張瑞玉　劉健　左敏

摘要：從店鋪信息、商品、賣家服務(wù)等方面建立C2C電商信用評價(jià)體系，在淘寶網(wǎng)獲取了242條賣家信息，利用SPSS兩步聚類法將數(shù)據(jù)進(jìn)行聚類，運(yùn)用MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱，將評價(jià)指標(biāo)數(shù)值作為輸入，聚類結(jié)果作為輸出，構(gòu)建了三層BP神經(jīng)網(wǎng)絡(luò)，以230條數(shù)據(jù)為訓(xùn)練樣本，得到具有較快收斂速度和較高準(zhǔn)確率的BP網(wǎng)絡(luò)。在此基礎(chǔ)上， 以12條賣家信息作仿真實(shí)驗(yàn)，對賣家信用等級進(jìn)行客觀的預(yù)測評價(jià)，最終建立C2C信用評價(jià)模型。

關(guān)鍵詞：C2C電子商務(wù) 信用評價(jià) BP神經(jīng)網(wǎng)絡(luò)

當(dāng)前互聯(lián)網(wǎng)依舊成為影響我國經(jīng)濟(jì)社會(huì)發(fā)展、轉(zhuǎn)變?nèi)藗兩钚螒B(tài)的關(guān)鍵行業(yè)，中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）在京發(fā)布第34次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，《報(bào)告》顯示，截至2014年6月，我國網(wǎng)購用戶規(guī)模達(dá)到3.32億，與2013年6月對比，增加6060萬，增長率為22.37%。雖然網(wǎng)購規(guī)模的擴(kuò)大，刺激網(wǎng)絡(luò)經(jīng)濟(jì)的發(fā)展，但也引發(fā)了誠信危機(jī)。據(jù)《2014年（上）中國電子商務(wù)用戶體驗(yàn)與投訴監(jiān)測報(bào)告》顯示，電商投訴大大增加，網(wǎng)絡(luò)售假、退款問題、質(zhì)量問題、虛假促銷、退換貨物網(wǎng)絡(luò)詐騙、發(fā)貨遲緩、訂單取消、賬戶被盜、售后服務(wù)等尤其明顯。越來越多的新問題對電商的誠信度和服務(wù)提出了更高的要求，要提高網(wǎng)民對電子商務(wù)的信任，首先必須讓網(wǎng)民知道什么情況下電子商務(wù)是可信的，這就涉及電子商務(wù)信用評價(jià)問題。

傳統(tǒng)信用評價(jià)方法主要基于線性特征建立模型，C2C電子商務(wù)的信用評價(jià)指標(biāo)與信用評級之間常體現(xiàn)出非線性特征，神經(jīng)網(wǎng)絡(luò)則被認(rèn)為更適于說明指標(biāo)間的非線性特征，所以，本文建立C2C電商信用評價(jià)指標(biāo)，利用MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱建立信用評價(jià)模型，通過反復(fù)訓(xùn)練提高信用評價(jià)準(zhǔn)確率，得出信用評價(jià)等級和結(jié)果。

一、BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)原理比較簡單，圖1為一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖1中，X=（X1，X2……，Xn）T為輸入向量，Y=（Y1，Y2……Ym）T為輸出向量，n表示輸入向量維數(shù)，m為輸出向量維數(shù)。輸入學(xué)習(xí)樣本，使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時(shí)訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和閥值，不斷調(diào)整權(quán)值和閥值的過程，便是BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進(jìn)程，這個(gè)過程一直持續(xù)到輸出誤差減小到可接受或預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

二、BP神經(jīng)網(wǎng)絡(luò)C2C電子商務(wù)信用評價(jià)模型的建立

（一）C2C電子商務(wù)信用評價(jià)指標(biāo)體系

根據(jù)有關(guān)電子商務(wù)的信用影響因素，結(jié)合消費(fèi)者對網(wǎng)商的投訴內(nèi)容，淘寶網(wǎng)現(xiàn)有評價(jià)規(guī)則方法和模型體系，以及前人研究的各種其他評價(jià)體系存在的問題進(jìn)行全面的分析總結(jié)，本文從店鋪信息、商品以及賣家服務(wù)這三個(gè)方面建立如表1所示的C2C電子商務(wù)信用評價(jià)指標(biāo)體系。

（二）建立BP神經(jīng)網(wǎng)絡(luò)信用評價(jià)模型

數(shù)據(jù)選取，本文根據(jù)上文所建立的信用評價(jià)指標(biāo)體系中的二級指標(biāo)，從淘寶網(wǎng)上搜集相關(guān)數(shù)據(jù)，作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集和檢驗(yàn)仿真數(shù)據(jù)集。由于不同行業(yè)的商品性質(zhì)、價(jià)格差別較大，不具有可比性，為了保證模型的準(zhǔn)確性，本文僅選取淘寶網(wǎng)上以“3C數(shù)碼”行業(yè)為主的店鋪數(shù)據(jù)作為目標(biāo)，選取了以銷售手表為主的店鋪，共搜集了260條數(shù)據(jù)，由于輸入錯(cuò)誤等一些原因?qū)е虏糠謹(jǐn)?shù)據(jù)缺失，經(jīng)過篩選，最終產(chǎn)生242條有效數(shù)據(jù)，如下表2所示（由于數(shù)據(jù)較多，僅列出部分?jǐn)?shù)據(jù)）。

