BP神经网络C2C电子商务信用评价模型建立.docVIP

BP神经网络C2C电子商务信用评价模型建立 　　摘要：从店铺信息、商品、卖家服务等方面建立C2C电商信用评价体系，在淘宝网获取了242条卖家信息，利用SPSS两步聚类法将数据进行聚类，运用MATLAB的BP神经网络工具箱，将评价指标数值作为输入，聚类结果作为输出，构建了三层BP神经网络，以230条数据为训练样本，得到具有较快收敛速度和较高准确率的BP网络。在此基础上， 以12条卖家信息作仿真实验，对卖家信用等级进行客观的预测评价，最终建立C2C信用评价模型。 　　关键词：C2C电子商务 信用评价 BP神经网络 　　当前互联网依旧成为影响我国经济社会发展、转变人们生活形态的关键行业，中国互联网络信息中心（CNNIC）在京发布第34次《中国互联网络发展状况统计报告》，《报告》显示，截至2014年6月，我国网购用户规模达到3.32亿，与2013年6月对比，增加6060万，增长率为22.37%。虽然网购规模的扩大，刺激网络经济的发展，但也引发了诚信危机。据《2014年（上）中国电子商务用户体验与投诉监测报告》显示，电商投诉大大增加，网络售假、退款问题、质量问题、虚假促销、退换货物网络诈骗、发货迟缓、订单取消、账户被盗、售后服务等尤其明显。越来越多的新问题对电商的诚信度和服务提出了更高的要求，要提高网民对电子商务的信任，首先必须让网民知道什么情况下电子商务是可信的，这就涉及电子商务信用评价问题。 　　传统信用评价方法主要基于线性特征建立模型，C2C电子商务的信用评价指标与信用评级之间常体现出非线性特征，神经网络则被认为更适于说明指标间的非线性特征，所以，本文建立C2C电商信用评价指标，利用MATLAB的BP神经网络工具箱建立信用评价模型，通过反复训练提高信用评价准确率，得出信用评价等级和结果。 　　一、BP神经网络原理 　　BP神经网络原理比较简单，图1为一个典型的三层BP神经网络结构图。图1中，X=（X1，X2……，Xn）T为输入向量，Y=（Y1，Y2……Ym）T为输出向量，n表示输入向量维数，m为输出向量维数。输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和阀值，不断调整权值和阀值的过程，便是BP神经网络的训练进程，这个过程一直持续到输出误差减小到可接受或预先设定的学习次数为止。 　　二、BP神经网络C2C电子商务信用评价模型的建立 　　（一）C2C电子商务信用评价指标体系 　　根据有关电子商务的信用影响因素，结合消费者对网商的投诉内容，淘宝网现有评价规则方法和模型体系，以及前人研究的各种其他评价体系存在的问题进行全面的分析总结，本文从店铺信息、商品以及卖家服务这三个方面建立如表1所示的C2C电子商务信用评价指标体系。 　　（二）建立BP神经网络信用评价模型 　　数据选取，本文根据上文所建立的信用评价指标体系中的二级指标，从淘宝网上搜集相关数据，作为BP神经网络的训练数据集和检验仿真数据集。由于不同行业的商品性质、价格差别较大，不具有可比性，为了保证模型的准确性，本文仅选取淘宝网上以“3C数码”行业为主的店铺数据作为目标，选取了以销售手表为主的店铺，共搜集了260条数据，由于输入错误等一些原因导致部分数据缺失，经过筛选，最终产生242条有效数据，如下表2所示（由于数据较多，仅列出部分数据）。 　　数据预处理，由于BP神经网络学习是典型的有导师学习，其自学过程是一个反复迭代的过程，通过对足够的样本进行训练，得到一组权值，因此所建立的信用评价模型需要有学习对象。当前淘宝网店家信用等级分为4大类20等级，但是买家对这些过多的信用等级并非太敏感，本文将新信用等级分为5个等级，并且运用SPSS13.0软件，使用两步聚类法确定所有数据的聚类数，表2前三列作为参考数据，由于退款率和惩罚次数是成本性指标，其他为效益性指标，在进行数据处理时，本文将这两个指标数值由正变负，再经过软件分析得到如表3和表4的结果。 　　（三）基于Matlab的BP神经网络工具箱的信用评价模型建立 　　BP神经网络模型的确定，需考虑三方面：神经网络层次、每层神经元个数、 BP神经网络参数。进一步说，就是隐含层和输出层传递函数的选取，训练函数的选择，初始数据的归一化，以及最大训练步长和目标误差的设定等。据Kolmogorov定理，一个隐含层的BP网络能映射任意连续函数，降低训练误差，增加网络层数的方法会使网络结构变得复杂化，进而增加训练时间，因此，本文采用三层BP网络，通过增加隐含层节点数，确定最佳BP网络结构。 　　本文用样本数据中的230条数据作为训练数据，12条数据作为检验仿真模型数据，误差目标goal设为0.015，训