一种获取电子商务中商家信誉值的方法与流程

本发明属大数据中的信任计算技术领域，更为具体地讲，涉及一种获取电子商务中商家信誉值的方法。

背景技术

在线购物应用网站拥有商品种类多样、价格便宜和购买便捷等优势，使得越来越多人的购物习惯从线下转移到了线上，极大地促进了电子商务的发展。但是由于电子商务模式的开放性，任何群体都可以加入网站发布信息和出售商品，商品质量没有保障，一些客户因此遭受不法商家的欺骗。因此，需要为客户建立完善的信任机制，创造一个公平有序可信的交易平台。

研究表明在电子商务中引入信任技术可以有效提高电商质量，因此，许多研究人员提出了针对电商平台的信任模型，且目前针对电子商务领域信任模型的研究成果大多数都是基于分布式环境的。

袁巍等人[yuanw，lijs，hongpl.distributedpeer-to-peertrustmodelandcomputersimulation[j].journalofsystemsimulation，2006，18(4)：938-942.]提出了一种历史交互行为的局部信誉模型hbdtm(history-baseddistributedtrustmodel)，该模型的优点是简单且通信代价小，缺点是只能计算有交互历史的节点间的信任值，有很大的局限性。

kamvar等人[kamvarsd，schlossermt，garcia-molinah.eigenrep：reputationmanagementinp2pnetworks[c]//iswc*04workshopontrust，security，andreputationonthesemanticweb，hiroshima，japan，november.dblp，2004.]基于信任的传递性通过全局迭代计算节点的信任度。该模型能获取网络中所有节点的信任度，但是在p2p环境下，全局迭代计算的通信开销太大且收敛过程很慢。

xiong等人[xiongl，liul.peertrust：supportingreputation-basedtrustforpeer-to-peerelectroniccommunities[j].ieeetransactionsonknowledge&dataengineering，2004，16(7)：843-857.]提出了一种利用置信因子综合本地信任值和推荐信任值的信任模型peertrust。该模型可以度量网络中任意两个节点间的信任值，且计算开销比全局迭代方法要小得多。另外，该模型在计算本地信任值时考虑了多个因子使得信任度量较为全面，能很好的应对虚假反馈行为，但是并没有给出置信因子的确定方法。

虽然以上模型解决了信任计算中的一些问题，但是这些模型构建均是针对分布式环境的，分布式环境的特点是将网络中的节点同等看待，节点既可以是服务请求者也可以是服务提供者，即在电商平台中不区分节点是消费者还是商家。因此，这些模型均不能直接应用于某些需要区分消费者和商家的电子商务平台中。

集中式电子商务信任模型主要有两种：累加信任模型和平均值信任模型。累加信任模型是对商家收到的所有正反面反馈评价进行累加，ebay、淘宝等网站都采用了这种模型。平均值信任模型是对商家累加后得到的信誉值除以反馈的次数，采用这种模型的有action.amazon网站。

然而，上述两种集中式电子商务信任模型不能有效地抵御商家的欺诈行为和恶意消费者的诋毁攻击。

技术实现要素：

本发明的目的在于克服现有技术的不足，借鉴p2p环境中信任模型的一些思想，构建了一种集中式环境下获取电子商务中商家信誉值的方法，以有效地抵御商家的欺诈行为和恶意消费者的诋毁攻击。

为实现上述发明目的，本发明电子商务中商家信誉值的方法，其特征在于，包括以下步骤：

(1)、计算消费者对商家的本地信任值

1.1)、对本地信任值计算因子进行预处理：在时间周期t内，消费者u与商家v进行了k次交易，第k次交易的交易价格为wk，评价满意度为sk，归一化使其值处于(0，1)区间，具体为：

其中，w′k为归一化后的交易价格，max(w)和min(w)为分别为商家v所有交易中的最大交易价格和最小交易价格；

其中，s′i为归一化后的评价满意度，max(s)和min(s)为消费者u所有交易中的最大评价满意度和最小评价满意度；

每个交易过程从开始到结束涉及到l个因素，比如每次交易过程会涉及到商家服务态度，商品质量，发货速度，物流速度等等，令消费者对这l个因素的侧重权值向量为且向量中的所有元素的和等于1，商家对这l个因素的侧重权值向量为且向量中的所有元素的和等于1；

