基于改進遺傳算法的電子商務交易風險評估

葉藝勇

摘 要： 為了降低電子商務交易的風險，需要進行交易風險的量化評估，提出一種基于改進遺傳算法的電子商務交易風險評估方法。采用稀疏散點云數據采集技術進行電子商務交易信息的數據采樣，并輸入到云存儲系統中建立電子商務交易風險數據評估的專家數據庫，提取電子商務平臺中商家的信任度推薦參量值，并進行信息融合處理。對融合后的商家信任度信息采用遺傳算法進行交叉變異處理，結合自適應全局遺傳進化方法實現電子商務交易風險信息的準確預測，從而實現交易風險評估。仿真結果表明，采用該方法進行電子商務交易風險評估的預測準確性較好，收斂誤差較低，具有可行性。

關鍵詞： 遺傳算法； 電子商務； 交易； 信息融合； 風險評估

中圖分類號： TN99?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）13?0094?04

Abstract： In order to reduce the risk of e?commerce transaction， it is necessary to perform the quantitative evaluation of transaction risk， therefore an e?commerce transaction risk evaluation method based on improved genetic algorithm is put forward. The sparse scattered point cloud data technology is used to sample the data of the e?commerce transaction information， and input it into the cloud storage system. The specialist database of the e?commerce transaction risk data evaluation was established. The merchant trust recommendation parameters in e?commerce platform are extracted， and conducted with information fusion. The genetic algorithm is used to perform the crossover and mutation for the fused merchant trust information， and combined with the adaptive global genetic evolution algorithm to predict the e?commerce transaction risk information accurately， and realize the transaction risk assessment. The simulation results show that the method has high prediction accuracy and low convergence error for e?commerce transaction risk assessment， and is feasible.

Keywords： genetic algorithm； e?commerce； transaction； information fusion； risk assessment

0 引 言

網絡技術和現代物流技術催生了電子商務的快速發展，電子商務平臺建立在P2P和O2O交易平臺基礎上，交易平臺具有開放性和自組織性，導致電子商務交易的管理和控制有漏洞，容易出現交易風險，為商家和顧客帶來了較大的損失[1]。

為了最大限度地降低電子商務交易的風險，需要采用量化信息評估方法進行電子商務交易預測評估，提高應對風險的能力和水平，因此，研究電子商務交易風險評估方法具有重要意義。

傳統方法主要采用神經網絡預測評估方法和決策樹預測評估方法進行電子商務交易風險評估，采用無監督學習訓練方法進行電子商務交易風險信息的線性相關性擬合，提取電子商務交易數據的風險關聯性特征[2]，例如，文獻[3]中提出一種電子商務下的信任網絡構造與優化方法，結合項目分類和云模型方法進行商家的信任度推薦，取得了較好的風險預測效果，但該模型的收斂性不好，計算復雜度較高。

針對上述問題，本文提出一種基于改進遺傳算法的電子商務交易風險評估方法，首先提取電子商務平臺中商家的信任度推薦參量值，并進行信息融合處理，然后采用全局遺傳進化方法實現電子商務交易風險信息的準確預測和風險評估，最后進行仿真實驗分析，展示了本文方法在提高電子商務交易風險評估準確性方面的優越性能。

1 電子商務交易風險先驗數據分析

1.1 信息采集

為了實現對電子商務交易風險準確評估，采用信息處理算法進行電子商務交易風險先驗數據采集和數據分析。采用稀疏散點云數據采集技術進行電子商務交易信息的數據采樣，假設統計電子商務交易風險數據時間序列采樣的先驗知識表示為，按照序列的秩進行數據排列分析，得到電子商務交易風險原始序列幅值，采用自適應回歸分析方法構建電子商務交易風險數據的特征分量[4]，把交易數據的風險等級劃分為個等級，為，即，按照電子商務交易習慣，對交易的風險序列進行降則處理，采用云計算技術得到風險信息的稀疏散點云數據采樣變量為是風險數據的指數譜，每個對應一個解向量，為：

通過對交易風險數據的稀疏散亂點重排[5]，結合先驗規則函數，得到電子商務交易風險數據的統計信息的擬合時間序列模型，表示為：

式中：是均值為0，方差為的正態分布函數；稱為電子商務交易風險的時間反演不可逆特征分解系數；為交易數據采樣的測量誤差。

1.2 商家的信任度推薦值計算

將上述采集的電子商務交易風險數據輸入到云存儲系統中，建立電子商務交易風險數據評估的專家數據庫，提取電子商務平臺中商家的信任度推薦參量值，并進行信息融合處理[6]，電子商務平臺中交易雙方風險最低約束條件下的最優解為：

采用遺傳進化算法進行交叉和變異操作，降低交易風險，計算變量與交易風險控制函數值的最大（或最小）值，在遺傳進化過程中，建立初始種群，設計一個種群的適應度函數，得到風險控制的先驗概率密度，對應的遺傳準則為：

式中：為電子商務交易雙方的交叉概率。

在遺傳進化中，種群個體在維空間中的個體適應度函數為，其表示對應商家的風險代價函數，計算每個個體的適應度，得到第個遺傳種群的最終歸集解為，其中：

在遺傳進化控制下，得到商家的信任度推薦值計算迭代式為：

式中為迭代步長。

2 交易風險評估模型實現

2.1 交易信息融合處理

在上述進行了電子商務交易風險數據采集和信任度推薦特征參量提取的基礎上，進行電子商務交易風險評估模型改進設計，本文提出一種基于改進遺傳算法的電子商務交易風險評估方法，對提取的電子商務平臺中商家的信任度推薦參量值進行信息融合處理[7]，采用遺傳算法得到電子商務交易風險誤差統計特征量的計算式為：

