网上交易平台中交易实体信用评估方法、装置及系统与流程

本申请涉及网络数据处理领域，特别涉及一种网上交易平台中交易实体信用评估方法、装置及系统。

背景技术：

网上交易平台是一个第三方的交易安全保障平台，主要作用是为了保障交易双方在网上进行交易的安全，诚信等问题。通过网上交易平台，销售方和购买方之间可以进行电子商务等活动。在电子商务活动中，要求网上交易平台能够对销售方的信用值作出合理的评价，以便于购买方能够准确选择信用值高的销售方进行交易。

目前，现有网上交易平台多提供累加的信用评价方式，比如累计销量等。现有网上交易平台提供的信用评价方式评价的因素比较单一化，其评价时主要采用了成交量等因素。然而，在逐利的前提下，一些销售方采用了虚假交易等违规的操作，例如人为制造订单等方式来提高成交量，从而虚假地提高了信用值。上述虚假提高信用值的方式可以造成现有的网上交易平台评价体系失信，不能对销售方作出相对客观的信用评价。

技术实现要素：

本申请实施方式的目的是提供一种网上交易平台中交易实体信用评估方法、装置及系统，以对交易实体信用值作出客观的评价。

为解决上述技术问题，本申请提供一种网上交易平台中交易实体信用评估方法，其包括：获取网上交易平台中每个交易实体对应的历史交易数据；从所述历史交易数据中以多个预定特征维度分别抽取多组特征数据，每个所述预定特征维度包括至少一个与所述特征数据相对应的预定特征；将与所述预定特征维度的预定特征相对应的特征数据代入对应的预设基准模型，获得所述预定特征维度对应的表征值，所述交易实体的所述多个预定特征维度的表征值形成表示所述交易实体的表征向量；其中，每个所述表征向量对应一个交易实体，每个所述预设特征维度均对应一个预设基准模型，所述预设基准模型基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建；基于将每个所述表征向量的表征值按照预定算法代入预设评估模型进行运算，得出每个所述交易实体的信用值；其中，所述预设评估模型基于所 述网上交易平台的历史交易数据对每个所述表征值分配权值。

本申请还提供一种网上交易平台中交易实体信用评估装置，其包括：数据获取模块，用于获取网上交易平台中交易实体对应的历史交易数据；特征抽取模块，用于从所述历史交易数据中以多个预定特征维度分别抽取多组特征数据，每个所述预定特征维度包括至少一个与所述特征数据相对应的预定特征；表征向量形成模块，用于将与所述预定特征维度的预定特征相对应的特征数据代入对应的预设基准模型，获得所述预定特征维度对应的表征值，所述交易实体的所述多个预定特征维度的表征值形成表示所述交易实体的表征向量；其中，每个所述表征向量对应一个交易实体，每个所述预设特征维度均对应一个预设基准模型，所述预设基准模型基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建；信用值确定模块，用于将每个所述表征向量代入预设评估模型，得出所述交易实体的信用值；其中，所述预设评估模型基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。

本申请还提供一种网上交易平台中交易实体信用评估系统，其包括：存储器、处理器；所述存储器存储有网上交易平台中交易实体对应的历史交易数据；所述处理器用于从所述历史交易数据中以多个预定特征维度分别抽取多组特征数据，每个所述预定特征维度包括至少一个与所述特征数据相对应的预定特征；将与所述预定特征维度的预定特征相对应的特征数据代入对应的预设基准模型，获得所述预定特征维度对应的表征值，所述交易实体的所述多个预定特征维度的表征值形成表示所述交易实体的表征向量；其中，每个所述表征向量对应一个交易实体，每个所述预设特征维度均对应一个预设基准模型，所述预设基准模型基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建；将每个所述表征向量代入预设评估模型，得出所述交易实体的信用值；其中，所述预设评估模型基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。

由以上本申请实施方式提供的技术方案可见，通过从网上交易平台的历史交易数据中抽取多个预定特征维度的多组特征数据，并将每个预定特征维度的特征数据代入对应的预设基准模型，获得与所述预定特征维度对应的表征值，所述多个预定特征维度的表征值形成表示所述交易实体的表征向量，将所述表征向量的表征值代入预设评估模型，得出所述交易实体的信用值。相比于现有的单纯通过成交量来评价销售方信用值而言，能够对交易实体信用值作出更为客观的评价，从而获得综合可信的交易实体的信用值。此外，由于所述信用评估方法考虑进了例如刷单情况等影响评价的因素，可以有效抵制交易实体的刷单行为。

附图说明

为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式或现有 技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一个实施方式提供的交易实体信用评估方法的步骤流程图；

图2为本申请一个实施方式中提供的交易实体信用评估的模型图；

图3为本申请一个gbdt算法建模的原理示意图；

图4为本申请一个实施方式提供的交易实体信用评估装置的模块图；

图5为本申请一个实施方式提供的交易实体信用评估系统的模块图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。

本申请可以在众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般的，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，程序模块可以位于存储设备在内的本地和远程计算机存储介质中。

请结合参阅图1和图2，本申请一个实施方式提供了一种网上交易平台中交易实体信用评估方法，其可以包括如下步骤。

步骤s10：获取网上交易平台中交易实体对应的历史交易数据。

在本实施方式中，所述网上交易平台可以用于为交易实体进行交易提供一个平台，以保证其交易的安全性。具体的，例如，所述网上交易平台可以举例为淘宝、亚马逊、京东、当当网、聚美优品等等，在此不做一一陈述。其中，所述交易实体可以为在所述网上交易平台中参与交易的实体。例如在网上交易平台进行销售商品的销售方、在网上交易平台进行消费的购买方等，本申请在此并不作具体的限定。

