李 鋒, 胡錦亞

(華南理工大學(xué) 工商管理學(xué)院, 廣東 廣州 510640)

一、研究問題及現(xiàn)狀

加權(quán)符號網(wǎng)絡(luò)(weighted signed network)是復(fù)雜網(wǎng)絡(luò)領(lǐng)域中一類更加難以刻畫的網(wǎng)絡(luò)形式。從定義上說，加權(quán)符號網(wǎng)絡(luò)兼具符號網(wǎng)絡(luò)和加權(quán)網(wǎng)絡(luò)的特點(diǎn)，即網(wǎng)絡(luò)中所有節(jié)點(diǎn)之間的關(guān)系/連線有正有負(fù)——符號網(wǎng)絡(luò)，且節(jié)點(diǎn)之間的連線權(quán)值有大有小——加權(quán)網(wǎng)絡(luò)。因此，加權(quán)符號網(wǎng)絡(luò)中的連線權(quán)值包含更多的信息量，對于節(jié)點(diǎn)的分析和評價(jià)更加復(fù)雜。

現(xiàn)實(shí)中，多數(shù)社交電子商務(wù)平臺(tái)上的關(guān)系網(wǎng)絡(luò)都是加權(quán)符號網(wǎng)絡(luò)。在這些網(wǎng)站上，用戶進(jìn)行買賣交易之后，買家通常會(huì)對購買的商品或賣家的服務(wù)進(jìn)行評價(jià)。這些評價(jià)有好有壞、有高有低，構(gòu)建出了一個(gè)復(fù)雜的加權(quán)符號網(wǎng)絡(luò)。由此延伸出一個(gè)非?，F(xiàn)實(shí)的熱點(diǎn)和難點(diǎn)問題：如何評價(jià)社交電子商務(wù)網(wǎng)站上的用戶？隨著二手交易平臺(tái)的興起，如“轉(zhuǎn)轉(zhuǎn)”網(wǎng)站、“閑魚”網(wǎng)站、京東“拍拍二手”，有研究表明二手交易市場用戶規(guī)模達(dá)到4 000萬，交易規(guī)模達(dá)到5 000億元，且交易額以每年30%的速度增長。而平臺(tái)上的賣家或買家在選擇交易對象時(shí)，如何評價(jià)與交易對象交易的風(fēng)險(xiǎn)成為他們普遍關(guān)心的一個(gè)社會(huì)問題。

當(dāng)前，對于社會(huì)關(guān)系網(wǎng)絡(luò)的研究還主要是針對無權(quán)、無向網(wǎng)絡(luò)進(jìn)行，即假定網(wǎng)絡(luò)中節(jié)點(diǎn)之間的連線是雙向的，且連線的權(quán)值統(tǒng)一為1；而對于加權(quán)符號網(wǎng)絡(luò)，研究工作還處于初期和基礎(chǔ)研究階段。本文即是在此研究現(xiàn)狀和市場需求的雙重驅(qū)動(dòng)下，結(jié)合具體加權(quán)符號網(wǎng)絡(luò)的應(yīng)用背景進(jìn)行分析。通過分析，我們找出了交易網(wǎng)站中存在潛在交易風(fēng)險(xiǎn)的幾類用戶的網(wǎng)絡(luò)行為特征，據(jù)此能夠鑒別出存在潛在交易風(fēng)險(xiǎn)的用戶特征。

當(dāng)前，對于加權(quán)符號網(wǎng)絡(luò)的研究工作還主要集中在基礎(chǔ)領(lǐng)域，而應(yīng)用研究相對較為簡單[1]。

在基礎(chǔ)研究領(lǐng)域中，研究重點(diǎn)包括運(yùn)用結(jié)構(gòu)平衡理論(structural balance theory)去分析實(shí)際符號網(wǎng)絡(luò)的平衡性[2]，并從平衡性的角度對網(wǎng)絡(luò)中連線的正、負(fù)符號進(jìn)行修訂[3-4]和預(yù)測[5]；對復(fù)雜網(wǎng)絡(luò)社團(tuán)劃分的模塊化指標(biāo)Q進(jìn)行改造，實(shí)現(xiàn)符號網(wǎng)絡(luò)中的社團(tuán)結(jié)構(gòu)劃分[6]；根據(jù)節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)屬性(中心度、相似度、參與度等)進(jìn)行節(jié)點(diǎn)聚類分析，采用不同的路線實(shí)現(xiàn)網(wǎng)絡(luò)社團(tuán)劃分[7-8]；借鑒PageRank算法對網(wǎng)頁的評價(jià)，采取類似的算法對符號網(wǎng)絡(luò)中的節(jié)點(diǎn)進(jìn)行重要性評價(jià)[9-10]；借鑒HIT算法將網(wǎng)絡(luò)中節(jié)點(diǎn)的評價(jià)指標(biāo)分為兩個(gè)對立的指標(biāo)，從而對網(wǎng)絡(luò)中的連線進(jìn)行預(yù)測[11]等。除此之外，還有一些學(xué)者在研究符號網(wǎng)絡(luò)的網(wǎng)絡(luò)生成算法[12]。

