基于改進(jìn)遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評估

基于改進(jìn)遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評估基于改良遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評估

中圖分類號：TN99《34；TP391文獻(xiàn)標(biāo)識碼：A文章編號：1004《373X〔2022〕13《0094《04

Abstract：Inordertoreducetheriskofe《commercetransaction，itisnecessarytoperformthequantitativeevaluationoftransactionrisk，thereforeane《commercetransactionriskevaluationmethodbasedonimprovedgeneticalgorithmisputforward.Thesparsescatteredpointclouddatatechnologyisusedtosamplethedataofthee《commercetransactioninformation，andinputitintothecloudstoragesystem.Thespecialistdatabaseofthee《commercetransactionriskdataevaluationwasestablished.Themerchanttrustrecommendationparametersine《commerceplatformareextracted，andconductedwithinformationfusion.Thegeneticalgorithmisusedtoperformthecrossoverandmutationforthefusedmerchanttrustinformation，andcombinedwiththeadaptiveglobalgeneticevolutionalgorithmtopredictthee《commercetransactionriskinformationaccurately，andrealizethetransactionriskassessment.Thesimulationresultsshowthatthemethodhashighpredictionaccuracyandlowconvergenceerrorfore《commercetransactionriskassessment，andisfeasible.

Keywords：geneticalgorithm；e《commerce；transaction；informationfusion；riskassessment

0引言

網(wǎng)絡(luò)技術(shù)和現(xiàn)代物流技術(shù)催生了電子商務(wù)的快速開展，電子商務(wù)平臺建立在P2P和O2O交易平臺根底上，交易平臺具有開放性和自組織性，導(dǎo)致電子商務(wù)交易的管理和控制有漏洞，容易出現(xiàn)交易風(fēng)險(xiǎn)，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(wù)交易的風(fēng)險(xiǎn)，需要采用量化信息評估辦法進(jìn)行電子商務(wù)交易預(yù)測評估，提高應(yīng)對風(fēng)險(xiǎn)的能力和水平，因此，研究電子商務(wù)交易風(fēng)險(xiǎn)評估辦法具有重要意義。

傳統(tǒng)辦法主要采用神經(jīng)網(wǎng)絡(luò)預(yù)測評估辦法和決策樹預(yù)測評估辦法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評估，采用無監(jiān)督學(xué)習(xí)訓(xùn)練辦法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)信息的線性相關(guān)性擬合，提取電子商務(wù)交易數(shù)據(jù)的風(fēng)險(xiǎn)關(guān)聯(lián)性特征[2]，示例，文獻(xiàn)[3]中提出一種電子商務(wù)下的信任網(wǎng)絡(luò)構(gòu)造與優(yōu)化辦法，結(jié)合工程分類和云模型辦法進(jìn)行商家的信任度推薦，取得了較好的風(fēng)險(xiǎn)預(yù)測效果，但該模型的收斂性不好，計(jì)算復(fù)雜度較高。

針對上述問題，本文提出一種基于改良遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評估辦法，首先提取電子商務(wù)平臺中商家的信任度推薦參量值，并進(jìn)行信息融合處理，然后采用全局遺傳進(jìn)化辦法實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)信息的準(zhǔn)確預(yù)測和風(fēng)險(xiǎn)評估，最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文辦法在提高電子商務(wù)交易風(fēng)險(xiǎn)評估準(zhǔn)確性方面的優(yōu)越性能。

1電子商務(wù)交易風(fēng)險(xiǎn)先驗(yàn)數(shù)據(jù)分析

1.1信息采集

為了實(shí)現(xiàn)對電子商務(wù)交易風(fēng)險(xiǎn)準(zhǔn)確評估，采用信息處理算法進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)先驗(yàn)數(shù)據(jù)采集和數(shù)據(jù)分析。采用稀疏散點(diǎn)云數(shù)據(jù)采集技術(shù)進(jìn)行電子商務(wù)交易信息的數(shù)據(jù)采樣，若統(tǒng)計(jì)電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)時(shí)間序列采樣的先驗(yàn)知識表示為，按照序列的秩進(jìn)行數(shù)據(jù)排列分析，得到電子商務(wù)交易風(fēng)險(xiǎn)原始序列幅值，采用自適應(yīng)回歸分析辦法構(gòu)建電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)的特征分量[4]，把交易數(shù)據(jù)的風(fēng)險(xiǎn)等級劃分為個(gè)等級，為，即，按照電子商務(wù)交易習(xí)慣，對交易的風(fēng)險(xiǎn)序列進(jìn)行降那么處理，采用云計(jì)算技術(shù)得到風(fēng)險(xiǎn)信息的稀疏散點(diǎn)云數(shù)據(jù)采樣變量為是風(fēng)險(xiǎn)數(shù)據(jù)的指數(shù)譜，每個(gè)對應(yīng)一個(gè)解向量，為：

