葉藝勇

摘 要： 為了降低電子商務(wù)交易的風(fēng)險，需要進行交易風(fēng)險的量化評估，提出一種基于改進遺傳算法的電子商務(wù)交易風(fēng)險評估方法。采用稀疏散點云數(shù)據(jù)采集技術(shù)進行電子商務(wù)交易信息的數(shù)據(jù)采樣，并輸入到云存儲系統(tǒng)中建立電子商務(wù)交易風(fēng)險數(shù)據(jù)評估的專家數(shù)據(jù)庫，提取電子商務(wù)平臺中商家的信任度推薦參量值，并進行信息融合處理。對融合后的商家信任度信息采用遺傳算法進行交叉變異處理，結(jié)合自適應(yīng)全局遺傳進化方法實現(xiàn)電子商務(wù)交易風(fēng)險信息的準確預(yù)測，從而實現(xiàn)交易風(fēng)險評估。仿真結(jié)果表明，采用該方法進行電子商務(wù)交易風(fēng)險評估的預(yù)測準確性較好，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)險評估

中圖分類號： TN99?34； TP391 文獻標識碼： A 文章編號： 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)平臺建立在P2P和O2O交易平臺基礎(chǔ)上，交易平臺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，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，需要采用量化信息評估方法進行電子商務(wù)交易預(yù)測評估，提高應(yīng)對風(fēng)險的能力和水平，因此，研究電子商務(wù)交易風(fēng)險評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)測評估方法和決策樹預(yù)測評估方法進行電子商務(wù)交易風(fēng)險評估，采用無監(jiān)督學(xué)習(xí)訓(xùn)練方法進行電子商務(wù)交易風(fēng)險信息的線性相關(guān)性擬合，提取電子商務(wù)交易數(shù)據(jù)的風(fēng)險關(guān)聯(lián)性特征[2]，例如，文獻[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)合項目分類和云模型方法進行商家的信任度推薦，取得了較好的風(fēng)險預(yù)測效果，但該模型的收斂性不好，計算復(fù)雜度較高。

針對上述問題，本文提出一種基于改進遺傳算法的電子商務(wù)交易風(fēng)險評估方法，首先提取電子商務(wù)平臺中商家的信任度推薦參量值，并進行信息融合處理，然后采用全局遺傳進化方法實現(xiàn)電子商務(wù)交易風(fēng)險信息的準確預(yù)測和風(fēng)險評估，最后進行仿真實驗分析，展示了本文方法在提高電子商務(wù)交易風(fēng)險評估準確性方面的優(yōu)越性能。

1 電子商務(wù)交易風(fēng)險先驗數(shù)據(jù)分析

1.1 信息采集

為了實現(xiàn)對電子商務(wù)交易風(fēng)險準確評估，采用信息處理算法進行電子商務(wù)交易風(fēng)險先驗數(shù)據(jù)采集和數(shù)據(jù)分析。采用稀疏散點云數(shù)據(jù)采集技術(shù)進行電子商務(wù)交易信息的數(shù)據(jù)采樣，假設(shè)統(tǒng)計電子商務(wù)交易風(fēng)險數(shù)據(jù)時間序列采樣的先驗知識表示為，按照序列的秩進行數(shù)據(jù)排列分析，得到電子商務(wù)交易風(fēng)險原始序列幅值，采用自適應(yīng)回歸分析方法構(gòu)建電子商務(wù)交易風(fēng)險數(shù)據(jù)的特征分量[4]，把交易數(shù)據(jù)的風(fēng)險等級劃分為個等級，為，即，按照電子商務(wù)交易習(xí)慣，對交易的風(fēng)險序列進行降則處理，采用云計算技術(shù)得到風(fēng)險信息的稀疏散點云數(shù)據(jù)采樣變量為是風(fēng)險數(shù)據(jù)的指數(shù)譜，每個對應(yīng)一個解向量，為：

通過對交易風(fēng)險數(shù)據(jù)的稀疏散亂點重排[5]，結(jié)合先驗規(guī)則函數(shù)，得到電子商務(wù)交易風(fēng)險數(shù)據(jù)的統(tǒng)計信息的擬合時間序列模型，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)險的時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算

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

采用遺傳進化算法進行交叉和變異操作，降低交易風(fēng)險，計算變量與交易風(fēng)險控制函數(shù)值的最大（或最?。┲担谶z傳進化過程中，建立初始種群，設(shè)計一個種群的適應(yīng)度函數(shù)，得到風(fēng)險控制的先驗概率密度，對應(yīng)的遺傳準則為：

式中：為電子商務(wù)交易雙方的交叉概率。

在遺傳進化中，種群個體在維空間中的個體適應(yīng)度函數(shù)為，其表示對應(yīng)商家的風(fēng)險代價函數(shù)，計算每個個體的適應(yīng)度，得到第個遺傳種群的最終歸集解為，其中：