但是，結(jié)合具體的應(yīng)用問題和應(yīng)用背景，將所研究的網(wǎng)絡(luò)構(gòu)建成為一個(gè)加權(quán)符號網(wǎng)絡(luò)，并從應(yīng)用層面上對其解釋和分析的研究尚不多見。前期工作包括：采用模擬退火算法搜索出使得符號網(wǎng)絡(luò)上信息擴(kuò)散最廣的源頭節(jié)點(diǎn)集合[13]；根據(jù)兩支股票收益率的相關(guān)系數(shù)，得到股票之間正、負(fù)關(guān)系的符號網(wǎng)絡(luò)，分析網(wǎng)絡(luò)的平衡性以及度分布等指標(biāo)，并從股票類型上對網(wǎng)絡(luò)進(jìn)行解釋[14]；將線上評價(jià)系統(tǒng)構(gòu)建為一個(gè)符號二分網(wǎng)絡(luò)(signed bipartite network)，并從二分網(wǎng)絡(luò)的角度對網(wǎng)絡(luò)進(jìn)行分析[15]。其中，與本文研究最為接近的是文獻(xiàn)[15]，即同樣對一個(gè)線上評價(jià)系統(tǒng)進(jìn)行符號網(wǎng)絡(luò)建模并分析。但不同的是，文獻(xiàn)[15]中將網(wǎng)絡(luò)中的用戶節(jié)點(diǎn)定義為買方和賣方，即二分網(wǎng)絡(luò)；而本文所研究的線上評價(jià)系統(tǒng)中用戶既可以是買方，也可以是賣方，含義更加復(fù)雜。同時(shí)，文獻(xiàn)[15]將網(wǎng)絡(luò)構(gòu)建成為一個(gè)符號網(wǎng)絡(luò)，即網(wǎng)絡(luò)中連線只是正號或負(fù)號；而本文所研究的網(wǎng)絡(luò)是一個(gè)加權(quán)符號網(wǎng)絡(luò)，即網(wǎng)絡(luò)連線不僅有正、負(fù)號的區(qū)別，還有數(shù)值上的差異。這兩點(diǎn)都使得本文所研究的應(yīng)用問題更加復(fù)雜。

二、比特幣交易平臺(tái)及數(shù)據(jù)集合

(一)比特幣交易平臺(tái)簡介

本文研究的社交電子商務(wù)平臺(tái)為一個(gè)比特幣交易平臺(tái)——Bitcoin OTC(https://www.bitcoin-otc.com)。在此P2P平臺(tái)上，用戶可以直接進(jìn)行比特幣的買賣交易，不需要平臺(tái)的審核和介入。根據(jù)該網(wǎng)站政策，網(wǎng)站不對用戶進(jìn)行資格審查，也不對用戶交易承擔(dān)任何責(zé)任，所有交易風(fēng)險(xiǎn)由買賣雙方自行負(fù)責(zé)。因此，在此網(wǎng)站上注冊的用戶既可能是比特幣的買家和賣家，也可能是非誠信用戶——騙子(impostor and scammer)。

為了幫助用戶降低交易風(fēng)險(xiǎn)，網(wǎng)站同時(shí)提供了一個(gè)用戶評價(jià)機(jī)制，即用戶在交易之后可以對本次交易的交易對象進(jìn)行評價(jià)。評價(jià)分?jǐn)?shù)的范圍從-10到+10(整數(shù)值，且不能取值為0)，分?jǐn)?shù)越高代表該用戶對交易對方越信任，分?jǐn)?shù)越低則表示認(rèn)為交易對方越不誠信。例如，10分表示用戶對交易對象非常信任，網(wǎng)站建議這是用戶對線下的好朋友或同事才給予的評價(jià)(You trust this person as you trust yourself. Reserve this for close friends and associates you know in person)；5分表示用戶與交易對象進(jìn)行了多次可靠的交易(You’ve had a number of good transactions with this person)；-10分表示交易對象收了錢之后并沒有完成交易，是一個(gè)騙子(Person failed to hold up his end of the bargain, took payment and ran, fraudster)。因此，如果一位用戶被他人評價(jià)分?jǐn)?shù)越高，且被多人評價(jià)較高，則可以初步認(rèn)為其更加誠實(shí)，交易的可信度越高。

