杂志汇电子商务

摘要：针对云环境下电子商务企业信任评估模型的不足，从交易行为、网站、云环境等方面构建信任度评价指标体系，并充分考了虚假评价和恶意推荐带来的影响及信任度新近变化情况，建立了云环境下基于BP神经网络的电子商务企业信任评估模型。对云环境下数据的动态性、不确定性等特点，运用改进的BP神经网络技术，采用在隐含层的神经元设置可调多项式函数序列作为激活函数，提高网络的收敛速度，权重采用的是较小的随机数，没有复杂的人工计算过程，较好的克服了评估中的人为影响因素。

关键词：信任评估模型；BP神经网络；云计算

中图分类号：TP939 文献标识码：A

引言

云计算作为一种全新的计算模式和服务模式，为电子商务企业实现资源整合、多样的服务及降低成本提供了技术支持，使电子商务企业拥有一个开放的交易平台。由于云环境下网络交易存在的动态性、时空分离性、虚拟性及不确定性等特点，给电子商务的交易安全带来了许多与云应用相关的新挑战。为此，云环境下信任评估问题的研究吸引了国内外众多学者的关注，通过对云环境下电子商务信任度评价指标体系的构建及信任评估算法的设计，提高对商家的信任度的定量评估能力，对促进电子商务健康持续发展具有重要意义。

1.相关理论研究

1.1 信任

信任[1]在不同的学科中的定义不尽相同，在电子商务交易中，信任是买卖双方在特定的时间段和特定的上下文环境中，买方对卖方在某一交易中按照预期完成交易的诚信性、安全性及可靠性的一种主观感受，大小用信任度来衡量，表示信任的程度，可对信任度进行量化表示。

1.2 信任模型研究现状

近年来，国内外学者对信任及评估问题进行了大量的研究，M.Blaze等人[1]于1996年首次提出“信任管理”，即采用统一的方法描述信任关系，用精确、理性的方式度量复杂的信任关系。唐文等[2]将语言变量、模糊逻辑引入主观信任管理研究中，对信任的度量机制提出了新见解。刘亮等
[3]提出了在考虑服务的直接信任度的同时兼顾推荐信任度，引入信任度调节因子，对直接信任度和推荐信任度进行加权综合，得到服务的综合信任度。赵娉婷等[4]提出一种基于服务等级协议SLA的中立第三方动态信任评估系统框架，形成对云服务商服务可信度的全面和动态的评价。胡伟雄等[5]运用BP神经网络技术，构建一个C2C电子商务信任度评价模型，可以对信任度进行较为客观有效的评估。

通过对已有的研究方法的比较，常用的信任度评价方法有加权平均法、模糊综合评价、灰色聚类评价法等分析方法，这些方法虽然各有优势，但也还存在一些缺陷。例如，加权平均法模型中权重的确定非常主观和不确定，权重不同最后的结果将会完全不同；模糊综合评价法较好地表达了信任的模糊性，能够表达定性的知识和经验，使得评价更客观、灵活，但模型在一些指标取值方面还存在着计算复杂、求解烦琐等不足。

BP人工神经网络是通过数学方法对人脑的基本特性进行模拟的非线性信息处理系统。它通过样本数据训练神经网络，动态调整对评估对象产生的影响，其缺点是算法的收敛速度慢。因此，本文通过对BP神经网络进行改进，优化BP神经网络的输入变量，调整初始权值和阈值，将网络隐含层中神经元的激活函数设置为可调多项式函数，克服BP算法的收敛速度慢的缺陷，建立云环境下的BP神经网络信任评估模型，对电子商务企业进行信任评估。

2.云环境下电子商务企业信任度评价指标体系

已经有多名学者就信任度的评价指标做了大量的研究，本文将从云环境下，电子商务企业信任度的主要影响因素进行研究，包括3个方面：即交易行为的信任度、网站的信任度、云环境的安全性，通过对电子商务企业这三方面的可信度的评估，可判定其商务活动的可信度。

1）影响交易行为信任度的主要因素有：交易完成时消费者反馈评价、反馈评价的信任值、交易商品的价值、商家积累的历史信任值、评价的时间范围等。

2）影响网站信任度的主要因素有：网站使用性建设，包括网站的实用性、安全性、个性化、吸引力等方面的建设，这种建设越完善其信任度越高；网站的制度建设，比如使用第三方支付如支付宝，建立退换货机制，提供投诉通道等保障消费者权益的机制，这种让消费者放心购物的机制越完善，网站的信任度也就越高。