此外，所述网上交易平台一般还可以设置有云计算平台，用于存储和处理交易实体在交 易时产生的相关数据。例如，阿里云，亚马逊云等。所述交易实体通过网上交易平台进行交易时，产生的交易数据会周期性存入所述云计算平台中。即所述云计算平台能将各个客户端中占据大量资源的数据转移到更大、更安全的服务器上。

在本实施方式中，一般的，在所述网上交易平台进行交易的每个交易实体需要在该平台上进行注册。具体的，每个交易实体在注册时，需要向所述网上交易平台提交必要的信息，以明确所述交易实体id(身份)。对于销售方而言还需要提交相关的经营信息等。在一个具体的例子中，销售方在一个网上交易平台上注册时，需要填写销售方的基础信息等。所述基础信息可以包括：销售方的id、联系方式、地址、经营的商品类别、开店时间等等。此外，对于每一个销售方，其在所述网上交易平台上的经营活动所产生的交易数据会关联到与其对应的其他实体，比如说购买方和网上交易平台。每天服务器会记录下所有与销售方关联的信息。同时所述信息会周期性的被导入到网上交易平台中的云计算平台，以形成与所述每个交易实体相对应的历史交易数据。也就是说，所述云计算平台中包含了每个交易实体的历史交易数据。具体的，所述历史交易数据可以包括交易实体的基础信息、其经营活动产生的服务信息、销售方-购买方互动信息等。

步骤s12：从所述历史交易数据中以多个预定特征维度分别抽取多组特征数据，每个所述预定特征维度包括至少一个与所述特征数据相对应的预定特征。

在本实施方式中，所述预定特征维度可以为用于评价每个交易实体的预定指标。通过对至少两个所述预定特征维度的综合处理，可以对交易实体的信用值作出可信的综合评估。具体的，所述预定特征维度可以包括：服务、经营、规范、货品、营销等维度。即可以从服务、经营、规范、货品、营销等维度对所述交易实体的信用值分别进行评价，再将上述各个预定特征维度的评价综合后，得到一个最终的交易实体信用值。

具体的，对于服务维度，其用于评价交易实体在服务方面信用值的高低。所述服务维度可以包括有一个或者多个预定特征。所述服务维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述服务维度的预定特征可以包括商品质量满意度、售后服务满意度。

对于经营维度，其用于评价交易实体在经营方面信用值的高低。所述经营维度可以包括有一个或者多个预定特征。所述经营维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述经营维度的预定特征可以包括成交量。

对于规范维度，其用于评价交易实体在规范方面信用值的高低。所述规范维度可以包括有一个或者多个预定特征。所述规范维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述规范维度的预定特征可以包括假货率、刷单情况。

对于货品维度，其用于评价交易实体在货品方面信用值的高低。所述货品维度可以包括有一个或者多个预定特征。所述货品维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述货品维度的预定特征可以包括商品质量、假货率。

对于营销维度，其用于评价交易实体在营销方面信用值的高低。所述营销维度可以包括有一个或者多个预定特征。所述营销维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述营销维度的预定特征可以包括营销开支分布等。具体的，例如，该交易实体总的营销费用中，多少开支是用于参与正当广告营销的，多少开支是用于不正当刷单的，可以综合其营销开支分布情况，获得一个抽象的评分。

当然，所述预定特征维度及其对应的预定特征不限于上述描述。所属领域技术人员在本申请的技术精髓启示下，还可能做出其他的变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，所述预定特征维度下预定特征具体对应有不同的特征数据。所述预定特征的特征数据可以从所述历史交易数据中获得。具体的，可以预先建立好每个所述预定特征维度与其预定特征之间的对应关系。当通过所述云计算平台提取与所述预定特征相对应的历史交易数据时，基于每个交易实体的id，可以针对性地获取每个交易实体每个预定特征下的特征数据。

在本实施方式中，每个所述预定特征维度可以包括至少一个预定特征。当所述预定特征维度包括一个预定特征时，所述预定特征的特征数据对应的评分即为所述预定特征维度的评分。例如，对于货品维度，其可以包括货品质量这一个预定特征，其对应的特征数据可为假货率。所述假货率的高低可以抽象为一个货品维度对应的评分。整体上假货率越高，货品维度对应的评分越低；假货率越低，货品维度对应的评分越高。当所述预定特征维度包括两个以上的预定特征时，所述多个预定特征对应的特征数据可以综合对应一个评分以对该预定特征维度进行评价。例如，对于服务维度，其可以包括：商品质量满意度、售后服务满意度等多个预定特征。整体上，所述商品质量满意度、售后服务满意度各自的百分数越高，则对应服务维度的评分也越高。当然，当预定特征维度下具有多个不同的预定特征时，每个预定特征的重要程度可以不同，可以有主次之分。例如，对于服务维度而言，可以选用售后服务满意度为主，商品质量满意度为辅，还可以综合其他次要的因素，例如，发货时效等。将上述各个预定特征的特征数据，按照不同的权重，基于预定的算法，可以得出一个服务维度的综合信用评分。

