文献综述
随着互联网技术的不断发展，人们在网上进行交易的频率也越来越高。电商、出行、外卖等行业近些年也持续发展壮大，越来越多的商家进入这一市场。为了在激烈的竞争中拉取新用户，培养用户的消费习惯，各种类型的营销活动和补贴活动也是层出不穷。在为正常用户带来福利的同时，也催生了一批专注于营销活动的“羊毛党”。目前，羊毛党的行为越发专业化，团伙化和地域化，同套利黑产团伙的斗争，是一场永无止境的攻防战。在2018年双11当日，天猫成交金额为2135亿元，超过去年同期的1682亿增长26.9%；双十一期间，京东成交额为1596亿元，相比去年的1271亿元增长25.7%。对于如此高的交易额，研究和实现对其中的风险交易的识别是非常有意义的。电子商务在方便人们的同时，也带来了一些问题。因为电商异常交易管理手段跟不上电商交易的发展速度，给电商平台造成了巨大的损失，阻碍了电商平台的健康发展，也侵犯了广大客户的权益。由于电商在异常交易风险中管理经验的不足，异常交易风险的管理较为落后，使广大客户对电商平台的真实性、公正性、公平性产生了质疑。当前电商的管理主要通过对异常交易 的风险进行评估完成，传统的电商异常交易风险评估方法没有考虑到电商异常交易中存在的大数据，造成评估结果不准确。而今网上交易的频率年年增高，风险交易的存在势必会影响人们对网上交易的满意度，所以对风险交易的识别和评估必不可少。对电商异常交易中的风险进行评估，可以有效降低电商交易中存在的风险对用户造成的损失。
风险管理起步比较晚，电商还主要依靠业务人员的经验来进行交易风险的评估。随着当前国内外存在许多电子商务交易风险评估模型，大致可以分为定性分析和定量分析两类，定性分析主要有：粗糙集、模糊理论、专家评价法等，需要对相应的 问题有大量的先验知识，此时，电子商务交易风险评估精度高，但许多电子商务交易没有相关的先验知识，导致电子商务交易评估的精度低，且定性分析评估结果具有一定的主观性和盲目性，评估结果不太可信。因此，构建一套科学智能的交易风险评估体系，对电商平台的健康发展具有重大的意义。
机器学习模型是风控系统中实时识别的有效手段。目前目除了LR,RF等耳熟能详的机器学习模型，基于RNN的深度学习模型，无监督学习模型等技术也被应用到同黑产的对抗中。通过训练学习用户在消费过程中的关联操作、交易详单信息，来识别交易风险。随着深度的研究热潮，市场上出现了很多开源深度学习框架，其中包括TensorFlow、Caffe、Keras、CNTK、MXNet、Leaf、DeepLearning4J、Theano等。Tensorflow作为AlphaGo的底层支撑技术，可以使用GPU、CPU等计算资源，基于python环境实现跨平台分布式计算，是当前机器学习开发环境中最好的选择之一。Caffe深度学习框架用于两种语言的接口分别是Python和MATLAB，进。Caffe框架也同样使用了GPU并行计算的技术，配合 CUDA能够进行高效的运算。在CPU和GPU之间切换只需要在配置文档中更改一条语句即可。
随着大数据和深度学习的关系越来越紧密，分开的大数据和深度学习框架已难以无缝满足现实的需要。因此针对大数据和深度学习相结合的研究，包括研究GPU资源调度方式、集群可用性、集群 稳定性以及集群的可扩展性等，是很有必要和时代性的。大数据处理框架中最为流行的当属Hadoop和Spark。Hadoop就是对大数据处理的一种具有海量存储，支持快速数据访问的分布 式处理并且具有可靠性、失效转移、可扩展的工具，来满足对大数据存储、读取、写入。可以在Hadoop平台上实现GPU 资源的管理与调度并使其具备执行深度学习框架 TensorFlow。
1、Wes M K . Python for data analysis[M]. 东南大学出版社, 2013.
2、何叶荣, 李慧宗, 洪琼. 网络信用风险交易几率的判定方法研究[J]. 江淮论坛, 2013(1).
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
