一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统技术方案

一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，包括跨境电商产品云平台模块

【技术实现步骤摘要】
一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统


[0001]本专利技术涉及跨境电商领域，具体地说，涉及一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统
。

技术介绍

[0002]跨境电子商务是指分属不同关境的交易主体，通过电子商务平台达成交易
、
进行电子支付结算，并通过跨境电商物流及异地仓储送达商品，从而完成交易的一种国际商业活动
。
国家大力部署推进物流枢纽布局建设，促进提高国民经济运行质量和效率
。
跨境电子商务作为推动经济一体化
、
贸易全球化的技术基础，具有非常重要的战略意义
。
跨境电子商务不仅冲破了国家间的障碍，使国际贸易走向无国界贸易，同时它也正在引起世界经济贸易的巨大变革
。
对企业来说，跨境电子商务构建的开放
、
多维
、
立体的多边经贸合作模式，极大地拓宽了进入国际市场的路径，大大促进了多边资源的优化配置与企业间的互利共赢；对于消费者来说，跨境电子商务使他们非常容易地获取其他国家的信息并买到物美价廉的商品
。
但目前现有国际中的跨境电子商务一体化运维问题中人工操作复杂，同一性存在差异，系统分布不灵活和产品信用难以区分等问题仍然存在，本专利技术将云平台和智能算法与跨境电子商务相结合，实现跨境电商的整体性系统控制和不同地区的产品信用追踪
。
其应用层面广，经济成本低，可以推广至社会应用，丰富跨境自由贸易体系，带来良好的社会和经济效益
。

技术实现思路

[0003]本专利技术的目的在于提供一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，以解决上述
技术介绍
中提出的问题
。
[0004]为实现上述目的，提供了一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，包括跨境电商产品云平台模块
、
跨境电商产品信用等级分类模块和跨境电商产品售后模块
。
[0005]S1.
对跨境电商产品的生产厂家及代理销售商进行信息溯源，初步评定厂家的信用状态；
[0006]S2.
标记同一产品在不同国际区域的销售对比信息，构建跨境产品的系统数据库，基于系统数据库，用户界面和云服务搭建分布式的云平台和跨境电商网络代理的访问权限，保证信息安全；
[0007]S3.
将交易过程中的产品处理问题记录在系统数据库中，将单位时间段内的同一产品的交易评价信息基于随机梯度提升树算法进行多角度的产品厂家信用分类；
[0008]S4.
基于产品厂家信用分类的结果，结合买家评价等级构建动态的信用评估模型，在系统数据库中记录买家信息，追踪售后评价和言论，验证产品厂家的信用分类情况与信用评估模型的匹配度，反演买家信息，与买家进行沟通，如果存在买家恶意评价的现象，则
剔除相应的记录，保证相对客观的信用信息；
[0009]S5.
实时更新系统数据，将单位时间段内的信息信息更新至用户界面，为买家提供选购依据，为跨境电商提供信用约束和出售服务；
[0010]进一步的，所述
S1
中信息溯源包括跨境电商产品的生产厂家及代理销售商的注册商标，品牌信息和运营资质的一种或多种组合；
[0011]进一步的，所述
S2
中系统数据库，主要是以处理非关系型和关系型数据库的
MongoDB
技术进行搭建；
[0012]进一步的，所述
S3
中单位时间段内的同一产品的交易评价信息基于随机梯度提升树算法进行多角度的产品厂家信用分类，详细过程如下：
[0013]使用改进的随机梯度提升树算法
(Grandient Boosting Decision Tree
简称
GBDT)
，即梯度提升决策树，用于回归和分类研究的机器学习算法，求得一个模型使它对输入变量的预测值
F(x)
逼近它的真实值
y
，采用贪心的策略，每次训练一个弱分类模型，让每一个基模型的预测值
h
m
(x)
逼近它需要预测的部分真实值，然后把这些基模型的预测值加权组合；每个弱分类模型的结构是一棵二叉决策树，在训练弱分类模型的过程中，模型学习真实值
y
与上一轮迭代后的预测值
F
m
‑1(x)
之差，即拟合残差，残差
y
‑
F
m
‑1(x)
是立方损失函数的反向梯度，如下式所示：
[0014][0015]其中，
x
表示产品数据库的属性变量，拟合残差后，之前的迭代预测值
F
m
‑1(x)
加上本轮拟合残差的
h
m
(x)
得到的
F
m
(x)
，可使平方误差损失函数降低，最终可使得整体模型的预测值
F(x)
逼近真实值
y
，此时每个基模型拟合的是损失函数的反向梯度，经过输入
、
训练和迭代后得到标准模型
。
本专利技术使用改进的随机梯度提升树算法，残差
y
‑
F
m
‑1(x)
使用立方损失函数的反向梯度，相比于传统随机梯度提升树算法，模拟预测值迭代更快，增加了算法效率
。
[0016]在梯度下降法求解的过程中，设置学习率
v
，更容易接近真实值，当
v
降低时，基模型的数目相应的要増大，从而提高模型的准确率
。
梯度提升决策树的训练算法如下所示：
[0017]输入给定的训练集一个可微的损失函数
L(y,F(x))
，迭代的次数
M(
即决策树的数目
/
基模型的个数
)
；
[0018](1)
用一个常量
γ0初始化模型：
[0019][0020]其中
F0(x)
为初始化模型；为取最小值时对应的变量点
x
；
y
i
为给定的训练集中的元素
。
[0021](2)
对于
m
＝
1to M
：
[0022]计算伪残差
r
min
如下：
[0023][0024]根据训练集构建一个弱学习器
h
m
(x)
来拟合伪残差；
[0025]通过如下的一维优化来计算乘子
γ
m
：
[0026][0027]v
表示学习率，更新模型的计算公式如下：
[0028]F
m
＝...