簡而言之，對社交電子商務(wù)平臺(tái)上平臺(tái)用戶的信用風(fēng)險(xiǎn)評價(jià)主要基于以下幾個(gè)直覺和觀點(diǎn)：①其他用戶評價(jià)分?jǐn)?shù)越高的用戶，其信用越好，交易風(fēng)險(xiǎn)越小；②其他用戶評價(jià)分?jǐn)?shù)越低的用戶，其信用越差，交易風(fēng)險(xiǎn)較大；③其他用戶評價(jià)分?jǐn)?shù)有正有負(fù)，其信用和交易風(fēng)險(xiǎn)也較大。

但是，由于網(wǎng)站用戶并非都是誠信用戶，用戶之間的評分也存在作假的可能。例如，多個(gè)騙子賬號可以先對一個(gè)賬號集中打高分，從而提高該賬號的可信度，再以此賬號騙取不知情用戶的信任，最終實(shí)施詐騙。

如圖1所示，對于某指定用戶而言，在2013年2月28日和3月1日連續(xù)兩天中，有14位用戶對其評價(jià)，且評價(jià)以+8和+10為主。而在5月14日，該用戶因不正常的行為企圖，被他人評價(jià)為潛在的騙子。如果僅根據(jù)該用戶的評分判斷其信用等級，那么根據(jù)其“被其他用戶評價(jià)的分?jǐn)?shù)均值”為8.2143(115/14)，會(huì)得出交易風(fēng)險(xiǎn)較低的結(jié)論?？梢?，簡單地根據(jù)用戶的評分判斷用戶的誠信并不一定有效。

圖1 網(wǎng)站上典型的騙子賬號行為

(二)用戶評價(jià)數(shù)據(jù)集合

本文以斯坦福大學(xué)的網(wǎng)絡(luò)分析項(xiàng)目所提供的名為“bitcoin-otc”的數(shù)據(jù)集來構(gòu)建用戶之間加權(quán)符號網(wǎng)絡(luò)。該數(shù)據(jù)集有35 592條評價(jià)信息，總共涉及5 881個(gè)用戶。根據(jù)數(shù)據(jù)集合定義，每條數(shù)據(jù)包括四個(gè)字段：評價(jià)者(source)、被評價(jià)者(target)、評價(jià)分?jǐn)?shù)(rating)和評價(jià)時(shí)間(time)。為避免評價(jià)時(shí)間因素的引入使得網(wǎng)絡(luò)分析更加復(fù)雜，本文忽略了評價(jià)時(shí)間，僅以評價(jià)者、被評價(jià)者和評價(jià)分?jǐn)?shù)三個(gè)字段構(gòu)建加權(quán)符號網(wǎng)絡(luò)。

在構(gòu)造的加權(quán)符號網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)代表了一個(gè)系統(tǒng)用戶，而每條有向邊描述了一個(gè)用戶對另外一個(gè)用戶的評價(jià)，邊的權(quán)值則定義為用戶評價(jià)的實(shí)際評價(jià)值。所得到的加權(quán)符號網(wǎng)絡(luò)的基本統(tǒng)計(jì)信息如表1所示。

表1 加權(quán)網(wǎng)絡(luò)的基本信息

(三)用戶評價(jià)網(wǎng)絡(luò)的整體描述

忽略網(wǎng)絡(luò)中連線的方向性和權(quán)值，做出加權(quán)符號網(wǎng)絡(luò)的無向網(wǎng)絡(luò)。對該無向網(wǎng)絡(luò)采取標(biāo)準(zhǔn)的社團(tuán)劃分(community partitioning)，以Q值作為評價(jià)社團(tuán)劃分的指標(biāo)[16]，并將節(jié)點(diǎn)按照社團(tuán)進(jìn)行聚類展示(如圖2所示)。