在本实施方式中，所述历史交易数据可以包括：交易实体基础信息和扩展信息数据、交易实体之间互动的信息数据、交易信息数据、网上交易平台信息数据。具体的，上述数据中 可以包括以下预定特征：商品质量满意度、售后服务满意度、成交量、假货率、刷单情况、商品质量、营销情况等下的特征数据。一个或者多个所述预定特征可以与一个预定特征维度相对应，此外一个相同的预定特征也可以同时对应多个预定特征维度。例如，所述商品质量，可以同时为服务维度和货品维度的预定特征。

步骤s14：将与所述预定特征维度的预定特征相对应的特征数据代入对应的预设基准模型，获得所述预定特征维度对应的表征值，所述交易实体的所述多个预定特征维度的表征值形成表示所述交易实体的表征向量；其中，每个所述表征向量对应一个交易实体，每个所述预设特征维度均对应一个预设基准模型，所述预设基准模型基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建。

在本实施方式中，从所述历史交易数据中可以对应获得所述预定特征维度的预定特征的特征数据。基于所述预定特征维度下的预定特征的特征数据，代入对应的预设基准模型，可以得到所述预定特征维度的表征值。

在本实施方式中，可以针对每个预定特征维度，预先设置一个预设基准模型。当将所述交易实体对应的某个预定特征维度的多个特征数据作为已知量，将所述预定特征维度的表征值作为未知量，代入所述预设基准模型中时，可以获得所述预定特征维度的表征值。所述预设基准模型可以基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建。具体的，所述预设基准模型可以为从网上交易平台的云计算平台中选取不同活跃度的交易实体作为样本，针对这些样本建立的多棵决策树组合模型。所有的决策树的结论累加起来获得最终结果。每棵所述决策树可以是回归树。即，每一棵树学的是之前所有树结论和的残差。所述残差是一个加预测值后能得到真实值的累加量，即：a的预测值+a的残差＝a的实际值。具体的，预先建立的模型可以采用gbdt(gradientboostingdecisiontree)算法，即每个所述决策树可以采用gbdt算法建立。在实际的应用中，所述gbdt可以用于预测实际值，例如用户的年龄、服务维度等各个维度的表征值等。

在本实施方式中，将交易实体的历史交易数据中的特征数据分别代入对应的决策树模型，相应的，所述决策树模型根据代入的特征数据不同，得出不同的输出结果。一个交易实体的不同类型的特征数据分别在对应的决策树模型进行运算后，得到不同类型的输出结果。通过将上述输出结果进行累加，可以得到该交易实体相应特征维度的表征值。

当然，本申请实施方式中仅以举例的方式，表述可以采用gbdt算法构建模型，所属领域技术人员在本申请技术精髓的启示下，还可能做出其他变更，或者利用程序语言和数学逻辑，编制出其他的算法。但只要其实现的功能和效果，与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，所述表征值可以为所述多个预定特征形成的某一预定特征维度的评价值，其具体的形式可以为一个分数或者是一个等级等等，本申请在此并不作具体的限定。例如对于服务维度而言，其对应的预定特征可以包括商品质量满意度、售后服务满意度等。所述预定特征对应有一个具体的特征数据，例如商品质量满意度为90％，售后服务满意度为80％。当经过gbdt等算法的抽象处理后，可能最终所述服务维度的表征值可以为一个具体的分值，例如87分。此外，所述交易实体对应的其他维度，例如，经营、规范、货品、营销等维度也同理可以获得相应的表征值。

在本实施方式中，所述多个预定特征维度的表征值可以形成表示所述交易实体的表征向量。每个所述表征向量对应一个交易实体。所述表征向量包括至少两个所述预定特征维度时，基于所述至少两个预定特征维度的表征值，有利于合理地对交易实体作出相对客观的评价，同时，能够使得某些交易实体通过单纯采用刷单等违规方式来提高信用值的方式基本不可行或者效果不明显，也就是说本申请所述网上交易平台具有一定的反作弊能力。

步骤s16：将所述表征向量的表征值代入预设评估模型，得出所述交易实体的信用值，其中，所述预设评估模型基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。

在本实施方式中，每个预定特征维度相当于是评价所述交易实体信用值中的一类专家。每个所述表征向量的表征值可以对所述交易实体某一维度的信用值进行评价。在本实施方式中，所述表征向量的多个表征值可以代入预设评估模型，以得出所述交易实体的信用值。

在本实施方式中，所述预设评估模型可以基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。具体的，所述预设评估模型可以基于所述网上交易平台中的历史交易数据进行建立。具体建立时，首先可以从所述网上交易平台中的历史交易数据获取一些典型样本数据；然后对这些样本数据进行抽样分析，确定该样本中平均每个表征值对应的权值。由于该权值是基于网上交易平台的样本数据获得的，其在一定程度上可能对于平台中的待评估的交易实体而言，针对性不是特别强。此时，可以对待评估的交易实体的表征值进行逻辑回归处理，以获得所述待评估的交易实体的表征值对应的权值，从而更好地适应每个交易实体的特点。然后基于所述权值，可以对所述表征值进行加权求和，以获得最终的信用值。

在一个具体的实施方式中，所述逻辑回归处理具体可以基于lr算法对所述表征值进行拟合，以确定所述待评估的交易实体的所述表征值对应的权值。例如，可以通过预先构造lr模型，当将所述表征向量的表征值代入所述lr模型后，可以计算出每个表征值的对应的权值，然后，基于所述计算得到的权值和与其对应的表征值进行加权求和，从而得到最终的信用值。

