电子商务中的计算机体智慧:评价系统中的激励方案设计

集体智慧 everyinch 1915℃ 0评论

摘要:在大多数的电子商务网站,评价系统都是用来在交易之后评价每一个使用者。通常,卖家在电子商务中的评价得分是基于买家所给的分数计算的。在最新的电子商务网站中,评价是基于每一个用户经过思考所给出的多种属性的集合。从这个观点出发,卖家的在电子商务活动中的评分是买家们的集体智慧,综合得分是计算智慧,因为无论是否与卖家进行交易每一个买家都作出自己的决定。在这篇论文中,我们讨论电子商务评价系统中的计算智慧。然而,为了避免交易内容中的非对称的和不完全的信息,我们设计了一个交易评价的机制。在此之后,我们给出了实验一验证在我们预定的机制中成功的交易的比例。这篇论文的价值在于给出了电子商务中计算智慧和评价机制设计的理论研究,并展示了预想的机制的效率。
关键字:评价系统;电子商务;激励设计;不完全信息;不对称信息

1.引言
计算智慧是一种信息形式,这种信息是有字体向上的信息构成。他们中的一些在人们做选择的时候非常有用和实用。在最近这些年,计算集体智慧子在网络中出现,并且帮助实用者做出决定。特别的,交易评价从使用者到评价贸易者中搜集信息。这为人们提供了买家的基于多属性标准的特性。随着网上市场规模的扩大,网络中的犯罪和欺诈现象逐年增多。通常,电子商务网站提供卖家的评价功能以使得卖家的信息公开。电子交易市场的评价系统是保证交易提供并且提供安全交易的强有力手段。即使电子商务使用简单的评价系统,这个评价系统对于预防非诚信行为很有效。现有的评价系统使得用户输入排序基于单一的评价属性,因而具备严重的局限。尽管,卖家在电子商务网站中提供了不完全的信息,买家或许不能在卖家的评价系统中声明。在这样的情况下,在买家和卖家之间具备很多不对称信息。


电子商务中的评价系统

为了解决电子商务和评价系统中的这个问题,我们提出了一个新的评价方法,在这分方法中卖家开放了很多项目的可靠信息。在我们提出的方案中,卖家可以自由的选择那些对于卖家十分重要的评价属性。对于卖家的综合评价基于大量的属性。也就是,总体的评价分数取决于评价的项目的个数,我们的模型给出了卖家的额外的评价点。当一个卖家提供了很多评价信息时,即使每一个分数不是很高,买家或许可以考虑这样的卖家的信誉。这也就是说卖家会尽可能多的在评价系统中提供自己的信息。这样,卖家就会愿意设置更多的评价选项供买家评价。在文章的最后,我们提供了实验结果来验证我们模型的特点并给出一些关于卖家策略的讨论。
这篇文章的主要贡献在于验证激励信息开放的评价机制,验证卖家在提供了多种验证属性之后可能会达成一个成功的交易,除非买家给了给更少的验证属性打高分,并且讨论了在这个模型下卖家的最好应对策略和买家的实际选择偏好。

2.电子商务集体智慧
A.贸易者评价系统
在电子商务评价系统中,沃恩可以看到很多以前交易者输入的有用信息。当一个卖家的评价分数不是很高时,你或许不会与之进行贸易。当你想尽快获取一个商品时,你或许集中注意运货速度的属性而不是总体评分。每一个评一般都是由以前用户提供的分数所计算的平均值。同样,总体的综合评分是每一项属性的平均值。也就是说,我们可以知道在电子商务中的集体智慧。确切的说,随着样品数量的增长,评价的可靠性也在提升。
然而,总体的得分并不反映卖家的特点。同样,如果产品的分类不一样从而具备不同的特性,总体的评分也不能反映交易历史。在下一章中,我们将展示一个案例,在这个案例中产品由于不同的分类而导致评价分数无法相比较。
B.不同的评价
考虑到当你在英特网商店中买一个食品的时候。在你买一个像肉这样的新鲜的食物的时候,你或许会关注食品的运送速度。另一方面,当你买一辆摩托车的时候,你获取会在众多的评价标准中关注更加详细的信息。同样,你回去会思考交易者是否受信任。当你买一件电子设备的时候,你或许会思考设备的生产地和设备的品牌。在这样的条件下,可以使用通用性的评价标准。每一类别的产品都具备一个特定的评价属性。