從圖中，我們可以看出除了一些分散在網(wǎng)絡(luò)外圍的邊緣節(jié)點(diǎn)，核心區(qū)域中節(jié)點(diǎn)分群特征明顯，即同屬于相同社團(tuán)的節(jié)點(diǎn)連接緊密，不同社團(tuán)的節(jié)點(diǎn)連接較弱。

圖2 展現(xiàn)社團(tuán)特征的用戶評價(jià)網(wǎng)絡(luò)

三、用戶節(jié)點(diǎn)的分類和特征描述

(一)所有用戶節(jié)點(diǎn)的分類和特征描述

根據(jù)用戶評價(jià)系統(tǒng)的描述，當(dāng)一個(gè)用戶被其他用戶以負(fù)值評價(jià)時(shí)，表明該用戶在交易過程中表現(xiàn)“異?！?；如果用戶選擇與此類用戶進(jìn)行交易，存在較高的交易風(fēng)險(xiǎn)。相反，當(dāng)一個(gè)用戶被其他用戶都以正值評價(jià)時(shí)，表明該用戶在交易過程中表現(xiàn)“良好”；如果用戶選擇與此類用戶進(jìn)行交易，交易風(fēng)險(xiǎn)較低。

因此，我們根據(jù)用戶是否被其他用戶給予負(fù)值評價(jià)為規(guī)則進(jìn)行節(jié)點(diǎn)分類，得到曾經(jīng)被其他用戶負(fù)值評價(jià)的節(jié)點(diǎn)1 254個(gè)(簡稱為N類節(jié)點(diǎn))，未被其他用戶負(fù)值評價(jià)的節(jié)點(diǎn)4 604個(gè)(簡稱為P類節(jié)點(diǎn))。另外，有23個(gè)節(jié)點(diǎn)沒有被其他用戶評價(jià)的記錄(簡稱為Z類節(jié)點(diǎn))。

借鑒該評價(jià)系統(tǒng)中對用戶的評價(jià)指標(biāo)——用戶對其他用戶評價(jià)的次數(shù)(number of total ratings sent)，評價(jià)指標(biāo)代號為CI-1，對P類節(jié)點(diǎn)進(jìn)行指標(biāo)統(tǒng)計(jì)(如圖3所示)。根據(jù)評價(jià)系統(tǒng)的有向網(wǎng)絡(luò)定義，該指標(biāo)值實(shí)際上統(tǒng)計(jì)了節(jié)點(diǎn)的出度(out-degree)指標(biāo)。

(a)整體統(tǒng)計(jì)分布

(b)剔除極大值點(diǎn)影響后的統(tǒng)計(jì)分布

從該指標(biāo)值的統(tǒng)計(jì)來看，P類用戶在此指標(biāo)上存在明顯的分類特征，即用戶指標(biāo)值多數(shù)小于15，但是在數(shù)值25左右有著顯著聚集。如果忽略極值點(diǎn)的影響，此特征更加明顯，如圖3(b)所示。

對于P類節(jié)點(diǎn)的另外3個(gè)基本指標(biāo)，即用戶被其他用戶評價(jià)的次數(shù)(number of total ratings received)、用戶對其他用戶評價(jià)的分?jǐn)?shù)均值(mean of ratings sent)、用戶被其他用戶評價(jià)的分?jǐn)?shù)均值(mean of ratings received)進(jìn)行統(tǒng)計(jì)。同樣，根據(jù)定義，節(jié)點(diǎn)的“被其他用戶評價(jià)的次數(shù)”指標(biāo)實(shí)際上是有向網(wǎng)絡(luò)中節(jié)點(diǎn)的入度(in-degree)指標(biāo)值。

(a)用戶被其他用戶評價(jià)的次數(shù)(指標(biāo)CI-2)

(b)剔除極大值點(diǎn)影響后的 用戶被其他用戶評價(jià)的次數(shù)

(c)用戶對其他用戶評價(jià)的分?jǐn)?shù)均值(指標(biāo)CI-3)

(d)用戶被其他用戶評價(jià)的分?jǐn)?shù)均值(指標(biāo)CI-4)