數(shù)據(jù)預(yù)處理，由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)是典型的有導(dǎo)師學(xué)習(xí)，其自學(xué)過程是一個(gè)反復(fù)迭代的過程，通過對足夠的樣本進(jìn)行訓(xùn)練，得到一組權(quán)值，因此所建立的信用評價(jià)模型需要有學(xué)習(xí)對象。當(dāng)前淘寶網(wǎng)店家信用等級分為4大類20等級，但是買家對這些過多的信用等級并非太敏感，本文將新信用等級分為5個(gè)等級，并且運(yùn)用SPSS13.0軟件，使用兩步聚類法確定所有數(shù)據(jù)的聚類數(shù)，表2前三列作為參考數(shù)據(jù)，由于退款率和懲罰次數(shù)是成本性指標(biāo)，其他為效益性指標(biāo)，在進(jìn)行數(shù)據(jù)處理時(shí)，本文將這兩個(gè)指標(biāo)數(shù)值由正變負(fù)，再經(jīng)過軟件分析得到如表3和表4的結(jié)果。

（三）基于Matlab的BP神經(jīng)網(wǎng)絡(luò)工具箱的信用評價(jià)模型建立

BP神經(jīng)網(wǎng)絡(luò)模型的確定，需考慮三方面：神經(jīng)網(wǎng)絡(luò)層次、每層神經(jīng)元個(gè)數(shù)、 BP神經(jīng)網(wǎng)絡(luò)參數(shù)。進(jìn)一步說，就是隱含層和輸出層傳遞函數(shù)的選取，訓(xùn)練函數(shù)的選擇，初始數(shù)據(jù)的歸一化，以及最大訓(xùn)練步長和目標(biāo)誤差的設(shè)定等。據(jù)Kolmogorov定理，一個(gè)隱含層的BP網(wǎng)絡(luò)能映射任意連續(xù)函數(shù)，降低訓(xùn)練誤差，增加網(wǎng)絡(luò)層數(shù)的方法會(huì)使網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜化，進(jìn)而增加訓(xùn)練時(shí)間，因此，本文采用三層BP網(wǎng)絡(luò)，通過增加隱含層節(jié)點(diǎn)數(shù)，確定最佳BP網(wǎng)絡(luò)結(jié)構(gòu)。

本文用樣本數(shù)據(jù)中的230條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，12條數(shù)據(jù)作為檢驗(yàn)仿真模型數(shù)據(jù)，誤差目標(biāo)goal設(shè)為0.015，訓(xùn)練步長設(shè)為100000，其他參數(shù)為工具箱缺省值。各層神經(jīng)元個(gè)數(shù)的確定，本文選取了11個(gè)二級信用評價(jià)指標(biāo)作為輸入，因此輸入層神經(jīng)元n=11；輸出神經(jīng)元的數(shù)量由信用評價(jià)結(jié)果的模式確定，由于將“賣家信用等級”作為目標(biāo)輸出，用數(shù)字分別表達(dá)對應(yīng)的信用等級：1代表信用等級高；2表示信用等級較高；3表示信用等級一般；4表示等級較低，5表示等級低，因?yàn)槠谕敵鲋凳菃螖?shù)字的形式，因此網(wǎng)絡(luò)輸出層m=1。隱含層神經(jīng)元數(shù)目的選擇是非常復(fù)雜的問題，常需要根據(jù)經(jīng)驗(yàn)和多次試驗(yàn)來確定。本文選公式（2）和（5）選取比較寬泛的隱含層神經(jīng)元數(shù)范圍，可初步判斷隱含層神經(jīng)元數(shù)的范圍為5—23，通過Matlab7.11設(shè)計(jì)了隱含層神經(jīng)元數(shù)可變的BP神經(jīng)網(wǎng)絡(luò)，在nntool中默認(rèn)的trainlm函數(shù)下，取隱含層節(jié)點(diǎn)數(shù)從5到23，由于輸出的誤差有正有負(fù)，本文將輸出的所有數(shù)據(jù)都做絕對值A(chǔ)BS處理，針對不同節(jié)點(diǎn)的不同數(shù)據(jù)的絕對值誤差求平均值，通過數(shù)百次的訓(xùn)練，改變權(quán)重和閥值，得到不同節(jié)點(diǎn)的最佳誤差值，由表5右側(cè)可知，當(dāng)m=10時(shí)，平均誤差是最小的，從而確定最佳隱含層神經(jīng)元數(shù)為10。

BP網(wǎng)絡(luò)常用傳遞函數(shù)有l(wèi)ogsig、tansig、purelin。logsig產(chǎn)生[0，1]的輸出，tansig產(chǎn)生[-1，1]的輸出，purelin可以得到任意大小的輸出，由于本文輸入數(shù)據(jù)為連續(xù)數(shù)值，用premnmx函數(shù)進(jìn)行歸一化處理，所以隱含層采用tansig傳遞函數(shù)，目標(biāo)輸出數(shù)據(jù)為任意值，輸出層用purelin傳遞函數(shù)。

