基于互聯(lián)網(wǎng)交易數(shù)據(jù)的電子商務(wù)交易監(jiān)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及通信技術(shù)領(lǐng)域,特別涉及一種基于互聯(lián)網(wǎng)交易數(shù)據(jù)的電子商務(wù)交易監(jiān) 測方法。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)交易的迅猛發(fā)展,包括移動電商、微博電商、微店等各種新的營銷模式 不斷涌現(xiàn),社會關(guān)注程度越來越高,也給市場的監(jiān)管提出了更高的要求?;ヂ?lián)網(wǎng)交易的發(fā) 展,也出現(xiàn)了一些市場自身難以解決的問題,缺乏電子商務(wù)可信交易環(huán)境是其中的重點問 題,成為影響電子商務(wù)發(fā)展的主要瓶頸。具體來說,互聯(lián)網(wǎng)交易交易監(jiān)管存在的問題和困難 主要包括:1.主體難確定;2.舉證能力弱;3.互聯(lián)網(wǎng)交易具有跨地域性及隱蔽性等特點; 4.目前的評價體系不規(guī)范。這都造成了對互聯(lián)網(wǎng)交易的異常行為監(jiān)測的難以實施。
[0003] 目前國內(nèi)外針對互聯(lián)網(wǎng)交易的異常行為挖掘的研宄并不多,基本也是集中于機制 和預(yù)防措施以及法律手段的研宄,真正意義上可以用于智能算法或挖掘技術(shù)實現(xiàn)提前預(yù)警 的較少。相關(guān)技術(shù)具體如下:
[0004] 1)通過產(chǎn)品質(zhì)量的博弈模型,對涉及產(chǎn)品內(nèi)容的可變性、差異化、網(wǎng)絡(luò)交易身份的 不易識別性以及市場參加者對在線產(chǎn)品效用評價等內(nèi)容的網(wǎng)絡(luò)欺詐進行規(guī)范治理的內(nèi)在 機理來減少網(wǎng)絡(luò)欺詐行為。
[0005] 2)針對C2C交易平臺的交易數(shù)據(jù)分析處理的策略包括對交易平臺的交易數(shù)據(jù)進 行實證分析,對欺詐行為的概念、形成原因等方面進行歸類,進而歸納總結(jié)電商交易交易平 臺防范和處理欺詐的主要因素及類型來進行電子商務(wù)交易監(jiān)測。
[0006] 3)基于超圖模型的離群點算法,通過計算每個離群點的支持隸屬度和規(guī)模偏差來 監(jiān)測離群點,通過有效地發(fā)現(xiàn)高煒空間數(shù)據(jù)中的離群點就可以處理數(shù)值屬性和類別屬性, 進而對交易數(shù)據(jù)進行分析處理。
[0007] 以上的研宄基本都是基于機制策略類型的,對于互聯(lián)網(wǎng)交易的應(yīng)用場景,問題交 易的發(fā)生必然是事后型的,一般都是出現(xiàn)有問題的交易之后,通過當(dāng)事人產(chǎn)生損失并投訴 之后再采取相應(yīng)的處理措施,因此并不能滿足對交易安全性預(yù)警的保障。
[0008] 目前的針對互聯(lián)網(wǎng)交易的信任和信譽算法中,預(yù)警指標(biāo)僅考慮了信譽相關(guān)的指 標(biāo),并沒有考慮到交易主體之間的關(guān)聯(lián)性,而問題交易欺詐主體最大的特點就在于目標(biāo)廣 泛。因此,不僅要對問題交易行為進行發(fā)現(xiàn)挖掘,更要通過分類和預(yù)測發(fā)現(xiàn)用戶之間的相互 關(guān)聯(lián)關(guān)系、以及問題交易行為的特征,就可以預(yù)測可能發(fā)生的問題交易行為并且進行預(yù)警 進而降低互聯(lián)網(wǎng)交易的風(fēng)險。
【發(fā)明內(nèi)容】
[0009] 本發(fā)明的目的在于提供一種基于互聯(lián)網(wǎng)交易數(shù)據(jù)的電子商務(wù)交易監(jiān)測方法,以解 決現(xiàn)有的針對互聯(lián)網(wǎng)交易的信任和信譽算法所存在的無法準(zhǔn)確地預(yù)測可能發(fā)生的問題交 易行為并且進行預(yù)警的問題。