從圖4可以看出，P類用戶同樣存在明顯的子類集合。

根據(jù)圖3和圖4中的統(tǒng)計(jì)分布結(jié)果，可以看出對于P類用戶而言：①如圖3(b)和圖4(b)所示，多數(shù)用戶的交易頻率不高(評價(jià)其他用戶的次數(shù)和被其他用戶評價(jià)的次數(shù))，但是有部分用戶相對活躍，交易次數(shù)超過20次；②如圖4(c)和圖4(d)所示，多數(shù)用戶對其他用戶的評價(jià)分?jǐn)?shù)均值多為1～3，因此用戶被其他用戶評價(jià)的分?jǐn)?shù)均值也多為1～3；③如圖4(c)所示，少數(shù)用戶對其他用戶的評價(jià)分?jǐn)?shù)均值為-10，表明用戶在交易中遇到了問題用戶，因此評價(jià)對方為“騙子”；④如圖4(d)所示，還有少數(shù)用戶對其他用戶評價(jià)的分?jǐn)?shù)均值為+10。這個(gè)評價(jià)分?jǐn)?shù)偏離多數(shù)用戶的評價(jià)分?jǐn)?shù)均值，表明這類用戶自身也存在問題，有可能為“騙子”。

對1 254個(gè)N類節(jié)點(diǎn)進(jìn)行相同的統(tǒng)計(jì)分析，如圖5所示，我們可以發(fā)現(xiàn)N類節(jié)點(diǎn)同樣具有明顯的分類特征。

(a)用戶對其他用戶評價(jià)的次數(shù)(指標(biāo)CI-1)

(b)用戶被其他用戶評價(jià)的次數(shù)(指標(biāo)CI-2)

(c)剔除極大值點(diǎn)影響后的用戶對其他用戶評價(jià)的次數(shù)

(d)剔除極大值點(diǎn)影響后的用戶被其他用戶評價(jià)的次數(shù)

(e)用戶對其他用戶評價(jià)的分?jǐn)?shù)均值(指標(biāo)CI-3)

(f)用戶被其他用戶評價(jià)的分?jǐn)?shù)均值(指標(biāo)CI-4)

更加明顯的是，對于N類節(jié)點(diǎn)而言，用戶被其他用戶評價(jià)的分?jǐn)?shù)均值較大比例大于0(圖5f所示)，有的甚至接近了+5。

(二)異常用戶節(jié)點(diǎn)的特征描述

為了進(jìn)一步發(fā)現(xiàn)P類節(jié)點(diǎn)和N類節(jié)點(diǎn)的整體特征，我們對其中與其他用戶節(jié)點(diǎn)差異較大的節(jié)點(diǎn)進(jìn)行特征挖掘。

1.P類節(jié)點(diǎn)分類

由圖4c可知，在P類節(jié)點(diǎn)中有部分節(jié)點(diǎn)對他人的評價(jià)分?jǐn)?shù)均值趨近于+10。表明這類用戶可能是在幫助騙子賬戶提高其該指標(biāo)均值，目的在于提高其信用等級，協(xié)助其達(dá)到欺騙的目的。

同時(shí)，圖4d也發(fā)現(xiàn)P類節(jié)點(diǎn)中部分節(jié)點(diǎn)被他人評價(jià)的分?jǐn)?shù)均值也接近+10。這表明此類節(jié)點(diǎn)可能是正在由騙子賬戶幫助其提高信用等級，等待不知情用戶上鉤的騙子團(tuán)伙。

根據(jù)統(tǒng)計(jì)信息，4 604個(gè)P類節(jié)點(diǎn)的指標(biāo)“用戶對其他用戶評價(jià)的分?jǐn)?shù)均值”平均值為1.539 3，標(biāo)準(zhǔn)方差為1.896 5。因此，我們以3倍標(biāo)準(zhǔn)差為分界線(7.228 8=1.539 3+3×1.896 5)對P類節(jié)點(diǎn)進(jìn)行劃分，即將該指標(biāo)值大于7.228 8的節(jié)點(diǎn)篩選出來，作為異常用戶節(jié)點(diǎn)。為了描述方便，下文稱此類節(jié)點(diǎn)為PS-1類節(jié)點(diǎn)。

同理，對P類節(jié)點(diǎn)的指標(biāo)“用戶被其他用戶評價(jià)的分?jǐn)?shù)均值”，根據(jù)其平均值1.665 3和標(biāo)準(zhǔn)方差1.279 4，以其3倍標(biāo)準(zhǔn)差5.503 5進(jìn)行節(jié)點(diǎn)劃分，即將該指標(biāo)值大于5.5035的節(jié)點(diǎn)篩選出來。為了描述方便，下文稱此類節(jié)點(diǎn)為PS-2類節(jié)點(diǎn)。

