第三方支付粗糙复杂网络知识发现方法研究*

曹黎侠，黄光球，李　艳.西安建筑科技大学 管理学院，西安 700552.西安工业大学 理学院，西安 70032

第三方支付粗糙复杂网络知识发现方法研究*

曹黎侠1,2+，黄光球1，李艳1
1.西安建筑科技大学 管理学院，西安 710055
2.西安工业大学 理学院，西安 710032

CAO Lixia,HUANG Guangqiu,LIYan.Research on the third-party payment rough complex networks knowledge discovery methods.Journal of Frontiers of Computer Science and Technology,2016,10(8):1143-1153.

摘要：第三方支付平台的可持续发展是一个错综复杂的问题，解决问题的关键之一是平台潜在客户的挖掘。建立了第三方支付粗糙复杂网络，通过对该粗糙复杂网络的上下近似度、度分布和度的概率主值的研究，构建了第三方支付粗糙复杂网络知识发现模型，给出了基于粗糙集理论的时间序列分析法的求解方法。第三方支付粗糙复杂网络知识发现方法的研究，为第三方支付平台潜在客户的挖掘提供了定量化可操作的方法。提出了粗糙复杂网络的有关概念，以及第三方支付粗糙复杂网络的度分布，为第三方支付有关问题的研究奠定了理论基础；知识发现方法的研究，适应了动态知识系统更新的需求，因此有着广泛的应用前景。

关键词：第三方支付；粗糙复杂网络；时间序列分析；知识发现

1　引言

经济发展的最高境界，不是做产品，不是重质量，也不是搞标准，而是打造平台。近几年来，第三方支付企业之所以成功，一个很重要的原因就是将产品做成了一个平台，或者说平台就是他们真正意义上的产品。这种借助于互联网的能力是其他销售模式都无法相提并论的，然而第三方支付企业的可持续发展问题的研究目前也只限于一些定性化的分析和主观性的决策[1-3]。有些学者指出第三方支付平台可持续发展的关键，是解决效益问题、风险问题和平台交易的监管问题[4-5]，但是现有的对平台效益、风险和交易监管问题的研究成果都只是从经济学原理、经验管理等领域给出的定性化结论，缺乏定量化和系统化的结果，也没有人从理论上给出与第三方支付平台交易中参与者的决策行为相关的论证[6-9]。

第三方支付平台的效益、风险和监管都是在交易中产生的，而平台交易是以信息网络为媒介，具有网络规模庞大、节点复杂性、连接结构复杂性、网络时空演化过程复杂性等特点，因此，第三方支付平台交易实质是复杂网络中的交易活动。鉴于以上原因，本文以复杂网络理论为基础，对平台交易中的效益问题、风险问题和监管问题进行研究。遗憾的是，现有的复杂网络理论都是针对确定性的节点和连接结构而言[9]，不能满足第三方支付平台交易中的不确定因素与节点和连接结构对知识具有的不可分辨性的需求。这样，现有的复杂网络理论就出现了应用上的局限性。目前，国内外关于不确定性复杂网络的研究，仅有的一些成果[10-11]也只是对粗糙属性图的性质进行探索，还没有针对实际粗糙复杂网络进行的研究。因为粗糙集理论是处理不确定性问题非常好的一种数学理论，所以本文首先构建第三方支付粗糙复杂网络，通过对该粗糙复杂网络统计特征的研究，建立知识发现模型，实现第三方支付平台粗糙复杂网络潜在客户的挖掘。

知识发现的核心是数据挖掘，常用的数据挖掘技术有传统主观导向系统、传统统计分析、神经元网络（neural network，NN）技术、决策树、进化式程序设计、遗传算法和非线性回归方法等[12-14]。近年来，软计算和不确定信息处理方法的研究，也促使数据挖掘技术向更深层次发展，即Web数据挖掘[15-16]。有关文献指出[17-20]，基于Web的数据挖掘和Web知识表述作为数据挖掘和数据仓库的一个新主题，是一个新兴的研究领域，至今还没有形成成熟的理论和技术。Web数据挖掘中的不完整性和不确定性问题，模糊数学和基于概率方法的证据理论是处理这类问题的两种方法，但这些方法有时需要一些数据的附加信息或先验知识，而这些信息有时并不容易得到。本文运用粗糙集理论与方法处理Web数据挖掘中的不完整性和不确定性问题，克服了上述两种方法处理问题的弊端，具有一定的理论研究意义和实际应用价值。本文基于粗糙集理论的第三方支付复杂网络知识发现方法的研究，希望能够为平台交易的参与者提供一些定量化的决策依据和方法。