ci_evaluate2
评价的标准

C.电子商务计算集体智慧
在传统的评价系统中,由于评价属性固定,显示评价结果的方法非常简单。然而,正如上一章显示的那样,每一个分类具备一些特殊待评价的属性。于此同时,在不同分类中评价属性的数量也是不一样的。然而,决定评价的标准并不容易。为了解决这个问题,我们提出了一个适用于电子商务的新的评价方法。图2和图3显示了这个方法的大体结构。如下:首先,卖家决定评价属性,随后,买家评价卖家的这些特性。当卖家被一个买家评价之后,评价标准就明确确定了。在这些过程中,评价分数依据我们提出的控制值得不同而不同。使用我们的方案,卖家就具备了尽可能的公开他们的信息的动力。同样,卖家也就会尽力小心的进行交易活动。


评分的计算

3.初步的讨论
A.非完全信息
在网上商店中,买家只会看到在浏览器中显示的关于商品和卖家的信息。买家不能够通过因特网确切的知道商家的实际信息,除非他们购买了商品。在这些情况下,每一个电子商务网站都展示了不完全的信息。在一个市场中,在买家和卖家之间的大量的层次不齐的信息对于他们来讲是一个问题。这些情况展示了非对称信息的问题。一些卖家具备很好的信誉,然而另一些卖家则隐藏商品的不足并且不提供不利的信息。这导致了不公平交易。对于买家而言,填充他们和卖家之间的这种信息鸿沟是重要的。当交易中存在不公平的问题时,买家有时候会在买商品的时候做出了错误的决定。这意味着供买家使用的工具因为不公平的信息规定而效益降低。
B.评价不同
在卖家之间的不同评价每一个买家在互联网交易中的决定。比如说,我们考虑这样的情况,买家试图购买一件商品。当在同一种商品中存在同样价格的两个备选商品项目,买家或从评价较高的那个卖家手中购买商品。这意味着总体评分影响着买家的决定。尽管价格在不同的卖家提供的商品不同,买家通常依据风险性选择交易伙伴。也就是说,总体的实用性表示为U,它包含价格P和集合功能函数F的风险度R,对于第一个商品实用和卖家U值是U1=F(P1, R1),对于第二个商品和卖家的U值是U2=F(P2, R2)。买家依据U1和U2之间的值不同而做出选择,而不是P1和P2的不同,或者R1和R2的不同。这样如果卖家的评价得分很低,买家有时候不会去看这个卖家的网站。
C.相关的工作
在线交易系统中的评价系统研究是一个热门研究话题,很多研究成果都已经发布。小林光一在考虑到网路结构的基础上分析了网上交易的评价机制,也就是,卖家和买家之间的关系。这个研究成果提出了一个新的网络结构的评价模型以取代在买家和卖家之间交易的评价。更进一步的说,在这项研究成果中,他实现了评价系统的网页的评价算法。它同样通过实验分析确保算法的有效性。
Ming分析了网上交易的指数平滑评价方案。它分析避免由于坏的评价产生的巨大影响而导致的末尾的评价结果所形成的欺诈。当卖家重新排序欺骗交易中的买家的时候,这具备了很大的影响。
Shanshank分析了网络交易中的使用概率推导来提取不同的交易者的方法。Fasanghari分析了在线交易中的基于模糊逻辑的构造用户特征的评价方案。Usui通过比较评价系统中的存在的或者不存在来显示评价系统对于市场复兴的重要性。Yamamoto通过在互联网中的实际的实验来分析用户的行为信息。他同样分析了对于用户而言重要的信息以及通过分析网络交易协议来验证帕雷托效率分布。它显示了在互联网交易中,当提供了很多不对称信息并且存在一些专家的时候,这些不对称信息和专家提供的关于商品质量的真实声明时,协议可以以此来制定。
然而,他们中的大多数没有提及评价系统中的可以避免不完全的和非对称信息的安全机制。