另外，有一些節(jié)點(diǎn)既屬于PS-1類節(jié)點(diǎn)，也屬于PS-2類節(jié)點(diǎn)，我們稱此類節(jié)點(diǎn)為PS-12類。而那些既不屬于PS-1類，也不屬于PS-2類節(jié)點(diǎn)的P類節(jié)點(diǎn)，我們定義其為PS-0類節(jié)點(diǎn)。

2.N類節(jié)點(diǎn)分類

由圖5e可知，在N類節(jié)點(diǎn)中有部分節(jié)點(diǎn)對他人的評價(jià)分?jǐn)?shù)均值趨近+10，表明這類用戶可能是在幫助騙子賬戶提高其信用等級，協(xié)助其達(dá)到欺騙的目的。與P類節(jié)點(diǎn)中PS-1類節(jié)點(diǎn)不同的是，此類節(jié)點(diǎn)是已經(jīng)被識(shí)別的騙子賬號。

從圖5f可以看出，多數(shù)N類節(jié)點(diǎn)被其他用戶評價(jià)的分?jǐn)?shù)均值主要集中在-6～+4，但是存在部分節(jié)點(diǎn)的該指標(biāo)值集中在-10。結(jié)合P類節(jié)點(diǎn)中的PS-1類節(jié)點(diǎn)的行為，可以認(rèn)為多數(shù)N類節(jié)點(diǎn)是先被其他用戶(騙子同伙)給予接近+10的評價(jià)，之后被受騙的用戶給予接近-10的評價(jià)。從評價(jià)分?jǐn)?shù)的統(tǒng)計(jì)值上來看，該節(jié)點(diǎn)的被評價(jià)分?jǐn)?shù)平均值趨向于0。

相比之下，N類節(jié)點(diǎn)中被其他用戶評價(jià)的分?jǐn)?shù)均值為-10的用戶，可能是該用戶的同伙數(shù)量較少，給其正值評價(jià)較少；或該用戶同時(shí)欺騙了多位用戶，導(dǎo)致其評價(jià)分?jǐn)?shù)的和較低。

根據(jù)以上分析，結(jié)合PS-1類用戶的分類標(biāo)準(zhǔn)，我們同樣以該指標(biāo)值(CI-3指標(biāo))大于7.228 8的節(jié)點(diǎn)篩選出異常的節(jié)點(diǎn)集合，并定義其為NS-1。

從圖5f中可以看出，N類節(jié)點(diǎn)在CI-4指標(biāo)上取值較為分散。因此，本文簡單地以CI-4指標(biāo)值為-9對節(jié)點(diǎn)進(jìn)行分類，得到CI-4指標(biāo)值趨近于-10的異常節(jié)點(diǎn)集合NS-2。

類似的定義節(jié)點(diǎn)集合NS-12為同時(shí)屬于NS-1和NS-2的節(jié)點(diǎn)集合，而集合NS-0為不屬于NS-1和NS-2的N類節(jié)點(diǎn)。

(三)異常用戶節(jié)點(diǎn)的模式識(shí)別

根據(jù)分析，我們可以確定網(wǎng)絡(luò)中被標(biāo)記為NS-1類、NS-2類、PS-1類、PS-2類的節(jié)點(diǎn)都是異常節(jié)點(diǎn)，與其交易的風(fēng)險(xiǎn)較高。因此，下文嘗試采用簡單實(shí)用的分類方法發(fā)現(xiàn)這些異常節(jié)點(diǎn)的特征并從整個(gè)網(wǎng)絡(luò)中進(jìn)行區(qū)分。

1.基于節(jié)點(diǎn)指標(biāo)值的分類

通過分類，我們發(fā)現(xiàn)無論是PS-1類節(jié)點(diǎn)、PS-2類節(jié)點(diǎn)，還是NS-1類節(jié)點(diǎn)、NS-2類節(jié)點(diǎn)，都具有明顯的行為相似性。例如，圖6分別給出了這4類異常節(jié)點(diǎn)的指標(biāo)CI-1(用戶對其他用戶評價(jià)的次數(shù))的統(tǒng)計(jì)分布情況。

(a)PS-1類節(jié)點(diǎn)

(b)PS-2類節(jié)點(diǎn)

(c)NS-1類節(jié)點(diǎn)

(d)NS-2類節(jié)點(diǎn)