本申请实施方式，通过从网上交易平台的历史交易数据中抽取多个预定特征维度的多组特征数据，并将每个预定特征维度的特征数据代入对应的预设基准模型，获得与所述预定特征维度对应的表征值，所述多个预定特征维度的表征值形成表示所述交易实体的表征向量，将所述表征向量的表征值代入预设评估模型，得出所述交易实体的信用值。相比于现有的单纯通过成交量来评价销售方信用值而言，能够对交易实体信用值作出更为客观的评价，从而获得综合可信的交易实体的信用值。此外，由于所述信用评估方法考虑进了例如刷单情况等影响评价的因素，可以有效抵制交易实体的刷单行为。

在一个实施方式中，所述预设基准模型包括多棵决策树组合模型。

在本实施方式中，所述预设基准模型可以为针对所述预定特征维度基于预定的算法设置的模型。具体的，所述预设基准模型可以为基于gbdt算法建立的多棵决策树组合模型。基于所述gbdt算法建模的过程可以包括：首先从网上交易平台的云计算平台中选取不同活跃度的交易实体作为样本，针对这些样本建立gbdt模型，然后设定a的初始值；建立m棵树，针对每棵树按照如下方式构建：通过建立损失函数，确定残差的梯度方向；根据节点和残差的梯度方向得到一棵包含若干叶子节点的回归树；计算每个叶子节点的增益值；将当前的回归树加入到结果树集合中。综上，gbdt算法本质上是多个决策树的组合，每一棵决策树的目标函数都是上一步决策树的残差，以形成一个串行的决策树的组合策略。gbdt算法针对的是多棵树，每一棵数求解的时候是逐步按照预定特征的特征数据分裂的，当满足预设条件的时候可以停止分裂。

当需要预测样本以外的某个交易实体的预定特征维度的表征值时，可以根据其具体的特征数据代入gbdt模型，以获得该预定特征维度预测的表征值。

以下以建立预测销售维度的表征值的模型为例：假设训练集中有4个样本销售方，a、b、c、d，他们销售维度的表征值的初始值分别为140、160、240、260，其对应的特征包括：商品质量、假货率。基于所述gbdt预测销售维度的表征值时，由于数据较少，可以设定为叶子节点最多有两个，每棵树只有一个分支，并限定只学两棵树，请参阅图3。在第一棵树中可以按照假货率的不同，可将a、b分在一组，c、d分在一组，每组用平均表征值作为预测值。此时计算残差，a的残差＝150-160＝-10，同理，可以获得b、c、d的残差分别为10、-10、10。然后，根据残差替代a、b、c、d的原值，到第二棵树中学习。在第二棵树中，可以按照商品质量好评率不同，将第一棵树a、b、c、d残差，进行分组。如在第二棵树中预测值和残差相等，将第二棵树的结论累加到第一棵树上即可得到真实的销售维度的表征值。最后，预测得到的a的表征值为150-10＝140；b的表征值为150+10＝160；c的表征值为250-10＝240；d的表征值为250+10＝260。当需要预测f的表征值时，根据所述f的特征 数据，例如其假货率为10％，商品质量好评率为90％，那么其可能预测到的表征值为260。

当然，上述建模及预测所述销售维度的表征值只是为表述方便举的一个简化样例，由于本申请在建模和预测表征值时，是基于云计算平台下的大数据进行的，因此，其在实际建模时选取的样本数量级远远大于本申请上述举例，相应的，使用上述gbdt算法时可能会更复杂。

在一个实施方式中，在所述获得所述预定特征维度对应的表征值步骤后，所述方法还可以包括：对所述表征值进行归一化处理。

在本实施方式中，对于每个交易实体而言，可能其所属的行业不同。相应的，不同行业之间每个交易实体对应的历史交易数据的数量级或者说度量是不相同的。例如，对于电器行业而言，其月成交额和月成交量，与小商品行业的月成交额和月成交量是不合适用同一个度量单位来衡量的。因为，可能电器行业，卖出一台电器，其月成交额就是万元了，而对于小商品行业，例如卖出几百单，可能月成交额只有千元。此外，对于每个交易实体的每个预定特征维度的表征值而言，其代表了该维度下对应交易实体的信用情况。不同的预定特征维度，其对应的表征值也是不相同的。具体的，不同的表征值其对应的度量单位也可能不能统一。综上，需要对表征值进行归一化处理，以便于形成统一的数据，以便对每个所述表征向量的表征值进行综合处理，得出所述网上交易平台中每个所述交易实体的信用值。

在一个实施方式中，所述预设评估模型可以包括：基于所述分配的权值，将所述表征向量的表征值加权求和得到所述信用值。

在本实施方式中，当所述表征向量的多个表征值分别代入所述预设评估模型时，所述预设评估模型可以基于所述网上交易平台的历史数据对每个所述表征值分配相应的权值。其中，所述预设评估模型中的分配权值的算法可以为逻辑回归算法。当基于所述预设评估模型获得权值后，基于所述分配的权值，可以对所述表征向量的表征值进行加权求和从而得到最终的信用值。

在一个具体的实施方式中，使用所述逻辑回归算法可以学习出每个gbdt算法得出的结果值，即表征值的权值，当代入逻辑回归的公式后，可以确定最终交易实体的信用值。具体的，所述逻辑回归的公式对应的公式如下：

上式中，fi指的是每一个gbdt算法模型的结果值，是权值，θ值是偏移量，sigmoid函数是1/(1+exp(-x))。当然，确定所述表征值对应的预定权值的方式，并不限于上述描述。 所属领域技术人员在本申请的技术精髓启示下，还可能做出其他的变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在一个实施方式中，所述方法还可以包括：在所述网上交易平台中的交易实体符合预设条件时，按照预定规则增加所述信用值。

