1.一种电子商务中商家信誉值的方法，其特征在于，包括以下步骤：(1)、计算消费者对商家的本地信任值

1.1)、对本地信任值计算因子进行预处理：在时间周期t内，消费者u与商家v进行了K次交易，第k次交易的交易价格为wk，评价满意度为sk，归一化使其值处于(0，1)区间，具体为：其中，w′k为归一化后的交易价格，max(w)和min(w)为分别为商家v所有交易中的最大交易价格和最小交易价格；

其中，s′i为归一化后的评价满意度，max(s)和min(s)为消费者u所有交易中的最大评价满意度和最小评价满意度；

每个交易过程从开始到结束涉及到l个因素，比如每次交易过程会涉及到商家服务态度，商品质量，发货速度，物流速度等等，令消费者对这l个因素的侧重权值向量为且向量中的所有元素的和等于1，商家对这l个因素的侧重权值向量为 且向量中的所有元素的和等于1；

1.2)、计算时间周期t内，消费者u与商家v通过K次交易后产生的本地信任值LTt(u，v)：其中，sk′和wk′分别为归一化的第k次交易的评价满意度和交易价格，fi＝ai·bi，为交易过程中的侧重因素函数，α为归一化系数，其值为： 是归一化系数；

(2)、计算消费者的全局可信度

2.1)、构建电商平台中所有消费者组成的信任网络图G(V，E，W)在电商平台中，以点赞行为代表信任关系的建立，用一个有向网络图来表示电商平台中的所有消费者以及他们之间的信任关系，有向网络图中的节点代表消费者，边代表他们间的信任关系(点赞行为)，这形成的有向网络图即为信任网络图G(V，E，W)；

2.2)、计算消费者信任网络图中节点间的直接信任值利用消费者对所有商家的满意度评价的相似性来代表他们间的直接信任值DT(ui，uj)：其中，S(ui)为第i个消费者对所有商家满意度评价结果构成的向量，S(uj)为第j个消费者uj对所有商家满意度评价结果构成的向量；

2.3)、计算信任网络中边介数中心性c(ui，uj)：其中，dst为消费者us与消费者ut之间存在的最短路径的总数量，dst(ui，uj)为最短路径中经过边(ui，uj)的路径的数量，V为所用的消费者构成的集合；

2.4)、构建基于边权值的概率转移矩阵Q，设T为信任网络图G(V，E，W)的邻接矩阵，其中Tij为节点uj指向节点ui的边的权值，即Tij＝DT(ui，uj)*c(ui，uj)，概率转移矩阵Q中的元素可表示为：由所有消费者的全局可信度构成的向量为：

Cre＝(Cre(u1)，Cre(u2)，Cre(u3)，...，Cre(un))T，则有：其中，Q为概率转移矩阵，1为列向量(1，1，1，...，1)T；

求解公式(7)，得到各个节点即消费者的全局可信度；

2.5)、对全局可信度进行归一化处理

对第i个消费者，其归一化全局可信度 μ为所有消费者全局可信度的平均值，σ为所有消费者全局可信度的标准差；

(3)、计算商家的整体信誉值

对与商家有过交易历史的所有消费者的本地信任值进行加权求和计算，得到商家信誉值为：其中，λ＝∑u∈MLT(u，v)，M为与商家v有过交易历史的所有消费者的集合。

2.根据权利要求1所述的电子商务中商家信誉值的方法，其特征在于，还进一步包括以下步骤：(4)、商家信誉值更新

将商家信誉值进行max-min归一化：

更新思想是：第一个周期结束时的最新信誉

值NRep1(v)即为Rep1(v)′，之后每经过一个周期信誉值自行更新，具体的更新过程为：其中Nrep1(v)＝Rep1(v)′，λ1和λ2分别控制上升和下降幅度，降低λ1/λ2的值，可以使信任值下降的幅度高于上升的幅度，那么商家积累信誉值的过程表现为“缓慢上升，快速下t 2降”，θ为调整历史信誉值与近期信誉值的差异，公式为θ＝1-(2NRep(v)-1) 。