一种基于数据价值驱动多方利益平衡的数据交易方法

本发明涉及一种基于数据价值驱动多方利益平衡的数据交易方法，属于数据交易。

背景技术：

1、随着智能设备的普及，每天各类用户产生大量数据。在信息时代，这些“大数据”展现出前所未有的价值。考虑到这些经济价值，“大数据”目前成为了市场交易的一部分。数据交易是指的是企业或个人将自己的数据资产出售或交换给第三方，以换取经济效益或其他价值回报的行为。近些年，伴随着数据交易的开展，每年大量数据资产在数据市场被“交换”。

2、考虑到数据市场的巨大商业价值，许多公司开始着手于数据市场的构建，致力于提供数据给数据需求者以获得利润。例如国外的“datastreamx”和国内的贵阳大数据交易中心等数据交易平台。然而，大量的数据交易问题也导致了许多问题，例如：

3、容易出现交易优势方利用自身优势地位恶意提高利润，数据交易中数据拥有者、中间平台和用户之间的交易是基于买家自由定价，中间平台自由定费率，买家自由选择来进行的，但是这种交易机制中中间平台可能会借助自身垄断地位恶意提高费率，导致数据拥有者和用户利益受损；

4、定价不能依据数据实际价值定价，在目前的主流数据交易平台中，数据用户在未购买到数据之前，并不能感知到数据实际的价值。许多恶意卖家利用数据平台的该特点，销售劣质及不符合用户预期的数据，给用户带来可巨大的财产损失。

技术实现思路

1、本发明要解决的技术问题是：提供一种基于数据价值驱动多方利益平衡的数据交易方法，以克服现有技术的不足。

2、本发明的技术方案为：一种基于数据价值驱动多方利益平衡的数据交易方法，包括如下步骤：

3、s1.数据拥有者将数据提交给中间平台进行寄售，中间平台对寄售数据进行评估获取数据价值，并将数据价值公布在系统中，用户根据数据价值购买最符合自身利益的数据；

4、s2.建立了一个stackelberg博弈经济框架，所述stackelberg博弈分为三阶段：第一阶段，中间平台作为领导者，决定向数据拥有者收取的服务费率；第二阶段，数据拥有者作为中间平台的追随者和用户的领导者，决定数据销售价值；第三阶段，用户作为追随者，通过参考数据价值购买最符合自身利益的数据；

5、s3.寻求参与三方的stackelberg博弈nash均衡点。

6、进一步地，所述中间平台对寄售数据进行评估获取数据价值的方法为：

7、

8、其中，uk表示数据价值,表示数据集k的数据大小,θk表示数据集k的准确性,σk表示数据集k的数据可用性，表示数据大小与数据价值之间的关系；表示数据准确性与数据价值之间的关系；表示数据可用性与数据价值之间的关系；ε,γ和ρ为权重系数，为偏置项；

9、

10、λ1、λ2、λ3、ω1、ω2、ω3、ν1、ν2和ν3为拟合参数。

11、进一步地，寻找最优的λ1、λ2和λ3的方法如下：

12、将数据价值与数据大小之间关系的函数设为：

13、

14、为寻找最优的λ1、λ2和λ3，在相同的数据准确性和数据可用性下，设置一组不同大小的训练集，以及同一份测试集，训练集的数据大小分别为{(φ1),...(φn),...,(φn-1),(φn)}；将训练集分别输入到机器学习模型进行训练；在完成训练后，将同一测试集输入到机器学习模型，以获取不同数据大小对同一测试集精度的影响；这些训练集对应的模型精度为

15、

16、将数据大小作为参数输入到函数基于线性回归方法得出的数据价值分别为通过梯度下降法，求出最优的λ1、λ2和λ3，使得最小均方差公式最小的λ1、λ2和λ3作为最优拟合参数，使得满足最小均方差公式

17、寻找最优的ω1、ω2和ω3的方法如下：

18、将数据价值与数据准确性之间关系的函数设为：

19、为寻找最优的ω1、ω2和ω3，在相同的数据大小和数据可用性下，设置一组不同数据准确性的训练集，以及同一份测试集，训练集的数据准确性分别为{(θ1)，......(θh)，....，(θh-1)，(θh)}；将训练集分别输入到机器学习模型进行训练；在完成训练后，将同一测试集输入到机器学习模型，以获取不同数据准确性对同一测试集精度的影响；这组训练集对应的实际数据价值分别为将数据准确性作为参数输入到函数基于线性回归方法得出的数据价值分别为通过梯度下降法，探寻最优的ω1、

20、ω2和ω3，使得成立；

21、寻找最优的ν1、ν2和ν3的方法如下：

22、将数据价值与数据可用性之间关系的函数设为：

23、

24、为寻找最优的ν1、v2和ν3，在相同的数据大小和数据准确性下，设置一组不同数据可用性的训练集，以及同一份测试集，训练集的数据可用性分别为{(σ1)，......(σt)，....，(σt-1)，(σt)}；将训练集分别输入到机器学习模型进行训练；在完成训练后，将测试集输入到机器学习模型，以获取不同数据可用性对同一测试集实际精度的影响，这组不同可用性的训练集，对应的数据实际价值分别为将数据可用性作为参数输入到函数基于线性回归方法得出的数据价值分别为通过梯度下降法,探寻最优的v1、ν2和ν3，使得成立；

