改进遗传算法的电子商务交易风险评估

中图分类号:TN99?34;TP391文献标识码:A文章编号:1004?373X(2017)13?0094?04

Abstract:Inordertoreducetheriskofe?commercetransaction,itisn论文网ecessarytoperformthequantitativeevaluationoftransactionrisk,thereforeane?commercetransactionriskevaluationmethodbasedonimprovedgeneticalgorithmisputforward。Thesparsescatteredpointclouddatatechnologyisusedtosamplethedataofthee?commercetransactioninformation,andinputitintothecloudstoragesystem。Thespecialistdatabaseofthee?commercetransactionriskdataevaluationwasestablished。Themerchanttrustrecommendationparametersine?commerceplatformareextracted,andconductedwithinformationfusion。Thegeneticalgorithmisusedtoperformthecrossoverandmutationforthefusedmerchanttrustinformation,andcombinedwiththeadaptiveglobalgeneticevolutionalgorithmtopredictthee?commercetransactionriskinformationaccurately,andrealizethetransactionriskassessment。Thesimulationresultsshowthatthemethodhashighpredictionaccuracyandlowconvergenceerrorfore?commercetransactionriskassessment,andisfeasible。

Keywords:geneticalgorithm;e?commerce;transaction;informationfusion;riskassessment

0引言

网络技术和现代物流技术催生了电子商务的快速发展,电子商务平台建立在P2P和O2O交易平台基础上,交易平台具有开放性和自组织性,导致电子商务交易的管理和控制有漏洞,容易出现交易风险,为商家和顾客带来了较大的损失[1]。

为了最大限度地降低电子商务交易的风险,需要采用量化信息评估方法进行电子商务交易预测评估,提高应对风险的能力和水平,因此,研究电子商务交易风险评估方法具有重要意义。

传统方法主要采用神经网络预测评估方法和决策树预测评估方法进行电子商务交易风险评估,采用无监督学习训练方法进行电子商务交易风险信息的线性相关性拟合,提取电子商务交易数据的风险关联性特征[2],例如,文献[3]中提出一种电子商务下的信任网络构造与优化方法,结合项目分类和云模型方法进行商家的信任度推荐,取得了较好的风险预测效果,但该模型的收敛性不好,计算复杂度较高。

针对上述问题,本文提出一种改进遗传算法的电子商务交易风险评估方法,首先提取电子商务平台中商家的信任度推荐参量值,并进行信息融合处理,然后采用全局遗传进化方法实现电子商务交易风险信息的准确预测和风险评估,最后进行仿真实验分析,展示了本文方法在提高电子商务交易风险评估准确性方面的优越性能。

1电子商务交易风险先验数据分析

1。1信息采集

为了实现对电子商务交易风险准确评估,采用信息处理算法进行电子商务交易风险先验数据采集和数据分析。采用稀疏散点云数据采集技术进行电子商务交易信息的数据采样,假设统计电子商务交易风险数据时间序列采样的先验知识表示为,按照序列的秩进行数据排列分析,得到电子商务交易风险原始序列幅值,采用自适应回归分析方法构建电子商务交易风险数据的特征分量[4],把交易数据的风险等级划分为个等级,为,即,按照电子商务交易习惯,对交易的风险序列进行降则处理,采用云计算技术得到风险信息的稀疏散点云数据采样变量为是风险数据的指数谱,每个对应一个解向量,为:

通过对交易风险数据的稀疏散乱点重排[5],结合先验规则函数,得到电子商务交易风险数据的统计信息的拟合时间序列模型,表示为:式中:是均值为0,方差为的正态分布函数;称为电子商务交易风险的时间反演不可逆特征分解系数;为交易数据采样的测量误差。

1。2商家的信任度推荐值计算

将上述采集的电子商务交易风险数据输入到云存储系统中,建立电子商务交易风险数据评估的专家数据库,提取电子商务平台中商家的信任度推荐参量值,并进行信息融合处理[6],电子商务平台中交易双方风险最低约束条件下的最优解为:

采用遗传进化算法进行交叉和变异操作,降低交易风险,计算变量与交易风险控制函数值的最大(或最小)值,在遗传进化过程中,建立初始种群,设计一个种群的适应度函数,得到风险控制的先验概率密度,对应的遗传准则为:

式中:为电子商务交易双方的交叉概率。

在遗传进化中,种群个体在维空间中的个体适应度函数为,其表示对应商家的风险代价函数,计算每个个体的适应度,得到第个遗传种群的最终归集解为,其中:

