曲媛媛 宮莉瑩 賀維

摘 要：針對網(wǎng)絡(luò)購物過程中的交易風(fēng)險問題，提出一種利用深度學(xué)習(xí)技術(shù)中的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）模型和深度置信網(wǎng)絡(luò)（deep belief network， DBN）模型來進(jìn)行網(wǎng)絡(luò)購物風(fēng)險評估的方法。該方法首先確定交易風(fēng)險評估的多個影響因素，然后采用RNN模型對主觀因素進(jìn)行語義分析和情感分類，從而實現(xiàn)定性的主觀評價到定量的客觀評價的轉(zhuǎn)化，最后采用DBN模型對所有客觀影響因素進(jìn)行交易風(fēng)險綜合評估。通過模擬實驗驗證，所提出的方法能夠有效的解決交易風(fēng)險評估問題，同時相比傳統(tǒng)方法準(zhǔn)確性更高，且評價結(jié)果更為科學(xué)。

關(guān)鍵詞：深度學(xué)習(xí);循環(huán)神經(jīng)網(wǎng)絡(luò);深度信念網(wǎng)絡(luò);風(fēng)險評估;網(wǎng)絡(luò)購物

DOI：10.15938/j.jhust.2019.04.018

中圖分類號： TP309.2

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2019）04-0105-05

Abstract：

Aiming at the problem of transaction risk in online shopping， this paper proposes a method of online shopping risk assessment based on recurrent neural network （RNN） model and deep belief network （DBN） model in deep learning technology. Firstly， the method determines multiple influencing factors of transaction risk assessment. Then we use the RNN model to carry out semantic analysis and sentiment classification of subjective factors so as to realize the transformation from qualitative subjective evaluation to quantitative objective evaluation. Finally， the DBN model is used to analyze all the objective influencing factors conduct a comprehensive assessment of transaction risk. The simulation results show that the proposed method can effectively solve the problem of transaction risk assessment， and at the same time， it has higher accuracy compared with the traditional method， and the evaluation result is more scientific.

Keywords：deep learning; recurrent neural network （RNN）; deep belief network （DBN）; risk assessment; online shopping

0 引 言

網(wǎng)絡(luò)購物是買賣雙方利用互聯(lián)網(wǎng)進(jìn)行的商品或服務(wù)交易，是由計算機技術(shù)與互聯(lián)網(wǎng)技術(shù)為主的技術(shù)革命所引發(fā)的，它順應(yīng)知識經(jīng)濟的發(fā)展趨勢，具有傳統(tǒng)方式所不可比擬的優(yōu)越性，代表著商業(yè)未來的發(fā)展趨勢。根據(jù)艾瑞咨詢統(tǒng)計，2016年第三季度中國網(wǎng)絡(luò)購物市場規(guī)模達(dá)1.15億元，比去年同期增長23.6%，環(huán)比增長2.6%。我國網(wǎng)絡(luò)購物市場正處于高速發(fā)展階段，由于交易發(fā)生之前，消費者不能很好的了解賣家的真實背景和信用情況，導(dǎo)致交易中產(chǎn)生了大量的交易糾紛，造成消費者的財產(chǎn)損失[1]。

賣家信用評價是交易平臺，通過對賣家歷史交易情況進(jìn)行分析，而獲得的賣家信用評價[2-3]。在進(jìn)行賣家信用評價時發(fā)現(xiàn)，影響賣家信用有很多因素，目前的主要處理手段是通過主成分分析方式，對客觀影響因素進(jìn)行降維處理，對較低維度的信息進(jìn)行計算，求解賣家信用，但是這種方式在一定程度上降低了評價的準(zhǔn)確性，同時，這種信用評價方式也忽略消費者的主觀評價信息，很多消費者在購物之后，會對交易進(jìn)行主觀的文字評價，往往消費者的主觀評價信息更能體現(xiàn)消費者的真實意圖，因此如何合理結(jié)合消費者主客觀評價，實現(xiàn)對用戶的綜合信用評估，成為了一個急需解決的問題[4-5]。