4.评价模型
在这一部分,我们提出一个基于信息质量和开放度的评价模型。首先我们提出了评价的标准的概念。在现存的评价体系中,用户有时候会因为无标准的评价而困惑。比如说,流行的电子商务网站只提供综合性的评价。其他的提供了诸如快递速度,对客户的礼貌这类的对属性评价。然而,卖家如何获取快递速度的好的评论?如何获取关于对买家态度的正面的评价。尽管一个卖家在帮助和照顾客户时持有相同的态度,每一个来自买家的评论或许不同。这样,为了获取更多的有用信息,我们设定的评价系统中设置了具体的标准。具体的说我们为卖家设置了鼓励机制来提高他们的交易技巧。
A.模型
卖家的被买家评价的评价索引。定义I={1,2,3…,i,…n}。印象值A={α1,α2,…,αi,…,αn}定义当一个买家在电子商务网站看一件商品的信息的印象。印象值B={β1,β2,…,βi,…,βn}定义一个买家在收到一件商品的时候的印象值。当属性αi=βi, 买家对于实际的和网络上的商品的印象值相同。当属性αi >βi,买家对于浏览中的商品的印象要好于接到的商品时的印象。但属性αi <βi,买家对于实际接收到的商品的印象要好于浏览时的印象。
B.来自贸易伙伴的评价
尽管一个表达式的值和商品信息是一样的。对于商品的介绍和解释的感受和敏感度对于每一个买家而言都不相同。当评价系统使用了评价模型,每一个买家给予他或者她的多样化特征来评价。为了避免这样的离散,我们设置为每一个评价属性设置了一个标准。比如,当在实际的商品和电子网站上的图片在比较一致性的时候,我们给出了想表1那样的确定标准。匹配的重要标准值偏高而不重要的标准值偏低。这个值可以被电子商务网站的管理者更改。

我们考虑在卖家交易新品牌的商品时。当运送的商品没有缺陷并且和网站上展示的商品几乎一样,买家必须评价“非常好”和给出3分。当商品具备少量的缺陷,买家评价“可接受”并且给出2分。当商品损坏,用户评价“可以拒绝”给出1分。当商品未发出,买家评价“绝望情况”并且不给出任何分数。我们给出另一个关于交付的例子。当商品在付款后三天发送出,买家必须评价“非常好”并且给出3分。当商品在付款后七天内发出,买家评价“可接受 ”并给出2分,当商品在付款后14天内发出,用户评价“毫无希望”给出1分。当商品未发出,用户给出“绝望情况”并不给处分数。
另一方面,当买家在使用过的商品中交易或者邮递到海外,评价属性也就不一样。当发送的上平与网站上的一样时,用户必须评价“非常好 ”并且给出3分。当商品与解释的不一致时,用户评价“可以接受”并给出2分。当商品具备严重的缺陷的时候,用户评价“可以拒绝”并给出1分,当商品并未发出是,用户评价“最坏情况”并不给出分数。
这样,不完全的信息就会因为这些机遇实体和标准的比较二减少。如果很多买家评论原始的商品信息和网站上展示的商品信息不一样的时候,卖家就睡知道他们并未在做一个可以接受的交易。我们提出的模型为现有的电子商务网站提供了更加完备的信息比较。
C.来自系统的评价
1)信息公开:我们期望的模型是基于大量公开的信息。多种评价属性被准备并且一个卖家选择了基于他或者她的能力的属性。如果他或者她非常擅长包装,他或者她会选择包裹作为评价属性。另一方面,如果他或者她不想公开他的弱点,他或者她可以忽略被评价属性。为了设计理想的评价机制,我们依据大连的信息公开设置了控制变量。当一个卖家从4个待评价属性中设置了5个属性,评价系统给卖家提供了一个激励分。也就是,如果卖家公开更多的属性,激励分会给出。这样,他或者她设置了更多属性以得到更多的激励分。同样不完全信息,从购物网站中减少。然而,如果他或者她这样做了,他或者她需要在每一个交易活动中小心应对。
如果一个买家通过图片和注释来提供商品的信息,在贸易中风险也就会降低。
2)累积式的额外信息:这里,我们为每一个卖家定义一个基于累积交易数量的经验值。在现有的评价系统中,评价系统的得分通过简单累积交易经验来计算。比如,当一个买家又30个这面的评价并且没有任何负面的评价是,商家获得一个正面的评价。他的得分为31分。然而,我们提出了杰出卖家的评价模型。模型的大体机制为当一个卖家持续得到很多的无负面评分的交易后会得到额外的分数。另一方面,一旦他或者她得到了负面的分数,累积的数量复位到初始状态。例如,当一个卖家有累积100个正面分数而没有任何负面评价,系统会自动的给出额外的分数。这样,市场位置突出的买家就会脱颖而出。

