劉暢+殷聰

〔摘要〕為了解決電子商務(wù)平臺(tái)中存在的虛假交易問(wèn)題，本文依據(jù)商品的銷(xiāo)售記錄以及商家的基本信息，提出了一種結(jié)合深度置信網(wǎng)絡(luò)和多層感知器的虛假交易識(shí)別方法，通過(guò)識(shí)別出以通過(guò)刷單增加銷(xiāo)量的商品來(lái)識(shí)別虛假交易。首先利用深度置信網(wǎng)絡(luò)對(duì)交易特征進(jìn)行學(xué)習(xí)，得到更高層次的抽象特征；然后利用多層感知器進(jìn)行分類(lèi)任務(wù)，從而識(shí)別出虛假交易。從淘寶中爬取商品的交易記錄和評(píng)論數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，與其他機(jī)器學(xué)習(xí)模型的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，其性能有明顯的提升。

〔關(guān)鍵詞〕電子商務(wù)；虛假交易；深度學(xué)習(xí)；多層感知器；交易記錄；商品評(píng)論；識(shí)別方法

DOI：10.3969/j.issn.1008-081.016.10.010

〔Abstract〕For solving the problem of fraud transaction in e-commerce platform，a method that combined Deep Belief Networks and Multilayer Perceptron based on the transaction records and review records of Products was put forward.Through recognizing the product which was increased sales in fraudulent transactions to recognize the fraud transactions.The features of transaction were learned by DBN to get the higher level of abstract features，and the MLP performed the classification task.Tested by experiments using the transaction records and review records of products crawled from Taobao，the comprehensive performance had improved significantly compared with the other machine learning model.

〔Key words〕e-commerce；fraud transaction；deep learning；MLP；transaction records；product review；recognition method

目前我國(guó)電子商務(wù)市場(chǎng)發(fā)展迅速，已超越美國(guó)成為全球第一大網(wǎng)絡(luò)零售市場(chǎng)。據(jù)浙江省商務(wù)廳發(fā)布的《浙江省網(wǎng)絡(luò)零售業(yè)發(fā)展報(bào)告》顯示，2014年僅浙江一省的淘寶店鋪數(shù)量已達(dá)到147萬(wàn)家。商品的高度同質(zhì)化、流量分配不均、商家信譽(yù)差異大等因素不僅使廣大消費(fèi)者難以選擇合適商品，也使得商家之間的競(jìng)爭(zhēng)越來(lái)越激烈。影響淘寶搜索排名因素主要有動(dòng)態(tài)評(píng)分、收藏人氣、銷(xiāo)量、瀏覽量等，但是由于淘寶網(wǎng)有大量的新開(kāi)網(wǎng)店沒(méi)有實(shí)際的銷(xiāo)量作支撐，也沒(méi)有足夠的廣告推廣預(yù)算，很難在龐大的淘寶網(wǎng)店中生存。為了快速有效地解決這個(gè)問(wèn)題，就催生出了一種虛假的網(wǎng)上交易模式——以虛假交易的形式提高商品和店鋪的搜索排名。淘寶店鋪為了提高網(wǎng)店或單件商品的搜索排名，達(dá)到銷(xiāo)量火爆好評(píng)如潮的目的而采取了作弊行為。在沒(méi)有被發(fā)現(xiàn)和懲罰的情況下，虛假交易確實(shí)能給網(wǎng)店，特別是新開(kāi)的網(wǎng)店帶來(lái)一系列好處。第一，可以通過(guò)虛假交易提升店鋪整體信譽(yù)，從而吸引消費(fèi)者。第二，提升商品銷(xiāo)量。消費(fèi)者往往具有從眾心理，銷(xiāo)量過(guò)低的商品，會(huì)使顧客產(chǎn)生戒備心理，很難讓消費(fèi)者下定決心購(gòu)買(mǎi)。第三，提升搜索排名。消費(fèi)者在淘寶網(wǎng)瀏覽商品時(shí)，根據(jù)搜索排名依次瀏覽，排名越靠前的商品，消費(fèi)者購(gòu)買(mǎi)的可能性就越大。第四，降低店鋪的差評(píng)率。當(dāng)淘寶網(wǎng)店的差評(píng)率升高時(shí)，商家會(huì)選擇利用虛假交易的方法，雇傭刷客為自己的商品給予好評(píng)，從而降低店鋪的差評(píng)率，達(dá)到欺騙消費(fèi)者的目的。由于在刷單的過(guò)程中，刷客必須要給予賣(mài)家好評(píng)，而好評(píng)對(duì)于消費(fèi)者的購(gòu)買(mǎi)決策能夠產(chǎn)生巨大的潛在影響，而且一個(gè)產(chǎn)品的評(píng)價(jià)數(shù)量也決定了用戶(hù)在商品詳情頁(yè)停留的時(shí)間，但是虛假的銷(xiāo)量和評(píng)論會(huì)對(duì)消費(fèi)者的購(gòu)買(mǎi)決策產(chǎn)生誤導(dǎo)作用，嚴(yán)重?fù)p害了消費(fèi)者的利益。因此識(shí)別虛假交易對(duì)電子商務(wù)的健康發(fā)展具有重要的意義。