深度學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)對信息的分層特征表示，這種技術(shù)非常適用于網(wǎng)絡(luò)環(huán)境中的高維、海量數(shù)據(jù)的特征提取。深度學(xué)習(xí)技術(shù)在圖像識別、語音處理、語義分析等很多領(lǐng)域取得了巨大的成功，在某些方面的學(xué)習(xí)能力甚至超過人類的認(rèn)知能力[6-7]。本文在進(jìn)行用戶賣家綜合信用評估時，利用深度學(xué)習(xí)技術(shù)提出了一種新的賣家信用評估方法，即利用RNN模型對賣家主觀評價信息進(jìn)行分類處理，利用DBN模型對賣家所有評價信息進(jìn)行整合，生成用戶的最終評價結(jié)果。

1 基于深度學(xué)習(xí)的賣家綜合信用評價模型

在深度學(xué)習(xí)中，包含多種不同模型結(jié)構(gòu)，不同模型適用范圍存在差異，其中RNN非常適用于對序列數(shù)據(jù)的信息處理[8]，而DBN可以用來對數(shù)據(jù)的概率分布進(jìn)行建模，也可以用來對數(shù)據(jù)進(jìn)行分類[9，10]。在設(shè)計賣家信用綜合評價模型時，本文采用基于深度學(xué)習(xí)技術(shù)實現(xiàn)，通過利用RNN模型和DBN模型的優(yōu)勢實現(xiàn)不同功能，如圖1所示，為本文設(shè)計的綜合應(yīng)用評價模型。主要包括：影響因素預(yù)處理，主觀評價處理，賣家綜合評價3個主要部分。

1.1 影響因素預(yù)處理

首先，收集整理當(dāng)前交易系統(tǒng)中與賣家信用相關(guān)的基本信息，如表1所示，為某系統(tǒng)中與賣家信用有關(guān)的因素[11]。包含客觀因素22項，主觀因素2項，其中每個賣家會包含多條主觀評價信息。對于客觀數(shù)據(jù)，為了方便后期進(jìn)行機器學(xué)習(xí)，需要對數(shù)據(jù)進(jìn)行數(shù)字化和歸一化處理，通?？刹捎米畲笞钚≈档姆绞竭M(jìn)行處理，實現(xiàn)每項數(shù)據(jù)的值在[0-1]之間。對于主觀數(shù)據(jù)的處理詳見2.2節(jié)。

1.2 主觀評價處理

對于每條主觀數(shù)據(jù)的處理，主要目標(biāo)是將數(shù)據(jù)轉(zhuǎn)換成客觀數(shù)據(jù)的形式，即通過語義分析，分析消費者的真實評價結(jié)果，轉(zhuǎn)換成對賣家客觀的等級評價，本部分采用基于RNN的語義分析模型實現(xiàn)[12，13]。如圖2所示，為基于RNN的用戶主觀評價模型，具體流程如下所示：

1）利用Google發(fā)布的的word2vec對主觀信息進(jìn)行處理，將評價信息轉(zhuǎn)換成若干個詞向量信息。

2）將生成的詞向量信息輸入到設(shè)計的RNN網(wǎng)絡(luò)中，本文設(shè)計的RNN網(wǎng)絡(luò)包括普通神經(jīng)元的輸出層，主要接收詞向量信息，為了解決RNN網(wǎng)絡(luò)的梯度彌散和梯度爆炸問題，隱層神經(jīng)元采用GRU單元，輸出層利用softmax分類器，對輸出結(jié)果進(jìn)行分類判定。

3 結(jié) 論

為了能夠更好的完成網(wǎng)絡(luò)購物風(fēng)險評估，本文設(shè)計了一種基于RNN-DBN模型的風(fēng)險評估方法。利用RNN模型實現(xiàn)對于用戶主觀評價的處理，利用DBN模型實現(xiàn)用戶的綜合評價，從而充分利用深度學(xué)習(xí)技術(shù)在海量、高維數(shù)據(jù)中的特征學(xué)習(xí)能力。通過實驗驗證，相對于傳統(tǒng)方式，該方法具有優(yōu)秀的評估準(zhǔn)確率。隨著對深度學(xué)習(xí)技術(shù)的研究深入，下一步的工作主要包括：

1）通過改進(jìn)模型的結(jié)構(gòu)更好的提高用戶綜合評估的準(zhǔn)確性。

2）探索利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)對用戶的綜合評估。

3）探索基于無監(jiān)督學(xué)習(xí)方式對用戶評估模型進(jìn)行訓(xùn)練的方法。

參 考 文 獻(xiàn)：

[1] 李林娟.中國網(wǎng)絡(luò)購物現(xiàn)狀與發(fā)展趨向分析[J].中國管理信息化，2016，19（20）：135.