[0010] 為實現(xiàn)上述目的,本發(fā)明提供了一種基于互聯(lián)網(wǎng)交易數(shù)據(jù)的電子商務(wù)交易監(jiān)測方 法,包括如下步驟:
[0011] Sl :獲取交易記錄,并根據(jù)交易記錄進行信譽參數(shù)分析,并建立信譽信息集;
[0012] S2:對信譽信息集進行篩選得到問題交易集,對問題交易集進行樣本分析,提煉出 基于信譽參數(shù)的指標(biāo)集合,并建立基于信譽參數(shù)的聚集關(guān)聯(lián),得到聚集關(guān)聯(lián)的結(jié)果集合;
[0013] S3:根據(jù)所述基于信譽參數(shù)的指標(biāo)集合及聚集關(guān)聯(lián)的結(jié)果集合建立監(jiān)測模型并得 到監(jiān)測集合,并將該監(jiān)測集合作為參考對電子商務(wù)交易進行監(jiān)測和預(yù)警,具體為:對如當(dāng)前 的電子商務(wù)交易的指標(biāo)符合該監(jiān)測集合,則判斷該電子商務(wù)交易為問題交易;
[0014] 其中,所述聚集關(guān)聯(lián)具體為將當(dāng)前交易涉及信息與問題交易涉及的指標(biāo)集合進行 關(guān)聯(lián)。
[0015] 較佳地,所述信譽參數(shù)分析分為基于B2C或C2C的分析及基于B2B的分析;其中, 基于B2C或C2C的分析包括:分析影響施信方對交易對象的信任的因素,以及分析影響互聯(lián) 網(wǎng)交易信任的因素;基于B2B的分析包括:分析影響組織間的信任的因素。
[0016] 較佳地,影響施信方對交易對象的信任的因素包括:對對方的信任、基于控制的信 任、對于潛在收益的期望、以及其自身對于風(fēng)險的態(tài)度;
[0017] 影響互聯(lián)網(wǎng)交易信任的因素包括:技術(shù)因素、環(huán)境因素、商業(yè)因素及個人因素;
[0018] 影響組織間的信任的因素包括:可感知的監(jiān)督、可感知的認證、可感知的法律約 束、可感知的反饋和可感知的寫作規(guī)范。
[0019] 較佳地,所述指標(biāo)集合包括注冊行為、操作行為、推廣行為及被投訴行為中的一個 或多個。
[0020] 較佳地,所述聚集關(guān)聯(lián)包括IP關(guān)聯(lián)、基本信息關(guān)聯(lián)及商品關(guān)聯(lián)的行業(yè)數(shù),其中,所 述IP關(guān)聯(lián)包括直接IP關(guān)聯(lián)和IP進階關(guān)聯(lián);所述基本信息關(guān)聯(lián)具體為交易涉及的注冊信息 中的郵箱、負責(zé)人、聯(lián)系電話、店鋪網(wǎng)址或其他注冊信息與已確認的問題交易的信息進行直 接關(guān)聯(lián);所述商品關(guān)聯(lián)的行業(yè)數(shù)為商品和行業(yè)的關(guān)聯(lián)度指標(biāo)。
[0021] 較佳地,所述聚集關(guān)聯(lián)還包括商品關(guān)聯(lián),所述商品關(guān)聯(lián)為在IP信息相同、注冊基 本信息相同的情況下的產(chǎn)品的關(guān)聯(lián)。
[0022] 較佳地,所述步驟S3后面還包括:
[0023] S4:定期或在需要時追蹤新的交易記錄并提取新的聚集關(guān)聯(lián)結(jié)果,并將新的聚集 關(guān)聯(lián)結(jié)果加入所述監(jiān)測集合。
[0024] 較佳地,所述步驟S4具體包括:
[0025] S41 :追蹤新的交易記錄并結(jié)合所述信譽信息集建立交易行為信息集;
[0026] S42:通過分類算法對所述交易行為信息集進行第一次預(yù)測,得到嫌疑問題交易的 第一次嫌疑等級信息及預(yù)測結(jié)果集A ;
