融合自动学习的电子商务决策模型

2019-01-10江梅霞

西安文理学院学报（自然科学版） 2018年6期

江梅霞, 查宇

(安徽机电职业技术学院 a.经贸管理系; b.信息工程系,安徽芜湖 241002)

现代信息技术的快速发展，带动了如物联网、云计算等新兴科技的兴起[1]，人类逐步进入到了多元化的信息时代，同时电子商务决策开始逐步被社会各界所关注[2-3].相关调查表明[4]，当前电子商务系统规模在不断扩大，其数据中心同时由上千台服务器支撑完成.对于电子商务而言，应该如何有效地从电子商务决策中准确获得电子商务所需的信息，实现信息价值[5]，将信息运用到电子商务经济效益的生产中去，这成为当前电子商务提升其竞争实力的重要方式[6].

本文研究中，将电子商务决策视为不同条件属性、相同决策属性的多张决策表所组成的，以此实现了电子商务决策的区间化，研究电子商务交易的相关决策制定方法.在电子商务决策处理中有效地引入了自动学习的方法，从而有效地降低了电子商务决策分析中所需要处理的数据量；结合电子商务决策连续值属性，以及其在信息研究中以数据块为研究对象的特征，本文提出尝试实现数据块的近似描述，从而探讨电子商务决策模型的决策方法，并就相关算法进行研究.同时为了增强算法的实用性，提出了融合自动学习的电子商务决策模型.

1 自动学习在电子商务决策中的应用

|·|代表了具有的电子商务决策模型对象数目.

其中，d为与Xw相交不为空的自动学习相容类Yj的个数.

2 融合自动学习的交易决策模型

自动学习算法的特点就是在决策者经验的基础上引入相关的影响因素，并且作量化的处理.最后在决策对象的分析过程中分别使用定量与定性作为参考标准，通过对决策对象进行比较，筛选出较好的决策对象.整个算法的流程如下：

步骤1：首先在分析相关影响程度的基础上建立学习模型，模型结构如图1所示，该模型的使用是在买家将部分卖家的产品放入到模型中进行识别，通过识别的结果进行排序，通过该学习模型的结果提供相应的决策.为了简化图1的学习模型，也就产生了自学习模型结构简化如图2所示.

图1 自学习模型结构

图2 自学习模型结构简化

步骤2:在生成自学习模型结构后，在此基础上对各个层上的因素重要性进行相应的对比工作，通过1～9的评分建立相应的判断矩阵，判断矩阵如表1所示.

通过4个商家的实际案例对学习模型进行分析，在使用判断矩阵进行分析后，得到相应的得分，得分结果如表2所示.

表1 应用在准则层的判断矩阵A

表2 方案层中的得分

由表2可以看出，在使用改进后的判断矩阵对各元素进行得分判断时，得到的评分结果如表3～表6所示.

表3 使用判断矩阵S1的物品质量

表4 使用判断矩阵S2的服务质量

表5 使用判断矩阵S3的快递质量

表6 安全质量判断矩阵S4

步骤3:在表4～表6中为了比较一致性，选择最大的特征值，比较的结果如表7所示.

表7 使用判断矩阵后的一致性情况

在Matlab中使用数学模型进行变形，在最大特征值λmax的情况下进行归一化处理，得到的准则层相对于目标层的特征向量如下：

W2=(0.446 8,0.076 7,0.048 7,0.427 8)

方案层相对于准则层的特征向量为：

步骤4:最后需要对相对于顶层，底层的重要性的等级进行判断，从而进行相应的排序工作，排序结果如表8所示.

表8 学习模型中的排序结果

3 实验分析

从表2中选择的4个商家的基本情况是：A、B、C、D这4个卖家均是从事服装行业的商家.商家A是2015年6月22日成立的，已经卖出42单；商家B是2015年8月22日成立的，已经卖出40单；商家C是2015年9月4日成立的，已经卖出37单；商家D是2015年9月3日成立的，已经卖出38单.这4个商家的综合得分的均值为6.3分.获得顾客的好评率依次为：97.5%,97.5%,97.2%,97.2%.

通过对表2的数据进行对比分析，在本文改进算法的基础上可以计算出4个商家的评价结果，如表9所示.

表9 4个商家评价结果顺序

根据表9可知，4个商家的评价结果顺序依次为A、B、C、D.可以看出商家A获得客户的评价最好.因此，商家A可被认为是最优交易对象.但是，根据实际情况可知，商家A的贸易总额度和平均贸易额度值全部大于其他3个商家，贸易金额比较说明商家A要比其他3个商家更加关注贸易诚信.除此之外，商家A并没有差评的情况发生，最差的情况就是一次中评.可以看出，如果在评分情况或者好评率基本上相同的情况下，商家A就能够有更大的概率提供较好的服务.