2　第三方支付粗糙复杂网络的建立

考虑到第三方支付平台交易实际上是由商家及其销售的商品和服务以及顾客组成的复杂网络，该网络是以商家和商家经营的商品为节点，以网址的链接为边。顾客访问某一节点，具有不确定性，该节点与哪些节点相连具有不可分辨性，因此称第三方支付平台交易网络为粗糙复杂网络。

定义1在复杂网络中，如果节点（或连边）关于某关系具有不可分辨性，则称这样的复杂网络为粗糙复杂网络；粗糙复杂网络根据粗糙性产生的原因，可以分为粗糙节点复杂网络和粗糙边复杂网络。

定义2在粗糙复杂网络RCN中，设X是节点（或边）集U的一个子集，R为U上的一个等价关系，称为下近似粗糙节点（或边）复杂网络，记为；称为上近似粗糙节点（或边）复杂网络，记为。

第三方支付平台交易粗糙网络中，设商家和商品构成了知识库U，X⊂U,R是U上的决策关系，且这种决策具有反身性、对称性和传递性，则R={购买，收藏，浏览}。一般情况下，顾客购买前先收藏，则购买的商品和商品的链接形成了第三方支付下近似粗糙复杂网络，收藏的商品和商品的链接形成了第三方支付上近似粗糙复杂网络；浏览并未收藏的商品组成了以顾客决策行为为知识分类的负域。顾客访问某商品，对同一商家的商品浏览的概率远远大于不同商家的商品，因此该粗糙复杂网络实质形成了以商家为社团的复杂网络。

根据第三方支付平台运营的实际状况，提炼出以下特点：

（1）某一交易平台共有m个商家，每一商家经营同类Vi个产品；

（2）顾客在浏览某一商品时，往往会以较大的概率在同一商家的商品中去选择，以较小的概率选择不同商家的商品，商家相互之间可以进行信息共享；

（3）顾客在访问商品的页面时可能会随机地由此及彼地浏览商品，也许购买，也许收藏，也许只是浏览；

（4）顾客在购买前，首先收藏同类质量和品质相当的商品，然后选择销售量（下近似粗糙网络的度）比较大的购买。

这样，在商品和商家构成的这个复杂网络中，以顾客访问、收藏和购买为等价关系，构建了第三方支付平台交易的粗糙复杂网络，当m=4,Vi(i=1,2,3,4) 取20～30间的整数时，第三方支付粗糙复杂网络如图1所示。图1黑色节点表示商家销售的商品，红色节点分别为4个商家；黑色节点中与商家相连的节点是顾客已购买的商品，其余的为顾客收藏而没有购买的商品；有连边没有标出的节点是顾客浏览且未收藏的商品。

Fig.1　The third-party payment rough complex networks图1　第三方支付粗糙复杂网络

3　第三方支付粗糙复杂网络的知识发现模型

3.1第三方支付粗糙复杂网络的粗糙度分布

3.1.1度分布的定义

在复杂网络中，节点Vi的邻边数目ki称为节点Vi的度；网络中所有节点度的平均值，称为网络的平均度：

定义p(k)为网络中度为k的节点在网络中所占的比率，称为网络度分布。

但是上述度的定义并未考虑节点的权重。特别是在第三方支付平台网络中，度相同的不同节点在网络中的地位不同，带给商家和平台管理者的效益也可能差别很大。鉴于此，本文给出一种新的度定义——网络的加权平均度k*,可以克服文献[21]定义的弊端。

其中，N表示网络节点总数；ωi是节点权重；ki是节点度。

在本文中，ωi代表商品或商家类别权重。

定义5下近似粗糙复杂网络的节点-Vi的邻边数目-ki称为节点-Vi的下近似粗糙度；对网络中所有节点的下近似粗糙度求平均，可得网络的下近似粗糙平均度-k*：

3.1.2度分布

为考虑网络的度分布，随机性地收集了淘宝网站上销量较好的50个不同品牌手机的度，经过大量的调研，它们的连接关系如图2所示。图2是天猫商城被购买的手机的一个关联网络图，也是图1的一个下近似网络图，经过统计得到该下近似网络图的度及其概率分布如表1所示。

