(fēng)險(xiǎn)評(píng)估的信息融合權(quán)重系數(shù)為：此時(shí)電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的狀態(tài)估計(jì)式為：

根據(jù)遺傳算法的優(yōu)化目標(biāo)函數(shù)，其中第個(gè)進(jìn)化個(gè)體的風(fēng)險(xiǎn)權(quán)重表示為根據(jù)主成分分析方法，得到電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的量化估計(jì)值為：

根據(jù)上述信息融合結(jié)果，對(duì)融合后的商家信任度信息采用遺傳算法進(jìn)行交叉變異處理，進(jìn)行交易風(fēng)險(xiǎn)預(yù)測與評(píng)估。

2.2 電子商務(wù)交易風(fēng)險(xiǎn)預(yù)測評(píng)估

采用自適應(yīng)全局遺傳進(jìn)化方法，得到在交叉和變異操作下個(gè)體最優(yōu)的風(fēng)險(xiǎn)聚斂目標(biāo)函數(shù)：

根據(jù)遺傳算法的優(yōu)化目標(biāo)函數(shù)，其中第個(gè)進(jìn)化個(gè)體的風(fēng)險(xiǎn)權(quán)重表示為，結(jié)合電子商務(wù)交易的穩(wěn)態(tài)性，得到風(fēng)險(xiǎn)評(píng)估的穩(wěn)態(tài)目標(biāo)函數(shù)為：

在遺傳進(jìn)化的最優(yōu)代數(shù)下，風(fēng)險(xiǎn)最小的個(gè)體位置為，也稱為構(gòu)建電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估狀態(tài)特征方程，在種群進(jìn)化代數(shù)為的第個(gè)個(gè)體的時(shí)刻的風(fēng)險(xiǎn)評(píng)價(jià)值為：

通過一個(gè)適應(yīng)度函數(shù)對(duì)群體自身的速度和位置進(jìn)行自適應(yīng)估計(jì)，得到電子商務(wù)交易雙方的適應(yīng)度泛函為：

式中：是最大代數(shù)；是遺傳種群的適應(yīng)度值；和是操作算子常數(shù)，通常取和是交叉概率；為[0，1]的隨機(jī)泛函。對(duì)于每個(gè)電子商務(wù)平臺(tái)的風(fēng)險(xiǎn)估計(jì)特征值滿足：

式中：是兩個(gè)交叉點(diǎn)的鄰域匹配函數(shù)；表示匹配區(qū)域內(nèi)的映射。采用交叉運(yùn)算進(jìn)行自適應(yīng)更新，選取種群的規(guī)模為得到在遺傳算法下電子商務(wù)風(fēng)險(xiǎn)交易數(shù)據(jù)的主成分更新公式為：

式中：為關(guān)系副本函數(shù)，當(dāng)?shù)玫降倪m應(yīng)度值較大時(shí)，采用梯度下降方法進(jìn)行特征分解，得到風(fēng)險(xiǎn)分解函數(shù)更新遺傳進(jìn)化的種群集。

考慮全局優(yōu)化問題進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的全局尋優(yōu)，得到變異適應(yīng)度值為：

搜索過程中進(jìn)行交叉和變異兩種基因操作，得到電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估狀態(tài)的全局最優(yōu)點(diǎn)，由此實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)信息的準(zhǔn)確預(yù)測。最后結(jié)合云端服務(wù)器進(jìn)行交易監(jiān)管，實(shí)現(xiàn)風(fēng)險(xiǎn)控制，這一實(shí)現(xiàn)過程如圖1所示。

3 仿真實(shí)驗(yàn)分析

為了測試本文算法在實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估中的應(yīng)用性能，進(jìn)行仿真測試，實(shí)驗(yàn)采用Matlab仿真設(shè)計(jì)，遺傳進(jìn)化的種群數(shù)量為10 000個(gè)，模因組數(shù)12個(gè)，電子商務(wù)交易雙方的信任度控制權(quán)重為0.2，風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)采樣的信息維度設(shè)置為20，主體商戶的風(fēng)險(xiǎn)控制約束參量分別為：遺傳算法的關(guān)聯(lián)系數(shù)設(shè)定為：根據(jù)上述仿真參量的設(shè)定，進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的仿真分析，電子商務(wù)交易信息的先驗(yàn)數(shù)據(jù)采樣結(jié)果如圖2所示。

以圖2采集的數(shù)據(jù)為測試樣本進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)預(yù)測評(píng)估，并采用不同方法進(jìn)行評(píng)估準(zhǔn)確性比較，得到的對(duì)比結(jié)果如圖3所示。分析圖3的結(jié)果得知，采用本文方法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性更高，可靠性更好。

4 結(jié) 語

本文提出一種基于改進(jìn)遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估方法，提取電子商務(wù)平臺(tái)中商家的信任度推薦參量，并進(jìn)行信息融合處理，對(duì)融合后的商家信任度信息采用遺傳算法進(jìn)行交叉變異處理，結(jié)合自適應(yīng)全局遺傳進(jìn)化方法實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)信息的準(zhǔn)確預(yù)測。研究表明，采用本文方法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性更高，對(duì)商家信任推薦的可靠性更好，具有較好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 吳旭.基于增強(qiáng)穩(wěn)定組模型的移動(dòng)P2P網(wǎng)絡(luò)信任評(píng)估方法[J].計(jì)算機(jī)學(xué)報(bào)，2014，37（10）：2118?2127.

[2] 邵立瑛，申雙和，高磊，等.江蘇省水稻生產(chǎn)的綜合氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估[J].科學(xué)技術(shù)與工程，2015，33（32）：232?239.

[3] 王慧，張翠羽.基于改進(jìn)遺傳算法的網(wǎng)絡(luò)差異數(shù)據(jù)挖掘算法[J].計(jì)算機(jī)仿真，2015，32（5）：311?314.

[4] 熊忠陽，劉芹，張玉芳.結(jié)合項(xiàng)目分類和云模型的協(xié)同過濾推薦算法[J].計(jì)算機(jī)應(yīng)用研究，2012，29（10）：3660?3664.

[5] 曾兆敏.基于改進(jìn)遺傳算法的云計(jì)算負(fù)載均衡研究[J].電子設(shè)計(jì)工程，2017，25（4）：42?45.

[6] 聶智軍，李儉.基于潛在因子挖掘的電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估[J].科技通報(bào)，2013，32（8）：118?120.

[7] 胡國龍，賈振紅，覃錫忠，等.基于改進(jìn)遺傳算法的無線傳感網(wǎng)覆蓋優(yōu)化[J].計(jì)算機(jī)測量與控制，2016，24（3）：168?169.

[8] 劉進(jìn)，胡大權(quán)，陳家佳.面向海量數(shù)據(jù)的推薦系統(tǒng)的研究[J].現(xiàn)代電子技術(shù)，2016，39（12）：59?61.

[9] 薛勝軍，胡敏達(dá)，許小龍.云環(huán)境下公平性優(yōu)化的資源分配方法[J].計(jì)算機(jī)應(yīng)用，2016，36（10）：2686?2691.