一種RNN-DBN的網絡購物風險評估方法

曲媛媛 宮莉瑩 賀維

摘 要：針對網絡購物過程中的交易風險問題，提出一種利用深度學習技術中的循環神經網絡（recurrent neural network， RNN）模型和深度置信網絡（deep belief network， DBN）模型來進行網絡購物風險評估的方法。該方法首先確定交易風險評估的多個影響因素，然后采用RNN模型對主觀因素進行語義分析和情感分類，從而實現定性的主觀評價到定量的客觀評價的轉化，最后采用DBN模型對所有客觀影響因素進行交易風險綜合評估。通過模擬實驗驗證，所提出的方法能夠有效的解決交易風險評估問題，同時相比傳統方法準確性更高，且評價結果更為科學。

關鍵詞：深度學習;循環神經網絡;深度信念網絡;風險評估;網絡購物

DOI：10.15938/j.jhust.2019.04.018

中圖分類號： TP309.2

文獻標志碼： A

文章編號： 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

網絡購物是買賣雙方利用互聯網進行的商品或服務交易，是由計算機技術與互聯網技術為主的技術革命所引發的，它順應知識經濟的發展趨勢，具有傳統方式所不可比擬的優越性，代表著商業未來的發展趨勢。根據艾瑞咨詢統計，2016年第三季度中國網絡購物市場規模達1.15億元，比去年同期增長23.6%，環比增長2.6%。我國網絡購物市場正處于高速發展階段，由于交易發生之前，消費者不能很好的了解賣家的真實背景和信用情況，導致交易中產生了大量的交易糾紛，造成消費者的財產損失[1]。

賣家信用評價是交易平臺，通過對賣家歷史交易情況進行分析，而獲得的賣家信用評價[2-3]。在進行賣家信用評價時發現，影響賣家信用有很多因素，目前的主要處理手段是通過主成分分析方式，對客觀影響因素進行降維處理，對較低維度的信息進行計算，求解賣家信用，但是這種方式在一定程度上降低了評價的準確性，同時，這種信用評價方式也忽略消費者的主觀評價信息，很多消費者在購物之后，會對交易進行主觀的文字評價，往往消費者的主觀評價信息更能體現消費者的真實意圖，因此如何合理結合消費者主客觀評價，實現對用戶的綜合信用評估，成為了一個急需解決的問題[4-5]。

深度學習通過多層神經網絡，能夠實現對信息的分層特征表示，這種技術非常適用于網絡環境中的高維、海量數據的特征提取。深度學習技術在圖像識別、語音處理、語義分析等很多領域取得了巨大的成功，在某些方面的學習能力甚至超過人類的認知能力[6-7]。本文在進行用戶賣家綜合信用評估時，利用深度學習技術提出了一種新的賣家信用評估方法，即利用RNN模型對賣家主觀評價信息進行分類處理，利用DBN模型對賣家所有評價信息進行整合，生成用戶的最終評價結果。

1 基于深度學習的賣家綜合信用評價模型

在深度學習中，包含多種不同模型結構，不同模型適用范圍存在差異，其中RNN非常適用于對序列數據的信息處理[8]，而DBN可以用來對數據的概率分布進行建模，也可以用來對數據進行分類[9，10]。在設計賣家信用綜合評價模型時，本文采用基于深度學習技術實現，通過利用RNN模型和DBN模型的優勢實現不同功能，如圖1所示，為本文設計的綜合應用評價模型。主要包括：影響因素預處理，主觀評價處理，賣家綜合評價3個主要部分。

1.1 影響因素預處理

首先，收集整理當前交易系統中與賣家信用相關的基本信息，如表1所示，為某系統中與賣家信用有關的因素[11]。包含客觀因素22項，主觀因素2項，其中每個賣家會包含多條主觀評價信息。對于客觀數據，為了方便后期進行機器學習，需要對數據進行數字化和歸一化處理，通常可采用最大最小值的方式進行處理，實現每項數據的值在[0-1]之間。對于主觀數據的處理詳見2.2節。

1.2 主觀評價處理

對于每條主觀數據的處理，主要目標是將數據轉換成客觀數據的形式，即通過語義分析，分析消費者的真實評價結果，轉換成對賣家客觀的等級評價，本部分采用基于RNN的語義分析模型實現[12，13]。如圖2所示，為基于RNN的用戶主觀評價模型，具體流程如下所示：

1）利用Google發布的的word2vec對主觀信息進行處理，將評價信息轉換成若干個詞向量信息。

2）將生成的詞向量信息輸入到設計的RNN網絡中，本文設計的RNN網絡包括普通神經元的輸出層，主要接收詞向量信息，為了解決RNN網絡的梯度彌散和梯度爆炸問題，隱層神經元采用GRU單元，輸出層利用softmax分類器，對輸出結果進行分類判定。

3 結 論

為了能夠更好的完成網絡購物風險評估，本文設計了一種基于RNN-DBN模型的風險評估方法。利用RNN模型實現對于用戶主觀評價的處理，利用DBN模型實現用戶的綜合評價，從而充分利用深度學習技術在海量、高維數據中的特征學習能力。通過實驗驗證，相對于傳統方式，該方法具有優秀的評估準確率。隨著對深度學習技術的研究深入，下一步的工作主要包括：

1）通過改進模型的結構更好的提高用戶綜合評估的準確性。

2）探索利用卷積神經網絡實現對用戶的綜合評估。

3）探索基于無監督學習方式對用戶評估模型進行訓練的方法。

參 考 文 獻：

[1] 李林娟.中國網絡購物現狀與發展趨向分析[J].中國管理信息化，2016，19（20）：135.

[2] 周欣元.信息安全風險評估綜述[J].電子技術與軟件工程，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，王偉，等.深度學習國內研究綜述[J].中國遠程教育，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的網絡安全態勢預測方法[J].現代計算機，2017（6）：14.

[9] 潘廣源，柴偉，喬俊飛.DBN網絡的深度確定方法[J].控制與決策，2015（2）：256.

[10]孫勁光，蔣金葉，孟祥福，等.一種數值屬性的深度置信網絡分類方法[J].計算機工程與應用，2014，50（2）：112.

[11]彭惠，王永瑞.C2C電子商務市場整體賣家信用分布研究[J].情報雜志，2012，31（5）：122.

[12]黎亞雄，張堅，強潘，等.基于RNN-RBM語言模型的語音識別研究[J].計算機研究與發展，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]劉明珠，鄭云非，樊金，等.基于深度學習法的視頻文本區域定位與識別[J]. 哈爾濱理工大學學報，2016，21（6）： 61.

[15]呂淑寶，王明月，翟祥，等.一種深度學習的信息文本分類算法[J]. 哈爾濱理工大學學報，2017， 22 （2）：105.

[16]笱程成，秦宇君，田甜，等.一種基于RNN的社交消息爆發預測模型[J].軟件學報，2017，28（11）：3030.

[17]李飛，高曉光，萬開方.基于動態Gibbs采樣的RBM訓練算法研究[J].自動化學報，2016，42 （6）：931.

[18]黎亞雄，張堅強，潘登，等.基于RNN-RBM語言模型的語音識別研究[J].計算機研究與發展，2014，51（9）：1936.

[19]肖熠，魯永泉，謝思燁.一種針對GPU資源的深度學習容器云研究[J].中國傳媒大學學報，2017（6）：16.

[20]陳云，石松，潘彥，等.基于SVM混合集成的信用風險評估模型[J].計算機工程與應用，2016，52 （4）：115.

（編輯：溫澤宇）