1文獻(xiàn)綜述

刷單是指以單件商品為對(duì)象，雇傭刷客模擬真實(shí)交易的形式，通過(guò)搜索商品、瀏覽商品、購(gòu)買(mǎi)商品，給予商品正面積極的評(píng)論的形式增加商品的銷(xiāo)量。因此在進(jìn)行虛假交易識(shí)別的過(guò)程中，則以商品的評(píng)論和商品的銷(xiāo)售記錄為研究對(duì)象。

近年來(lái)，垃圾信息的識(shí)別研究是近幾年的研究熱點(diǎn)，從總體上來(lái)說(shuō)垃圾信息的檢測(cè)總要分為以下兩個(gè)方面：基于信息本身，基于垃圾信息發(fā)布者的行為。而檢測(cè)的方法主要集中于機(jī)器學(xué)習(xí)、模式識(shí)別和分類(lèi)器?；诶畔⒈旧淼臋z測(cè)方式的關(guān)鍵點(diǎn)在于特征提取的方法。特征提取方法主要包括信息熵（IG），又稱(chēng)為Kullback-Leibler距離[2]。Korprinska等[3]以詞頻方差法（TFV）來(lái)選取具有高詞頻方差的詞。Guzella等[4]則以詞匯袋（BoW），又被稱(chēng)為向量空間模型來(lái)進(jìn)行垃圾信息的檢測(cè)。Li等[5]提出了基于用戶(hù)反饋的改進(jìn)樸素貝葉斯方法。Sakkis等[6]將K臨近方法應(yīng)用于垃圾郵件的檢測(cè)。Elssied等采用基于支持向量機(jī)（SVM）的過(guò)濾器進(jìn)行垃圾信息的檢測(cè)。以上這些機(jī)器學(xué)習(xí)方法都是一種監(jiān)督式的機(jī)器學(xué)習(xí)方法，需要先驗(yàn)知識(shí)和一個(gè)完美的訓(xùn)練集。

基于垃圾信息發(fā)布者的行為方面，孟美任和丁晟春[8]分別從推銷(xiāo)、詆毀、干擾和無(wú)意義4個(gè)方面分析了虛假評(píng)論發(fā)布者的動(dòng)機(jī)，依據(jù)對(duì)造假動(dòng)機(jī)的研究分析了虛假評(píng)論發(fā)布者的造假行為和隱藏行為。然而他們并沒(méi)有根據(jù)虛假評(píng)論者的行為特征對(duì)識(shí)別工作做進(jìn)一步的研究。文獻(xiàn)[9]以捕捉虛假評(píng)論群體為目標(biāo)，首先利用頻繁模式挖掘發(fā)現(xiàn)虛假評(píng)論者候選組，計(jì)算虛假評(píng)論者組的指標(biāo)值，將正常評(píng)論者組剔除后采用SVM方法學(xué)習(xí)和產(chǎn)生最后的虛假評(píng)論者組的排名。Bouguessa等[0]剔除一種非監(jiān)督方法識(shí)別社交網(wǎng)絡(luò)中的垃圾評(píng)論者，其重點(diǎn)在于分析社交網(wǎng)絡(luò)中用戶(hù)的關(guān)系鏈接結(jié)構(gòu)，為每一個(gè)節(jié)點(diǎn)分配合理的分?jǐn)?shù)，通過(guò)beta分布模型化這些分?jǐn)?shù)，最終可以有效區(qū)分垃圾信息發(fā)布者和正常用戶(hù)。Jiang]總結(jié)了垃圾評(píng)論者的兩種行為模式：短時(shí)期內(nèi)對(duì)某一商品進(jìn)行持續(xù)評(píng)論和商品的實(shí)際購(gòu)買(mǎi)量相對(duì)于用戶(hù)對(duì)商品的好評(píng)嚴(yán)重不符，通過(guò)分析用戶(hù)評(píng)論行為和對(duì)商品評(píng)價(jià)的偏差，分析識(shí)別虛假評(píng)論。

