江梅霞, 查 宇

(安徽機電職業(yè)技術(shù)學院 a.經(jīng)貿(mào)管理系; b.信息工程系,安徽 蕪湖 241002)

現(xiàn)代信息技術(shù)的快速發(fā)展，帶動了如物聯(lián)網(wǎng)、云計算等新興科技的興起[1]，人類逐步進入到了多元化的信息時代，同時電子商務決策開始逐步被社會各界所關注[2-3].相關調(diào)查表明[4]，當前電子商務系統(tǒng)規(guī)模在不斷擴大，其數(shù)據(jù)中心同時由上千臺服務器支撐完成.對于電子商務而言，應該如何有效地從電子商務決策中準確獲得電子商務所需的信息，實現(xiàn)信息價值[5]，將信息運用到電子商務經(jīng)濟效益的生產(chǎn)中去，這成為當前電子商務提升其競爭實力的重要方式[6].

本文研究中，將電子商務決策視為不同條件屬性、相同決策屬性的多張決策表所組成的，以此實現(xiàn)了電子商務決策的區(qū)間化，研究電子商務交易的相關決策制定方法.在電子商務決策處理中有效地引入了自動學習的方法，從而有效地降低了電子商務決策分析中所需要處理的數(shù)據(jù)量；結(jié)合電子商務決策連續(xù)值屬性，以及其在信息研究中以數(shù)據(jù)塊為研究對象的特征，本文提出嘗試實現(xiàn)數(shù)據(jù)塊的近似描述，從而探討電子商務決策模型的決策方法，并就相關算法進行研究.同時為了增強算法的實用性，提出了融合自動學習的電子商務決策模型.

1 自動學習在電子商務決策中的應用

|·|代表了具有的電子商務決策模型對象數(shù)目.

其中，d為與Xw相交不為空的自動學習相容類Yj的個數(shù).

2 融合自動學習的交易決策模型

自動學習算法的特點就是在決策者經(jīng)驗的基礎上引入相關的影響因素，并且作量化的處理.最后在決策對象的分析過程中分別使用定量與定性作為參考標準，通過對決策對象進行比較，篩選出較好的決策對象.整個算法的流程如下：

步驟1：首先在分析相關影響程度的基礎上建立學習模型，模型結(jié)構(gòu)如圖1所示，該模型的使用是在買家將部分賣家的產(chǎn)品放入到模型中進行識別，通過識別的結(jié)果進行排序，通過該學習模型的結(jié)果提供相應的決策.為了簡化圖1的學習模型，也就產(chǎn)生了自學習模型結(jié)構(gòu)簡化如圖2所示.

圖1 自學習模型結(jié)構(gòu)

圖2 自學習模型結(jié)構(gòu)簡化

步驟2:在生成自學習模型結(jié)構(gòu)后，在此基礎上對各個層上的因素重要性進行相應的對比工作，通過1～9的評分建立相應的判斷矩陣，判斷矩陣如表1所示.

通過4個商家的實際案例對學習模型進行分析，在使用判斷矩陣進行分析后，得到相應的得分，得分結(jié)果如表2所示.

表1 應用在準則層的判斷矩陣A

表2 方案層中的得分

由表2可以看出，在使用改進后的判斷矩陣對各元素進行得分判斷時，得到的評分結(jié)果如表3～表6所示.

表3 使用判斷矩陣S1的物品質(zhì)量

表4 使用判斷矩陣S2的服務質(zhì)量

表5 使用判斷矩陣S3的快遞質(zhì)量

表6 安全質(zhì)量判斷矩陣S4

步驟3:在表4～表6中為了比較一致性，選擇最大的特征值，比較的結(jié)果如表7所示.

表7 使用判斷矩陣后的一致性情況

在Matlab中使用數(shù)學模型進行變形，在最大特征值λmax的情況下進行歸一化處理，得到的準則層相對于目標層的特征向量如下：

W2=(0.446 8,0.076 7,0.048 7,0.427 8)

方案層相對于準則層的特征向量為：

步驟4:最后需要對相對于頂層，底層的重要性的等級進行判斷，從而進行相應的排序工作，排序結(jié)果如表8所示.

表8 學習模型中的排序結(jié)果

3 實驗分析

從表2中選擇的4個商家的基本情況是：A、B、C、D這4個賣家均是從事服裝行業(yè)的商家.商家A是2015年6月22日成立的，已經(jīng)賣出42單；商家B是2015年8月22日成立的，已經(jīng)賣出40單；商家C是2015年9月4日成立的，已經(jīng)賣出37單；商家D是2015年9月3日成立的，已經(jīng)賣出38單.這4個商家的綜合得分的均值為6.3分.獲得顧客的好評率依次為：97.5%,97.5%,97.2%,97.2%.

通過對表2的數(shù)據(jù)進行對比分析，在本文改進算法的基礎上可以計算出4個商家的評價結(jié)果，如表9所示.

表9 4個商家評價結(jié)果順序

根據(jù)表9可知，4個商家的評價結(jié)果順序依次為A、B、C、D.可以看出商家A獲得客戶的評價最好.因此，商家A可被認為是最優(yōu)交易對象.但是，根據(jù)實際情況可知，商家A的貿(mào)易總額度和平均貿(mào)易額度值全部大于其他3個商家，貿(mào)易金額比較說明商家A要比其他3個商家更加關注貿(mào)易誠信.除此之外，商家A并沒有差評的情況發(fā)生，最差的情況就是一次中評.可以看出，如果在評分情況或者好評率基本上相同的情況下，商家A就能夠有更大的概率提供較好的服務.

4 結(jié)語

本文將自動學習方法引入到電子商務決策中，結(jié)合影響電子交易決策的每個因素，構(gòu)建以自動學習算法為基礎的電子商務決策模型.計算并優(yōu)化每個影響因素的權(quán)重，以找出最佳決策目標.最后，通過實驗表明：本文構(gòu)建的模型可以極大提高電子商務決策的準確度，能夠幫助消費者選擇較好的商家進行購物，從而保證較好的消費體驗.