Fig.2　The third-party payment under-approximate rough networks图2　第三方支付下近似粗糙网络

Table 1　Probability distribution table of underapproximate degree表1　下近似度的概率分布表

从度的概率分布散点图可以看出度的概率分布曲线符合指数为负数的幂函数曲线，在双对数坐标系下这些点基本上都分布在一条斜率为负的直线附近。根据非线性回归分析，得到度分布的回归曲线为-P(-k)=0.158 9-k-0.611。

由回归分析的显著性检验可知，回归模型和回归方程都是显著的，但模型的拟合优度一般，这是由于收集的数据比较少所致。由此可知，第三方支付粗糙复杂网络的下近似度服从幂律分布。同理可得，第三方支付粗糙复杂网络的上近似度服从幂律分布。因此，有下述定理。

定理1第三方支付粗糙复杂网络的下近似度和上近似度都服从幂律分布。

文献[21]指出，幂律分布的γ越小，网络的度分布越不均匀，度大的节点会非常突出，统计得到的网络平均路径与网络实际平均路径越接近，网络搜索适合用最大度搜索法。显然，如果以加权度大于网络平均加权度的节点作为研究对象，满足条件的节点会非常多，就会增大搜索空间，降低数据搜索的速度。说明了简单地以加权度大于网络平均加权度的方法来挖掘顾客，会增加平台的工作量和运营成本，因此顾客的挖掘问题是平台提高效益需要解决的关键问题之一。

3.2第三方支付粗糙复杂网络的知识发现模型

在第三方支付粗糙复杂网络中，平台管理者为了吸引顾客通常会给所有的注册会员发送促销信息和优惠券，但这样做显然具有非常大的盲目性，也难以收到预期的效果。因此，平台的管理者很希望能够挖掘出一批潜在的顾客，为此他们做了各种尝试，也收到了一些效果。但是这些措施都是根据经验而得到的一些结论，缺乏科学性的依据。建立起第三方支付平台的知识发现模型，解决平台潜在客户的挖掘问题是一个非常有意义的研究课题。

关于Web知识发现的研究，已经有了一些成果，但是至今还没有形成成熟的理论和技术[20]；至于粗糙复杂网络的知识发现的研究，现有的文献表明，还很少有人涉及这个领域。为此，做以下定义。

根据统计学原理，样本分布在第一分位点Q1和第三分位点Q3之间的数目占样本总数的50%，不妨把度k介于此部分的概率命名为度的概率主值。

定义8满足式（4）的节点称为下近似关键节点（key nodes），满足式（5）的节点称为上近似关键节点。

在粗糙复杂网络中，关键节点的寻找可以沿着网络的最短路径去搜索。

定义9称关键节点的购买者和收藏者为明星顾客；在此规定，只有明星顾客，才有可能成为潜在的顾客。

明星顾客的寻找可以分别在下近似粗糙网络和上近似粗糙网络中运用最大度搜索法确定，这里的度是指本文定义的加权网络度。

有了上述定义，就可以建立第三方支付粗糙复杂网络在动态知识系统中的知识发现模型，模型的创建包含以下3个阶段。

阶段1数据准备阶段

数据准备又可分为3个步骤：数据选取、数据预处理和数据转换。

在第三方支付粗糙复杂网络中随机选取若干个节点统计其下近似度和上近似度，计算其下近似度分布和上近似度分布，下近似度的概率主值和上近似度的概率主值；以最大加权度节点为源节点，确定其到其余节点的最短路径，沿着网络的最短路径，依据式（4）和式（5）确定关键节点，关键节点的个数依据网络的规模确定；对每一个关键节点，利用最大度搜索法统计其明星顾客近4期购买商品的数量、价格和收藏的商品价格和数量，形成目标数据；然后利用粗糙集的属性约简和决策规则的提取方法对目标数据中的噪音数据、不完整及不一致进行预处理[22]，形成挖掘样本数据库；最后利用属性约简方法减小数据搜索空间，对挖掘样本数据进行适当的转换。

阶段2数据挖掘阶段

运用时间序列分析法对第三方支付粗糙复杂网络动态知识系统进行知识发现研究，从明星顾客中挖掘出潜在的顾客。挖掘算法的基本思想如下：

（1）计算每位明星顾客近4期中每期购买和收藏的商品价值总额=价格×数量，i是第i个明星顾客，j是第 j期，i=1,2,…,j=1,2,3,4。

（2）通过所有明星顾客购买和收藏量的时间序列的中心化移动平均数的计算，消除时间序列的季节因素和不规则波动的影响[23]，再用消除季节影响的时间序列确定每位明星顾客购买总额和收藏总额的趋势值。

