基于PCI級(jí)聯(lián)模型的網(wǎng)購(gòu)異常商品識(shí)別研究

摘要：隨著電子商務(wù)的迅猛發(fā)展，準(zhǔn)確識(shí)別異常商品對(duì)維護(hù)平臺(tái)信譽(yù)和保護(hù)消費(fèi)者權(quán)益至關(guān)重要。針對(duì)現(xiàn)有方法在處理高維數(shù)據(jù)和探測(cè)復(fù)雜異常模式方面的局限性，本文提出了一種基于PCA（主成分分析） 、COPOD（復(fù)合概率密度估計(jì)） 和IForest（孤立森林） 的PCI級(jí)聯(lián)異常檢測(cè)模型。該模型首先通過(guò)PCA對(duì)高維數(shù)據(jù)進(jìn)行降維，使用COPOD進(jìn)行初步異常檢測(cè)以篩選潛在異常點(diǎn)，最后利用IForest精確識(shí)別最終異常點(diǎn)。實(shí)驗(yàn)結(jié)果表明，PCI模型的準(zhǔn)確度達(dá)87.3%，召回率為77.8%，F(xiàn)1分?jǐn)?shù)為0.823，顯著優(yōu)于傳統(tǒng)方法。該研究表明，PCI級(jí)聯(lián)模型能有效提高異常商品識(shí)別的準(zhǔn)確性和可靠性，為電商平臺(tái)的風(fēng)險(xiǎn)管理和運(yùn)營(yíng)優(yōu)化提供了新技術(shù)方案。

關(guān)鍵詞：主成分分析；復(fù)合概率密度估計(jì)；孤立森林；電子商務(wù)數(shù)據(jù)；異常檢測(cè)

中圖分類號(hào)：TP181" "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）08-0037-05

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

近年來(lái)，隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，電子商務(wù)平臺(tái)已成為消費(fèi)者購(gòu)買商品的重要渠道。然而，中國(guó)消費(fèi)者協(xié)會(huì)的網(wǎng)購(gòu)調(diào)查發(fā)現(xiàn)，異常商品的存在不僅嚴(yán)重影響了消費(fèi)者的購(gòu)物體驗(yàn)，也給平臺(tái)帶來(lái)了經(jīng)濟(jì)損失[1]。異常商品形式多樣，涵蓋價(jià)格異常、銷量異常、假冒偽劣和交易異常等。由于商品數(shù)據(jù)復(fù)雜且高維，這些異常商品難以辨別，亟需高效、準(zhǔn)確的識(shí)別方法。

目前，國(guó)內(nèi)外已有許多關(guān)于異常檢測(cè)的研究成果。林正聞[2]提出基于統(tǒng)計(jì)學(xué)習(xí)的方法，利用歷史數(shù)據(jù)構(gòu)建模型來(lái)預(yù)測(cè)未來(lái)的趨勢(shì)或模式，這種方法在一些特定的應(yīng)用場(chǎng)景下能夠提供較高的檢測(cè)精度。但是，它在處理大規(guī)模數(shù)據(jù)時(shí)計(jì)算復(fù)雜度較高，而且如果實(shí)際的數(shù)據(jù)分布與模型假設(shè)的分布有較大差異，檢測(cè)性能可能會(huì)顯著下降。盧夢(mèng)茹[3]提出基于局部密度的方法，通過(guò)計(jì)算數(shù)據(jù)點(diǎn)周圍的局部密度來(lái)識(shí)別異常值，該方法對(duì)于處理具有不同密度區(qū)域的數(shù)據(jù)集非常有效。然而，在高維空間中，這種基于距離的方法容易遭受“維度災(zāi)難”的影響，即所有數(shù)據(jù)點(diǎn)之間的距離趨向于相等，從而降低檢測(cè)的準(zhǔn)確性。王楠[4]提出基于聚類的方法，能夠自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的自然分組，并據(jù)此識(shí)別出異常值。不過(guò)，這種方法對(duì)于特征之間復(fù)雜的相互作用考慮不足，可能遺漏一些重要的異常信息。董晴晴[5]提出LOF離群點(diǎn)挖掘方法，通過(guò)比較一個(gè)點(diǎn)與其鄰域內(nèi)其他點(diǎn)的局部密度來(lái)識(shí)別異常點(diǎn)，該方法在處理中等規(guī)模數(shù)據(jù)集時(shí)效果良好，但面對(duì)大規(guī)模數(shù)據(jù)集時(shí)效率較低。付文杰[6]提出基于決策樹與局部密度結(jié)合的方法，雖能夠有效地處理數(shù)值型和類別型特征，但對(duì)于文本等非結(jié)構(gòu)化數(shù)據(jù)的支持有限，且在處理大規(guī)模數(shù)據(jù)集時(shí)的效率和可擴(kuò)展性仍有待提高。