通過對交易風(fēng)險(xiǎn)數(shù)據(jù)的稀疏散亂點(diǎn)重排[5]，結(jié)合先驗(yàn)規(guī)那么函數(shù)，得到電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)的統(tǒng)計(jì)信息的擬合時(shí)間序列模型，表示為：式中：是均值為0，方差為的正態(tài)分布函數(shù)；稱為電子商務(wù)交易風(fēng)險(xiǎn)的時(shí)間反演不可逆特征分解系數(shù)；為交易數(shù)據(jù)采樣的測量誤差。

1.2商家的信任度推薦值計(jì)算

將上述采集的電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)輸入到云存儲系統(tǒng)中，建立電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)評估的專家數(shù)據(jù)庫，提取電子商務(wù)平臺中商家的信任度推薦參量值，并進(jìn)行信息融合處理[6]，電子商務(wù)平臺中交易雙方風(fēng)險(xiǎn)最低約束條件下的最優(yōu)解為：

采用遺傳進(jìn)化算法進(jìn)行交叉和變異操作，降低交易風(fēng)險(xiǎn)，計(jì)算變量與交易風(fēng)險(xiǎn)控制函數(shù)值的最大〔或最小〕值，在遺傳進(jìn)化過程中，建立初始種群，設(shè)計(jì)一個(gè)種群的適應(yīng)度函數(shù)，得到風(fēng)險(xiǎn)控制的先驗(yàn)概率密度，對應(yīng)的遺傳準(zhǔn)那么為：

式中：為電子商務(wù)交易雙方的交叉概率。

在遺傳進(jìn)化中，種群個(gè)體在維空間中的個(gè)體適應(yīng)度函數(shù)為，其表示對應(yīng)商家的風(fēng)險(xiǎn)代價(jià)函數(shù)，計(jì)算每個(gè)個(gè)體的適應(yīng)度，得到第個(gè)遺傳種群的最終歸集解為，其中：

在遺傳進(jìn)化控制下，得到商家的信任度推薦值計(jì)算迭代式為：

式中為迭代步長。

2交易風(fēng)險(xiǎn)評估模型實(shí)現(xiàn)

2.1交易信息融合處理

在上述進(jìn)行了電子商務(wù)交易風(fēng)險(xiǎn)數(shù)據(jù)采集和信任度推薦特征參量提取的根底上，進(jìn)行電子商務(wù)交易《L險(xiǎn)評估模型改良設(shè)計(jì)，本文提出一種基于改良遺傳算法的電子商務(wù)交易風(fēng)險(xiǎn)評估辦法，對提取的電子商務(wù)平臺中商家的信任度推薦參量值進(jìn)行信息融合處理[7]，采用遺傳算法得到電子商務(wù)交易風(fēng)險(xiǎn)誤差統(tǒng)計(jì)特征量的計(jì)算式為：

式中：是比例元集；是遺傳進(jìn)化的敏感算子；是整個(gè)搜索空間的第個(gè)節(jié)點(diǎn)的全局極值；是每個(gè)染色體相應(yīng)的代價(jià)值。

選擇一個(gè)已經(jīng)設(shè)定了的適應(yīng)度函數(shù)，依據(jù)貪婪搜索進(jìn)行風(fēng)險(xiǎn)代價(jià)函數(shù)的最大尋優(yōu)[8]，并計(jì)算適應(yīng)度高的個(gè)體的代價(jià)值：

云交易主體在演化博弈中常會處于一個(gè)相對穩(wěn)定的狀態(tài)，對全局最優(yōu)個(gè)體進(jìn)行部分搜索，實(shí)現(xiàn)對電子商務(wù)交易風(fēng)險(xiǎn)的量化評估，用線性加權(quán)得到交易雙方的信任度的信息融合權(quán)重迭代式為：

初始化隸屬度函數(shù)通過改良的遺傳算法對新的交易個(gè)體進(jìn)行風(fēng)險(xiǎn)量化評估，確定全局最優(yōu)個(gè)體為：

設(shè)置門限值當(dāng)時(shí)，交易信任度評價(jià)滿足低風(fēng)險(xiǎn)要求。

采用改良的遺傳優(yōu)化算法對交易主體的風(fēng)險(xiǎn)信息進(jìn)行重排[9]，根據(jù)特征值的大小進(jìn)行閾值估計(jì)，得到交易風(fēng)險(xiǎn)評估的信息融合權(quán)重系數(shù)為：此時(shí)電子商務(wù)交易風(fēng)險(xiǎn)評估的狀態(tài)估計(jì)式為：