5.实验
我们设计实验来验证我们提出的模型。当系统评价属性的数量而变化之后,我们寻找那些买家可以放心交易的市场。在市场条件下,我们通过(1)计算买家考虑交易中的重要元素,(2)用于买家关注多种属性时会考虑买家的评价,(3)关于每一类通过(1)和(2)定义的类型的买家的数量。在(1)的定义中,实验假设3中类型的买家包裹价格优先的,评价优先的和中立的买家。价格优先的宁愿选择低价的商品而不是高评分的商品来决定一个交易对象。评价优先的买家具有选择高评分的卖家而不是价格低廉的卖家。中立的买家具备着两种特性,我们设定买家对特定数量评价属性有着深刻的印象并且会给卖家一个高等级的评分。在定义(3)中,因为我们不知道在实际的交易市场中存在多少类型的买家,我们做了调查。
A.调查结果
为了设定我们的实验参数,我们调查了55个人。我们问他们2个问题。问题1在低价的商品和高评分的卖家或者具备高评分的低价商品中,他们倾向于选择哪一个。问题2当很多卖家公开了1到10个他们的评价属性,你希望他们确切的公布多少评价属性
表II显示了在在线市场中依据买家的偏好的调查问卷的结果。从问题(1)中的问题的回答中,大多数人对即是低价优势高评分的卖家感兴趣。也有部分只对高评分的卖家感兴趣。表III显示了用户关于应该有多少评价属性给出的调查问卷结果。从问题(2)的答案中,可以看出很多回答者希望评价的属性数在5个左右。问题(2)的结果显示了通常的可能分布在1到10之间。我们将以上的实验结果中获得每一类买家的结果都纳入到实验的考察中。
B.设定
在交易市场中,评价的排序依据1到5 的整数来划分。商品的价格假设在400美元到600美元之间,以分布值为50的正太分布。固定商品的平均价格为500美元。我们假设有三种类型的买家。首先,如果买家对商品的价格具备偏好选择,决定阈值Dp有方程式(1)决定。如果Ps比方程式的结果大,买家就是同提供给了最低价格的卖家进行交易。
Dp : p-e/10
第二,如果卖家对于商家的评分有选择偏好,决定阈值De有方程式(2)来决定。如果Es比方程式的值大,卖家就在和具备最高评分的卖家进行交易。
De : (500-p)/10+e