本文提出了一種基于PCA、COPOD和IForest的PCI級(jí)聯(lián)異常檢測(cè)模型。相比于其他機(jī)器學(xué)習(xí)模型，該模型更善于發(fā)掘異常之間的依賴關(guān)系和在多維度下的異常，具有逐步細(xì)化、減少誤報(bào)、高靈活性、強(qiáng)適應(yīng)性和良好可解釋性的優(yōu)勢(shì)。實(shí)驗(yàn)結(jié)果表明，該模型能有效提高異常商品識(shí)別的準(zhǔn)確性。

1 理論基礎(chǔ)

1.1 主成分分析（PCA）

主成分分析（Principal Component Analysis， PCA） 是一種常用的降維技術(shù)，通過(guò)線性變換將原始高維數(shù)據(jù)投影到低維空間，同時(shí)保留數(shù)據(jù)的主要信息。在本研究中，PCA主要用于處理電商平臺(tái)復(fù)雜的多維商品數(shù)據(jù)，具體流程如下：

步驟1：數(shù)據(jù)標(biāo)準(zhǔn)化，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使各特征具有相同的尺度。

步驟2：求協(xié)方差矩陣，計(jì)算標(biāo)準(zhǔn)化后的數(shù)據(jù)的協(xié)方差矩陣。

步驟3：計(jì)算特征值和特征向量，求解協(xié)方差矩陣的特征值和特征向量。

步驟4：通過(guò)觀察累計(jì)方差解釋比例曲線，使用拐點(diǎn)法確定主成分?jǐn)?shù)量。選擇特征值最大的前幾個(gè)特征向量作為主成分，這些主成分代表了數(shù)據(jù)的主要方向。

步驟5：投影，將原始數(shù)據(jù)投影到主成分空間中。

1.2 復(fù)合概率密度估計(jì)（COPOD）

復(fù)合概率密度估計(jì)（Copula-based Outlier Detection， COPOD） 是一種利用Copula函數(shù)建模特征之間依賴關(guān)系的異常檢測(cè)算法，通過(guò)計(jì)算數(shù)據(jù)點(diǎn)在Copula函數(shù)中的概率密度來(lái)識(shí)別異常點(diǎn)。本研究中，COPOD用于初步篩選在多個(gè)特征維度上表現(xiàn)出異常依賴關(guān)系的商品，具體流程如下。

步驟1：數(shù)據(jù)清洗，去除缺失值和異常值。

步驟2：數(shù)據(jù)標(biāo)準(zhǔn)化，對(duì)數(shù)值特征進(jìn)行歸一化處理，使各特征具有相同的尺度。

步驟3：計(jì)算邊際分布，對(duì)每個(gè)特征變量[Xi]估計(jì)其邊際分布[Fi（xi）]。

步驟4：使用邊際分布將每個(gè)變量[Xi]變換到[0， 1]區(qū)間上的均勻分布[Ui]。即對(duì)于每個(gè)觀測(cè)值[Xij]，計(jì)算其在邊際分布下的累積概率[uij=Fi（xij）]。

