基于互联网交易数据的电子商务交易监测方法
【技术领域】
[0001] 本发明涉及通信技术领域，特别涉及一种基于互联网交易数据的电子商务交易监 测方法。
【背景技术】
[0002] 随着互联网交易的迅猛发展，包括移动电商、微博电商、微店等各种新的营销模式 不断涌现，社会关注程度越来越高，也给市场的监管提出了更高的要求。互联网交易的发 展，也出现了一些市场自身难以解决的问题，缺乏电子商务可信交易环境是其中的重点问 题，成为影响电子商务发展的主要瓶颈。具体来说，互联网交易交易监管存在的问题和困难 主要包括：1.主体难确定；2.举证能力弱；3.互联网交易具有跨地域性及隐蔽性等特点； 4.目前的评价体系不规范。这都造成了对互联网交易的异常行为监测的难以实施。
[0003] 目前国内外针对互联网交易的异常行为挖掘的研宄并不多，基本也是集中于机制 和预防措施以及法律手段的研宄，真正意义上可以用于智能算法或挖掘技术实现提前预警 的较少。相关技术具体如下：
[0004] 1)通过产品质量的博弈模型，对涉及产品内容的可变性、差异化、网络交易身份的 不易识别性以及市场参加者对在线产品效用评价等内容的网络欺诈进行规范治理的内在 机理来减少网络欺诈行为。
[0005] 2)针对C2C交易平台的交易数据分析处理的策略包括对交易平台的交易数据进 行实证分析，对欺诈行为的概念、形成原因等方面进行归类，进而归纳总结电商交易交易平 台防范和处理欺诈的主要因素及类型来进行电子商务交易监测。
[0006] 3)基于超图模型的离群点算法，通过计算每个离群点的支持隶属度和规模偏差来 监测离群点，通过有效地发现高炜空间数据中的离群点就可以处理数值属性和类别属性， 进而对交易数据进行分析处理。
[0007] 以上的研宄基本都是基于机制策略类型的，对于互联网交易的应用场景，问题交 易的发生必然是事后型的，一般都是出现有问题的交易之后，通过当事人产生损失并投诉 之后再采取相应的处理措施，因此并不能满足对交易安全性预警的保障。
[0008] 目前的针对互联网交易的信任和信誉算法中，预警指标仅考虑了信誉相关的指 标，并没有考虑到交易主体之间的关联性，而问题交易欺诈主体最大的特点就在于目标广 泛。因此，不仅要对问题交易行为进行发现挖掘，更要通过分类和预测发现用户之间的相互 关联关系、以及问题交易行为的特征，就可以预测可能发生的问题交易行为并且进行预警 进而降低互联网交易的风险。
【发明内容】
[0009] 本发明的目的在于提供一种基于互联网交易数据的电子商务交易监测方法，以解 决现有的针对互联网交易的信任和信誉算法所存在的无法准确地预测可能发生的问题交 易行为并且进行预警的问题。
[0010] 为实现上述目的，本发明提供了一种基于互联网交易数据的电子商务交易监测方 法，包括如下步骤：
[0011] Sl :获取交易记录，并根据交易记录进行信誉参数分析，并建立信誉信息集；
[0012] S2:对信誉信息集进行筛选得到问题交易集，对问题交易集进行样本分析，提炼出 基于信誉参数的指标集合，并建立基于信誉参数的聚集关联，得到聚集关联的结果集合；
[0013] S3:根据所述基于信誉参数的指标集合及聚集关联的结果集合建立监测模型并得 到监测集合，并将该监测集合作为参考对电子商务交易进行监测和预警，具体为：对如当前 的电子商务交易的指标符合该监测集合，则判断该电子商务交易为问题交易；
[0014] 其中，所述聚集关联具体为将当前交易涉及信息与问题交易涉及的指标集合进行 关联。
[0015] 较佳地，所述信誉参数分析分为基于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：分析影响施信方对交易对象的信任的因素，以及分析影响互联 网交易信任的因素；基于B2B的分析包括：分析影响组织间的信任的因素。