在遗传进化控制下,得到商家的信任度推荐值计算迭代式为:

式中为迭代步长。

2交易风险评估模型实现

2。1交易信息融合处理

在上述进行了电子商务交易风险数据采集和信任度推荐特征参量提取的基础上,进行电子商务交易?L险评估模型改进设计,本文提出一种改进遗传算法的电子商务交易风险评估方法,对提取的电子商务平台中商家的信任度推荐参量值进行信息融合处理[7],采用遗传算法得到电子商务交易风险误差统计特征量的计算式为:

式中:是比例元集;是遗传进化的敏感算子;是整个搜索空间的第个节点的全局极值;是每个染色体相应的代价值。

选择一个已经设定了的适应度函数,依据贪婪搜索进行风险代价函数的最大寻优[8],并计算适应度高的个体的代价值:

云交易主体在演化博弈中常会处于一个相对稳定的状态,对全局最优个体进行局部搜索,实现对电子商务交易风险的量化评估,用线性加权得到交易双方的信任度的信息融合权重迭代式为:

初始化隶属度函数通过改进的遗传算法对新的交易个体进行风险量化评估,确定全局最优个体为:

设置门限值当时,交易信任度评价满足低风险要求。

采用改进的遗传优化算法对交易主体的风险信息进行重排[9],根据特征值的大小进行阈值估计,得到交易风险评估的信息融合权重系数为:此时电子商务交易风险评估的状态估计式为:

根据遗传算法的优化目标函数,其中第个进化个体的风险权重表示为根据主成分分析方法,得到电子商务交易风险评估的量化估计值为:

根据上述信息融合结果,对融合后的商家信任度信息采用遗传算法进行交叉变异处理,进行交易风险预测与评估。

2。2电子商务交易风险预测评估

采用自适应全局遗传进化方法,得到在交叉和变异操作下个体最优的风险聚敛目标函数:

根据遗传算法的优化目标函数,其中第个进化个体的风险权重表示为,结合电子商务交易的稳态性,得到风险评估的稳态目标函数为:

在遗传进化的最优代数下,风险最小的个体位置为,也称为构建电子商务交易风险评估状态特征方程,在种群进化代数为的第个个体的时刻的风险评价值为:

通过一个适应度函数对群体自身的速度和位置进行自适应估计,得到电子商务交易双方的适应度泛函为:

式中:是最大代数;是遗传种群的适应度值;和是操作算子常数,通常取和是交叉概率;为[0,1]的随机泛函。对于每个电子商务平台的风险估计特征值满足:

式中:是两个交叉点的邻域匹配函数;表示匹配区域内的映射。采用交叉运算进行自适应更新,选取种群的规模为得到在遗传算法下电子商务风险交易数据的主成分更新公式为:

式中:为关系副本函数,当得到的适应度值较大时,采用梯度下降方法进行特征分解,得到风险分解函数更新遗传进化的种群集。

考虑全局优化问题进行电子商务交易风险评估的全局寻优,得到变异适应度值为:

搜索过程中进行交叉和变异两种基因操作,得到电子商务交易风险评估状态的全局最优点,由此实现电子商务交易风险信息的准确预测。最后结合云端服务器进行交易监管,实现风险控制,这一实现过程如图1所示。

3仿真实验分析

为了测试本文算法在实现电子商务交易风险评估中的应用性能,进行仿真测试,实验采用Matlab仿真设计,遗传进化的种群数量为10000个,模因组数12个,电子商务交易双方的信任度控制权重为0。2,风险评估数据采样的信息维度设置为20,主体商户的风险控制约束参量分别为:遗传算法的关联系数设定为:根据上述仿真参量的设定,进行电子商务交易风险评估的仿真分析,电子商务交易信息的先验数据采样结果如图2所示。

以图2采集的数据为测试样本进行电子商务交易风险预测评估,并采用不同方法进行评估准确性比较,得到的对比结果如图3所示。分析图3的结果得知,采用本文方法进行电子商务交易风险评估的准确性更高,可靠性更好。

4结语

本文提出一种改进遗传算法的电子商务交易风险评估方法,提取电子商务平台中商家的信任度推荐参量,并进行信息融合处理,对融合后的商家信任度信息采用遗传算法进行交叉变异处理,结合自适应全局遗传进化方法实现电子商务交易风险信息的准确预测。研究表明,采用本文方法进行电子商务交易风险评估的准确性更高,对商家信任推荐的可靠性更好,具有较好的应用价值。

改进遗传算法的电子商务交易风险评估