一种商家信誉值计算方法

本发明属于电子商务，具体涉及一种商家信誉值计算方法。

背景技术：

1、随着智能手机和移动技术发展，移动电子商务系统展现出强大的生命力，越来越多的实体店老板或者普通用户逐渐改变习惯，转向通过移动电子商务开始卖货或购物，小到日用品，大到房产珠宝。在秒杀、秒付、隔天到货的时代，移动电子商务系统因为有了移动支付技术的加持，发展势头如火如荼，但是问题也是层出不穷。一方面原因是部分商家缺乏诚信与品德，另一方面是用户辨别商家信誉值能力有限。如果有一种方法，能够对商家信誉值进行评估，将大大减少移动购物、支付与欺诈等问题，同时对商家行为进行约束。

2、传统的商家信誉值计算方法主要是专家打分法。专家打分法是最容易理解的商家信誉值计算方法，核心思想是充分利用专家知识，并尽可能用数据去评估，通过专家对商家信誉值打分，从而计算商家信誉值。这种方法简单实用，但干扰误差大的专家评分会导致商家信誉值有较大的偏差。如何尽可能减小异常专家评分影响，避免过多的主观因素，获得客观、全面的商家信誉值计算结果，为消费者提供更有力的数据和方法支撑，一直是电子商务领域急切关注的重难点问题。

技术实现思路

1、为了克服商家欺诈、失信、不道德等行为，提高消费者购物体验，强化移动支付电子商务系统消费安全与质量保证，研究商家信誉值计算方法，为消费者挑选商家提供理论和方法支撑，减少电子商务纠纷，商家信誉值计算过程如下。

2、1商家信誉值指标评分

3、根据当前国情、移动支付、购物体验、物流和电子商务系统发展阶段特点等因素，对影响商家信誉值的因素进行分析与整合，建立企业特征、系统特征、移动支付特征和物流特征4个一级指标和相关的12个二级指标。

4、企业特征(u1)，包括企业实力(u11)、用户好评度(u12)和客服服务态度(u13)。企业实力(u11)越雄厚、用户好评度(u12)越高、客服服务态度(u13)越好，网络用户对该企业越信任。

5、企业实力(u11)信誉值计算见公式(1)，其中z＞0表示注册资本。

6、u11＝1-exp(-z)               (1)

7、用户好评度(u12)信誉值计算见公式(2)，其中n0表示好评数量，n1表示非好评数量。

8、

9、客服服务态度(u13)信誉值计算见公式(3)，其中anice表示服务态度非常好的数量，agood表示服务态度好的数量，acommon表示服务态度一般的数量，abad表示服务态度差的数量。

10、

11、系统特征(u2)，包括系统流畅度(u21)、商品匹配度(u22)和商品质量(u23)。系统流畅度(u21)越快、商品匹配度(u22)越高、商品质量(u23)越好，用户越能够快速定位好的商品，增加交易成功率，同时避免无聊的等待和糟糕的购物体验。

12、系统流畅度(u21)信誉值计算见公式(4)和公式(5)，其中ti表示第i次购买等待时间，tmean是平均等待时间，β表示流畅度调整系数。

13、

14、u21＝exp(-βtmean)                   (5)

15、商品匹配度(u22)信誉值计算见公式(6)，其中nmached表示匹配次数，nunmached是未匹配次数。

16、

17、商品质量(u23)信誉值计算见公式(8)，其中qi、si表示第i件商品质量和标准质量，n表示比较商品数。

18、

19、

20、移动支付特征(u3)，包括支付方式(u31)、担保制度(u32)和七天无理由退款时间(u33)。支付方式(u31)越灵活、担保制度(u32)越牢靠、七天无理由退款时间(u33)越短，用户支付选择越多，购买时越放心。

21、支付方式(u31)信誉值计算见公式(9)，其中kj、m表示第j种支付方式使用频率和支付方式数量。

22、

23、担保制度(u32)信誉值计算见公式(10)，其中tcompensate_mean表示平均赔付时间，λ表示赔付因子。

24、u32＝exp(-λtcompensate_mean)             (10)