式中：是比例元集；是遺傳進化的敏感算子；是整個搜索空間的第個節點的全局極值；是每個染色體相應的代價值。

選擇一個已經設定了的適應度函數，依據貪婪搜索進行風險代價函數的最大尋優[8]，并計算適應度高的個體的代價值：

云交易主體在演化博弈中常會處于一個相對穩定的狀態，對全局最優個體進行局部搜索，實現對電子商務交易風險的量化評估，用線性加權得到交易雙方的信任度的信息融合權重迭代式為：

初始化隸屬度函數通過改進的遺傳算法對新的交易個體進行風險量化評估，確定全局最優個體為：

設置門限值當時，交易信任度評價滿足低風險要求。

采用改進的遺傳優化算法對交易主體的風險信息進行重排[9]，根據特征值的大小進行閾值估計，得到交易風險評估的信息融合權重系數為：此時電子商務交易風險評估的狀態估計式為：

根據遺傳算法的優化目標函數，其中第個進化個體的風險權重表示為根據主成分分析方法，得到電子商務交易風險評估的量化估計值為：

根據上述信息融合結果，對融合后的商家信任度信息采用遺傳算法進行交叉變異處理，進行交易風險預測與評估。

2.2 電子商務交易風險預測評估

采用自適應全局遺傳進化方法，得到在交叉和變異操作下個體最優的風險聚斂目標函數：

根據遺傳算法的優化目標函數，其中第個進化個體的風險權重表示為，結合電子商務交易的穩態性，得到風險評估的穩態目標函數為：

在遺傳進化的最優代數下，風險最小的個體位置為，也稱為構建電子商務交易風險評估狀態特征方程，在種群進化代數為的第個個體的時刻的風險評價值為：

通過一個適應度函數對群體自身的速度和位置進行自適應估計，得到電子商務交易雙方的適應度泛函為：

式中：是最大代數；是遺傳種群的適應度值；和是操作算子常數，通常取和是交叉概率；為[0，1]的隨機泛函。對于每個電子商務平臺的風險估計特征值滿足：

式中：是兩個交叉點的鄰域匹配函數；表示匹配區域內的映射。采用交叉運算進行自適應更新，選取種群的規模為得到在遺傳算法下電子商務風險交易數據的主成分更新公式為：

式中：為關系副本函數，當得到的適應度值較大時，采用梯度下降方法進行特征分解，得到風險分解函數更新遺傳進化的種群集。

考慮全局優化問題進行電子商務交易風險評估的全局尋優，得到變異適應度值為：

搜索過程中進行交叉和變異兩種基因操作，得到電子商務交易風險評估狀態的全局最優點，由此實現電子商務交易風險信息的準確預測。最后結合云端服務器進行交易監管，實現風險控制，這一實現過程如圖1所示。

3 仿真實驗分析

為了測試本文算法在實現電子商務交易風險評估中的應用性能，進行仿真測試，實驗采用Matlab仿真設計，遺傳進化的種群數量為10 000個，模因組數12個，電子商務交易雙方的信任度控制權重為0.2，風險評估數據采樣的信息維度設置為20，主體商戶的風險控制約束參量分別為：遺傳算法的關聯系數設定為：根據上述仿真參量的設定，進行電子商務交易風險評估的仿真分析，電子商務交易信息的先驗數據采樣結果如圖2所示。

以圖2采集的數據為測試樣本進行電子商務交易風險預測評估，并采用不同方法進行評估準確性比較，得到的對比結果如圖3所示。分析圖3的結果得知，采用本文方法進行電子商務交易風險評估的準確性更高，可靠性更好。

4 結 語

本文提出一種基于改進遺傳算法的電子商務交易風險評估方法，提取電子商務平臺中商家的信任度推薦參量，并進行信息融合處理，對融合后的商家信任度信息采用遺傳算法進行交叉變異處理，結合自適應全局遺傳進化方法實現電子商務交易風險信息的準確預測。研究表明，采用本文方法進行電子商務交易風險評估的準確性更高，對商家信任推薦的可靠性更好，具有較好的應用價值。

參考文獻

[1] 吳旭.基于增強穩定組模型的移動P2P網絡信任評估方法[J].計算機學報，2014，37（10）：2118?2127.

[2] 邵立瑛，申雙和，高磊，等.江蘇省水稻生產的綜合氣象災害風險評估[J].科學技術與工程，2015，33（32）：232?239.

[3] 王慧，張翠羽.基于改進遺傳算法的網絡差異數據挖掘算法[J].計算機仿真，2015，32（5）：311?314.

[4] 熊忠陽，劉芹，張玉芳.結合項目分類和云模型的協同過濾推薦算法[J].計算機應用研究，2012，29（10）：3660?3664.

[5] 曾兆敏.基于改進遺傳算法的云計算負載均衡研究[J].電子設計工程，2017，25（4）：42?45.

[6] 聶智軍，李儉.基于潛在因子挖掘的電子商務交易風險評估[J].科技通報，2013，32（8）：118?120.

[7] 胡國龍，賈振紅，覃錫忠，等.基于改進遺傳算法的無線傳感網覆蓋優化[J].計算機測量與控制，2016，24（3）：168?169.

[8] 劉進，胡大權，陳家佳.面向海量數據的推薦系統的研究[J].現代電子技術，2016，39（12）：59?61.

[9] 薛勝軍，胡敏達，許小龍.云環境下公平性優化的資源分配方法[J].計算機應用，2016，36（10）：2686?2691.