[0027] S43:對新的交易記錄中的基本信息進行過濾和分析,得到新的交易基本信息集, 將新的交易基本信息集與所述預(yù)測結(jié)果集A進行關(guān)聯(lián)運算,得到第二次嫌疑等級信息及預(yù) 測結(jié)果集B ;
[0028] S44 :通過設(shè)定閾值將預(yù)測結(jié)果集B分類為高風(fēng)險問題交易群和低風(fēng)險問題交易 群,高風(fēng)險問題交易群和步驟S3中的聚集關(guān)聯(lián)結(jié)果再進行關(guān)聯(lián),得到新的聚集關(guān)聯(lián)結(jié)果, 并加入所述監(jiān)測集合,以更新該監(jiān)測集合。
[0029] 較佳地,采用神經(jīng)網(wǎng)絡(luò)算法建立所述監(jiān)測模型,具體為:將所述基于信譽參數(shù)的指 標(biāo)集合作為輸入監(jiān)測指標(biāo)集合X,(〇,1)之間的隨機數(shù)作為監(jiān)測的初始權(quán)值集合W,輸出的 交易行為的預(yù)警指標(biāo)Y作為監(jiān)測結(jié)果,其中,聚集關(guān)聯(lián)的結(jié)果集合在對樣本數(shù)據(jù)進行訓(xùn)練 的過程中不斷的調(diào)整輸出和實際值的誤差,并通過輸出層反饋到輸入層進行反向傳播的多 層前向反饋的網(wǎng)絡(luò),直至算法的學(xué)習(xí)誤差不再明顯減少。
[0030] 較佳地,設(shè)定所述初始權(quán)值集合W中的各個權(quán)值的額定誤差函數(shù)為e,給定計算精 度ε和最大學(xué)習(xí)次數(shù)M,輸入監(jiān)測指標(biāo)集合X包括所述基于信譽參數(shù)的指標(biāo)集合中的任 一一項或多項指標(biāo);算法執(zhí)行時,當(dāng)誤差滿足條件或已達到最大學(xué)習(xí)次數(shù)時,輸出交易行為 的預(yù)警指標(biāo)。
[0031] 本發(fā)明提供的基于互聯(lián)網(wǎng)交易數(shù)據(jù)的電子商務(wù)交易監(jiān)測方法通過:首先,根據(jù)交 易記錄進行信譽參數(shù)分析,建立信譽信息集;其次,對信譽信息集進行篩選得到問題交易集 并對其進行樣本分析,提煉出基于信譽參數(shù)的指標(biāo)集合,并建立基于信譽參數(shù)的聚集關(guān)聯(lián), 得到聚集關(guān)聯(lián)的結(jié)果集合;再根據(jù)基于信譽參數(shù)的指標(biāo)集合及聚集關(guān)聯(lián)的結(jié)果集合建立監(jiān) 測模型并得到監(jiān)測集合,并將該監(jiān)測集合作為參考對電子商務(wù)交易進行監(jiān)測和預(yù)警。最后, 定期或在需要時追蹤新的交易記錄并提取新的聚集關(guān)聯(lián)結(jié)果,并將新的聚集關(guān)聯(lián)結(jié)果加入 監(jiān)測集合,以定期提供監(jiān)測模型的預(yù)測精度。該方法針對互聯(lián)網(wǎng)交易特點,基于神經(jīng)網(wǎng)絡(luò)算 法識別問題交易預(yù)警,通過對獲取的問題交易數(shù)據(jù)進行訓(xùn)練從而實現(xiàn)主動智能防御模型的 自學(xué)習(xí)、自適應(yīng)和自防御來降低誤報率,可以準(zhǔn)確地預(yù)測可能發(fā)生的問題交易行為并且進 行預(yù)警,提高了互聯(lián)網(wǎng)交易監(jiān)測的準(zhǔn)確度和覆蓋度。
[0032] 本發(fā)明采用神經(jīng)網(wǎng)絡(luò)的人工智能處理方法針對互聯(lián)網(wǎng)交易過程的數(shù)據(jù)信息進行 分析處理,通過長期智能的自學(xué)習(xí)、自適應(yīng)實現(xiàn)對互聯(lián)網(wǎng)交易的電子商務(wù)進行分析、監(jiān)控和 預(yù)警,實現(xiàn)利用信息技術(shù)和人工智能實現(xiàn)對電子商務(wù)交易的交