25、七天无理由退款时间(u33)信誉值计算见公式(11)，其中trefund_max表示最大七天无理由退款时间，表示退款因子。

26、

27、物流特征(u4)，包括送货速度(u41)、货物完好率(u42)和快递服务态度(u43)。送货速度(u41)越快、货物完好率(u42)越低、快递服务态度(u43)越好，用户购物体验越佳，越会形成回头客。

28、送货速度(u41)信誉值计算见公式(12)，其中tdeliver_mean表示平均送货时间，κ表示最大容忍送货时间。

29、

30、货物完好率(u42)信誉值计算见公式(13)，其中wgood表示平均货物完好次数，wbad表示平均货物破损次数。

31、

32、快递服务态度(u43)信誉值计算见公式(3)。

33、设计的商家信誉值指标体系充分考虑了当前移动支付、快递服务、消费者体验等行业特点，能够从用户角度较为客观的评价商家信誉值，指标简单实用。

34、2基于支持向量机的商家信誉值指标权重计算方法

35、支持向量机是一类按照监督学习方式对数据进行分类的广义线性分类器，其决策边界是对学习样本求解最大边距超平面。在分类问题中给定输入数据x＝{x1，x2，…，xn}，学习目标y＝{y1，y2，…，yn}，其中输入数据的每个样本xi＝[x1，x2，…，xm]t都包含多个特征并由此构成特征空间，其中m表示特征个数，而学习目标是二元变量，取值为1或者-1。寻找最佳决策边界线的问题可以转化为求解两类数据的最大间隔问题，间隔中间就是决策边界。任意超平面可以用线性方程wtx+b＝0来描述。点(x1，x2，…，xm)到直线wtx+b＝0的距离为d，见公式(14)。

36、

37、根据拉格朗日法、kkt条件、对偶问题等，支持向量机问题最后化简为公式(15)

38、

39、在实际应用中，常常存在过拟合情形，解决办法是增加软间隔。不允许个别特征点在前面介绍的最大间隔内的间隔是硬间隔，允许部分特征点在最大间隔内的间隔是软间隔。为了度量软间隔，为每一个样本引入一个松弛变量ζi≥0，则约束方程变为yi(wtxi+b)≥1-ζi。

40、硬间隔和软间隔都是在说样本的完全线性可分或者大部分样本点是线性可分的情况，但我们可能会碰到的一种情况是样本点不是线性可分的，此时需要引入核函数，将二维线性不可分样本映射到高维空间中，让样本点在高维空间线性可分，这就是非线性支持向量机问题。

41、用x表示原来的样本点，用φ(x)表示x映射到新的特征空间后的新向量。分割超平面可以表示为：f(x)＝wφ(x)+b。非线性支持向量机的对偶问题与线性支持向量机唯一的不同就是之前的(xi·xj)变成了(φ(xi)·φ(xj))。此时计算高维空间的内积成为了难点，低维空间映射到高维空间后维度可能会很大，如果将全部样本的点乘全部计算好，这样的计算量太大，所以引入了核函数。

42、如果有这样的一核函数k(xi，xj)＝(φ(xi)·φ(xj))，φ(xi)与φ(xj)在特征空间的内积等于它们在原始样本空间中通过函数k(xi，xj)计算的结果，就不需要计算高维甚至无穷维空间的内积了。核函数的引入一方面减少了计算量，另一方面也减少了存储数据的内存使用量。我们常用核函数有线性核函数、多项式核函数和高斯核函数。

43、支持向量机决策边界是对学习样本求解最大边距超平面。各组专家对指标进行的各组评分，可以看成多维空间中的一些数据点。支持向量机方法计算对两组数据间隔最大的决策超平面，也就是在空间中确定了一组空间点组成的线或面。根据支持向量机定义可知，这一组空间点是距离两组距离最大的，所以可以利用此原理，进行商家信誉值指标权重的评估。

44、通过解决线性可分支持向量机和线性不可分支持向量机问题，能够计算出最优超平面的决策边界wtx+b＝0，而此时的w即可表示不同商家信誉值评估指标的占比权重，对其进行归一化处理，得到商家信誉值评估指标权重