在本实施方式中，对于网上交易平台中的交易实体而言，其规模、注册时间等都参差不齐。例如对于一些新注册的，规模较小的交易实体而言，其在云计算平台中的历史数据就比较有限，对应的其预定特征得特征数据比较少，可能大部分都为零。此时，若以上述评估方式对其进行评估时，一般获得的信用值会低于该交易实体实际的信用值。因此，对于这些规模较小，注册时间较短的“新小”交易实体而言，需要在获得的信用值基础上增加一定的附加值，以使得其获得合理的信用值，与其他规模较大、注册时间较长的交易实体公平竞争。

在本实施方式中，所述预设条件主要包括交易实体的注册时间、规模等条件满足预定的要求。当然，除了上述举例以外，不排除其他需要增加信用值的情况，本申请在此并不作具体的限定。

在本实施方式中，所述预定规则可以用于根据所述交易实体对应的历史交易数据，合理地在信用值的基础上增加一定的附加值。

在一个具体的实施方式中，所述预定特征对应有特征数据，所述预设条件可以包括：所述交易实体所有预定特征的特征数据80％以上为0。

在本实施方式中，所述预定特征可以从历史交易数据中获得相应的特征数据。对于每个交易实体而言，一些预定特征的特征数据是需要时间累积才能获得的；还有一些预定特征的特征数据是需要时间累积才能提高的。例如，对于月成交量而言，需要满一个月才会有相应的特征数据。此外对于月成交量而言，一般新注册的交易实体需要经营一段时间来累积客户，才能有一个比较高的特征数据。当所述交易实体的所有预定特征的特征数据80％以上为0时，说明该交易实体很有可能为“新小”交易实体。对于这类交易实体，可以对其附加额外信用值，以使其获得一个合理的信用值。

在一个具体的实施方式中，所述预设条件还可以包括：所述交易实体的注册时间为小于预定时长。

在本实施方式中，一般的，当所述交易实体注册时间较短时，由于其对应的历史数据不完善，其预定特征对应的特征数据可能很多都为0，此时其获得的信用值一般是偏低的，因此，对于这些交易实体，可以附加额外的信用值。具体的，所述预定时长可以为一个月、半年、或者一年等等，本申请在此并不作具体的限定。

在一个实施方式中，所述预定规则可以包括：根据所述网上交易平台中的预定信息确定 交易实体的类别，基于所述交易实体的类别增加所述信用值。

在本实施方式中，所述网上交易平台中的数据包含了每个交易实体交易产生的所有数据。所述预定信息可以为在所述网上交易平台中的云计算平台下，建立的一份信用名单。所述信用名单中可以记录有每个交易实体的各种违规信息。所述交易实体的类别可以为分为没有违规记录或者较少由违规记录的优质交易实体、违规记录较多的差交易实体。对于那些没有违规记录或者违规记录极少的交易实体，可以相应地给予附加信用分值。

在一个具体的实施方式中，所述交易实体类别可以包括：第一类交易实体和第二类交易实体，若为第一类交易实体，在所述信用值上增加第一预定分数，其中所述第一预定分数为正值；若为第二类交易实体，在所述信用值上增加第二预定分数，其中所述第二预定分数为负值。

在本实施方式中，在所述网上交易平台中的云计算平台下，可以建立一份信用名单，其可以将交易实体分为两类，第一类交易实体和第二类交易实体。对于第一类交易实体，其对应的违规记录较少或没有，其可以被设置在白名单中。对于这类交易实体，可以在所述信用值上增加第一预定分数，其中所述第一预定分数为正值，以符合其实际的信用分值。对于第二类交易实体，其对一个的违规记录可能较多，其可以被设置在黑名单中。对于这类交易实体，可以在所述信用值上增加第二预定分数，其中所述第二预定分数为负值。此外，所述第二预定分数也存在为0或正值的情况。具体的，例如，其作为“新小”交易实体需要附加的分值与其违规需要扣减的分值相抵消，或者附加的分值大于其需要扣减的分值。对于所述第二预定分值，本申请在此并不作具体的限定。

在本实施方式中，通过将交易实体分类，并对不同类别的交易实体进行信用值的调整，有利于规避或减少“新小”交易实体进行刷单等违规操作。因为传统的刷单方式，在一定程度上会降低其信用值。

在一个实施方式中，所述预定规则可以包括：

基于所述网上交易平台中的数据，获得与所述交易实体的同机交易实体的信用值；基于所述同机交易实体的信用值，增加所述交易实体的信用值。

在本实施方式中，在所述网上交易平台中，一些交易实体具有同机交易实体。所述同机交易实体可以包括：第一同机交易实体和第二同机交易实体。所述第一同机交易实体也称为直接相似交易实体。基于所述网上交易平台中云计算平台数据分析，所述交易实体与其直接相似的第一同机交易实体的相似度可以达到90％以上。在一些情况下，一些交易实体在几年前，以a交易实体的身份注册了一个网店，几年后又以b交易实体的身份开了另一个网店，此时，所述云计算平台根据历史数据分析，很可能将a交易实体和b交易实体判定为直接相 似的第一同机交易实体。所述第二同机交易实体也称为间接相似的交易实体，其主要是指例如，所述a交易实体与b交易实体为直接相似的第一同机交易实体，c交易实体与b交易实体为直接相似的第一同机交易实体，此时所述c交易实体为a交易实体的间接相似的第二同机交易实体。