（3）计算每位明星顾客的定基消费指数：

（4）根据每个明星顾客的消费指数，将消费指数大于等于1的确定为潜在的顾客。

阶段3模式解释/评价

通过实例直接用数据来检验其准确性。

第三方支付粗糙复杂网络中，不仅存在着信息不完全性和数据冗余，而且数据的信息量大，具有动态变化的特征。该模型的构建以知识发现方法为主线，以时间序列分析和粗糙集的知识约简、属性规则的提取为理论支撑，提出了基于粗糙集理论的时间序列分析挖掘方法。在此之前的研究，还没有同时兼顾数据的不完整性和知识系统动态性的相关结果。此外，本文的知识发现方法研究目标明确，挖掘算法针对的数据很少出现模糊性，而只有不可分辨的特点。运用粗糙集理论完成前期对数据的处理，消除了冗余数据、错误数据和缺省数据，保证了统计资料的真实可靠性；减少了时间序列分析法的运算量，提高了运算速度，适应了动态知识系统数据不断累加的需求。

3.3第三方支付粗糙复杂网络的知识发现方法的算法设计

输出：潜在顾客potential customers。

步骤1变量赋值：

节点赋值：

明星顾客赋值：

步骤3以最大加权度节点为源节点，运用Dijkstra算法确定其到其余节点的最短路径，并随机地在源节点到其余节点的最短路径上搜索，满足式（4）或式（5）的节点，存入key nodes；当遍历网络中所有节点或是key nodes中的节点数等于100时停止搜索。

步骤4对于key nodes中的所有节点，搜索其所有的购买者和收藏者，取其并集得到star customer set，连同它们近4期购买或收藏的商品价格和购买数量存入star customer，取收藏的数量均为1。

步骤5用知识约简和属性规则的提取对star customer中的噪音数据、不完整及不一致数据进行预处理，减少搜索空间，形成挖掘样本数据库sample database。

根据步骤4整理的数据,组成信息表；再将初始数据信息进行分类，删除star customer中的噪音数据、不完整数据，合并具有不可分辨关系的对象，然后进行属性约简，得到约简属性集；选取属性约简后的信息表，得到各规则的核值；根据核值表产生约简规则组合，形成挖掘样本数据库sample database。

步骤6计算每位明星顾客近4期中每期购买和收藏的商品价值总额：

步骤7运用时间序列分析法消除季节因素和不规则波动的影响，确定每位明星顾客下一期购买总额的趋势值。

步骤8计算每位明星顾客的定基消费指数：

步骤9满足-Ii≥1或-Ii≥1的明星顾客i，即为潜在顾客potential customers。

对n个节点的粗糙复杂网络来讲，如果决策属性有c个，下近似粗糙复杂网络节点数是n1，上近似粗糙复杂网络节点数是n2，知识约简与属性规则提取后的决策属性有d(d

4　仿真模拟

从淘宝天猫商城收集到了经营苹果、魅族、小米、华为、三星等品牌共4个商家78个商品组成的粗糙复杂网络的上近似粗糙网络图，网络结构类似于图1，除去图1负域中的连边，统计出每个节点的价格、销售量、收藏的人气指数、上近似度、下近似度和节点价格的权重。其中上近似粗糙网络的节点度、权重如表2所示。

由表2确定表3，根据非线性回归分析法得到上近似度分布-P(k)=0.279k-0.991。

按以下步骤完成该粗糙复杂网络的知识发现。

步骤1计算下近似度和上近似度的概率主值：

步骤2在网络节点上搜索，满足式（4）或式（5）的节点，存入key nodes，-k={5,6,7,9,10的节点}；结果见表4，即：

key nodes={三星Note 4，小米note，华为P8，华为畅玩移动版，酷派8270L，酷派F1 plus，vivo x5F，华为P7，荣耀6，魅族魅蓝，魅族M5联通版，三星S3，酷派F1，华为6，红米Note，荣耀4x，三星S4，华为GX1，华为P6，小米4，苹果ip4，魅族M5，Ipad mini，三星S5，联想s898T，红米3}