25、寻找最优ε,γ,ρ和的方法如下：

26、按照比例设置多组不同数据大小、不同数据准确性、不同数据可用性的数据集，输入到机器学习模型进行训练，在完成训练后，将测试集输入到机器学习模型，以获取不同因素对同一测试集实际精度；

27、基于最优拟合参数λ1、λ2、λ3、ω1、ω2、ω3、v1、v2和v3，将不同数据大小、不同数据准确性、不同数据可用性的数据集分别作为训练集输入机器学习模型，每个训练集对应同一测试集的精度为{(d1)，......(di)，....，(dm-1)，(dm)}，(di)表示第i个训练集对应的精度，采用梯度下降法，找到最合适的ε,γ,ρ和使得测试集得出的数据价值与使用函数计算的结果之间的误差最小。

28、进一步地，所述ω1、ω2和ω3的获取方法中的数据集通过替换原有数据库中图片的标签实现；

29、所述v1、v2和ν3的获取方法中的数据集通过替换原有数据库中的图片实现。

30、进一步地，所述stackelberg博弈经济框架的中间平台利润函数为：

31、

32、其中，0<ri<1，利润函数由两部分组成，第一部分[(pik*ri+w-cj)*xijk]为寄售收取数据拥有者的费率，第二部分l(1+uk)为平台存储数据集k所花费的成本，其中pik为数据拥有者i售卖数据集k的价格，l为平台存储、运营的成本系数，uk为数据集k的数据价值，ri为售卖数据集时平台收取数据拥有者i的费率，w为寄售的固定收费,xijk为买家j向数据拥有者i购买数据k的确定函数，cj为平台发送数据给用户j的传输成本，j表示数据交易市场中总用户个数。

33、进一步地，所述stackelberg博弈经济框架的数据拥有者利润函数为：

34、

35、其中，0≤uk≤1，数据拥有者利润函数成本由三部分组成，第一部分pik*uk-ri*pik-w为销售数据所得到的报酬，其中pik为数据拥有者i售卖数据集k的价格，uk为数据集k的数据价值，w是销售支付数据售卖者的固定费率xijk为用户j向数据拥有者i购买数据的确定函数，当j确定向i购买数据k时，xijk＝1，反之xijk＝0；第二部分ci为数据拥有者i传输数据给中间平台进行寄售的传输成本，第三部分ei*uk为数据拥有者i收集数据集k的花费，ei为花费的相关系数。

36、进一步地，所述stackelberg博弈经济框架的用户利润函数为：

37、uj＝[δ1j+δ2jln(1+δ3j*uk)]-uk*pik

38、其中，δ1j>0，δ3j>0，用户的利润函数分为两部分，第一部分δ1j+δ2jln(1+δ3j*uk)]为用户使用购买数据获得的收益，δ1j、δ2j和δ3j为用户j的利润系数，与用户j的实际盈利能力正相关；第二部分uk*pik为用户购买数据集k的花费。

39、进一步地，所述stackelberg博弈经济框架还包括如下约束条件：

40、s≥0

41、ti≥0

42、uj≥0。

43、进一步地，所述步骤s4中参与三方的stackelberg博弈nash均衡点为：

44、用户决策为：令数据k的价值

45、数据拥有者决策为：令数据拥有者i售卖数据集k的价格

46、平台决策为：平台收取数据拥有者i的费率

47、本发明的有益效果是：与现有技术相比，

48、1)本发明通过将stackelberg博弈分为三阶段，将参与数据交易的三方都纳入数据交易，然后通过求stackelberg博弈的纳什均衡点，从而找到三方都能获取最大利润的点，一方面使得所有交易参与者利润最大化，激励所有交易参与者，另一方面由于交易各方均按照纳什均衡点定价，从而起到防止交易各方利用在交易中所处的优势地位，恶意提高利润的作用；

49、2)本发明充分考虑数据价值的度量，在stackelberg博弈中考虑数据实际价值，并依据数据实际价值设定利润函数，从而得到考虑了数据价值的纳什均衡点，从而在考虑数据价值基础上市交易各方利润最大化，有效保护了各方的利益；

50、3)本发明从数据大小和数据准确性以及数据可用性三个维度分别采用机器学习方法进行拟合，然后再次使用机器学习方法对三个维度的数据集进行拟合，从而得到平均误差低于4％的拟合函数，预测精度更高；

51、4)本专利基于“寄售”的交易方式，数据拥有者将数据托管给平台售卖，无需再浪费大量时间处理商品的销售和交付。同时，在本专利中，平台首先会对数据拥有者寄售的数据进行质量评估，并将评估后的数据价值水平进行公开，这保障了用户在购买数据前即可知悉数据价值的权利。