【技术保护点】

【技术特征摘要】
1.
一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，包括跨境电商产品云平台模块
、
跨境电商产品信用等级分类模块和跨境电商产品售后模块；
S1.
对跨境电商产品的生产厂家及代理销售商进行信息溯源，初步评定厂家的信用状态；
S2.
标记同一产品在不同国际区域的销售对比信息，构建跨境电商产品数据库，基于系统数据库，用户界面和云服务搭建分布式的云平台和跨境电商网络代理的访问权限，保证信息安全；
S3.
将交易过程中的产品处理问题记录在系统数据库中，将单位时间段内的同一产品的交易评价信息基于随机梯度提升树算法进行多角度的产品厂家信用分类；
S4.
基于产品厂家信用分类的结果，结合买家评价等级构建动态的信用评估模型，在系统数据库中记录买家信息，追踪售后评价和言论，验证产品厂家的信用分类情况与信用评估模型的匹配度，反演买家信息，与买家进行沟通，如果存在买家恶意评价的现象，则剔除相应的记录，保证相对客观的信用信息；
S5.
实时更新系统数据，将单位时间段内的信息更新至用户界面，为买家提供选购依据，为跨境电商提供信用约束和出售服务
。2.
根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述
S1
中信息溯源包括跨境电商产品的生产厂家及代理销售商的注册商标，品牌信息和运营资质的信息组合
。3.
根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述
S2
中系统数据库，主要是以处理非关系型和关系型数据库的
MongoDB
技术进行搭建
。4.
根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述
S3
中单位时间段内的同一产品的交易评价信息基于改进的
GBDT
算法进行多角度的产品厂家信用分类，详细过程如下：采用贪心的策略，每次训练一个弱分类模型，让每一个基模型的预测值
h
m
(x)
逼近它需要预测的部分真实值，然后把这些基模型的预测值加权组合；每个弱分类模型的结构是一棵二叉决策树，在训练弱分类模型的过程中，模型学习真实值
y
与上一轮迭代后的预测值
F
m
‑1(x)
之差，即拟合残差，残差
y
‑
F
m
‑1(x)
是立方损失函数的反向梯度，
x
是输入的厂家信用自变量，如下式所示：其中，
x
表示产品数据库的属性变量，拟合残差后，之前的迭代预测值
F
m
‑1(x)
加上本轮得到的预测值
h
m
(x)
得到的
F
m
(x)
，使平方误差损失函数降低，最终可使得整体模型的预测值
F(x)
逼近真实值
y
，此时每个基模型拟合的是损失函数的反向梯度，经过输入
、
训练和迭代后得到标准模型；使用改进的
GBDT
算法，残差
y
‑
F
m
‑1(x)
使用立方损失函数的反向梯度
。5.
根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述
S4
中结合买家评价等级构建动态的信用评估模型，详细过程如下：使用
Logistic
回归模型进行动态信用评估模型的构建，在企业信用评估的实践中，该
模型内部所包含的线性结构使其具有良好的稳定性和可解释性；假设在跨境电商产品交易中，有
n
个买家，
X
＝
(x1,x2,
…
,x
m
)
...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：广东德澳智慧医疗科技有限公司，
类型：发明
国别省市：