從以上總結(jié)中可知，前人主要從被評(píng)論的主體入手，對(duì)其所屬的所有評(píng)論信息進(jìn)行分析，此外前人在進(jìn)行虛假評(píng)論識(shí)別方面采用的是淺層機(jī)器學(xué)習(xí)模型，比如支持向量機(jī)、K最鄰近算法等，作為有監(jiān)督學(xué)習(xí)模型，需要大量的有標(biāo)記樣本進(jìn)行學(xué)習(xí)，會(huì)耗費(fèi)大量的人工標(biāo)記時(shí)間成本。淺層模型主要依靠人工經(jīng)驗(yàn)來(lái)抽取樣本的特征，而模型主要是負(fù)責(zé)分類(lèi)或預(yù)測(cè)，在模型的運(yùn)用不出差錯(cuò)的前提下，特征的好壞成為整個(gè)系統(tǒng)性能的瓶頸。與傳統(tǒng)的淺層學(xué)習(xí)不同，深度學(xué)習(xí)通過(guò)逐層特征變換，將樣本在原空間的特征表示變換到一個(gè)新特征空間，從而使分類(lèi)或預(yù)測(cè)更加容易，展現(xiàn)了強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。深度置信網(wǎng)絡(luò)（DBN）是由若干層無(wú)監(jiān)督的受限玻茲曼機(jī)（RBM）和一層有監(jiān)督的反向傳播網(wǎng)絡(luò)（BP）組成的一種深層神經(jīng)網(wǎng)絡(luò)，是屬于深度學(xué)習(xí)的一種機(jī)器學(xué)習(xí)模型[2]。DBN作為半監(jiān)督深度學(xué)習(xí)模型，首先可以采用大規(guī)模無(wú)標(biāo)簽的樣本集合，為DBN訓(xùn)練提供大量的樣本，省去了標(biāo)注大量樣本的時(shí)間。其次DBN作為深層網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)，能夠?qū)W習(xí)到抽象特征，弱化淺層結(jié)構(gòu)的錯(cuò)誤特征。深度置信網(wǎng)絡(luò)具有較強(qiáng)的無(wú)監(jiān)督特征學(xué)習(xí)能力，但分類(lèi)能力不強(qiáng)，為了彌補(bǔ)DBN分類(lèi)能力不足之處，本文提出將多層感知器（MLP）與DBN相融合用于實(shí)現(xiàn)虛假交易的識(shí)別。感知器，就是二類(lèi)分類(lèi)的線性分類(lèi)模型，其輸入為樣本的特征向量，輸出為樣本的類(lèi)別，即通過(guò)某樣本的特征，就可以準(zhǔn)確判斷該樣本屬于哪一類(lèi)[3]。多層感知器對(duì)于非線性函數(shù)具有很強(qiáng)的逼近能力，并且對(duì)于連接權(quán)值的初始值具有很強(qiáng)的敏感性，與DBN相結(jié)合可以有效地提升分類(lèi)識(shí)別能力。

基于商品銷(xiāo)售記錄的時(shí)序模型

在統(tǒng)計(jì)學(xué)中，多以商品銷(xiāo)售量指數(shù)來(lái)描述商品某一時(shí)期銷(xiāo)量的變化，商品銷(xiāo)售量指數(shù)也稱(chēng)為商品銷(xiāo)售量總指數(shù)，是一種數(shù)量指標(biāo)指數(shù)，是反應(yīng)多種商品銷(xiāo)售量綜合變動(dòng)的總指數(shù)。在本文中，參考商品銷(xiāo)量指數(shù)模型，以商品的月平均銷(xiāo)量作為同度量因素，則商品的每日銷(xiāo)量變化可以用以下公式表示：

其中Sit表示商品i在第t天的銷(xiāo)量，Save表示商品的月平均銷(xiāo)量。同時(shí)考慮到商家的基本信息：累計(jì)評(píng)論數(shù)、交易成功數(shù)、收藏寶貝、退款糾紛率和店鋪?zhàn)?cè)時(shí)間，因此我們使用以下參數(shù)來(lái)作為描述店鋪的特征：