步驟5：構(gòu)建高斯Copula函數(shù)[c（u1，j，u2，j，....，ud，j）]，計(jì)算聯(lián)合概率密度，使用Copula函數(shù)建模特征之間的依賴關(guān)系。

步驟6：計(jì)算異常分?jǐn)?shù)，通過(guò)Copula函數(shù)計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的異常分?jǐn)?shù)。異常分?jǐn)?shù)表示數(shù)據(jù)點(diǎn)在Copula函數(shù)中的概率密度。

步驟7：根據(jù)聯(lián)合概率密度值的分布，設(shè)定一個(gè)閾值，該閾值用于區(qū)分正常點(diǎn)和潛在的異常點(diǎn)。

1.3 孤立森林（Isolation Forest）

孤立森林（Isolation Forest） 是一種基于決策樹的異常檢測(cè)算法，通過(guò)隨機(jī)分割特征空間，異常點(diǎn)通常比正常點(diǎn)更容易被孤立。在本研究中，孤立森林主要用于識(shí)別出那些在多個(gè)特征維度上表現(xiàn)異常的商品，具體流程如下：

步驟1：構(gòu)建孤立樹，通過(guò)隨機(jī)選擇特征和特征值進(jìn)行二分裂來(lái)構(gòu)建孤立樹。每棵樹的目標(biāo)是將數(shù)據(jù)點(diǎn)盡可能快地隔離。

步驟2：計(jì)算路徑長(zhǎng)度，對(duì)于每個(gè)樣本，計(jì)算其在每棵孤立樹中的路徑長(zhǎng)度，即從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的邊數(shù)。異常點(diǎn)通常比正常點(diǎn)更容易被隔離，因此路徑長(zhǎng)度較短。

步驟3：確定異常分?jǐn)?shù)，用計(jì)算出的平均路徑長(zhǎng)度確定待測(cè)數(shù)據(jù)的異常分?jǐn)?shù)。

步驟4：判定異常與否，最終的異常分?jǐn)?shù)是所有孤立樹的平均值，若異常分?jǐn)?shù)大于或等于異常閾值，則判斷為異常數(shù)據(jù)，否則判為正常數(shù)據(jù)。

2 建模分析與評(píng)價(jià)指標(biāo)

2.1 PCI級(jí)聯(lián)模型的構(gòu)建

PCI級(jí)聯(lián)模型融合了PCA、COPOD和IForest三種方法。首先，使用PCA對(duì)高維數(shù)據(jù)進(jìn)行降維，以保留主要信息并降低計(jì)算復(fù)雜度。接著，利用COPOD對(duì)降維后的數(shù)據(jù)進(jìn)行初步異常檢測(cè)，篩選潛在異常點(diǎn)。最后，使用IForest進(jìn)一步確認(rèn)這些異常點(diǎn)，精確識(shí)別最終的異常商品。具體的算法流程如下：

步驟1：對(duì)數(shù)據(jù)集X進(jìn)行預(yù)處理，初步篩選與異常檢測(cè)相關(guān)的特征，進(jìn)行編碼，并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理。

步驟2：計(jì)算數(shù)據(jù)集的協(xié)方差矩陣，以捕捉各個(gè)特征之間的相關(guān)性。計(jì)算協(xié)方差矩陣的特征值和特征向量，通過(guò)觀察累計(jì)方差解釋比例曲線的拐點(diǎn)位置，選擇前k個(gè)主成分，保留數(shù)據(jù)的主要信息。

步驟3：將原始數(shù)據(jù)投影到選定的主成分上，得到降維后的數(shù)據(jù)。

步驟4：對(duì)COPOD模型輸入降維后的數(shù)據(jù)，計(jì)算每個(gè)樣本的概率密度值。根據(jù)概率密度值的分布，設(shè)定閾值，將概率密度值低于閾值的樣本標(biāo)記為潛在的異常點(diǎn)。