45、3基于平均法的商家信誉值指标权重计算方法

46、平均法的核心在于综合多名领域专家实际工作经验知识，利用专家评分的方法对各因素权重进行评估。基于平均法的商家信誉值指标权重计算方法步骤包括：

47、1筛选与确定商家信誉值评估指标；

48、2 n位专家独立地根据自己的实际工作经验进行指标权重打分，做到互不干涉、互不打扰；

49、3统计各专家指标权重评分表，剔除无效结果数据；

50、4用平均法对各专家指标权重评分进行处理，获得商家信誉值指标i的平均权重为ei，见公式(16)；

51、5根据各指标权重，进行归一化处理，得到最终商家信誉值指标i的权重qi，见公式(17)。

52、

53、

54、其中ei表示第i个商家信誉值指标的平均权重，ei，j表示第j个专家对第i个指标权重的打分，n表示专家个数。上述方法简单直接，计算方便，但无法避免较大异常因素影响。

55、4基于加权平均法的商家信誉值指标权重计算方法

56、加权平均法的核心是在平均法基础上，引入了适当的权重αi，见公式(18)，归一化方法保持不变，其中0≤αi≤1是权重因子。

57、

58、5基于最小差异度的商家信誉值指标权重计算方法

59、加权平均法能够充分利用专家经验，但是一些异常大或者异常小的评分无法避免，通过采取平均的方法将数据平均处理，容易对评估结果产生较大影响。为充分利用各专家经验，同时避免部分专家的私心，需要设计更为全面的商家信誉值权重计算方法。最小差异度法核心思想是组织多组专家对指标权重进行评分，按照最小差异度的原则选择一组最合适的权重，从而避免过分异常数据影响。

60、设wi＝(w1，i，w2，i，…，wn，i)t表示第i组专家对n个指标权重的打分，w＝(w1，w2，...，wm)t表示m组指标权重得分集合。用欧拉距离定义两个指标权重分配方案的差异度di，j，见公式(19)，则特征向量wi与整个指标体系分配方案集合w的差异度为di，见公式(20)，选取差异度最小的指标权重得分作为最终的指标权重。

61、

62、

63、最小差异度的方法选取差异度最小的一组指标权重，避免了过大或者过小专家评分影响，评估方法相对科学，但还是不够准确。

64、6商家信誉值综合计算

65、6.1基于商家各种信息数据，计算商家信誉值一级指标和二级指标得分。

66、按照公式(1)至公式(13)，对12个二级指标得分进行计算，并将其放缩到[0，10]，以便于进行综合计算与分析评估。

67、6.2指标权重数据准备

68、邀请行内专家，并对专家进行分组，对4个一级指标和12个二级指标权重进行打分。选取专家尽可能全面，专家评价尽可能客观。为了避免专家私心，或者较大差异的专家评分，需要对专家评分结果数据进行分析。增加统计处理方差指标，对专家打分结果进行评估，如果不满足指标要求，则重新打分，直到满足统计处理指标要求。n个专家对m个指标进行打分，δ2是评分结果的平均方差，见公式(21)，若方差满足则接受本次评估结果，否则重新组织各专家进行打分，甚至可能要更换专家。

69、

70、6.3计算差异度和确定学习目标数据

71、对满足指标的专家赋值的结果进行分析，计算欧拉距离表，用最小差异度法确定学习目标数据。用欧拉距离定义两个权重分配方案的差异度di，j，则特征向量wi与整个权重分配方案集合w的差异度为di，对差异度di进行排序。选择差异度因子α，根据每组权重分配方案确定对应的支持向量机需要的学习目标数据yi，见公式(22)，其中α＝(max(di)+min(di))/2。

72、

73、6.4商家信誉值指标权重计算

74、根据各商家一级指标和二级指标权重得分，使用加权平均法、最小差异度法和支持向量机的方法分别计算求解，获得商家信誉值指标权重。

75、6.5确定商家信誉值指标权重

76、应用最小差异度的方法，对加权平均法、最小差异度法和支持向量机的方法三种方法获得的商家信誉值指标权重进行分析，选择差异度最小的指标权重。

77、6.6计算商家信誉值

78、根据确定的商家信誉值指标权重，以及计算的商家各指标得分，计算各商家信誉值。基于计算的商家信誉值，为消费者筛选良心商家提供方法与数据支撑。