店鋪?zhàn)?cè)時(shí)間：注冊(cè)時(shí)間短的店鋪更有可能雇傭刷客為商品提高人氣。顧客往往會(huì)信任信譽(yù)高的店鋪，注冊(cè)時(shí)間的長(zhǎng)短也會(huì)影響到店鋪的信譽(yù)值，為了快速增加店鋪的信譽(yù)值，新注冊(cè)的店鋪更有可能雇傭刷客為商品提高人氣。以店鋪?zhàn)?cè)時(shí)間至收集到的商品最后一條銷(xiāo)售記錄的時(shí)間距離作為店鋪的特征度量。

退款糾紛率：退款糾紛率高的店鋪更有可能雇傭刷客為商品提高人氣。在現(xiàn)實(shí)中淘寶會(huì)有7天無(wú)條件退貨的要求，當(dāng)顧客受騙時(shí)會(huì)選擇退貨，因此退款糾紛率高的店鋪說(shuō)明此店鋪的商品質(zhì)量有問(wèn)題，因此其交易記錄就有很大可能由刷客所刷。以店鋪的退款糾紛率作為店鋪的特征度量。

商品評(píng)論率=商品累積評(píng)論數(shù)商品成功效易數(shù)：商品評(píng)論率高的店鋪更有可能雇傭刷客為商品提高人氣。評(píng)論是刷客在進(jìn)行虛假交易過(guò)程中的一個(gè)必需的步驟，因此當(dāng)?shù)赇伒纳唐吩u(píng)論率高時(shí)，交易記錄就有很大可能由刷客所刷。以收集到的最后一條交易記錄的時(shí)間為節(jié)點(diǎn)，統(tǒng)計(jì)此商品有內(nèi)容評(píng)論總數(shù)與成功交易數(shù)的比率作為店鋪的特征度量。

單件商品評(píng)論比=單件商品評(píng)論數(shù)店鋪商品評(píng)論總數(shù)：?jiǎn)渭唐吩u(píng)論比高的店鋪更有可能雇傭刷客為此商品提高人氣。雇傭刷客的店鋪往往是由于店鋪商品銷(xiāo)量低而采取的措施，因此在實(shí)際情況中，會(huì)出現(xiàn)單件商品評(píng)論數(shù)遠(yuǎn)大于店鋪其他商品評(píng)論數(shù)的情況。以收集到的最后一條交易記錄的時(shí)間為節(jié)點(diǎn)，統(tǒng)計(jì)此商品累積評(píng)論數(shù)與店鋪評(píng)論總?cè)藬?shù)的比率作為店鋪的特征度量。

收藏率=商品成交數(shù)收藏商品數(shù)：商品收藏率高的店鋪更有可能雇傭刷客為此商品提高人氣。在現(xiàn)實(shí)中，商品收藏?cái)?shù)也會(huì)影響淘寶的搜索排名，為了使自己的商品能夠在淘寶搜索排名中靠前，商家就會(huì)要求刷客在進(jìn)行刷單的同時(shí)收藏此商品，并將收藏商品作為評(píng)判刷單是否完成的一個(gè)重要標(biāo)準(zhǔn)。以收集到的最后一條交易記錄的時(shí)間為節(jié)點(diǎn)，統(tǒng)計(jì)此商品成交總數(shù)與收藏此商品總?cè)藬?shù)的比率作為特征度量。

重復(fù)評(píng)論率=重復(fù)評(píng)論數(shù)商品累積評(píng)論數(shù)：商品重復(fù)評(píng)論率高的店鋪更有可能雇傭刷客為此商品提高人氣。在現(xiàn)實(shí)的刷單交易中，商家為了防止刷客不評(píng)論或者給予不符合店鋪要求的評(píng)論，往往會(huì)在發(fā)布的刷單要求中提供評(píng)論內(nèi)容，將刷單的風(fēng)險(xiǎn)降至最低。因此可以推測(cè)，商品的重復(fù)評(píng)論率越高，則此商品就越有可能涉嫌刷單。以收集到的最后一條交易記錄的時(shí)間為節(jié)點(diǎn)，統(tǒng)計(jì)此商品重復(fù)評(píng)論數(shù)與此商品累積評(píng)論數(shù)的比率作為特征度量。

平均評(píng)論長(zhǎng)度=商品累積評(píng)論字?jǐn)?shù)總和商品累積評(píng)論數(shù)：商品平均評(píng)論長(zhǎng)度長(zhǎng)的店鋪更有可能雇傭刷客為此商品提高人氣。在商家發(fā)布的刷單訂單中，可以看出，為了能吸引消費(fèi)者的目光，商家往往會(huì)在自己提供的評(píng)論中長(zhǎng)篇描述本商品的優(yōu)點(diǎn)和服務(wù)質(zhì)量。因此可以推測(cè)，商品的平均評(píng)論長(zhǎng)度越長(zhǎng)，則此商品就越有可能涉嫌刷單。以收集到的最后一條交易記錄的時(shí)間為節(jié)點(diǎn)，統(tǒng)計(jì)此商品累積評(píng)論字?jǐn)?shù)總和與此商品累積評(píng)論數(shù)的比率作為特征度量。