第三,如果买家对价格和评分中立,决定阈值Dn由方程式(3)决定。如果Es/3-Ps/500比方程式的结果大,买家和具备最高值(而不是阈值)的卖家进行交易。
Dn : e/3-p/500
p显示的是商品的价格,而e是评分的值。Ps是卖家显示的商品价格。Es是卖家的评分、在设定的试验中,假设有特定数量的评分属性来决定4种类型的评分趋势。评分属性的数量在1和10之间。
我们假设给卖家的4种类型的评分。以下是每一种评分类型的细节。
(A) 当评价的属性数增长时,平均评价值单调递增。
(B) 当评价的属性数增长时,平均评价值指数增长。
(C) 当评价的属性数增长时,平均评价值渐进增长
(D) 当评价的属性数在5个左右,卖家倾向于得到正太分布的评分值
表V显示了实验中使用的评价类型。水平轴显示了评价属性的数量,竖直轴显示了平均得分的分布。这些评价类型既包括买家提供的也包括由于评价数量怎长得到的额外分。
依据买家的属性不同,当卖家给出了太多的评价属性导致了评价过程过于繁琐和用户厌倦去填充表格的时候,他们中的一些给出了低的评分。我们在我们的模拟中考虑到了这种情况。
表IV是试验中的四种情况的集合。卖家的偏好在PO,EP和N中表示。PO表示了卖家倾向于价格选择。EO表示了买家倾向于评价分数选择。N表明一个中立的买家具备价格和评价的双重属性。在情况1和情况2中,我们假设在市场中有着同样的类型的买家。在情况3和情况4中,买家从我们的表II中显示出买家的偏好。EP表明了买家可以评价的属性的数量的条件。当EP=0,评价的属性数量在一次买家的评价中并不受影响。当EP=1,当评价的属性的数量与表III中显示的用户偏好数一致,一些买家给出了高评分。比如,当一个买家倾向于评价属性的数目为6的时候,如果交易者提供了6个待评价属性,他或者她给出了一个较高的评分。在这个试验中,我们假设买家在这种情况下给出了一个额外的评分。
实验的结果显示了1000次成功的交易的平均得分,我们假设有300个潜在的买家和100个潜在的卖家。
C.实验的结果
实验结果在表VI和IX中显示,每一个实验条件都包含了(A),(B),(C)和(D)的评分类型。水平轴显示了评价属性的数量,竖直轴显示了成功交易的评分。
1)实验(A):在这个试验中,表V中的类型(A)是用户的趋势。表VI显示了表IV的实验结果。当买家给出评分并且系统分很高,成功的交易率也就越高。当每一个;类型的买家各自的具备同样的评分,交易的成功率在每一个评分属性保持一致。另一方面,我们结合情况3和情况4,当评价的数量在5和10之间,成功的交易率较高。这意味着,买家的最好策略是给出5个或者多余6个属性给买家评价。

2)实验(B):在这个试验中,类型(B)在表5中显示了用户的倾向。表VII显示在表IV中的了实验的结果。当买家给出评分的平均值系统评分是3或者更少(参见表V类型B),印象影响值较低,在类型3和4中,成功交易的比率尤其低。也就是,最好的策略是提供更多的待评价属性。
3)实验(C):在这个试验中,表5中的类型(C)被设为买家的倾向。表VIII显示了试验的结果。当评价的属性数在3到4之间时,成功的交易率较高。另一方面,在情况3和情况4中,在评价属性的数量介于7和10之间,成功交易的数量非常低。这意味着,买家最好的策略是提供4个或者4个左右的评价属性。只有这个结果显示了买家不应该提供大于5个的评价属性。
4)实验(D):这个实验中,表V中的类型(D)作为用户的倾向。表IX显示了实验的结果。在情况1和情况2中,当评价属性介于5和8之间时,成功交易的比率是最高的。考虑实际的交易,卖家最好的策略是提供介于6和7个待评价属性。

6.结论
这篇论文中,我们设计了一个评价模型,在这个模型中,卖家具有公开商品和他们自己的更多属性的动力。除非买家不希望评价更多的属性,如果卖家提供了4个或者更多的属性,卖家可以获得高成功率的交易。通过使用预设的方案中提供了具体的标准,使用者可以更加精确的评价卖家。我们的模型基于多属性评价包括买家和系统的评价。系统基于卖家设定的评价属性的数量给出额外的分数。即使一个卖家非常善于包装,如果他或者她只选择一个包装属性作为具体的评价指标,系统会勾除一些分作为惩罚。因为我们的模型可以推进信息公开,减少不完全信息并且抑制不对称信息。
我们的工作包括分析并给出买家偏好的模型。

查看原文

(翻译:11S017013陈康)



转载请注明:陈童的博客 » 电子商务中的计算机体智慧:评价系统中的激励方案设计

喜欢 (0)
发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

无觅相关文章插件,快速提升流量