從圖6可以看出，這4類節(jié)點(diǎn)的聚類特性非常明顯。因此，可以用節(jié)點(diǎn)的整體特性來描述這一類節(jié)點(diǎn)的特征。

我們以節(jié)點(diǎn)的CI-1指標(biāo)(用戶對其他用戶評價(jià)的次數(shù))和CI-2指標(biāo)(用戶被其他用戶評價(jià)的次數(shù))對節(jié)點(diǎn)進(jìn)行可視化展示，如圖7所示。因?yàn)镃I-1指標(biāo)和CI-2指標(biāo)的取值都為整數(shù)，所以圖7中節(jié)點(diǎn)呈離散分布。

顏色更加淺的點(diǎn)表示此處節(jié)點(diǎn)數(shù)量較多。從圖7可以看出，采用多個(gè)指標(biāo)對這些節(jié)點(diǎn)分類，可以發(fā)現(xiàn)節(jié)點(diǎn)的聚類特性更加明顯。并且，這4類節(jié)點(diǎn)都相對集中在圖形的左下角，這表明這四類節(jié)點(diǎn)的CI-1指標(biāo)和CI-2指標(biāo)值都較小，它們之間具有較高的相似性。因此，將這4類節(jié)點(diǎn)放在同一張散點(diǎn)圖上，結(jié)果如圖8所示。

(a)PS-1類節(jié)點(diǎn)

(b)PS-2類節(jié)點(diǎn)

(c)NS-1類節(jié)點(diǎn)

(d)NS-2類節(jié)點(diǎn)

圖8 4類異常節(jié)點(diǎn)整體的散點(diǎn)圖

可以看出，這4類節(jié)點(diǎn)都具有較強(qiáng)的相似性。將少數(shù)節(jié)點(diǎn)刪除之后，多數(shù)節(jié)點(diǎn)都聚集在圖形的左下角。

根據(jù)以上數(shù)據(jù)分析和展示，可以較為清晰地看出這4類節(jié)點(diǎn)區(qū)別其他節(jié)點(diǎn)的特征為這4類節(jié)點(diǎn)各項(xiàng)指標(biāo)的均值，即PS-1類、PS-2類節(jié)點(diǎn)和NS-1類、NS-2類節(jié)點(diǎn)的指標(biāo)均值可以作為區(qū)分這些節(jié)點(diǎn)的屬性。

2.四類節(jié)點(diǎn)指標(biāo)特征的顯著性

在發(fā)現(xiàn)這4類異常節(jié)點(diǎn)的特征模式之后，我們將這4類節(jié)點(diǎn)放入普通節(jié)點(diǎn)集合之中，觀察這4類節(jié)點(diǎn)的特征顯著性。

將P類節(jié)點(diǎn)以CI-1指標(biāo)和CI-2指標(biāo)展示在散點(diǎn)圖上，如圖9所示。

從圖9(a)可以看出，相比于PS-0類節(jié)點(diǎn)，PS-1類節(jié)點(diǎn)和PS-2類節(jié)點(diǎn)非常集中(圖中PS-1/2標(biāo)記所示的節(jié)點(diǎn)為PS-1或PS-2類節(jié)點(diǎn)的位置)。

類似地將N類節(jié)點(diǎn)以CI-1指標(biāo)和CI-2指標(biāo)展示在散點(diǎn)圖上。從圖9(b)上也看出了與圖9(a)中相同的現(xiàn)象，即NS-1或NS-2類節(jié)點(diǎn)的特征非常明顯，即使是放在整個(gè)數(shù)據(jù)集合中，其特征也能夠清楚發(fā)現(xiàn)。

如果將這4類節(jié)點(diǎn)放在整個(gè)網(wǎng)絡(luò)中，如圖10所示，我們亦然可以看到這些節(jié)點(diǎn)特征明顯，聚集在所有節(jié)點(diǎn)集合的中心。這表明這4類異常節(jié)點(diǎn)具有明顯的特征，可以從整個(gè)網(wǎng)絡(luò)中篩選出來。

圖10 網(wǎng)絡(luò)所有節(jié)點(diǎn)的散點(diǎn)圖

3.異常節(jié)點(diǎn)的相似性

為了檢驗(yàn)異常節(jié)點(diǎn)特征屬性的識(shí)別特性，下面分別以不同類別異常節(jié)點(diǎn)的平均值作為此類節(jié)點(diǎn)的整體模式，并計(jì)算所有節(jié)點(diǎn)與該平均值之間的相似性。