[0016] 较佳地，影响施信方对交易对象的信任的因素包括：对对方的信任、基于控制的信 任、对于潜在收益的期望、以及其自身对于风险的态度；
[0017] 影响互联网交易信任的因素包括：技术因素、环境因素、商业因素及个人因素；
[0018] 影响组织间的信任的因素包括：可感知的监督、可感知的认证、可感知的法律约 束、可感知的反馈和可感知的写作规范。
[0019] 较佳地，所述指标集合包括注册行为、操作行为、推广行为及被投诉行为中的一个 或多个。
[0020] 较佳地，所述聚集关联包括IP关联、基本信息关联及商品关联的行业数，其中，所 述IP关联包括直接IP关联和IP进阶关联；所述基本信息关联具体为交易涉及的注册信息 中的邮箱、负责人、联系电话、店铺网址或其他注册信息与已确认的问题交易的信息进行直 接关联；所述商品关联的行业数为商品和行业的关联度指标。
[0021] 较佳地，所述聚集关联还包括商品关联，所述商品关联为在IP信息相同、注册基 本信息相同的情况下的产品的关联。
[0022] 较佳地，所述步骤S3后面还包括：
[0023] S4:定期或在需要时追踪新的交易记录并提取新的聚集关联结果，并将新的聚集 关联结果加入所述监测集合。
[0024] 较佳地，所述步骤S4具体包括：
[0025] S41 :追踪新的交易记录并结合所述信誉信息集建立交易行为信息集；
[0026] S42:通过分类算法对所述交易行为信息集进行第一次预测，得到嫌疑问题交易的 第一次嫌疑等级信息及预测结果集A ;
[0027] S43:对新的交易记录中的基本信息进行过滤和分析，得到新的交易基本信息集， 将新的交易基本信息集与所述预测结果集A进行关联运算，得到第二次嫌疑等级信息及预 测结果集B ;
[0028] S44 :通过设定阈值将预测结果集B分类为高风险问题交易群和低风险问题交易 群，高风险问题交易群和步骤S3中的聚集关联结果再进行关联，得到新的聚集关联结果， 并加入所述监测集合，以更新该监测集合。
[0029] 较佳地，采用神经网络算法建立所述监测模型，具体为：将所述基于信誉参数的指 标集合作为输入监测指标集合X，（〇，1)之间的随机数作为监测的初始权值集合W，输出的 交易行为的预警指标Y作为监测结果，其中，聚集关联的结果集合在对样本数据进行训练 的过程中不断的调整输出和实际值的误差，并通过输出层反馈到输入层进行反向传播的多 层前向反馈的网络，直至算法的学习误差不再明显减少。
[0030] 较佳地，设定所述初始权值集合W中的各个权值的额定误差函数为e，给定计算精 度ε和最大学习次数M，输入监测指标集合X包括所述基于信誉参数的指标集合中的任 一一项或多项指标；算法执行时，当误差满足条件或已达到最大学习次数时，输出交易行为 的预警指标。
[0031] 本发明提供的基于互联网交易数据的电子商务交易监测方法通过：首先，根据交 易记录进行信誉参数分析，建立信誉信息集；其次，对信誉信息集进行筛选得到问题交易集 并对其进行样本分析，提炼出基于信誉参数的指标集合，并建立基于信誉参数的聚集关联， 得到聚集关联的结果集合；再根据基于信誉参数的指标集合及聚集关联的结果集合建立监 测模型并得到监测集合，并将该监测集合作为参考对电子商务交易进行监测和预警。最后， 定期或在需要时追踪新的交易记录并提取新的聚集关联结果，并将新的聚集关联结果加入 监测集合，以定期提供监测模型的预测精度。该方法针对互联网交易特点，基于神经网络算 法识别问题交易预警，通过对获取的问题交易数据进行训练从而实现主动智能防御模型的 自学习、自适应和自防御来降低误报率，可以准确地预测可能发生的问题交易行为并且进 行预警，提高了互联网交易监测的准确度和覆盖度。
[0032] 本发明采用神经网络的人工智能处理方法针对互联网交易过程的数据信息进行 分析处理，通过长期智能的自学习、自适应实现对互联网交易的电子商务进行分析、监控和 预警，实现利用信息技术和人工智能实现对电子商务交易的交