基于C2C交易的卖方信用增长模式分析

J4 ›› 2014, Vol. 36 ›› Issue (04): 758-764.

基于C2C交易的卖方信用增长模式分析

蒋建洪1,罗玫2

(1.桂林电子科技大学商学院,广西桂林 541004;2.桂林理工大学，广西桂林 541004)

收稿日期:2012-10-24 修回日期:2013-01-24 出版日期:2014-04-25 发布日期:2014-04-25
基金资助:
广西壮族自治区教育厅人文社科研究项目(SK13YB036);桂林电子科技大学博士启动基金资助项目(US12010Y)

Growth pattern analysis of seller’s
credit based on C2C transactions

JIANG Jianhong1,LUO Mei2

(1.Business College,Guilin University of Electronic Technology,Guilin 541004;
2.Guilin University of Technology,Guilin 541004,China)

Received:2012-10-24 Revised:2013-01-24 Online:2014-04-25 Published:2014-04-25

摘要/Abstract

摘要：

针对目前缺乏有效区分卖方信用增长类型的问题，提出了一种卖方交易数据转换的方法，并提出了C2C交易信用增长模式分类算法。通过引入监督的XYF网络方法对电子商务交易数据进行分析，能够对处于同一行业中、具有不同信用增长模式的卖方分类，为卖方的虚假信用识别提供了一种有效的途径，也为卖方的交易模式进行分类识别提供了一种新的思路。

关键词: 电子商务, C2C交易, 卖方信用, 神经网络, 模式

Abstract:

For the current problem of lack of a valid distinction between the seller credit growth patterns,a seller transaction data conversion method is proposed,and the classification model of C2C trading credit growth pattern is proposed.By analyzing the Ecommerce transaction data through the supervision XYF network, the different seller’s credit growth patterns in the same category can be classified.It provides an effective way to identify the seller's fake credit,and also provides a new thought of classifying the seller’s transaction mode.

Key words: e-commerce;C2C transactions;seller’s credit;neural network, pattern

蒋建洪1,罗玫2. 基于C2C交易的卖方信用增长模式分析[J]. J4, 2014, 36(04): 758-764.

JIANG Jianhong1,LUO Mei2. Growth pattern analysis of seller’s
credit based on C2C transactions [J]. J4, 2014, 36(04): 758-764.

[1]	姜晶菲, 何源宏, 许金伟, 许诗瑶, 钱希福. NM-SpMM：面向国产异构向量处理器的半结构化稀疏矩阵乘算法[J]. 计算机工程与科学, 2024, 46(07): 1141-1150.
[2]	王堃, 李少波, 何玲, 周鹏. 基于改进北方苍鹰优化随机配置网络的网络流量预测模型[J]. 计算机工程与科学, 2024, 46(07): 1245-1255.
[3]	杨仕琦, 武优西, 耿萌, 李艳. 一次性条件下的三支序列模式挖掘[J]. 计算机工程与科学, 2024, 46(07): 1286-1295.
[4]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[5]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[6]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[7]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[8]	王谢中, 陈旭, 景永俊, 王叔洋. 基于异构图神经网络的半监督网站主题分类[J]. 计算机工程与科学, 2024, 46(04): 635-646.
[9]	吴瑕, 郑洪英, 肖迪. 一种基于认证文件的双方验证模型水印方案[J]. 计算机工程与科学, 2024, 46(04): 647-656.
[10]	余天赐, 高尚. 融合多结构信息的代码注释生成模型[J]. 计算机工程与科学, 2024, 46(04): 667-675.
[11]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[12]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[13]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[14]	马雪, 何星星, 兰咏琪, 李莹芳. 一阶逻辑中基于treelet图神经网络的前提选择[J]. 计算机工程与科学, 2024, 46(02): 374-380.
[15]	孙庆骁, 刘轶, 杨海龙, 王一晴, 贾婕, 栾钟治, 钱德沛. GNNSched：面向GPU的图神经网络推理任务调度框架[J]. 计算机工程与科学, 2024, 46(01): 1-11.