1.2)、计算时间周期t内，消费者u与商家v通过k次交易后产生的本地信任值lt^t(u，v)：

其中，sk′和wk′分别为归一化的第k次交易的评价满意度和交易价格，fi＝ai·bi，为交易过程中的侧重因素函数，α为归一化系数，其值为：是归一化系数；

(2)、计算消费者的全局可信度

2.1)、构建电商平台中所有消费者组成的信任网络图g(v，e，w)

在电商平台中，以点赞行为代表信任关系的建立，用一个有向网络图来表示电商平台中的所有消费者以及他们之间的信任关系，有向网络图中的节点代表消费者，边代表他们间的信任关系(点赞行为)，这形成的有向网络图即为信任网络图g(v，e，w)；

2.2)、计算消费者信任网络图中节点间的直接信任值

利用消费者对所有商家的满意度评价的相似性来代表他们间的直接信任值dt(ui，uj)：

其中，s(ui)为第i个消费者对所有商家满意度评价结果构成的向量，s(uj)为第j个消费者uj对所有商家满意度评价结果构成的向量；

2.3)、计算信任网络中边介数中心性c(ui，uj)：

其中，dst为消费者us与消费者ut之间存在的最短路径的总数量，dst(ui，uj)为最短路径中经过边(ui，uj)的路径的数量，v为所用的消费者构成的集合；

2.4)、构建基于边权值的概率转移矩阵q，设t为信任网络图g(v，e，w)的邻接矩阵，其中tij为节点uj指向节点ui的边的权值，即tij＝dt(ui，uj)*c(ui，uj)，概率转移矩阵q中的元素可表示为：

由所有消费者的全局可信度构成的向量为：

cre＝(cre(u1)，cre(u2)，cre(u3)，...，cre(un))^t，则有：

其中，q为概率转移矩阵，1为列向量(1，1，1，...，1)^t；

求解公式(7)，得到各个节点即消费者的全局可信度；

2.5)、对全局可信度进行归一化处理

对第i个消费者，其归一化全局可信度μ为所有消费者全局可信度的平均值，σ为所有消费者全局可信度的标准差；

(3)、计算商家的整体信誉值

对与商家有过交易历史的所有消费者的本地信任值进行加权求和计算，得到商家信誉值为：

其中，λ＝∑u∈mlt(u，v)，m为与商家v有过交易历史的所有消费者的集合。

本发明的发明目的是这样实现的：

本发明电子商务中商家信誉值的方法，通过交易价格、评价满意度和交易侧重因素三个因子来计算消费者对商家的本地信任值，然后利用改进的pagerank算法来度量每个消费者的全局可信度，最后加权消费者的全局可信度和本地信任值得到商家信誉值。本发明利用多个因子来计算本地信任值，其中的交易价格因子可以抵御卖方(商家)通过小价值的交易来积累信任值然后在大价值的交易中进行欺诈的行为，交易侧重因素可以保证直接信任度量值更加全面。在计算消费者可信度时，本发明针对消费者信任网络利用改进的pagerank算法来计算，可以有效降低恶意节点(消费者)的不实评价对商家信誉值的不利影响。这样，本发明比较全面的商家信誉评价，并能有效地抵御商家的欺诈行为和恶意消费者的诋毁攻击，帮助消费者在平台中搜索商品或服务时可以找到最合适的商家。

附图说明

图1是本发明电子商务中商家信誉值的方法一种具体实施方式的流程图；

图2是不同周期中三种模型下满意评价比例对比图；

图3是不同交易价格下的本地信任值对比图；

图4是不同恶意消费者占比下三种模型下满意评价比例对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是图1是本发明电子商务中商家信誉值的方法一种具体实施方式的流程图。