在本实施方式中，基于所述同机交易实体的信用值，可以增加所述交易实体的信用值。具体的，例如，所述同机交易实体可能注册时间较为长，已经是几年的老店了，对应的预定特征的特征数据也比较完善，相应的信用值评分也较为合理。此时可以利用所述同机交易实体的信用值，相应的增加“新小”交易实体的信用值，使其信用值评估趋于合理化。当所述“新小”交易实体的信用值趋于合理化后，有利于其与其他交易实体进行公平竞争，促使其规范化的经营。

在一个具体的实施方式中，所述同机交易实体的信用值，可以基于下述公式，进行增加：

上式中，s表示所述交易实体最终的信用值，s0表示所述交易实体初始的信用值，s1表示第一同机交易实体对应的信用值，s2表示第二同机交易实体的信用值，分别表示所述第一、第二同机交易实体对应的权值。

在本实施方式中，所述交易实体初始的信用值s0、所述第一同机交易实体对应的信用值s1、所述第二同机交易实体的信用值s2可以基于网上交易平台的历史交易数据通过本申请上述方法获得。所述第一、第二同机交易实体对应的权值可以通过从所述网上交易平台的云计算平台获得。具体的，所述云计算平台可以建立一个动态的权值矩阵。所述第一、第二同机交易实体作为所述交易实体的第一节点和第二节点，建立所述矩阵后，能够实时更新所述节点的权值，从而针对不同的交易实体，获得对应的同机交易实体的权值，以对所述交易实体的信用值进行必要的增加，使其符合其真实情况，从而有利于为购买方，即用户提供一个具有真实参考价值的信用评价。

请参阅图4，本申请还提供了一种网上交易平台中交易实体信用评估装置100，其可以包括：数据获取模块10、特征抽取模块12，表征向量形成模块14、信用值确定模块16。

数据获取模块10，可以用于获取网上交易平台中交易实体对应的历史交易数据。

在本实施方式中，所述网上交易平台可以用于为交易实体进行交易提供一个平台，以保证其交易的安全性。具体的，例如，所述网上交易平台可以举例为淘宝、亚马逊、京东、当当网、聚美优品等等，在此不做一一陈述。其中，所述交易实体可以为在所述网上交易平台中参与交易的实体。例如在网上交易平台进行销售商品的销售方、在网上交易平台进行消费 的购买方等，本申请在此并不作具体的限定。

此外，所述网上交易平台一般还可以设置有云计算平台，用于存储和处理交易实体在交易时产生的相关数据。例如，阿里云，亚马逊云等。所述交易实体通过网上交易平台进行交易时，产生的交易数据会周期性存入所述云计算平台中。即所述云计算平台能将各个客户端中占据大量资源的数据转移到更大、更安全的服务器上。

在本实施方式中，一般的，在所述网上交易平台进行交易的每个交易实体需要在该平台上进行注册。具体的，每个交易实体在注册时，需要向所述网上交易平台提交必要的信息，以明确所述交易实体id(身份)。对于销售方而言还需要提交相关的经营信息等。在一个具体的例子中，销售方在一个网上交易平台上注册时，需要填写销售方的基础信息等。所述基础信息可以包括：销售方的id、联系方式、地址、经营的商品类别、开店时间等等。此外，对于每一个销售方，其在所述网上交易平台上的经营活动所产生的交易数据会关联到与其对应的其他实体，比如说购买方和网上交易平台。每天服务器会记录下所有与销售方关联的信息。同时所述信息会周期性的被导入到网上交易平台中的云计算平台，以形成与所述每个交易实体相对应的历史交易数据。也就是说，所述云计算平台中包含了每个交易实体的历史交易数据。具体的，所述历史交易数据可以包括交易实体的基础信息、其经营活动产生的服务信息、销售方-购买方互动信息等。

特征抽取模块12，用于从所述历史交易数据中以多个预定特征维度分别抽取多组特征数据，每个所述预定特征维度包括至少一个与所述特征数据相对应的预定特征。

在本实施方式中，所述预定特征维度可以为用于评价每个交易实体的预定指标。通过对至少两个所述预定特征维度的综合处理，可以对交易实体的信用值作出可信的综合评估。具体的，所述预定特征维度可以包括：服务、经营、规范、货品、营销等维度。即可以从服务、经营、规范、货品、营销等维度对所述交易实体的信用值分别进行评价，再将上述各个预定特征维度的评价综合后，得到一个最终的交易实体信用值。

具体的，对于服务维度，其用于评价交易实体在服务方面信用值的高低。所述服务维度可以包括有一个或者多个预定特征。所述服务维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述服务维度的预定特征可以包括商品质量满意度、售后服务满意度。

对于经营维度，其用于评价交易实体在经营方面信用值的高低。所述经营维度可以包括有一个或者多个预定特征。所述经营维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述经营维度的预定特征可以包括成交量。

对于规范维度，其用于评价交易实体在规范方面信用值的高低。所述规范维度可以包括 有一个或者多个预定特征。所述规范维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述规范维度的预定特征可以包括假货率、刷单情况。

对于货品维度，其用于评价交易实体在货品方面信用值的高低。所述货品维度可以包括有一个或者多个预定特征。所述货品维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述货品维度的预定特征可以包括商品质量、假货率。

