全文鏈接：http://tecdat.cn/?p=32794

目前各電子商務(wù)網(wǎng)站雖然都建立了信用評價體系，但是各網(wǎng)站提出的信用評價系統(tǒng)、流程以及指標(biāo)體系大體相同并已經(jīng)使用多年，并沒有根據(jù)電子商務(wù)的現(xiàn)實發(fā)展而進(jìn)行創(chuàng)新優(yōu)化，也沒有根據(jù)評價用戶實際需求進(jìn)行更精準(zhǔn)的設(shè)計。

本文以淘寶網(wǎng)為例，幫助客戶改進(jìn)了指標(biāo)體系,并通過模糊C均值聚類對賣家基于新的指標(biāo)體系進(jìn)行信用分類。

聚類算法是一種常用的數(shù)據(jù)分析和模式識別方法，用于將數(shù)據(jù)集劃分為若干個相似的子集，每個子集稱為一個簇。模糊聚類算法是一種基于模糊理論的聚類方法，具有較好的魯棒性和靈活性，因此在許多領(lǐng)域得到了廣泛的應(yīng)用。

傳統(tǒng)的模糊C均值聚類算法

模糊C均值聚類算法是最早和最常用的模糊聚類算法之一。該算法通過最小化目標(biāo)函數(shù)來確定數(shù)據(jù)集中每個樣本的隸屬度和聚類中心，從而實現(xiàn)聚類分析。然而，傳統(tǒng)的模糊C均值聚類算法存在收斂速度慢、對初始聚類中心敏感等問題。

改進(jìn)的模糊聚類算法

為了克服傳統(tǒng)模糊C均值聚類算法的不足，研究者們提出了許多改進(jìn)的模糊聚類算法。例如，基于遺傳算法的模糊聚類算法、基于粒子群優(yōu)化的模糊聚類算法等。這些改進(jìn)算法在收斂速度、聚類效果等方面都有所提升。

基于模糊聚類的其他應(yīng)用領(lǐng)域

除了在數(shù)據(jù)分析和模式識別領(lǐng)域，模糊聚類算法還被廣泛應(yīng)用于其他領(lǐng)域。例如，在圖像分割、模式識別、生物信息學(xué)等領(lǐng)域都有模糊聚類算法的應(yīng)用。這些應(yīng)用領(lǐng)域的研究為模糊聚類算法的發(fā)展提供了新的方向和挑戰(zhàn)。

圖描述了一個凝聚模糊聚類方法AGENES和一個分裂模糊聚類方法DIANA在一個包括五個對象的數(shù)據(jù)的集合{a,b,c,d,e}上的處理的過程。初始時，AGENES將每個樣本點(diǎn)自為一簇，之后這樣的簇依照某一種準(zhǔn)則逐漸合并，例如，例如簇C1中的某個樣本點(diǎn)和簇C2中的一個樣本點(diǎn)相隔的距離是所有不同類簇的樣本點(diǎn)間歐幾里得距離最近的，則認(rèn)為簇C1和簇C2是相似可合并的。

---

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

SQL Server Analysis Services數(shù)據(jù)挖掘聚類分析職業(yè)、地區(qū)、餐飲消費(fèi)水平數(shù)據(jù)

左右滑動查看更多

01

02

03

04

結(jié)果分析

C2C電子商務(wù)信用評價模型的基本原理是：確認(rèn)收貨之后，買方可以根據(jù)模型內(nèi)的評價指標(biāo)，如商品質(zhì)量，物流速度，售后服務(wù)等方面，在一定時間內(nèi)，根據(jù)自身交易完成情況為賣家評價，也可以雙方互評以形成信用記錄。交易雙方的信用反饋都會按模型設(shè)定的計算方式累計，以反映該用戶的信用狀況，以便其他交易方做選擇時參考。