步驟5：對(duì)潛在的異常點(diǎn)列表進(jìn)行標(biāo)準(zhǔn)化處理。

步驟6：使用IForest進(jìn)行精煉檢測(cè)，隨機(jī)選擇特征和特征值，構(gòu)建孤立樹，通過(guò)遞歸分割將數(shù)據(jù)點(diǎn)隔離，直到每個(gè)數(shù)據(jù)點(diǎn)被單獨(dú)隔離。對(duì)于每個(gè)樣本，計(jì)算其在每棵孤立樹中的路徑長(zhǎng)度，并根據(jù)路徑長(zhǎng)度設(shè)置閾值。將路徑長(zhǎng)度低于閾值的樣本標(biāo)記為最終的異常點(diǎn)。

2.2 關(guān)鍵參數(shù)選擇

使用網(wǎng)格搜索（Grid Search） 遍歷所有參數(shù)組合，如表1所示。對(duì)于COPOD模型，由于其用于初步篩選，估計(jì)異常點(diǎn)占比較高，因此設(shè)置較高的污染率參數(shù)。對(duì)于孤立森林（Isolation Forest） 算法中樹的數(shù)量的確定，根據(jù)其提出者Liu等人[7]的建議，樹的數(shù)量取值應(yīng)在100和500之間。取值過(guò)小可能導(dǎo)致算法不穩(wěn)定，而取值過(guò)大則會(huì)浪費(fèi)計(jì)算機(jī)資源。因此，建議將樹的數(shù)量設(shè)置在100到500之間，步長(zhǎng)為50。

通過(guò)查看F1分?jǐn)?shù)、AUC-ROC和交叉驗(yàn)證評(píng)估每個(gè)組合的性能，選擇最佳的參數(shù)配置。最終，將最佳參數(shù)應(yīng)用于模型，進(jìn)行異常檢測(cè)和評(píng)估，確保模型的準(zhǔn)確性和魯棒性。

2.3 評(píng)價(jià)指標(biāo)

本研究采用以下評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)估，以分析和對(duì)比模型的性能提升。

1） 混淆矩陣：混淆矩陣是評(píng)估分類模型性能的重要工具，特別是在二分類任務(wù)中。混淆矩陣通過(guò)展示模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的對(duì)比，幫助計(jì)算各種評(píng)價(jià)指標(biāo)，如表2所示。

2） 精確度（Precision） ：預(yù)測(cè)為正類（異常） 的樣本中，真正正類（異常） 的比例，使用式（1） 進(jìn)行計(jì)算。

[Precision=TPTP+FP]" " （1）

3） 召回率（Recall） ：所有真實(shí)正類（異常） 中，被正確預(yù)測(cè)為正類（異常） 的比例，使用式（2） 進(jìn)行計(jì)算。

[Recall=TPTP+FN]" " "（2）

4） F1分?jǐn)?shù)（F1 Score） ：精確度和召回率的調(diào)和平均值，用于綜合評(píng)估模型的性能，使用式（3） 進(jìn)行計(jì)算：

[F1 Score=2×Precision×RecallPrecision+Recall]" "（3）

3 異常商品識(shí)別

3.1 數(shù)據(jù)預(yù)處理與特征工程

本研究以某電商平臺(tái)2021年6月至9月“手機(jī)數(shù)碼”類目下的1 486 873條商品數(shù)據(jù)為研究對(duì)象，商品數(shù)據(jù)共有21個(gè)字段（主要字段為：商品價(jià)格、商品銷量） ，按照月份字段區(qū)分，店鋪數(shù)據(jù)和商品數(shù)據(jù)之間通過(guò)USER_ID字段進(jìn)行關(guān)聯(lián)。

3.1.1 數(shù)據(jù)清洗

本研究選取了2021年6月至9月期間，一級(jí)類目為“手機(jī)數(shù)碼”的交易記錄作為實(shí)驗(yàn)數(shù)據(jù)。該數(shù)據(jù)集共包含1 486 873條記錄。數(shù)據(jù)清洗過(guò)程如下：

