網路拍賣龐大商機吸引不少投機份子加入，運用詐術獲取不法收益，造成消費者大量時間與金錢損失，嚴重影響電子商務未來發展。面對此問題，學者紛紛提出許多詐騙偵測方法，期能降低消費者損失。然而，面對日新月異的詐騙技巧，這些方法並無法獲得令人滿意的準確率。有鑑於此，本研究發展一套新的動態塑模詐騙偵測方法，期能根據待測帳號的特性，動態建立有效的偵測模型。為此，首先我們將蒐集而得之資料進行篩選過濾，移除具有不合理偏差值之記錄。其後，將訓練資料中詐騙者與正常者進行群聚分析。最後，根據待測帳號與這些群聚的匹配程度，找出最適合之正常者與詐騙者群聚來塑模。為驗證提出方法之有效性，本研究蒐集Yahoo!Taiwan實際交易資料進行實驗。實驗結果顯示，與傳統單一分類樹方法比較，動態塑模確實有助於提升詐騙者或正常者之偵測準確率。此外，本研究提出之方法對於不同類型屬性集，亦具有較穩定偵測結果。

Online auction attracts a lot of speculators using dishonest tricks to obtain illegal benefits. This causes consumers’ loss, including time and money, and have negative impact on development of e-commerce in the future. For this reason, researchers have proposed a variety of fraud detection method to help users to avoid fraud. However, faced with the evolving fraud techniques, existing methods cannot provide satisfied detection accuracy for consumers. In view of this, this study developments a new dynamic fraud detection method. First, we collect the information from web pages of the Yahoo!Taiwan auction site and filter them with removing outliers. Second, we cluster those data into frauds and non-frauds categories. Finally, finding the best cluster combination of frauds and non-frauds sub-models according to detecting result of test data. To verify the effectiveness of this proposed method, the transaction data in Yahoo! Taiwan are gathered for experiments. In comparison with the single decision tree, the proposed dynamic detection method do help to improve the detection, and have stable detection results for different data set.

第一章　緒論	1
第二章　相關技術與背景知識	4
2.1	網路拍賣詐騙現況	4
2.2	線上拍賣詐騙偵測	6
2.3	分類(classification)與分群(clustering)	7
第三章　以分群為基礎之詐騙偵測方法	10
3.1	偵測屬性集	10
3.2	動態塑模詐騙偵測方法	16
3.3	資料集的建立	19
第四章　實驗結果	21
4.1	資料蒐集與前處理	21
4.2	實驗設定	22
4.3	動態塑模法之效能驗證	24
4.3.1	不誠實交易者實驗結果	24
4.3.2	純粹詐騙者實驗結果	28
4.3.3	使用不同屬性集之實驗結果	33
第五章　結論	37
參考文獻	38
附錄A  Weka挑選之屬性集	41


表 2 1：各種線上拍賣不誠實交易手法	4
表 3 1：本研究採用之偵測屬性集	12
表 4 1：Confusion Matrix	24
表 4 2：使用k-means分群不誠實交易者資料集進行動態塑模之偵測結果	24
表 4 3：使用x-means分群不誠實交易者資料集進行動態塑模之偵測結果	26
表 4 4：x-means分群不誠實交易者資料集進行不同倍率標準差之偵測結果	26
表 4 5：x-means分群不誠實交易者資料集改變訓練測試集比例之偵測結果	27
表 4 6：x-means分群不誠實交易者資料集且待測帳號使用不同匹配之結果	27
表 4 7：使用k-means分群純粹詐騙者資料集進行動態塑模之偵測結果	28
表 4 8：使用x-means分群純粹詐騙者資料集進行動態塑模之偵測結果	30
表 4 9：k-means分群純粹詐騙者資料集採10%資料剔除量之偵測結果	31
表 4 10：x-means分群純粹詐騙者資料集且採10%資料剔除量之偵測結果	32
表 4 11：x-means分群純粹詐騙者資料集進行不同資料剔除量結果	32
表 4 12：x-means分群純粹詐騙者資料集且待測帳號使用不同匹配之結果	33
表 4 13：使用Chau屬性以k-means分群進行動態塑模之偵測結果	33
表 4 14：使用16個屬性以k-means分群進行動態塑模之偵測結果	35
 

圖 2 1：典型的詐騙偵測流程	7
圖 3 1：本研究提出之動態塑模詐騙偵測演算法	17
圖 3 2：依照分群數量需產生之偵測模型數量	18
圖 3 3：動態塑模詐騙偵測範例示意圖	19
圖 3 4：資料集的蒐集	20
圖 4 1：前後N%方式剔除離群值	22
圖 4 2：標準差方式剔除離群值	22
圖 4 3：分別考量F與NF狀況下，使用各種不動態塑模配置之偵測精度	30

