一种RNN-DBN的网络购物风险评估方法

曲媛媛 宫莉莹 贺维

摘 要：针对网络购物过程中的交易风险问题，提出一种利用深度学习技术中的循环神经网络（recurrent neural network， RNN）模型和深度置信网络（deep belief network， DBN）模型来进行网络购物风险评估的方法。该方法首先确定交易风险评估的多个影响因素，然后采用RNN模型对主观因素进行语义分析和情感分类，从而实现定性的主观评价到定量的客观评价的转化，最后采用DBN模型对所有客观影响因素进行交易风险综合评估。通过模拟实验验证，所提出的方法能够有效的解决交易风险评估问题，同时相比传统方法准确性更高，且评价结果更为科学。

关键词：深度学习;循环神经网络;深度信念网络;风险评估;网络购物

DOI：10.15938/j.jhust.2019.04.018

中图分类号： TP309.2

文献标志码： A

文章编号： 1007-2683（2019）04-0105-05

Abstract：

Aiming at the problem of transaction risk in online shopping， this paper proposes a method of online shopping risk assessment based on recurrent neural network （RNN） model and deep belief network （DBN） model in deep learning technology. Firstly， the method determines multiple influencing factors of transaction risk assessment. Then we use the RNN model to carry out semantic analysis and sentiment classification of subjective factors so as to realize the transformation from qualitative subjective evaluation to quantitative objective evaluation. Finally， the DBN model is used to analyze all the objective influencing factors conduct a comprehensive assessment of transaction risk. The simulation results show that the proposed method can effectively solve the problem of transaction risk assessment， and at the same time， it has higher accuracy compared with the traditional method， and the evaluation result is more scientific.

Keywords：deep learning; recurrent neural network （RNN）; deep belief network （DBN）; risk assessment; online shopping

0 引 言

网络购物是买卖双方利用互联网进行的商品或服务交易，是由计算机技术与互联网技术为主的技术革命所引发的，它顺应知识经济的发展趋势，具有传统方式所不可比拟的优越性，代表着商业未来的发展趋势。根据艾瑞咨询统计，2016年第三季度中国网络购物市场规模达1.15亿元，比去年同期增长23.6%，环比增长2.6%。我国网络购物市场正处于高速发展阶段，由于交易发生之前，消费者不能很好的了解卖家的真实背景和信用情况，导致交易中产生了大量的交易纠纷，造成消费者的财产损失[1]。

卖家信用评价是交易平台，通过对卖家历史交易情况进行分析，而获得的卖家信用评价[2-3]。在进行卖家信用评价时发现，影响卖家信用有很多因素，目前的主要处理手段是通过主成分分析方式，对客观影响因素进行降维处理，对较低维度的信息进行计算，求解卖家信用，但是这种方式在一定程度上降低了评价的准确性，同时，这种信用评价方式也忽略消费者的主观评价信息，很多消费者在购物之后，会对交易进行主观的文字评价，往往消费者的主观评价信息更能体现消费者的真实意圖，因此如何合理结合消费者主客观评价，实现对用户的综合信用评估，成为了一个急需解决的问题[4-5]。

深度学习通过多层神经网络，能够实现对信息的分层特征表示，这种技术非常适用于网络环境中的高维、海量数据的特征提取。深度学习技术在图像识别、语音处理、语义分析等很多领域取得了巨大的成功，在某些方面的学习能力甚至超过人类的认知能力[6-7]。本文在进行用户卖家综合信用评估时，利用深度学习技术提出了一种新的卖家信用评估方法，即利用RNN模型对卖家主观评价信息进行分类处理，利用DBN模型对卖家所有评价信息进行整合，生成用户的最终评价结果。

1 基于深度学习的卖家综合信用评价模型

在深度学习中，包含多种不同模型结构，不同模型适用范围存在差异，其中RNN非常适用于对序列数据的信息处理[8]，而DBN可以用来对数据的概率分布进行建模，也可以用来对数据进行分类[9，10]。在设计卖家信用综合评价模型时，本文采用基于深度学习技术实现，通过利用RNN模型和DBN模型的优势实现不同功能，如图1所示，为本文设计的综合应用评价模型。主要包括：影响因素预处理，主观评价处理，卖家综合评价3个主要部分。

1.1 影响因素预处理

首先，收集整理当前交易系统中与卖家信用相关的基本信息，如表1所示，为某系统中与卖家信用有关的因素[11]。包含客观因素22项，主观因素2项，其中每个卖家会包含多条主观评价信息。对于客观数据，为了方便后期进行机器学习，需要对数据进行数字化和归一化处理，通常可采用最大最小值的方式进行处理，实现每项数据的值在[0-1]之间。对于主观数据的处理详见2.2节。