对于营销维度，其用于评价交易实体在营销方面信用值的高低。所述营销维度可以包括有一个或者多个预定特征。所述营销维度对应的预定特征的特征数据可以通过从所述历史交易数据中提取。例如，所述营销维度的预定特征可以包括营销开支分布等。具体的，例如，该交易实体总的营销费用中，多少开支是用于参与正当广告营销的，多少开支是用于不正当刷单的，可以综合其营销开支分布情况，获得一个抽象的评分。

当然，所述预定特征维度及其对应的预定特征不限于上述描述。所属领域技术人员在本申请的技术精髓启示下，还可能做出其他的变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，所述预定特征维度下预定特征具体对应有不同的特征数据。所述预定特征的特征数据可以从所述历史交易数据中获得。具体的，可以预先建立好每个所述预定特征维度与其预定特征之间的对应关系。当通过所述云计算平台提取与所述预定特征相对应的历史交易数据时，基于每个交易实体的id，可以针对性地获取每个交易实体每个预定特征下的特征数据。

在本实施方式中，每个所述预定特征维度可以包括至少一个预定特征。当所述预定特征维度包括一个预定特征时，所述预定特征的特征数据对应的评分即为所述预定特征维度的评分。例如，对于货品维度，其可以包括货品质量这一个预定特征，其对应的特征数据可为假货率。所述假货率的高低可以抽象为一个货品维度对应的评分。整体上假货率越高，货品维度对应的评分越低；假货率越低，货品维度对应的评分越高。当所述预定特征维度包括两个以上的预定特征时，所述多个预定特征对应的特征数据可以综合对应一个评分以对该预定特征维度进行评价。例如，对于服务维度，其可以包括：商品质量满意度、售后服务满意度等多个预定特征。整体上，所述商品质量满意度、售后服务满意度各自的百分数越高，则对应服务维度的评分也越高。当然，当预定特征维度下具有多个不同的预定特征时，每个预定特征的重要程度可以不同，可以有主次之分。例如，对于服务维度而言，可以选用售后服务满意度为主，商品质量满意度为辅，还可以综合其他次要的因素，例如，发货时效等。将上述各个预定特征的特征数据，按照不同的权重，进行加权求和，可以得出一个服务维度的综合信用评分。

在本实施方式中，所述历史交易数据可以包括：交易实体基础信息和扩展信息数据、交易实体之间互动的信息数据、交易信息数据、网上交易平台信息数据。具体的，上述数据中可以包括以下预定特征：商品质量满意度、售后服务满意度、成交量、假货率、刷单情况、商品质量、营销情况等下的特征数据。一个或者多个所述预定特征可以与一个预定特征维度相对应，此外一个相同的预定特征也可以同时对应多个预定特征维度。例如，所述商品质量，可以同时为服务维度和货品维度的预定特征。

表征向量形成模块14，可以用于表征向量形成模块，用于将与所述预定特征维度的预定特征相对应的特征数据代入对应的预设基准模型，获得所述预定特征维度对应的表征值，所述交易实体的所述多个预定特征维度的表征值形成表示所述交易实体的表征向量；其中，每个所述表征向量对应一个交易实体，每个所述预设特征维度均对应一个预设基准模型，所述预设基准模型基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建。

在本实施方式中，从所述历史交易数据中可以对应获得所述预定特征维度的预定特征的特征数据。基于所述预定特征维度下的预定特征的特征数据，代入对应的预设基准模型，可以得到所述预定特征维度的表征值。

在本实施方式中，可以针对每个预定特征维度，预先设置一个预设基准模型。当将所述交易实体对应的某个预定特征维度的多个特征数据作为已知量，将所述预定特征维度的表征值作为未知量，代入所述预设基准模型中时，可以获得所述预定特征维度的表征值。所述预设基准模型可以基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建。具体的，所述预设基准模型可以为从网上交易平台的云计算平台中选取不同活跃度的交易实体作为样本，针对这些样本建立的多棵决策树组合模型。所有的决策树的结论累加起来获得最终结果。每棵所述决策树可以是回归树。即，每一棵树学的是之前所有树结论和的残差。所述残差是一个加预测值后能得到真实值的累加量，即：a的预测值+a的残差＝a的实际值。具体的，预先建立的模型可以采用gbdt(gradientboostingdecisiontree)算法，即每个所述决策树可以采用gbdt算法建立。在实际的应用中，所述gbdt可以用于预测实际值，例如用户的年龄、服务维度等各个维度的表征值等。

在本实施方式中，将交易实体的历史交易数据中的特征数据分别代入对应的决策树模型，相应的，所述决策树模型根据代入的特征数据不同，得出不同的输出结果。一个交易实体的不同类型的特征数据分别在对应的决策树模型进行运算后，得到不同类型的输出结果。通过将上述输出结果进行累加，可以得到该交易实体相应特征维度的表征值。

当然，本申请实施方式中仅以举例的方式，表述可以采用gbdt算法构建模型，所属领域技术人员在本申请技术精髓的启示下，还可能做出其他变更，或者利用程序语言和数学逻 辑，编制出其他的算法。但只要其实现的功能和效果，与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，所述表征值可以为所述多个预定特征形成的某一预定特征维度的评价值，其具体的形式可以为一个分数或者是一个等级等等，本申请在此并不作具体的限定。例如对于服务维度而言，其对应的预定特征可以包括商品质量满意度、售后服务满意度等。所述预定特征对应有一个具体的特征数据，例如商品质量满意度为90％，售后服务满意度为80％。当经过gbdt等算法的抽象处理后，可能最终所述服务维度的表征值可以为一个具体的分值，例如87分。此外，所述交易实体对应的其他维度，例如，经营、规范、货品、营销等维度也同理可以获得相应的表征值。