1） 去重：針對(duì)不同月份的數(shù)據(jù)，對(duì)“商品名”和“商品ID”進(jìn)行去重處理。

2） 刪除空值：刪除“商品名”為空的數(shù)據(jù)，刪除“商品價(jià)格”為空的數(shù)據(jù)，刪除“店鋪ID”為空的數(shù)據(jù)，刪除“店鋪名稱”為空的數(shù)據(jù)。

3） 填充空值：對(duì)“商品月銷量”“商品月銷售額”“收藏?cái)?shù)”“評(píng)論數(shù)”這四個(gè)數(shù)值特征的空值進(jìn)行填充。若該項(xiàng)商品在其他月份只有兩個(gè)月份數(shù)據(jù)，則取平均值填充；若該項(xiàng)商品在其他月份有三個(gè)月份的數(shù)據(jù)，則取中位數(shù)進(jìn)行填充；若無(wú)其他月份數(shù)據(jù)，則填充值為0。對(duì)“一級(jí)類目”“二級(jí)類目”“三級(jí)類目”“四級(jí)類目”“五級(jí)類目”這五個(gè)類別特征的空值進(jìn)行填充，統(tǒng)一填充為“其他商品”。

3.1.2 數(shù)據(jù)編碼及文本分析

對(duì)于一級(jí)、二級(jí)、三級(jí)、四級(jí)和五級(jí)類目類別數(shù)量不多的情況，采用標(biāo)簽編碼方式。商品類別特征與目標(biāo)變量高度相關(guān)，因此對(duì)商品ID進(jìn)行目標(biāo)編碼。使用GloVe的glove.6B.zip進(jìn)行詞嵌入，維數(shù)選擇為200維。

3.1.3 特征工程

本研究對(duì)數(shù)據(jù)集在選擇用于算法模型檢測(cè)的字段時(shí)，為了保留時(shí)序特征和重要特征，幫助識(shí)別動(dòng)態(tài)變化，需要設(shè)計(jì)衍生字段，如表3所示。

3.2 數(shù)據(jù)探索性分析

通過(guò)各種統(tǒng)計(jì)和可視化方法，深入了解數(shù)據(jù)的結(jié)構(gòu)、特征和潛在模式，從而為后續(xù)的建模和分析提供堅(jiān)實(shí)的基礎(chǔ)[8]。隨機(jī)抽取40萬(wàn)條數(shù)據(jù)，以大致了解其數(shù)據(jù)分布情況。由于價(jià)格差異較大，直接觀察難以發(fā)現(xiàn)規(guī)律，因此部分圖示使用IQR方法暫時(shí)過(guò)濾商品價(jià)格和商品銷量字段中的異常值，以確保后續(xù)分析的準(zhǔn)確性，其他類別與月份數(shù)據(jù)采取類似方式進(jìn)行。

3.2.1 單變量分析

如圖2所示，商品銷量呈明顯的長(zhǎng)尾分布，大部分商品銷量較低，集中在0到10之間。隨著銷量的增加，商品數(shù)量迅速減少。當(dāng)銷量達(dá)到20左右時(shí)，商品數(shù)量顯著減少，進(jìn)一步驗(yàn)證了這一趨勢(shì)。

3.2.2 多變量分析

多特征分析能夠揭示各個(gè)特征之間的相互關(guān)系，還能幫助識(shí)別潛在的模式和趨勢(shì)，這對(duì)于深入理解數(shù)據(jù)集的本質(zhì)特征至關(guān)重要。通過(guò)綜合考察多個(gè)變量的影響，多特征分析有助于構(gòu)建更為準(zhǔn)確的預(yù)測(cè)模型，提高模型的解釋力和預(yù)測(cè)能力。此外，它還能有效識(shí)別出哪些特征對(duì)目標(biāo)變量具有顯著影響，為后續(xù)的數(shù)據(jù)挖掘和決策制定提供有力支持。