[2] 周欣元.信息安全風(fēng)險評估綜述[J].電子技術(shù)與軟件工程，2016（20）：214.

[3] BOULOIZ H，TKIOUAT M，GALLAB M.Towards a Model for Developing an Information System as a Decision Support to Risk Assessment[J].International Journal of Industrial and Systems，2017，25（1）：110.

[4] MILLAN C L，GARZON D，NAVARRO S.C2C Interactions Creating Value in the Route of Santiago [J].Journal of Business Research，2016，69（11）：5448.

[5] MIN C G， PARK J K， HUR D，et al.A Risk Evaluation Method for Ramping Capability Shortage in Power Systems [J].Energy，2016，113：1316.

[6] 樊雅琴，王炳皓，王偉，等.深度學(xué)習(xí)國內(nèi)研究綜述[J].中國遠(yuǎn)程教育，2015，（6）：27.

[7] KIM S，PARK B，SONG B S，et al.Deep Belief Network Based Statistical Feature Learning for Fingerprint Liveness Detection [J]，Pattern Recognition Letters， 2016 ， 77 （S） ：58.

[8] 胡昕.基于RNN的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法[J].現(xiàn)代計算機，2017（6）：14.

[9] 潘廣源，柴偉，喬俊飛.DBN網(wǎng)絡(luò)的深度確定方法[J].控制與決策，2015（2）：256.

[10]孫勁光，蔣金葉，孟祥福，等.一種數(shù)值屬性的深度置信網(wǎng)絡(luò)分類方法[J].計算機工程與應(yīng)用，2014，50（2）：112.

[11]彭惠，王永瑞.C2C電子商務(wù)市場整體賣家信用分布研究[J].情報雜志，2012，31（5）：122.

[12]黎亞雄，張堅，強潘，等.基于RNN-RBM語言模型的語音識別研究[J].計算機研究與發(fā)展，2014，51（9）：1936.

[13]TOBIYAMA S，YAMAGUCHI Y，SHIMADA H，et al.Malware Detection with Deep Neural Network Using Process Behavior [C]//Computer Software and Applications Conference，2016：577.

[14]劉明珠，鄭云非，樊金，等.基于深度學(xué)習(xí)法的視頻文本區(qū)域定位與識別[J]. 哈爾濱理工大學(xué)學(xué)報，2016，21（6）： 61.

[15]呂淑寶，王明月，翟祥，等.一種深度學(xué)習(xí)的信息文本分類算法[J]. 哈爾濱理工大學(xué)學(xué)報，2017， 22 （2）：105.

[16]笱程成，秦宇君，田甜，等.一種基于RNN的社交消息爆發(fā)預(yù)測模型[J].軟件學(xué)報，2017，28（11）：3030.

[17]李飛，高曉光，萬開方.基于動態(tài)Gibbs采樣的RBM訓(xùn)練算法研究[J].自動化學(xué)報，2016，42 （6）：931.

[18]黎亞雄，張堅強，潘登，等.基于RNN-RBM語言模型的語音識別研究[J].計算機研究與發(fā)展，2014，51（9）：1936.

[19]肖熠，魯永泉，謝思燁.一種針對GPU資源的深度學(xué)習(xí)容器云研究[J].中國傳媒大學(xué)學(xué)報，2017（6）：16.

[20]陳云，石松，潘彥，等.基于SVM混合集成的信用風(fēng)險評估模型[J].計算機工程與應(yīng)用，2016，52 （4）：115.

（編輯：溫澤宇）