在本实施方式中，所述多个预定特征维度的表征值可以形成表示所述交易实体的表征向量。每个所述表征向量对应一个交易实体。所述表征向量包括至少两个所述预定特征维度时，基于所述至少两个预定特征维度的表征值，有利于合理地对交易实体作出相对客观的评价，同时，能够使得某些交易实体通过单纯采用刷单等违规方式来提高信用值的方式基本不可行或者效果不明显，也就是说本申请所述网上交易平台具有一定的反作弊能力。

信用值确定模块16，可以用于将所述表征向量的表征值代入预设评估模型，得出所述交易实体的信用值，其中，所述预设评估模型基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。

在本实施方式中，每个预定特征维度相当于是评价所述交易实体信用值中的一类专家。每个所述表征向量的表征值可以对所述交易实体某一维度的信用值进行评价。在本实施方式中，所述表征向量的多个表征值可以代入预设评估模型，以得出所述交易实体的信用值。

在本实施方式中，所述预设评估模型可以基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。具体的，所述预设评估模型可以基于所述网上交易平台中的历史交易数据进行建立。具体建立时，首先可以从所述网上交易平台中的历史交易数据获取一些典型样本数据；然后对这些样本数据进行抽样分析，确定该样本中平均每个表征值对应的权值。由于该权值是基于网上交易平台的样本数据获得的，其在一定程度上可能对于平台中的待评估的交易实体而言，针对性不是特别强。此时，可以对待评估的交易实体的表征值进行逻辑回归处理，以获得所述待评估的交易实体的表征值对应的权值，以更好地适应每个交易实体的特点。然后基于所述权值，可以对所述表征值进行加权求和，以获得最终的信用值。

在一个具体的实施方式中，所述逻辑回归处理具体可以基于lr算法对所述表征值进行拟合，以确定所述待评估的交易实体的所述表征值对应的权值。例如，可以通过预先构造lr模型，当将所述表征向量的表征值代入所述lr模型后，可以计算出每个表征值的对应的权 值，然后，基于所述计算得到的权值和与其对应的表征值进行加权求和，从而得到最终的信用值。

本申请实施方式，通过从网上交易平台的历史交易数据中抽取多个预定特征维度的多组特征数据，并将每个预定特征维度的特征数据代入对应的预设基准模型，获得与所述预定特征维度对应的表征值，所述多个预定特征维度的表征值形成表示所述交易实体的表征向量，将所述表征向量的表征值代入预设评估模型，得出所述交易实体的信用值。相比于现有的单纯通过成交量来评价销售方信用值而言，能够对交易实体信用值作出更为客观的评价，从而获得综合可信的交易实体的信用值。此外，由于所述信用评估方法考虑进了例如刷单情况等影响评价的因素，可以有效抵制交易实体的刷单行为。

请参阅图5，本申请还提供了一种网上交易平台中销售方信用评估系统110，其包括：存储器11、处理器13。

在本实施方式中，所述存储器11可以存储有所述网上交易平台中交易实体对应的历史交易数据。由于所述网上交易平台的销售方的历史交易数据非常庞大，因此所述存储器11可以为分布式存储器。具体的，所述分布式存储器包括有多个存储器节点。例如针对每个销售方可以对应有一个存储器节点。所述存储器节点具体可以包括：本地存储器，其用于存储信息；计算逻辑，其用于执行计算操作；节点控制器，用于控制所述本地存储器以执行存储器操作，且能控制所述计算逻辑以执行计算操作，此外，所述节点控制器能够产生从所述存储器节点向外提供的包含指令的消息。当然，所述存储器的具体形式并不限于上述描述，也可以为其他的形式，例如一般的本地存储器等，本申请在此并不作具体的限定。

所述处理器13，可以用于从所述存储器11读取每个交易实体对应的历史交易数据，从所述历史交易数据中以多个预定特征维度分别抽取多组特征数据，每个所述预定特征维度包括至少一个与所述特征数据相对应的预定特征；将与所述预定特征维度的预定特征相对应的特征数据代入对应的预设基准模型，获得所述预定特征维度对应的表征值，所述交易实体的所述多个预定特征维度的表征值形成表示所述交易实体的表征向量；其中，每个所述表征向量对应一个交易实体，每个所述预设特征维度均对应一个预设基准模型，所述预设基准模型基于所述网上交易平台的每个所述预定特征维度的历史交易数据构建；将每个所述表征向量代入预设评估模型，得出所述交易实体的信用值；其中，所述预设评估模型基于所述网上交易平台的历史交易数据对每个所述表征值分配权值。

在本实施方式中，所述处理器13可以按任何适当的方式实现。例如，处理器13可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。本申请并不作限定。

本申请网上交易平台中销售方信用评估系统可以是本申请网上交易平台中销售方信用评估方法的一种硬件实施方式，可以实现本申请网上交易平台中销售方信用评估方法实施方式并达到方法实施方式的技术效果。

本说明书中的上述各个实施方式均采用递进的方式描述，各个实施方式之间相同相似部分相互参照即可，每个实施方式重点说明的都是与其他实施方式不同之处。尤其对于装置、系统的实施方式而言，由于其处理器执行的工作基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式部分说明即可。

在本申请文件中，介绍了本申请的多个实施方式，所属领域技术人员可以理解得出，本申请中的实施方式之间可以互相组合。而且，所属领域技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。