步骤3对于key nodes中的所有节点，搜索其所有的购买者和收藏者取其并集，连同他们近4期购买或收藏的商品价格和购买数量存入star customer。

在此，以魅族魅蓝为例，表4是在网络上收集的节点的有关信息，可以看出魅族魅蓝的购买者月销量9 680，收藏的人气指数为11 681，数目比较多。此时可以随机地搜集每100名购买的顾客作为1组，先组内求并集，再组间求并集，存入star customer。

在网络上搜索出购买者如图3所示。

根据图3，可以得出购买者的名称，然后平台管理者可以对购买者近4期的购买总额进行汇总。计算每位明星顾客近4期中每期购买和收藏的商品价值总额：

以lixia1210这个帐号为例，近4年该用户季度消费情况如表5所示。

步骤4利用属性约简和决策规则的提取对star customer中的噪音数据、不完整及不一致数据进行预处理，减少搜索空间，形成挖掘样本数据库sample database。

由于每位顾客购买的历史记录，除了顾客本人外，只有平台管理者才可以从顾客的账号里得到真实的数据，在此只能说明运算的过程。

Table 2　Nodes and weights table of the third-party payment up-approximation rough complex networks表2　第三方支付上近似粗糙复杂网络的节点度和权重统计表

Table 3　Probability distribution table of up-approximate degree表3　上近似度的概率分布表

Table 4　Nodes information table of up-approximation rough complex network表4　上近似粗糙复杂网络节点信息表

步骤5运用时间序列分析法消除季节因素和不规则波动的影响，确定每位明星顾客下一年购买和收藏总额的趋势值。

Fig.3　Schematic diagram of Meizu Meilan buyers图3　魅族魅蓝的购买者示意图

Table 5　Lixia1210 consumer records in nearly four years表5　lixia1210近4年的消费记录

根据时间序列分析法，计算b0和b1的公式为：

式中,Tt为t期时间序列的值；n为时期数。

得到顾客lixia1210的线性趋势成分表达式为：

因此，顾客第5年的季度趋势值见表6。

Table 6　Quarterly trend values of lixia1210 in the fifth year表6　顾客lixia1210第5年的季度趋势值

步骤7由样本数据库sample database中所有满足的顾客构成潜在顾客集potential customers set。

本算例只是说明方法的有效性，在实际网络中，数据的搜集必须得到平台管理者的支持，然后通过计算机程序来实现知识发现方法的整个过程。算法的运算复杂度由最大度搜索法、最短路径搜索法、时间序列分析法、属性约简和决策规则的提取确定，近似为是上近似粗糙复杂网络的度。

5　结论

第三方支付平台的知识发现问题是一个错综复杂的问题，由于平台交易的客户信息具有不完整性和冗余性，现有的研究还没有给出一种有效的定量化的方法。通常情况下，管理者根据经验和一些定性化的建议进行决策，显然增加了操作的盲目性，也增加了运营成本。

本文构建了第三方支付的粗糙复杂网络，定义了粗糙复杂网络的上下近似度、度分布和度的概率主值，证明了第三方支付粗糙复杂网络的上近似度和下近似度都服从幂律分布的结论，最后建立了第三方支付平台客户挖掘的知识发现模型，根据幂律分布网络的特点给出了知识发现方法。仿真实例说明了本文的客户挖掘方法是有效可行的。与现有运营管理方式相比，本文的知识发现模型具有以下三方面的优越性：（1）关键节点的选择比随机挑选度比较大的节点更加合理，关键节点考虑了节点的效益，同时也减少了操作的盲目性；（2）明星顾客的设置算法，运用了粗糙集的属性约简和决策规则提取方法对数据进行预处理，减少了搜索空间，提高了数据搜索的速度和结果的精确度；（3）运用时间序列分析法找到潜在客户，是经过严格的数学推导的，科学可行，适应了动态知识系统更新的需求。因此，本文知识发现方法满足了第三方支付平台发展的需求，可以解决第三方支付平台潜在客户的挖掘问题。

References:

[1]Han Guohong.The third-party payment development in ten years:a literature review[J].Enterprise Economy,2012(388): 95-98.

[2]Zhao Shuo,Zhao Yang.Research of the third-party payment platform and Internet banking development issues[J].Journal of Commercial Economic,2015(11):81-82.

[3]Liao Yuping.Research of risk regulation and development on Internet financial in China—P2P platform,Balance Bao, third-party payment example[J].Economics and Management,2015,29(2):51-57.