目前淘寶網(wǎng)所采用的信用評價模型是累加模型，即原有的信用積分基礎(chǔ)上直接進(jìn)行加減，其模型表示如下：

其中：Rn、Rn-1分別表示淘寶用戶截止到第 n、n-1 次交易之后所獲得的信用得分，rn{-1，0，1}表示{差評，中評，好評}，即當(dāng) rn獲得“差評”時在原來信用積分的基礎(chǔ)上加上“-1”分，用戶獲得中評時，就在原來信用積分的基礎(chǔ)上加“0”分，當(dāng)用戶獲得好評時，在原來信用積分的基礎(chǔ)上加“+1”分。累加模型能夠簡單直觀的展現(xiàn)交易雙方的信用積分，一定程度上可作為交易雙方的信用參考。

平臺

MATLAB是matrix&laboratory兩個詞的組合，意為矩陣工廠（矩陣實驗室）。是由美國mathworks公司發(fā)布的主要面對科學(xué)計算、可視化以及交互式程序設(shè)計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計以及必須進(jìn)行有效數(shù)值計算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進(jìn)水平。

構(gòu)建指標(biāo)體系

由于本文主要是基于 C2C 電子商務(wù)交易過程中的信用問題，從交易主體的角度來對 C2C 電子商務(wù)信用風(fēng)險進(jìn)行評價，目前淘寶網(wǎng)的信用評價指標(biāo)體系主要由三個指標(biāo)構(gòu)成，分別是：與圖片相符程度、服務(wù)態(tài)度以及發(fā)貨速度，如下圖所示：

而在實際網(wǎng)購過程中可以發(fā)現(xiàn)這三個指標(biāo)并不能讓消費(fèi)者對于物品的進(jìn)行準(zhǔn)確評價，消費(fèi)者往往需要額外進(jìn)行大片文字的敘述來評價商品以及服務(wù)。

故此，本文根據(jù)消費(fèi)者評論文字中經(jīng)常出現(xiàn)的關(guān)鍵詞新增了評價指標(biāo)，選擇了商品屬性，賣家服務(wù)以及物流服務(wù)作為相應(yīng)準(zhǔn)則層，具體的指標(biāo)體系如下：

數(shù)據(jù)集搜集及預(yù)處理

本文以日常生活使用較多的淘寶網(wǎng)為例，按照指標(biāo)體系中所列指標(biāo)進(jìn)行數(shù)據(jù)獲取，其中與圖片相符程度，服務(wù)態(tài)度以及發(fā)貨速度三個指標(biāo)在淘寶網(wǎng)上能夠直接獲取，其他指標(biāo)由于淘寶網(wǎng)上沒有直接數(shù)據(jù)，故選擇了朋友購買過的淘寶服裝店鋪，針對其他指標(biāo)給出自己的評分，將所有指標(biāo)的評分原始數(shù)據(jù)匯總（查看文末了解數(shù)據(jù)免費(fèi)獲取方式），計算平均值，所得數(shù)據(jù)匯總?cè)缦拢?/p>

---

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言文本挖掘：kmeans聚類分析上?，斞潘珗@景區(qū)五一假期評論詞云可視化

左右滑動查看更多

01

02

03

04

實驗過程（關(guān)鍵參數(shù)設(shè)置）

一次聚類算法是一種無監(jiān)督的層次聚類算法，需要事先給定層次聚類數(shù)C。

% 計算樣本點(diǎn)距離聚類中心的距離
% 輸入：
%   center     ---- 聚類中心
%   data       ---- 樣本點(diǎn)
% 輸出：
%   out        ---- 距離
out = zeros(size(center, 1), size(data, 1)); 
for k = 1:size(center, 1), % 對每一個聚類中心


f = U.^expo;       % 隸屬度矩陣進(jìn)行指數(shù)運(yùn)算結(jié)果

dist = distfcm(center, data);       % 計算距離矩陣



%將options 中的分量分別賦值給四個變量; 
expo = options(1);          % 隸屬度矩陣U的指數(shù)
max_iter = options(2);  % 最大迭代次數(shù)
min_impro = options(3);  % 隸屬度最小變化量,迭代終止條件
display = options(4);  % 每次迭代是否輸出信息標(biāo)志

objfcn = zeros(max_iter, 1); % 初始化輸出參數(shù)obj_fcn 

 

