C2C电子商务商家信用评价模型研究

发布时间：2020-03-22 18:13

【摘要】：近几年,随着移动互联网的兴起,我国网民数量迅速增加,电子商务逐渐成为了人们生活中的一部分。电子商务与传统交易相比更加便利、透明、可选择空间更大,商家与买家的互动性更强,多方数据显示,我国电子商务增长依然可观。然而电子商务的高速增长的同时也出现了一些新问题阻碍了电子商务的发展,互联网的开放性和虚拟性为一些欺诈行为带来了新的沃土,新型诈骗方式层出不穷,C2C电子商务特性使得其成为这些诈骗问题的“重灾区”和“高发区”,C2C电子商务交易的诈骗问题得到人们越来越多的关注。诚信的缺失给正常的电商交易秩序带来了巨大的危害,增加了交易成本,给我国电子商务的发展带来了严峻的考验,这不仅会阻碍我国电子商务的发展,还会扰乱正常的市场秩序。各大电子商务平台针对上述问题建立了自己的评价机制,虽然其在建立之初有效遏制了诈骗行为,但由于过于简单使得不良商家很容易利用其漏洞实施诈骗。本文在大量研究现有成果的基础之上,以淘宝网为例,总结了目前电子商务卖家信用评价模型主要存在的问题,并针对这些问题从电商信用评价指的改进到模型建立来系统解决这些问题。本文采用实验法,根据2015年国家工商总局网络监管司在网购商品抽检和报告中得出的结果——淘宝网的正品率为37.25%,我们将模拟商家的人员按照37.25%和62.75%的比例分成两组,一组模拟诚信的商家,另一组模拟进行诈骗的商家,同模拟不同信用水平的买家进行交易的过程,来获取模型训练所需要的基础数据,对评价指标进行改进:针对交易额的问题,本文将商品价格同该商品价格均值的偏离程度作为一个考虑因素;对于买家信用,本文采用将不同信用水平的买家做出的评价赋予不同的权值,对于时间问题,将评价按照距离当前时间的远近了赋予不同的权重,将好评返现情况纳入信用评价指标体系,加入对价格的考虑,价格高的商品对信用作用的权重大,而且将商品价格同行业平均商品价格进行比较考察其是否偏离合理的范围,并结合淘宝现有的描述、物流、服务的现有指标对指标体系进行改进。在模型建立方面:本文分析现有数据挖掘算法的优缺点,利用数据挖掘中的朴素贝叶斯算法和BP神经网络设计C2C电子商务信用评价动态模型,利用朴素贝叶斯分类器做初步筛选,然后利用BP神经网络对商家的诚信程度做进一步的判断得到最终结果。最后,将得出的模型同现有的只使用一种方法的模型作对比,验证模型的准确性。
【图文】：

随机数,区间

神经网络结构图

示意图,信用评价模型,示意图,神经网络

.2 朴素贝叶斯分类器设计本文选择朴素贝叶斯分类器作为 C2C 电子商务商家信用评价模型的初步判断模将数据分成诚信、欺诈和不确定三类，，将不确定的数据利用 BP 神经网络做进一步判断，BP 神经网络部分的模型构建如图 3-1：
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F724.6;F274

【参考文献】