通過(guò)以上描述，我們就可以得到輸入向量：

其中Fi1表示第i件商品所在店鋪的注冊(cè)時(shí)間，F(xiàn)i表示第i件商品所在店鋪的退款糾紛率，F(xiàn)i3表示第i件商品的商品評(píng)論率，F(xiàn)i4表示第i件商品在店鋪中的單件商品評(píng)論比，F(xiàn)i5表示第i件商品的收藏率，F(xiàn)i6表示第i件商品的重復(fù)評(píng)論率，F(xiàn)i7表示第i件商品的平均評(píng)論長(zhǎng)度。

3基于深度學(xué)習(xí)的虛假交易識(shí)別模型

一個(gè)n輸入m輸出的線性閾值單元組成的多層感知器網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖中，輸入與輸出層之間存在一些隱層。網(wǎng)絡(luò)的輸入層沒(méi)有計(jì)算節(jié)點(diǎn)，只用于獲得外部輸入信號(hào)，各隱層和輸出層的神經(jīng)元才是計(jì)算節(jié)點(diǎn)，其基函數(shù)取線性函數(shù)，激活函數(shù)取硬極限函數(shù)。假設(shè)MLP只有一個(gè)隱層，并設(shè)輸入為x1，x，…，xn，隱層有n1個(gè)神經(jīng)元，它們的輸出分別為h1，h，…，hn1，網(wǎng)絡(luò)輸出用op表示[4]。

則隱層第j個(gè)神經(jīng)元的輸出為：

多層感知器用于解決實(shí)際問(wèn)題時(shí)，首先必須解決輸入到隱層間連接權(quán)的訓(xùn)練問(wèn)題，但是由于難以確定隱層輸出的期望輸出值，導(dǎo)致網(wǎng)絡(luò)權(quán)值訓(xùn)練無(wú)法實(shí)現(xiàn)。因此人們尋求其它神經(jīng)網(wǎng)絡(luò)方案以解決線性不可分問(wèn)題，BP網(wǎng)絡(luò)就是這樣一種網(wǎng)絡(luò)。

傳統(tǒng)的深度置信網(wǎng)絡(luò)（DBN）是利用限制波茲曼機(jī)（RBM）來(lái)構(gòu)建深度置信網(wǎng)絡(luò)，如圖所示。在訓(xùn)練過(guò)程中，首先將顯性向量值映射給隱單元，然后顯單元由隱單元重建，這些新的顯單元再次映射給隱單元，這樣就獲取了新的隱單元。

限制波茲曼機(jī)的能量函數(shù)可以定義為[5]：

本文將MLP與DBN相融合，用于實(shí)現(xiàn)虛假交易的識(shí)別。首先利用DBN對(duì)交易特征進(jìn)行學(xué)習(xí)，得到更高層次的抽象特征，然后對(duì)多層感知器進(jìn)行初始化，從而實(shí)現(xiàn)虛假交易的識(shí)別，其中MLP在網(wǎng)絡(luò)中進(jìn)行分類(lèi)任務(wù)。在DBN的初始化階段，RBM將權(quán)重和偏置與MLP共享，這就意味著在DBN、MLP的初始化中，DBN模塊和MLP模塊使用同樣的權(quán)重矩陣和偏置向量。當(dāng)訓(xùn)練開(kāi)始時(shí)，這些矩陣和向量會(huì)依據(jù)學(xué)習(xí)規(guī)則進(jìn)行調(diào)節(jié)，隨著訓(xùn)練的進(jìn)行，DBN和MLP的權(quán)重矩陣和偏置向量會(huì)隨之改變，也就不再相同。當(dāng)訓(xùn)練整個(gè)網(wǎng)絡(luò)時(shí)，參數(shù)會(huì)隨之進(jìn)行調(diào)節(jié)。簡(jiǎn)略圖如圖3所示。

4實(shí)驗(yàn)及結(jié)果分析

描述特征獨(dú)立樣本T檢驗(yàn)結(jié)果，從輸出數(shù)據(jù)中可以看出兩樣本均數(shù)差別有顯著性意義，顯著性差異明顯。

本文采用分類(lèi)器中最常用的評(píng)測(cè)指標(biāo)：準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）作為刷客識(shí)別的評(píng)判標(biāo)準(zhǔn)[6]。

