數(shù)字化使得平臺(tái)經(jīng)濟(jì)成為主流的經(jīng)濟(jì)模式,而風(fēng)險(xiǎn)特征的準(zhǔn)確識(shí)別是應(yīng)對(duì)平臺(tái)經(jīng)濟(jì)異常事件的發(fā)生并產(chǎn)生對(duì)應(yīng)治理策略的重點(diǎn)。論文從這一角度出發(fā),選擇實(shí)體產(chǎn)品交易平臺(tái)和服務(wù)交易平臺(tái)中兩個(gè)代表性交易平臺(tái)的異常事件為研究對(duì)象,重點(diǎn)解決兩個(gè)實(shí)際問(wèn)題:1)如何在異類知識(shí)管理的視角下利用機(jī)器學(xué)習(xí)算法識(shí)別交易平臺(tái)經(jīng)濟(jì)中異常行為的風(fēng)險(xiǎn)特征及機(jī)理。2)在知識(shí)管理基本環(huán)節(jié)的知識(shí)創(chuàng)造、轉(zhuǎn)移、存儲(chǔ)、應(yīng)用中,如何創(chuàng)新異類知識(shí)獲取及異類知識(shí)共享的方法,增加異類知識(shí)的密集度,解決平臺(tái)生態(tài)中各方主體知識(shí)不對(duì)稱問(wèn)題,實(shí)現(xiàn)針對(duì)性的平臺(tái)治理策略。全文研究方法如下:首先,遵循設(shè)計(jì)科學(xué)的研究范式,并在DIKW知識(shí)利用體系的基礎(chǔ)上,設(shè)計(jì)和開(kāi)發(fā)了異類知識(shí)獲取與利用策略,構(gòu)建了交易平臺(tái)風(fēng)險(xiǎn)識(shí)別與治理框架模型,為后續(xù)研究提供了理論框架支撐,更好的實(shí)現(xiàn)數(shù)據(jù)挖掘與異類知識(shí)管理相結(jié)合。其次,在實(shí)體產(chǎn)品交易平臺(tái)的異常“羊毛黨”風(fēng)險(xiǎn)識(shí)別與治理研究中,側(cè)重可解釋性集成算法,通過(guò)構(gòu)造特征群及群內(nèi)特征針對(duì)性交叉組合,創(chuàng)新了一種切合消費(fèi)金融平臺(tái)的多類型業(yè)務(wù)場(chǎng)景的特征工程半自動(dòng)特征提取方法,并提出基于貝葉斯超參數(shù)優(yōu)化的Light GBM異常行為用戶風(fēng)險(xiǎn)識(shí)別新方法,通... 

【文章來(lái)源】：武漢紡織大學(xué)湖北省

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

錯(cuò)誤率與損失值

貢獻(xiàn)率最高的前15個(gè)解釋特征

5服務(wù)產(chǎn)品交易平臺(tái)模型驗(yàn)證與討論41[27]Nian等[110]--91.00-ubelj等[111]87.2089.1365.08Xu等[112]88.7--Tao等[113]-91.31-由于集成深度學(xué)習(xí)模型的輸入必須為數(shù)字，故通過(guò)將類別型數(shù)據(jù)轉(zhuǎn)化為獨(dú)熱向量編碼，對(duì)數(shù)值型數(shù)據(jù)通過(guò)公式5.1在[0,1]范圍內(nèi)進(jìn)行標(biāo)準(zhǔn)化處理，加速提高梯度下降求最優(yōu)解時(shí)的速度同時(shí)更利于綜合比較。minmaxmin"xxxxx式（5.1）5.4算法模型的設(shè)計(jì)所提出的集成深度學(xué)習(xí)欺詐風(fēng)險(xiǎn)識(shí)別模型由CNN、LSTM和DNN層組成，并以線性結(jié)構(gòu)連接。圖5.1顯示了所提出進(jìn)行車險(xiǎn)欺詐識(shí)別的總體構(gòu)建。與傳統(tǒng)的機(jī)器學(xué)習(xí)分類器不同，深度學(xué)習(xí)算法不依賴于任何特征工程,相反，將原始數(shù)據(jù)輸入后，通過(guò)多個(gè)隱藏層的非線性變換，以獲得最佳的特征表示本身。該模型使用預(yù)處理數(shù)據(jù)作為輸入，使用CNN中的卷積展現(xiàn)的良好的特征表達(dá)能力自動(dòng)提取局部通用特征，然后將學(xué)習(xí)到的特征傳遞給LSTM層，在去除噪聲的同時(shí)這有助于獲得序列間相關(guān)信息，隱式地模擬數(shù)據(jù)屬性之間的共線依賴性，并將該特征傳遞給全連接DNN層后通過(guò)Relu非線性激活函數(shù)執(zhí)行欺詐風(fēng)險(xiǎn)識(shí)別。圖5.1所提出的CNN-LSTM融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]管理決策情境下大數(shù)據(jù)驅(qū)動(dòng)的研究和應(yīng)用挑戰(zhàn)——范式轉(zhuǎn)變與研究方向[J]. 陳國(guó)青,吳剛,顧遠(yuǎn)東,陸本江,衛(wèi)強(qiáng).  管理科學(xué)學(xué)報(bào). 2018(07)
[2]電子商務(wù)平臺(tái)吸附能力的影響機(jī)制研究——平臺(tái)柔性和控制機(jī)制的交互效應(yīng)[J]. 池毛毛,趙晶,李延暉,王偉軍,盧新元.  管理科學(xué)學(xué)報(bào). 2018(07)
[3]共享經(jīng)濟(jì)創(chuàng)業(yè)的異常模仿行為及其協(xié)同治理[J]. 彭華濤,羅一郎,夏德.  科學(xué)學(xué)研究. 2018(07)
[4]電子商務(wù)平臺(tái)生態(tài)化與平臺(tái)治理政策[J]. 李廣乾,陶濤.  管理世界. 2018(06)
[5]基于二次組合的特征工程與XGBoost模型的用戶行為預(yù)測(cè)[J]. 楊立洪,白肇強(qiáng).  科學(xué)技術(shù)與工程. 2018(14)
[6]平臺(tái)型企業(yè)社會(huì)責(zé)任:邊界、治理與評(píng)價(jià)[J]. 陽(yáng)鎮(zhèn).  經(jīng)濟(jì)學(xué)家. 2018(05)
[7]基于LightGBM算法的P2P項(xiàng)目信用評(píng)級(jí)模型的設(shè)計(jì)及應(yīng)用[J]. 馬曉君,沙靖嵐,牛雪琪.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2018(05)
[8]基于圖分析和支持向量機(jī)的企業(yè)網(wǎng)異常用戶檢測(cè)[J]. 徐兵,郭淵博,葉子維,胡永進(jìn).  計(jì)算機(jī)應(yīng)用. 2018(02)
[9]基于GMM-RBF神經(jīng)網(wǎng)絡(luò)的前列腺癌診斷方法[J]. 崔少澤,王杜娟,王蘇桐,夏江南,王延章,JIN Yaochu.  管理科學(xué). 2018(01)
[10]平臺(tái)型網(wǎng)絡(luò)市場(chǎng)中的“檸檬問(wèn)題”形成機(jī)理與治理機(jī)制——基于阿里巴巴的案例研究[J]. 汪旭暉,張其林.  中國(guó)軟科學(xué). 2017(10)



本文編號(hào)：3343721