[4]Zhu Shanhong,Kuang Tao.E-commerce model and platform based on the third-party[J].Journal of Chemical and Pharmaceutical Research,2014,6(3):863-868.

[5]Zhu Shanhong,Shi Qingmin.Research of third-party E-commerce risk and measures[J].Advanced Materials Research,2014, 926-930:3882-3885.

[6]Yang Ling,Shuai Qinghong.Profitability analysis of the thirdparty Internet payment platform[J].Computer Application Research,2014,31(3):773-775.

[7]Li Beiwei,Zhang Xinqi,Wang Ya,et al.Information ecosystem analysis of our third-party electronic trading platform—based on the perspective of complex networks[J].Information Science,2014,32(7):78-82.

[8]Duan Wenqi.Scale of critical users of third-party e-commerce platform based on a complex network[J].China Management Science,2014,22(12):93-101.

[9]Wang Xiaofan.Research on network scientific development [J].Control Science and Engineering,2014:111-118.

[10]Zhang Chunying,Guo Jingfeng.Rough property graph model and application of Web social networks[J].Computer Engineering and Science,2014,36(3):517-523.

[11]Zhang Chunying.Social network based on attribute figure modeling and theoretical studies of situation analysis[D]. Qinhuangdao:Yanshan University,2013:17-30.

[12]Ye Lisha,Wang Xuedong,Fang Jin.Research of network information resources knowledge discovery mechanism[J]. Modern Information,2014,34(8):160-163.

[13]An Haizhong,Zheng Lian,Wang Guangxiang.Situation and prospects for rough sets knowledge discovery[J].Computer Measurement&Control,2003,11(2):81-83.

[14]Zhao Xiaolin,Hao Gang,Hu Changzhen,et al.A discovery method of the dirty data transmission path based on complex network[J].Applied Mechanics and Materials,2014,651-653:1741-1747.

[15]Ferretti S.Gossiping for resource discovering:an analysis based on complex network theory[J].Future Generation Computer Systems,2013,29(6):1631-1644.

[16]Azadeh A,Saberi M,Jiryaei Z.An intelligent decision support system for forecasting and optimization of complex personnel attributes in a large bank[J].Expert Systems with Applications,2012,39(16):12358-12370.

[17]Bell L,Chowdhary R,Liu J S,et al.Integrated bio-entity network:a system for biological knowledge discovery[J].PLoS ONE,2011,6(6):e21474.

[18]Baurley J W,Conti D V,Gauderman W J,et al.Discovery of complex pathways from observational data[J].Statistics in Medicine,2010,29(19):1998-2011.

[19]Zhou Xuezhong,Chen Shibo,Liu Baoyan,et al.Development of traditional Chinese medicine clinical data warehouse for medical knowledge discovery and decision support[J].Artificial Intelligence in Medicine,2010,48(2/3):139-152.

[20]Vicient C,MorenoA.Unsupervised topic discovery in microblogging networks[J].Expert Systems with Applications,2015, 42(17/18):6472-6485.

[21]Guo Shize,Lu Zheming.Basic theory of complex networks [M].Beijing:Science Press,2012:43-45.

[22]Zhang Wenxiu,Wu Weizhi,Liang Jiye,et al.Rough set theory and methods[M].Beijing:Science Press,2001:3-10.

[23]Liu Jinlan.Management statistics[M].Tianjin:Tianjin University Press,2011:150-157.

附中文参考文献：

[1]韩国红.第三方支付发展的十年回顾:一个文献综述[J].企业经济,2012(388):95-98.

[2]赵烁,赵杨.第三方支付平台以及互联网金融发展问题研究[J].商业经济研究,2015(11):81-82.

[3]廖愉平.我国互联网金融发展及其风险监管研究——以P2P平台、余额宝、第三方支付为例[J].经济与管理,2015, 29(2):51-57.

[6]杨玲,帅青红.第三方互联网支付平台的盈利分析[J].计算机应用研究,2014,31(3):773-775.

[7]李北伟,张鑫琦,王亚,等.我国第三方电子交易平台信息生态系统特性分析——基于复杂网络的视角[J].情报科学,2014,32(7):78-82.

[8]段文奇.基于复杂网络的第三方电子商务平台临界用户规模研究[J].中国管理科学,2014,22(12):93-101.

[9]汪小帆.网络科学发展研究[J].控制科学与工程,2014: 111-118.

