基于K-medoids-NCA-SMOTE-BSVM融合模型的网络交易平台高质量数据资源识别研究

随着数据服务形态不断衍生，数据资源作为一种新兴生产要素，其交易流通需求呈现爆发式增长。如何从海量数据中识别高质量数据资源，挖掘要素价值，成为数据交易平台获取竞争优势以及提升要素配置效率的关键。本文旨在发现平台交易情境下高质量数据形成的关键因素，提出从大规模、异质数据资源中高效识别高质量数据的方法。首先，基于高质量数据形成过程，构建“固有品质-商品表征”二维识别指标体系；然后，提出K-medoids-NCA-SMOTE-BSVM融合模型，对高、中、低三类不同质量数据进行分类预测；最后，收集真实数据交易平台的API交易数据，开展实证研究。结果显示：相比SVM,WOA-SVM,PSO-SVM,MLP和CNN等方法，K-medoids-NCA-SMOTE-BSVM模型在预测准确率和训练时间方面，均有良好的性能表现。本文提出的识别指标及分类模型，为平台经济下数据质量判断与预测提供了依据，对产品视角下数据质量标准制定以及数据交易定价优化具有一定实践意义。