由于數(shù)據(jù)集各指標(biāo)值的量綱相同，因此不需要對相關(guān)指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，得到如圖所示的結(jié)果

相應(yīng)的聚類圖如圖所示:

  plot(data(:,1), data(:,2),'o'); 
       hold on; 
       maxU = max(U); 
       index1 = find(U(1,:) == maxU); 
       index2 = find(U(2,:) == maxU); 
       line(data(index1,1),data(index1,2),'marker','*','color','g'); 
       line(data(index2,1),data(index2,2),'marker','*','color','r'); 
       plot([center([1 2],1)],[center([1 2],2)],'*','color','k')

結(jié)果分析

對于現(xiàn)有指標(biāo)體系，增加了新的指標(biāo)如：售后服務(wù)，送貨速度，包裝完整度等，使得指標(biāo)體系更完全，通過淘寶賣家的指標(biāo)數(shù)據(jù)的處理，得出最終的信用綜合評分，由排名可以看見第四家得分最高，而第四家由于其商品質(zhì)量高，價格卻很便宜，在服務(wù)態(tài)度以及物流服務(wù)方面都深得買家的喜歡，排名最低的第一家買家其銷量非常高，但是由于商品質(zhì)量不過關(guān)，使得商品的質(zhì)量與其價格不對稱，而且賣家售后服務(wù)態(tài)度惡劣，由此可以看出淘寶現(xiàn)有的信用評價體系能夠給買家提供一定的參考，但是如果能夠增加一些指標(biāo)，將會對買家起到更好的參考作用。

總結(jié)

本文總結(jié)了簡單介紹了層次聚類算法國內(nèi)外研究現(xiàn)狀，重點(diǎn)介紹了層次聚類算法的基本原理與實現(xiàn)流程。同時，針對 C2C 電子商務(wù)中所出現(xiàn)的信用風(fēng)險問題，提出使用信用評價體系來降低信用風(fēng)險。并簡述了國內(nèi)外在信用評價方面的研究現(xiàn)狀?；诂F(xiàn)有的評價指標(biāo)體系，添加新指標(biāo)，給出了更為全面完善的指標(biāo)體系。以淘寶網(wǎng)為例，采集數(shù)據(jù)，應(yīng)用層次聚類對店鋪進(jìn)行聚類分析。對比最終結(jié)果和實際購買體驗，證明了淘寶現(xiàn)有信用評價模型對于消費(fèi)者選擇賣家時有一定的指導(dǎo)意義，但是體系有明顯提升空間。

參考文獻(xiàn)

[1] Pang-Ning Tan Michael Steinbach Vipin Kumar著.范明,范宏建等譯.數(shù)據(jù)挖掘?qū)д揫M].北京:人民郵電出版社,2006.

[2]J.Han,M.Kamber著.范明,孟小峰等譯.數(shù)據(jù)挖掘概念與技術(shù)[M].北京：機(jī)械工業(yè)出版社,2001:1~262.

[3] 張鑫.層次聚類算法的研究與應(yīng)用[D]:[碩士學(xué)位論文].江西：江西理工大學(xué),2008.

[4] 段明秀.層次聚類算法的研究及應(yīng)用[D]:[碩士學(xué)位論文].長沙：中南大學(xué),2009.

[5] 楊海斌.一種新的層次聚類算法的研究及應(yīng)用[D]:[碩士學(xué)位論文].甘肅:西北師范大學(xué),2011.

[6] 馬曉艷，唐雁.層次聚類算法研究[J].計算機(jī)科學(xué),2008,34(7):34～36.

[7] 魏桂英,鄭玄軒.層次聚類方法的CURE算法研究[J].科技和產(chǎn)業(yè),2005,5(11):22～24.

[8] 蔣盛益,李霞.一種改進(jìn)的BIRCH聚類算法[J].計算機(jī)應(yīng)用,2009,29(1):293～296.