如圖4所示，展示了價(jià)格與銷量之間的分布情況。顏色的深淺表示該區(qū)域內(nèi)的數(shù)據(jù)點(diǎn)數(shù)量。從中可以看出，價(jià)格較低的商品通常銷量較高，而價(jià)格較高的商品銷量較低，這符合市場(chǎng)的一般規(guī)律。通過(guò)熱力圖，可以識(shí)別出價(jià)格和銷量之間存在異常關(guān)系的商品，這些商品可能需要進(jìn)一步調(diào)查。

3.3 PCI模型訓(xùn)練

本研究使用PCI級(jí)聯(lián)模型對(duì)1 486 873條“手機(jī)數(shù)碼”商品數(shù)據(jù)進(jìn)行異常檢測(cè)，旨在從全部商品數(shù)據(jù)中準(zhǔn)確篩選出目標(biāo)異常數(shù)據(jù)。為了評(píng)估模型的性能和穩(wěn)定性，將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，具體劃分比例如下，訓(xùn)練集：70%，用于訓(xùn)練模型。驗(yàn)證集：15%，用于調(diào)優(yōu)模型參數(shù)和防止過(guò)擬合。測(cè)試集：15%，用于最終評(píng)估模型的性能。

1） 通過(guò)對(duì)PCA的主成分?jǐn)?shù)量與累計(jì)方差解釋比例圖進(jìn)行可視化，如圖5所示，判斷拐點(diǎn)位置，確定主成分?jǐn)?shù)量為17。

2） COPOD模型的最佳參數(shù)通過(guò)網(wǎng)格搜索（Grid Search） 遍歷所有參數(shù)組合確定。

3） 對(duì)于孤立森林的參數(shù)設(shè)置，重點(diǎn)確定樹的數(shù)量和子采樣大小。子采樣（max_samples） 參數(shù)在實(shí)際應(yīng)用中一般保持默認(rèn)值256，因此本研究中也保持默認(rèn)值。在網(wǎng)格參數(shù)搜索中，通過(guò)設(shè)置樹的數(shù)量（n_estimators） ，計(jì)算得到AUC-ROC評(píng)分，如圖6所示，最終得出樹的數(shù)量最佳取值為200。

綜上所述，最終參數(shù)設(shè)置如下：PCA主成分?jǐn)?shù)量為17，COPOD污染率（contamination） 為0.15，COPOD并行作業(yè)數(shù)（n_jobs） 為1，Isolation Forest樹數(shù)量（n_estimators） 為200，Isolation Forest子采樣大小（max_samples） 為256。

經(jīng)過(guò)模型處理，評(píng)定每一個(gè)數(shù)據(jù)點(diǎn)的異常值，劃定閾值，最后綜合數(shù)據(jù)，PCI級(jí)聯(lián)模型在整個(gè)一級(jí)類目為“手機(jī)數(shù)碼”的商品數(shù)據(jù)中識(shí)別出異常商品數(shù)量為35 685條。

3.4 實(shí)驗(yàn)結(jié)果與分析

為了進(jìn)一步證實(shí)模型的可靠性，隨機(jī)抽取5 000條數(shù)據(jù)進(jìn)行人工標(biāo)注，獲取其真實(shí)標(biāo)簽，其中異常商品數(shù)量共計(jì)610條。使用COPOD模型、孤立森林模型和PCI模型分別進(jìn)行預(yù)測(cè)，模型的表現(xiàn)如表4所示。

通過(guò)采用PCI級(jí)聯(lián)模型，在手機(jī)數(shù)碼類商品的異常檢測(cè)中取得了顯著的改進(jìn)。具體而言，相比于孤立森林模型，PCI級(jí)聯(lián)模型的精確度從0.849提升至0.873，提高了約2.4%。這意味著在預(yù)測(cè)為異常的商品中，真正異常的比例更高，減少了誤報(bào)的可能性。同時(shí)，召回率從0.740提升至0.778，提高了3.8%，表明模型能夠識(shí)別更多的實(shí)際異常商品，減少了漏檢情況。綜合考慮精確度和召回率，PCI級(jí)聯(lián)模型的F1分?jǐn)?shù)從0.790提升至0.823，提高了3.3%，表明模型的整體性能得到了明顯增強(qiáng)。此外，PCI級(jí)聯(lián)模型將誤報(bào)的正常商品數(shù)量從79個(gè)減少至70個(gè)，顯著降低了11%，進(jìn)一步提高了模型的可靠性和實(shí)用性。