1.2 主观评价处理

对于每条主观数据的处理，主要目标是将数据转换成客观数据的形式，即通过语义分析，分析消费者的真实评价结果，转换成对卖家客观的等级评价，本部分采用基于RNN的语义分析模型实现[12，13]。如图2所示，为基于RNN的用户主观评价模型，具体流程如下所示：

1）利用Google发布的的word2vec对主观信息进行处理，将评价信息转换成若干个词向量信息。

2）將生成的词向量信息输入到设计的RNN网络中，本文设计的RNN网络包括普通神经元的输出层，主要接收词向量信息，为了解决RNN网络的梯度弥散和梯度爆炸问题，隐层神经元采用GRU单元，输出层利用softmax分类器，对输出结果进行分类判定。

3 结 论

为了能够更好的完成网络购物风险评估，本文设计了一种基于RNN-DBN模型的风险评估方法。利用RNN模型实现对于用户主观评价的处理，利用DBN模型实现用户的综合评价，从而充分利用深度学习技术在海量、高维数据中的特征学习能力。通过实验验证，相对于传统方式，该方法具有优秀的评估准确率。随着对深度学习技术的研究深入，下一步的工作主要包括：

1）通过改进模型的结构更好的提高用户综合评估的准确性。

2）探索利用卷积神经网络实现对用户的综合评估。

3）探索基于无监督学习方式对用户评估模型进行训练的方法。

参 考 文 献：

[1] 李林娟.中国网络购物现状与发展趋向分析[J].中国管理信息化，2016，19（20）：135.

[2] 周欣元.信息安全风险评估综述[J].电子技术与软件工程，2016（20）：214.

[3] BOULOIZ H，TKIOUAT M，GALLAB M.Towards a Model for Developing an Information System as a Decision Support to Risk Assessment[J].International Journal of Industrial and Systems，2017，25（1）：110.

[4] MILLAN C L，GARZON D，NAVARRO S.C2C Interactions Creating Value in the Route of Santiago [J].Journal of Business Research，2016，69（11）：5448.

[5] MIN C G， PARK J K， HUR D，et al.A Risk Evaluation Method for Ramping Capability Shortage in Power Systems [J].Energy，2016，113：1316.

[6] 樊雅琴，王炳皓，王伟，等.深度学习国内研究综述[J].中国远程教育，2015，（6）：27.

[7] KIM S，PARK B，SONG B S，et al.Deep Belief Network Based Statistical Feature Learning for Fingerprint Liveness Detection [J]，Pattern Recognition Letters， 2016 ， 77 （S） ：58.

[8] 胡昕.基于RNN的网络安全态势预测方法[J].现代计算机，2017（6）：14.

[9] 潘广源，柴伟，乔俊飞.DBN网络的深度确定方法[J].控制与决策，2015（2）：256.

[10]孙劲光，蒋金叶，孟祥福，等.一种数值属性的深度置信网络分类方法[J].计算机工程与应用，2014，50（2）：112.

[11]彭惠，王永瑞.C2C电子商务市场整体卖家信用分布研究[J].情报杂志，2012，31（5）：122.

[12]黎亚雄，张坚，强潘，等.基于RNN-RBM语言模型的语音识别研究[J].计算机研究与发展，2014，51（9）：1936.

[13]TOBIYAMA S，YAMAGUCHI Y，SHIMADA H，et al.Malware Detection with Deep Neural Network Using Process Behavior [C]//Computer Software and Applications Conference，2016：577.

[14]刘明珠，郑云非，樊金，等.基于深度学习法的视频文本区域定位与识别[J]. 哈尔滨理工大学学报，2016，21（6）： 61.

[15]吕淑宝，王明月，翟祥，等.一种深度学习的信息文本分类算法[J]. 哈尔滨理工大学学报，2017， 22 （2）：105.

[16]笱程成，秦宇君，田甜，等.一种基于RNN的社交消息爆发预测模型[J].软件学报，2017，28（11）：3030.

[17]李飞，高晓光，万开方.基于动态Gibbs采样的RBM训练算法研究[J].自动化学报，2016，42 （6）：931.

[18]黎亚雄，张坚强，潘登，等.基于RNN-RBM语言模型的语音识别研究[J].计算机研究与发展，2014，51（9）：1936.

[19]肖熠，鲁永泉，谢思烨.一种针对GPU资源的深度学习容器云研究[J].中国传媒大学学报，2017（6）：16.

[20]陈云，石松，潘彦，等.基于SVM混合集成的信用风险评估模型[J].计算机工程与应用，2016，52 （4）：115.

（编辑：温泽宇）