根據(jù)遺傳算法的優(yōu)化目標(biāo)函數(shù)，其中第個(gè)進(jìn)化個(gè)體的風(fēng)險(xiǎn)權(quán)重表示為根據(jù)主成分分析辦法，得到電子商務(wù)交易風(fēng)險(xiǎn)評估的量化估計(jì)值為：

根據(jù)上述信息融合結(jié)果，對融合后的商家信任度信息采用遺傳算法進(jìn)行交叉變異處理，進(jìn)行交易風(fēng)險(xiǎn)預(yù)測與評估。

2.2電子商務(wù)交易風(fēng)險(xiǎn)預(yù)測評估

采用自適應(yīng)全局遺傳進(jìn)化辦法，得到在交叉和變異操作下個(gè)體最優(yōu)的風(fēng)險(xiǎn)聚斂目標(biāo)函數(shù)：

根據(jù)遺傳算法的優(yōu)化目標(biāo)函數(shù)，其中第個(gè)進(jìn)化個(gè)體的風(fēng)險(xiǎn)權(quán)重表示為，結(jié)合電子商務(wù)交易的穩(wěn)態(tài)性，得到風(fēng)險(xiǎn)評估的穩(wěn)態(tài)目標(biāo)函數(shù)為：

在遺傳進(jìn)化的最優(yōu)代數(shù)下，風(fēng)險(xiǎn)最小的個(gè)體位置為，也稱為構(gòu)建電子商務(wù)交易風(fēng)險(xiǎn)評估狀態(tài)特征方程，在種群進(jìn)化代數(shù)為的第個(gè)個(gè)體的時(shí)刻的風(fēng)險(xiǎn)評價(jià)值為：

通過一個(gè)適應(yīng)度函數(shù)對群體自身的速度和位置進(jìn)行自適應(yīng)估計(jì)，得到電子商務(wù)交易雙方的適應(yīng)度泛函為：

式中：是最大代數(shù)；是遺傳種群的適應(yīng)度值；和是操作算子常數(shù)，通常取和是交叉概率；為[0，1]的隨機(jī)泛函。對于每個(gè)電子商務(wù)平臺的風(fēng)險(xiǎn)估計(jì)特征值滿足：

式中：是兩個(gè)交叉點(diǎn)的鄰域匹配函數(shù)；表示匹配區(qū)域內(nèi)的映射。采用交叉運(yùn)算進(jìn)行自適應(yīng)更新，選取種群的規(guī)模為得到在遺傳算法下電子商務(wù)風(fēng)險(xiǎn)交易數(shù)據(jù)的主成分更新公式為：

式中：為關(guān)系副本函數(shù)，當(dāng)?shù)玫降倪m應(yīng)度值較大時(shí)，采用梯度下降辦法進(jìn)行特征分解，得到風(fēng)險(xiǎn)分解函數(shù)更新遺傳進(jìn)化的種群集。

考慮全局優(yōu)化問題進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評估的全局尋優(yōu)，得到變異適應(yīng)度值為：

搜索過程中進(jìn)行交叉和變異兩種基因操作，得到電子商務(wù)交易風(fēng)險(xiǎn)評估狀態(tài)的全局最優(yōu)點(diǎn)，由此實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)信息的準(zhǔn)確預(yù)測。最后結(jié)合云端效勞器進(jìn)行交易監(jiān)管，實(shí)現(xiàn)風(fēng)險(xiǎn)控制，這一實(shí)現(xiàn)過程如圖1所示。

3仿真實(shí)驗(yàn)分析

為了測試本文算法在實(shí)現(xiàn)電子商務(wù)交易風(fēng)險(xiǎn)評估中的應(yīng)用性能，進(jìn)行仿真測試，實(shí)驗(yàn)采用Matlab仿真設(shè)計(jì)，遺傳進(jìn)化的種群數(shù)量為10000個(gè)，模因組數(shù)12個(gè)，電子商務(wù)交易雙方的信任度控制權(quán)重為0.2，風(fēng)險(xiǎn)評估數(shù)據(jù)采樣的信息維度設(shè)置為20，主體商戶的風(fēng)險(xiǎn)控制約束參量分別為：遺傳算法的關(guān)聯(lián)系數(shù)設(shè)定為：根據(jù)上述仿真參量的設(shè)定，進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)評估的仿真分析，電子商務(wù)交易信息的先驗(yàn)數(shù)據(jù)采樣結(jié)果如圖2所示。

以圖2采集的數(shù)據(jù)為測試樣本進(jìn)行電子商務(wù)交易風(fēng)險(xiǎn)預(yù)測評估，并采用不同辦法進(jìn)行評估準(zhǔn)確性比擬，得到的比照結(jié)果如圖3所示。分析圖3的結(jié)果得