盡管異常商品的總數(shù)量從530增加至545，但增量并不明顯，這主要是因?yàn)槟Ｐ透又?jǐn)慎地對(duì)待疑似異常商品，確保了更高的檢測(cè)準(zhǔn)確性和可靠性。綜上所述，PCI級(jí)聯(lián)模型在手機(jī)數(shù)碼類商品的異常檢測(cè)中表現(xiàn)優(yōu)異，顯著提升了模型的精確度、召回率和整體性能，為實(shí)際應(yīng)用提供了可靠的解決方案。

4 結(jié)論

本文提出的PCI級(jí)聯(lián)模型在“手機(jī)數(shù)碼”類商品的異常檢測(cè)中表現(xiàn)出顯著的優(yōu)勢(shì)。相比于孤立森林模型，PCI級(jí)聯(lián)模型的精確度提高了2.4%，召回率提高了3.8%，F(xiàn)1分?jǐn)?shù)提升了3.3%，誤報(bào)率顯著降低了11%。這些改進(jìn)不僅提升了模型的檢測(cè)準(zhǔn)確度和可靠性，還減少了誤報(bào)的可能性，使模型在實(shí)際應(yīng)用中更加實(shí)用。

然而，本研究仍存在一些局限性，模型參數(shù)的選擇需要進(jìn)一步優(yōu)化。目前的參數(shù)設(shè)置是通過(guò)網(wǎng)格搜索獲得的，但更精細(xì)的調(diào)優(yōu)可能進(jìn)一步提升模型性能。此外，時(shí)序特征的設(shè)計(jì)對(duì)數(shù)據(jù)質(zhì)量要求較高，低質(zhì)量的數(shù)據(jù)輸入可能導(dǎo)致模型準(zhǔn)確性降低。未來(lái)的研究將致力于解決這些問(wèn)題，包括參數(shù)優(yōu)化、數(shù)據(jù)質(zhì)量保障和時(shí)序特征設(shè)計(jì)的改進(jìn)，以進(jìn)一步提升模型在更廣泛場(chǎng)景中的適用性和魯棒性。

參考文獻(xiàn)：

[1] 中消協(xié)啟動(dòng)\"雙11\"網(wǎng)購(gòu)調(diào)查抓負(fù)面典型[J].家電科技， 2016（10）： 1.

[2] 林正聞.基于統(tǒng)計(jì)學(xué)習(xí)的KPI指標(biāo)異常值檢測(cè)和根本原因分析[D].上海：上海師范大學(xué)，2023.

[3] 盧夢(mèng)茹.基于局部密度的異常檢測(cè)算法研究[D].金華：浙江師范大學(xué)，2023.

[4] 王楠.基于聚類的異常檢測(cè)方法研究[D].桂林：桂林電子科技大學(xué)， 2022.

[5] 董晴晴.基于離群點(diǎn)挖掘的電商平臺(tái)信用炒作檢測(cè)研究[D].鄭州：華北水利水電大學(xué)， 2016.

[6] 付文杰.基于Python的大數(shù)據(jù)網(wǎng)購(gòu)商品異常價(jià)格與銷量識(shí)別[J].網(wǎng)絡(luò)安全和信息化， 2022（10）： 72-76.

[7] LIU F T，TING K M，ZHOU Z H.Isolation forest[C]//2008 Eighth IEEE International Conference on Data Mining.December 15-19，2008，Pisa，Italy.IEEE，2008：413-422.

[8] 吳翌琳，房祥忠.大數(shù)據(jù)探索性分析[M].2版.北京：中國(guó)人民大學(xué)出版社，2020.

【通聯(lián)編輯：唐一東】