以PS-1類節(jié)點(diǎn)為例，此類節(jié)點(diǎn)指標(biāo)CI-1、CI-2、CI-3和CI-4的平均值分別為：

(1)

接著計(jì)算每個(gè)PS-1類節(jié)點(diǎn)i與該指標(biāo)值的相似性(在計(jì)算相似性之前，首先根據(jù)指標(biāo)的極大值和極小值對屬性數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)的歸一化處理)：

(2)

作為對比，同樣計(jì)算PS-0類節(jié)點(diǎn)k與該指標(biāo)值的相似性：

(3)

圖11給出了PS-1類節(jié)點(diǎn)屬性的相似度。

(a)PS-1類節(jié)點(diǎn)

(b)PS-0類節(jié)點(diǎn)

從圖11可以看出，PS-1類節(jié)點(diǎn)與整體屬性之間的相似性多數(shù)都超過85%，而PS-0類節(jié)點(diǎn)與PS-1類節(jié)點(diǎn)整體屬性的相似性全部都低于85%。這也驗(yàn)證了采用PS-1類節(jié)點(diǎn)整體屬性進(jìn)行節(jié)點(diǎn)分類的有效性。

圖12～圖14分別給出了PS-2類節(jié)點(diǎn)、NS-1類節(jié)點(diǎn)和NS-2類節(jié)點(diǎn)的相似度計(jì)算結(jié)果。

(a)PS-2類節(jié)點(diǎn)

(b)PS-0類節(jié)點(diǎn)

(a)NS-1類節(jié)點(diǎn)

(b)NS-0類節(jié)點(diǎn)

(a)NS-2類節(jié)點(diǎn)

(b)NS-0類節(jié)點(diǎn)

可以看出，這4類節(jié)點(diǎn)的整體特征能夠較好地代表這些節(jié)點(diǎn)(相似性指標(biāo)較高)，并與其他節(jié)點(diǎn)可以區(qū)分開來。但是，在未被劃分為這4類的節(jié)點(diǎn)(PS-0類節(jié)點(diǎn)和NS-0類節(jié)點(diǎn))中，也有部分節(jié)點(diǎn)與這4類節(jié)點(diǎn)相似度非常高。這說明，還有部分有潛在風(fēng)險(xiǎn)的節(jié)點(diǎn)特征尚未被識(shí)別出來。

4.小結(jié)

通過以上的數(shù)據(jù)分析和挖掘，我們可以得出以下結(jié)論：

第一，網(wǎng)絡(luò)中用戶的交易行為具有明顯的整體特征，而那些偏離整體特征的異常節(jié)點(diǎn)多為問題節(jié)點(diǎn)，與這些異常節(jié)點(diǎn)進(jìn)行交易存在較大的風(fēng)險(xiǎn)。

第二，根據(jù)節(jié)點(diǎn)在加權(quán)符號網(wǎng)絡(luò)中的連線權(quán)值、符號和數(shù)量，能夠簡單并有效地區(qū)分出網(wǎng)絡(luò)中的異常節(jié)點(diǎn)。

第三，由于異常節(jié)點(diǎn)行為特征的相似性，可以根據(jù)已經(jīng)被他人證實(shí)的異常節(jié)點(diǎn)特征(NS-1類節(jié)點(diǎn)和NS-2類節(jié)點(diǎn))去識(shí)別那些未被他人證實(shí)的潛在異常節(jié)點(diǎn)。

四、結(jié) 論

本項(xiàng)研究是以加權(quán)符號網(wǎng)絡(luò)的模型構(gòu)建比特幣交易網(wǎng)站上的用戶評價(jià)網(wǎng)絡(luò)。通過用戶之間評價(jià)的符號和數(shù)值，我們識(shí)別出網(wǎng)絡(luò)中那些具有交易風(fēng)險(xiǎn)的用戶的行為特點(diǎn)。通過數(shù)據(jù)分析，發(fā)現(xiàn)了這些行為特征模式，能夠作為區(qū)分和判斷存在潛在網(wǎng)絡(luò)交易風(fēng)險(xiǎn)的用戶節(jié)點(diǎn)的標(biāo)準(zhǔn)。作為交易平臺(tái)，雖然并不為用戶提供信用擔(dān)保，但是可以提供類似的用戶查詢功能，幫助用戶降低交易風(fēng)險(xiǎn)，同時(shí)也能保證平臺(tái)的健康發(fā)展。