準(zhǔn)確率表示商品能夠被正確分配到所屬類(lèi)別的準(zhǔn)確率，它體現(xiàn)了分類(lèi)器分類(lèi)結(jié)果的準(zhǔn)確程度。計(jì)算公式如下：

精確率表示虛假交易的商品能夠被成功檢測(cè)出來(lái)的精確率，它體現(xiàn)了分類(lèi)器分類(lèi)結(jié)果的準(zhǔn)確程度。計(jì)算公式如下：

其中，TP表示把虛假交易的商品正確地預(yù)測(cè)為虛假交易的數(shù)量；FP表示把正常交易的商品錯(cuò)誤地預(yù)測(cè)為虛假交易商品的數(shù)量。

召回率表示把虛假交易商品歸類(lèi)為虛假交易商品的概率，表示了虛假交易商品占總商品數(shù)量的比例。

TN表示把正常交易商品正確地預(yù)測(cè)為正常交易商品的數(shù)量；FN表示把虛假交易商品錯(cuò)誤地預(yù)測(cè)為正常交易商品的數(shù)量。

在進(jìn)行評(píng)價(jià)的過(guò)程中將精確度（Precision）和召回率（Recall）結(jié)合在一起，使用一個(gè)參數(shù)F-score來(lái)進(jìn)行性能的評(píng)價(jià)：

中-1表示正常交易商品，1表示虛假交易商品。選取100件商品作為測(cè)試數(shù)據(jù)集，其中重合的點(diǎn)表示識(shí)別正確的商品，未重合的點(diǎn)表示識(shí)別錯(cuò)誤的商品，從圖中可以清晰地看出有5個(gè)未重合的點(diǎn)，即識(shí)別錯(cuò)誤的商品，識(shí)別準(zhǔn)確率達(dá)到了95%。使用分類(lèi)識(shí)別中最常用的指標(biāo)對(duì)識(shí)別結(jié)果進(jìn)行量化分析可知精確率為100%，表示并未將正常交易的商品錯(cuò)誤識(shí)別為虛假交易商品；召回率為90%，表示并未完全識(shí)別出測(cè)試集中的所有虛假交易的商品；綜合精確率和召回率的指標(biāo)F-score為9474%。接下來(lái)將此方法與DBN、SVM、隨機(jī)森林（RF）和樸素貝葉斯方法（NBM）進(jìn)行對(duì)比可以發(fā)現(xiàn)，其性能具有明顯的提升。

5結(jié)論

本文將多層感知器和深度置信網(wǎng)絡(luò)相結(jié)合，用于實(shí)現(xiàn)商品虛假交易的識(shí)別問(wèn)題，其中多層感知器在識(shí)別模型中進(jìn)行的是分類(lèi)任務(wù)。首先利用深度置信網(wǎng)絡(luò)對(duì)交易特征進(jìn)行學(xué)習(xí)，得到更高層次的抽象特征；然后對(duì)多層感知器進(jìn)行初始化，使用多層感知器進(jìn)行分類(lèi)任務(wù)，從而實(shí)現(xiàn)商品虛假交易的識(shí)別。根據(jù)商品的銷(xiāo)售、評(píng)論記錄以及店鋪的基本信息來(lái)作為商品的特征，并將其量化。為了驗(yàn)證方法的可行性，從淘寶中收集商品的信息作為訓(xùn)練和測(cè)試集，對(duì)已經(jīng)標(biāo)記的商品數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，將此方法與傳統(tǒng)識(shí)別方法進(jìn)行對(duì)比，其性能有明顯的提升。想對(duì)于淘寶中存在的海量的虛假交易的商品，本文中的實(shí)驗(yàn)數(shù)據(jù)相對(duì)較少，未來(lái)仍需要爬取相對(duì)較多的數(shù)據(jù)對(duì)方法進(jìn)行進(jìn)一步的驗(yàn)證。

參考文獻(xiàn)

浙江省商務(wù)廳.浙江省網(wǎng)絡(luò)零售業(yè)發(fā)展報(bào)告[DB/OL].http：∥www.zcom.gov.cn/art/2015/6/17/art1127176182.html，2015-06-17.

[2]Do M N，Vetterli M.Wavelet-based texture retrieval using generalized Gaussian density and Kullback-Leibler distance[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2002，11（2）：146-158.