[10]张春英,郭景峰.Web社会网络的粗糙属性图模型及应用[J].计算机工程与科学,2014,36(3):517-523.

[11]张春英.基于属性图的社交网络建模与态势分析理论研究[D].秦皇岛:燕山大学,2013:17-30.

[12]叶丽莎,王学东,方婧.网络信息资源知识发现机理研究[J].现代情报,2014,34(8):160-163.

[13]安海忠,郑链,王广祥.粗糙集知识发现的研究现状和展望[J].计算机测量与控制,2003,11(2):81-83.

[21]郭世泽,陆哲明.复杂网络基础理论[M].北京:科学出版社,2012:43-45.

[22]张文修,吴伟志,梁吉业,等.粗糙集理论与方法[M].北京:科学出版社,2001:3-10.

[23]刘金兰.管理统计学[M].天津:天津大学出版社,2011: 150-157.

CAO Lixia was born in 1971.She is a Ph.D.candidate at School of Management,Xi’an University of Architecture and Technology,and an associate professor at Xi’an Technological University.Her research interests include rough set,complex networks,operation research and cybernetics,management decision analysis and game theory,etc.

曹黎侠（1971—），女，陕西西安人，西安建筑科技大学管理学院博士研究生，西安工业大学副教授，主要研究领域为粗糙集，复杂网络，运筹学与控制论，管理决策分析及博弈论等。

HUANG Guangqiu was born in 1964.He is a professor and Ph.D.supervisor at School of Management,Xi’an University of Architecture and Technology,the consultant expert of the Government of Xi’an and the assessment expert of National Natural Science Foundation.His research interests include e-business and network security, information management,systems engineering,complex system simulation and control,decision optimization and management,etc.

黄光球（1964—），男，西安建筑科技大学管理学院教授、博士生导师，西安市专家咨询团特聘专家，国家自然科学基金项目评审专家，教育部博士点基金项目评审专家，管理科学与工程以及计算机科学技术领域权威期刊审稿专家，主要研究领域为电子商务与网络安全，信息管理，系统工程，复杂系统仿真与控制，决策优化与管理等。

LI Yan was born in 1984.He is a Ph.D.candidate at School of Management,Xi’an University of Architecture and Technology.His research interests include information confrontation,network security and systems engineering,etc.

李艳（1984—），男，蒙古族，河北承德人，西安建筑科技大学管理学院博士研究生，主要研究领域为信息对抗，网络安全，系统工程等。

*The Natural Science Basic Research Program(Key)of Shaanxi Province under Grant No.2015JZ010(陕西省自然科学基础研究计划(重点));the Decision-Making Advisory Issue of XiƳan Science&Technology Association under Grant No.201517(西安市科协决策咨询课题);the Social Science Fund Project of Shaanxi Province under Grant No.2014P07(陕西省社会科学基金项目);the Science Plan Project of Education Department of Shaanxi Province under Grant No.16JK1369(陕西省教育厅科学计划研究项目).

Received 2015-12,Accepted 2016-02.

CNKI网络优先出版:2016-02-03,http://www.cnki.net/kcms/detail/11.5602.TP.20160203.1126.006.html

文献标志码：A

中图分类号：TP182；N945.12

doi:10.3778/j.issn.1673-9418.1512036

Research on the Third-Party Payment Rough Complex Networks Knowledge Discovery Methods*

CAO Lixia1,2+,HUANG Guangqiu1,LI Yan1
1.College of Management,XiƳan University ofArchitecture and Technology,XiƳan 710055,China
2.College of Science,XiƳan Technological University,XiƳan 710032,China
+Corresponding author:E-mail:caolx_8@163.com

Abstract:Sustainable development of the third-party payment platform is a very complex problem,the key of problem is the mining of potential customers in trading platform.This paper establishes the third-party payment rough complex networks,defines rough approximation degree,the probability principal value of complex networks and degree distribution,constructs a rough model of knowledge discovery,and gives a method based on rough set theory for knowledge discovery.The research on rough complex networks knowledge discovery method provides a quantitative and actionable method,which can solve the potential customers mining issues of the rough complex networks.This paper presents the concepts of rough complex networks,as well as degree distribution of the third-party payment rough complex networks,which lay the theoretical foundation for the third-party payment issues.The research on knowledge discovery method adapts to the needs of dynamic knowledge system updates,so there is a broad application prospect.

Key words:the third-party payment;rough complex networks;time series analysis;knowledge discovery