在遺傳進化控制下，得到商家的信任度推薦值計算迭代式為：

式中為迭代步長。

2 交易風(fēng)險評估模型實現(xiàn)

2.1 交易信息融合處理

在上述進行了電子商務(wù)交易風(fēng)險數(shù)據(jù)采集和信任度推薦特征參量提取的基礎(chǔ)上，進行電子商務(wù)交易風(fēng)險評估模型改進設(shè)計，本文提出一種基于改進遺傳算法的電子商務(wù)交易風(fēng)險評估方法，對提取的電子商務(wù)平臺中商家的信任度推薦參量值進行信息融合處理[7]，采用遺傳算法得到電子商務(wù)交易風(fēng)險誤差統(tǒng)計特征量的計算式為：

式中：是比例元集；是遺傳進化的敏感算子；是整個搜索空間的第個節(jié)點的全局極值；是每個染色體相應(yīng)的代價值。

選擇一個已經(jīng)設(shè)定了的適應(yīng)度函數(shù)，依據(jù)貪婪搜索進行風(fēng)險代價函數(shù)的最大尋優(yōu)[8]，并計算適應(yīng)度高的個體的代價值：

云交易主體在演化博弈中常會處于一個相對穩(wěn)定的狀態(tài)，對全局最優(yōu)個體進行局部搜索，實現(xiàn)對電子商務(wù)交易風(fēng)險的量化評估，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)通過改進的遺傳算法對新的交易個體進行風(fēng)險量化評估，確定全局最優(yōu)個體為：

設(shè)置門限值當時，交易信任度評價滿足低風(fēng)險要求。

采用改進的遺傳優(yōu)化算法對交易主體的風(fēng)險信息進行重排[9]，根據(jù)特征值的大小進行閾值估計，得到交易風(fēng)險評估的信息融合權(quán)重系數(shù)為：此時電子商務(wù)交易風(fēng)險評估的狀態(tài)估計式為：

根據(jù)遺傳算法的優(yōu)化目標函數(shù)，其中第個進化個體的風(fēng)險權(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)險評估的量化估計值為：

根據(jù)上述信息融合結(jié)果，對融合后的商家信任度信息采用遺傳算法進行交叉變異處理，進行交易風(fēng)險預(yù)測與評估。

2.2 電子商務(wù)交易風(fēng)險預(yù)測評估

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

根據(jù)遺傳算法的優(yōu)化目標函數(shù)，其中第個進化個體的風(fēng)險權(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)險評估的穩(wěn)態(tài)目標函數(shù)為：

在遺傳進化的最優(yōu)代數(shù)下，風(fēng)險最小的個體位置為，也稱為構(gòu)建電子商務(wù)交易風(fēng)險評估狀態(tài)特征方程，在種群進化代數(shù)為的第個個體的時刻的風(fēng)險評價值為：

通過一個適應(yīng)度函數(shù)對群體自身的速度和位置進行自適應(yīng)估計，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]的隨機泛函。對于每個電子商務(wù)平臺的風(fēng)險估計特征值滿足：

式中：是兩個交叉點的鄰域匹配函數(shù)；表示匹配區(qū)域內(nèi)的映射。采用交叉運算進行自適應(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?shù)玫降倪m應(yīng)度值較大時，采用梯度下降方法進行特征分解，得到風(fēng)險分解函數(shù)更新遺傳進化的種群集。

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

搜索過程中進行交叉和變異兩種基因操作，得到電子商務(wù)交易風(fēng)險評估狀態(tài)的全局最優(yōu)點，由此實現(xiàn)電子商務(wù)交易風(fēng)險信息的準確預(yù)測。最后結(jié)合云端服務(wù)器進行交易監(jiān)管，實現(xiàn)風(fēng)險控制，這一實現(xiàn)過程如圖1所示。

3 仿真實驗分析

為了測試本文算法在實現(xiàn)電子商務(wù)交易風(fēng)險評估中的應(yīng)用性能，進行仿真測試，實驗采用Matlab仿真設(shè)計，遺傳進化的種群數(shù)量為10 000個，模因組數(shù)12個，電子商務(wù)交易雙方的信任度控制權(quán)重為0.2，風(fēng)險評估數(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，進行電子商務(wù)交易風(fēng)險評估的仿真分析，電子商務(wù)交易信息的先驗數(shù)據(jù)采樣結(jié)果如圖2所示。

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

4 結(jié) 語

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

參考文獻

[1] 吳旭.基于增強穩(wěn)定組模型的移動P2P網(wǎng)絡(luò)信任評估方法[J].計算機學(xué)報，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)險評估[J].科學(xué)技術(shù)與工程，2015，33（32）：232?239.

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

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

[5] 曾兆敏.基于改進遺傳算法的云計算負載均衡研究[J].電子設(shè)計工程，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)險評估[J].科技通報，2013，32（8）：118?120.

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

[8] 劉進，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，許小龍.云環(huán)境下公平性優(yōu)化的資源分配方法[J].計算機應(yīng)用，2016，36（10）：2686?2691.