選取不同的訓(xùn)練函數(shù)，BP網(wǎng)絡(luò)的收斂速度有差異，對訓(xùn)練誤差也有影響，本文分別選用trainglm、traingdx、trainda、traingdm和traingd函數(shù)等常用訓(xùn)練函數(shù)進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練結(jié)果如表5左側(cè)所示，可以看出trainlm函數(shù)的收斂速度最快，收斂誤差最小，因而確定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm函數(shù)。

綜上所述，基于BP神經(jīng)網(wǎng)絡(luò)的C2C信用評價(jià)模型為11—10—1的三層BP神經(jīng)網(wǎng)絡(luò)模型，隱含層傳遞函數(shù)為tangsig函數(shù)，輸出層傳遞函數(shù)為purelin函數(shù)，訓(xùn)練函數(shù)為trainlm函數(shù)。

最后，將檢測數(shù)據(jù)集輸入模型進(jìn)行檢測，來檢測該模型的準(zhǔn)確率。利用MATLAB的nntool進(jìn)行檢測仿真實(shí)驗(yàn)，得出如表6的結(jié)果，從表中可以看出，12個(gè)檢測樣本中，只有樣本5和樣本12未達(dá)到設(shè)定的goal=0.015，其余10個(gè)樣本均達(dá)到，模型的準(zhǔn)確率達(dá)到83.33%，說明該模型的訓(xùn)練精度較高，分類能力較強(qiáng)。

三、結(jié)論

本文使用MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱，設(shè)計(jì)和建立了基于BP神經(jīng)網(wǎng)絡(luò)的C2C電子商務(wù)信用評價(jià)模型，此模型選用的BP神經(jīng)網(wǎng)絡(luò)算法，是一種非線性方法，沒有明顯的主觀成分，只需將處理過的數(shù)據(jù)輸入網(wǎng)絡(luò)，通過MATLAB的nntool計(jì)算即可得評價(jià)結(jié)果，避開權(quán)數(shù)確定問題，實(shí)現(xiàn)評價(jià)的自動(dòng)化和智能化，該過程簡單易行，對賣家的信用等級有較為準(zhǔn)確的評估，對于C2C電子商務(wù)信用的評價(jià)，可望開發(fā)一個(gè)評價(jià)系統(tǒng)，將訓(xùn)練好的的神經(jīng)網(wǎng)絡(luò)模型嵌入該系統(tǒng)中，輸入指標(biāo)值，系統(tǒng)會(huì)自動(dòng)給出一個(gè)評價(jià)等級，同樣，也可用訓(xùn)練好的模型來評價(jià)某些電商活動(dòng)，乃至可以對國內(nèi)外電子商務(wù)的信用進(jìn)行對比分析，從而更好了解我國電商情況。

參考文獻(xiàn)：

[1]PIRAMUTHUS. Financial cre-

dit-risk evaluation with neural and neurofuzzy systems[J]. European Journal of Operational Research，1999，112（2）：310—321

[2]DAVIDDEMEZA，DAVID WEBB.D-

oes creditrationing imply in sufficient lending[J]. Journal of P-

ublic Economics，2000，78：215—234

[3]YUEH—MIN HUANG，CHUN—MIN

HUNG，HEWIJINCHR ISTINEJIAU. Evaluati on of neural networks and datamining methods on a credit assessment task for class imbalance problem[J]. Nonlinear Analysis：Real World Applications，2006，7

（4）：720—747

[4]http：//www.cnnic.net.cn/hlw-

fzyj/hlwxzbg/hlwtjbg/201407/t20140721_47437.html

[5]http：//www.100ec.cn/cn/deta-

il——6192810.html

[6]吳瑩輝.基于BP神經(jīng)網(wǎng)絡(luò)模型的個(gè)人信用風(fēng)險(xiǎn)評估研究[J].科技創(chuàng)業(yè)，2012（7）：98—100

[7]盧紋岱主編.SPSS for Windows統(tǒng)計(jì)分析（第3版）[M].北京：電子工業(yè)出版社，2008：392—407

[8]閔惜琳，劉國華.用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱開發(fā)BP網(wǎng)絡(luò)應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2008，21 （8）：163—164

〔本文系遼寧省自然科學(xué)基金項(xiàng)目“面向股票價(jià)格過度波動(dòng)的（x，n，1）型模擬植物生長神經(jīng)網(wǎng)絡(luò)算法研究”（項(xiàng)目編號：20092141）研究成果〕

（張瑞玉，1988年生，河南信陽人，大連大學(xué)管理科學(xué)與工程碩士研究生。研究方向：知識管理。劉健，1989年生，河南信陽人，中國計(jì)量學(xué)院控制工程碩士研究生。研究方向：控制工程。左敏，1989年生，山東淄博人，大連大學(xué)管理科學(xué)與工程碩士研究生。研究方向：知識管理）