3）云环境的安全性：在云计算中主要提供3种类型的服务基础设施，即服务（IaaS）、平台即服务（ PaaS）、软件即服务（SaaS），对每种服务类型根据云服务商签订的保证服务质量的协议的各项服务参数，通过对这些参数监测来判断是否达到服务水平。

这些信任影响因素是信任模型建立的基础，在综合信任度的评估中，除了考虑影响信任度的主要因素外，还需要考虑两种特殊情况：首生是虚假评价和恶意推荐带来的影响；另外，能够调整卖方最近的信任度在综合信任度评估中所占的比重，能够区别一个有着高信任度的卖方开始进行不诚信的交易活动，以及有着低信任度值的卖方开始进行诚信的交易活动，由此确定的指标体系，如表1所示：

3.云环境下BP神经网络信任模型框架

3.1 BP神经网络方法

BP神经网络是目前应用最广泛的人工神经网络之一，其基本组成是由各个神经元的连接权组成，可以大体分为3个层次：输入层、隐含层和输出层，本文将网络隐含层中神经元的激活函数设置为可调多项式函数序列，用以提高BP神经网络收敛速度。具体工作原理是：输入信号从输入层输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，减小输出端的误差，使输出值与期望值的误差作反向传播，反复修改各层间的权值和阈值，直到当网络输出层的误差达到允许的范围时训练完成，保存网络的权值和阀值。

3.2 评价指标的归一化

从样本中获取表1中的二级指标数据，即为二级指标的值，这样就得到了13个指标值。完成原始数据进行归一化处理，将它们转化为闭区间[0，1]上的无量纲性指标值，以此作为BP网络的输入。本文采用的归一化公式是：

① 输入层设计

输入层的节点个数为二级信任指标个数，我们采用13维的输入向量。

② 隐藏层设计

③ 输出层设计

输出层输出综合信任度，综合信任度是对电子商务企业的商务活动的最终评估结果，因此输出层的节点个数为1个。整个信任度评价体系运行的输出结果划分为四种状态，分别为可信、基本可信、警惕、不可信，当网络输出结果小于输出层阈值时，则认为是危险信号，设置其输出值为0，表示不可信；反之，则设置其输出值为1，即表示可信。

4.模型的训练与验证

我们构建仿真实例：假设云计算环境下的电子商务平台有20个卖家，获取表1中的二级信任指标数据，对卖家的每一项指标数据，采用多个买家对其评价在该项数据上的平均值。选择前10个卖家数据作为训练集，后10个卖家数据作为测试集，模拟待评价的对象。求信任度的步骤如下：①BP神经网络初始化，对所有连接权值、阈值赋予[-1，1]之间的较小的随机值；②设定隐含层节点数、传递函数、误差精度和学习次数等参数值；③为隐含层的神经元设置可调多项式函数序列作为激活函数；④根据训练集数据，输入学习样本的输入向量，计算实际输出值与期望输出值的误差，判断误差是否小于设定值，是则转向步骤六；⑤根据步骤四得出的误差，调整输入层、隐含层、输出层的连接权值，误差信号反向传播，调整各层之间节点的连接权值和阈值，减小误差，转向步骤四；⑥直至误差小于设定值，BP神经网络的权值和阈值为问题的最终解，采用测试集数据，求各卖家的信任度。

5.结语

本文构建了云环境下电子商务企业信任评估模型，分析了云环境下影响电子商务企业信任度的主要因素，并充分考虑了虚假评价和恶意推荐带来的影响。针对BP神经网络训练速度慢的缺陷，运用为隐含层的神经元设置可调多项式函数序列作为激活函数加以改进，建立电子商务信任度评价体系。在整个BP神经网络学习过程中，权重采用的是较小的随机数，将给定的目标输出直接作为多项式线性方程的代数和，求得待求权值，没有复杂的人工计算过程，较好的克服了评估中的人为影响因素。

参考文献

[1] Blaze M.Feigenbaum J.Decentralized trust management//Proceedingds of the Symposium on Security and Privacy. Oakland,1996:164-173

[2] 唐文，陈钟.基于模糊集合理论的主观信任管理模型研究[J].软件学报，2003，14（8）：1401：1408

[3] 刘亮，周德俭，谢晓兰，李静.基于云计算的服务信任评估模型. 软件导刊，2011，10（5）：75-77

[4] 赵娉婷，韩臻，何永忠.基于SLA的云计算动态信任评估模型[J].北京交通大学学报，2013，37（5）：80-87

[5] 胡伟雄，姜政军.基于BP神经网络的C2C电子商务信任度评价模型[J].图书情报工作，2012，56（10）：131-137

[6] 周永权.多项式函数型回归神经网络模型及应用[J].计算机学报，2003，26（9）：1196-1200