1.	Chang, J. S., & Chang, W. (2009). An Early Fraud Detection Mechanism for Online Auctions Based on Phased Modeling. Proceeding the 2009 International Workshop on Mobile Systems E-commerce and Agent Technology (MSEAT 2009). December 3-5, Taipei, Taiwan.
2.	Chang, W. and J.-S. (2010). A Multiple-Phased Modeling Method to Identify Potential Fraudsters in Online Auctions. Proceedings of the 2nd International Conference on Computer Research and Development (ICCRD 2010). May 7-10, Kuala Lumpur, Malaysia.
3.	Chang, W., & Chang, J.-S. (2011). A Novel Two-Stage Phased Modeling Framework for Early Fraud Detection in Online Auctions. Expert System with Applications, vol.38, no.9 , pp. 11244-11260.
4.	Chang, W., & Chang, J.-S. (2012). An Effective Early Fraud Detection Method for Online Auctions. Electronic Commerce Research and Application 11 (2012) 346–360.
5.	Chau, D. H., & Faloutsos, C. (2005). Fraud Detection in Electronic Auction. Proceedings of European Web Mining Forum (EWMF 2005) at ECML/PKDD 2005. October 3-7.
6.	Chau, D.H., Pandit, S., and Faloutsos, C. Detecting fraudulent personalities in networks of online auctioneers. Proceedings of PKDD 2006, pp.103-114. (2006)
7.	Chua, C. and Wareham, J., Fighting internet auction fraud: An assessment and proposal,In Computer, volume 37 no.10, pages 31–37.(2004) [19] Wang, J., & Chiu, C. (2005). Detecting Online Auction Inflated-Reputation Behaviors using Social Network Analysis. Proceedings of NAACSOS Conference 2005, June 26-28.
8.	Dolan, K. M., Internet Auction Fraud: The Silent Victims, Journal of Economic Crime Management, Winter, Volume 2, Issue 1.(2004)
9.	Gavish, B., & Tucci, C. (2008). Reducing Internet Auction Fraud. Communications of the ACM, vo. 51, no. 5 , pp. 89-97.
10.	Gregg, D.G. and Scott, J.E., A typology of complaints about eBay sellers, Communications of the ACM, Volume 51, Issue 4.(2008)
11.	Pandit, S., Chau, D., Wang, S., & Faloutsos, C. (2007). Netprobe: a fast and scalable system for fraud detection in online auction networks. WWW '07 Proceedings of the 16th international conference on World Wide Web (pp. 201-210). New York, NY, US: ACM.
12.	Pelleg, D., Moore, A., 2000. In: Langley, P. (Ed.), X-Means: Extending k-means with Efficient Estimation of the Number of Clusters. Morgan Kaufmann Publishers, San Francisco, CA, pp. 727–734
13.	Tsang, S., et al. (2014), "SPAN: Finding collaborative frauds in online auctions," Knowledge-based systems 71 (2014) 389-408.
14.	Wang, J., & Chiu, C. (2008). Detecting OnlineAuction Inflated-Reputation Behaviors using Social Network Analysis. Proceedings of NAACSOS Conference 2005, June 26-28.
15.	王俊程, 邱垂鎮, & 葛煥元. (2005). 以交易記錄的社會網絡結構建立線上拍賣哄抬評價的偵測指標. 資訊管理學報,12(4), 143-184.
16.	洪儀玶，「具早期預警能力之線上拍賣詐騙偵測」，淡江大學資訊管理學系，碩士論文，民96。
17.	翁豪箴，「考量服務品質之多屬性線上拍賣名聲系統」，淡江大學資訊管理學系，碩士論文，民97。
18.	劉祐宏，「線上拍賣詐騙偵測之屬性挑選與流程設計」，碩士論文，民101。
19.	鄭孝儒，「 線上拍賣潛伏期詐騙者之有效偵測」，淡江大學資訊管理學系，碩士論文，民100。
20.	林敬堯，「 一套有效率的複合式線上拍賣詐騙偵測系統」，淡江大學資訊管理學系，碩士論文，民103。
21.	曾憲雄、蔡秀滿等人，「資料探勘」，旗標出版，民97。
22.	Google，「以小搏大是台灣電子商務的機會！」，http://udn.com/news/story/6871/1237187
23.	外貿協會，「全球電子商務市場規模　2016可望突破2兆美元」，http://www.ettoday.net/news/20150428/499255.htm
24.	資策會，「今年電子商務市場將破兆元」，http://www.chinatimes.com/newspapers/20150303000216-260210
25.	刑事局，「警公布網路10大風險賣家！露天拍賣獨占鰲頭」，http://news.ltn.com.tw/news/society/breakingnews/1583183