在本实施例中，如图1所示，本发明电子商务中商家信誉值的方法包括以下几个步骤：

步骤s1：计算消费者对商家的本地信任值

步骤s1.1：周期性从交易历史记录中提取交易价格、评价满意度以及交易侧重权值向量等三个因子；

步骤s1.2：根据提取的三个因子计算消费者对商家的本地信任值；

步骤s2：计算消费者的全局可信度

步骤s2.1：根据消费者行为信息构建电商平台中所有消费者组成的信任网络图；在电商平台中，消费者可以对其他消费者的评论信息进行点赞，本发明以这种点赞行为代表信任关系的建立；

步骤s2.2：计算消费者信任网络图中节点间的直接信任值；

步骤s2.3：计算信任网络中边介数中心性；

步骤s2.4：利用改进的pagerank算法计算消费者的全局可信度；

具体而言，消费者uj的全局可信度公式为：

其中，n为信任网络图中节点即消费者的个数，σ(0＜σ＜1)为阻尼系数，cre(uj)代表节点(消费者)uj的全局可信度，in_neighbor(uj)代表节点(消费者)uj入边上的节点的集合，out-neighbor(ui)代表节点ui出边上的节点的集合，dt(ui，x)代表节点ui对节点x的直接信任值，c(ui，x)为节点ui与节点即消费者x之间的边介数中心性；

这样，可以得到：

其中，cre＝(cre(u1)，cre(u2)，cre(u3)，...，cre(un))^t，则有q为概率转移矩阵，1为列向量(1，1，1，...，1)^t；

求解公式(7)，得到各个节点即消费者的全局可信度；

步骤s2.5：对全局可信度进行归一化处理；

步骤s3：计算商家的整体信誉值

步骤s4：商家信誉值更新

在本实施例中，将商家信誉值进行max-min归一化：

更新思想是：第一个周期结束时的最新信誉值nrep¹(v)即为rep¹(v)′，之后每经过一个周期信誉值自行更新，具体的更新过程为：

其中nrep¹(v)＝rep¹(v)′，λ1和λ2分别控制上升和下降幅度，降低λ1/λ2的值，可以使信任值下降的幅度高于上升的幅度，那么商家积累信誉值的过程表现为“缓慢上升，快速下降”，θ为调整历史信誉值与近期信誉值的差异，公式为θ＝1-(2nrep^t(v)-1)²。

实例

本发明利用编程来模拟交易过程，并将交易历史信息存储到数据库中，交易中的参数选择如表1所示。

表1

数据库中建有两个表，其中一个表记录消费者与商家的交易数据，包括交易的时间，交易价格、评价满意度和交易侧重因素，另一个表记录消费者对他人评论的点赞行为。实施例设计的交易过程为前十个周期中消费者以相同的概率与所有商家进行交易，在经过了十个周期后，消费者与信誉值大于或等于0.5的商家交易的概率为0.8，与信誉值小于0.5的商家交易的概率为0.2，设计的点赞行为为消费者对诚实消费者。评价指标为商家在十个周期之后的交易中消费者给出的满意评价所占的比例。

(1)、有效性分析

在交易结束后，商家会收到消费者的评价反馈，当评价反馈值大于或等于消费者平均评价值时认为消费者对本次交易持满意态度，否则不满意。为了说明本发明商家信誉值获取的优势，图2为本发明的信誉计算与累积信任模型以及平均值信任模型的对比情况。由图2可知，本发明获取的商家信誉值较高的商家能让消费者获得更多的满意交易。

(2)、针对欺诈商家的行为

欺诈商家往往通过小价值的交易积累信誉值之后在大价值交易中欺骗消费者。本实施例中以网络中两个商家a和b为观察对象，设定商家a的交易价值在[60-100]范围内随机，商家b的交易价值在[1-40]范围内随机，分别观察两商家的本地信任值变化情况，结果图3所示。由图3可知，商家b经过100个周期积累的信任值只相当于商家a经过50个周期积累的信任值。此外，每条曲线的增幅也有所不同，这说明不同的交易价值会导致不同的本地信任值增幅。因此，当交易价值较大时，商家越容易获取较高的本地信任值。

(3)、针对消费者恶意诋毁行为

图4为恶意消费者所占比例与消费者满意度评价所占比例情况。当恶意消费者比例增加时，消费者在下一个周期中交易的满意评价比例均有下降，但是本发明的下降幅度明显要低于其他对比模型。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。