1.一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，包括跨境电商产品云平台模块、跨境电商产品信用等级分类模块和跨境电商产品售后模块；

S1.对跨境电商产品的生产厂家及代理销售商进行信息溯源，初步评定厂家的信用状态；

S2.标记同一产品在不同国际区域的销售对比信息，构建跨境电商产品数据库，基于系统数据库，用户界面和云服务搭建分布式的云平台和跨境电商网络代理的访问权限，保证信息安全；

S3.将交易过程中的产品处理问题记录在系统数据库中，将单位时间段内的同一产品的交易评价信息基于随机梯度提升树算法进行多角度的产品厂家信用分类；

S4.基于产品厂家信用分类的结果，结合买家评价等级构建动态的信用评估模型，在系统数据库中记录买家信息，追踪售后评价和言论，验证产品厂家的信用分类情况与信用评估模型的匹配度，反演买家信息，与买家进行沟通，如果存在买家恶意评价的现象，则剔除相应的记录，保证相对客观的信用信息；

S5.实时更新系统数据，将单位时间段内的信息更新至用户界面，为买家提供选购依据，为跨境电商提供信用约束和出售服务；

所述S3中单位时间段内的同一产品的交易评价信息基于改进的GBDT算法进行多角度的产品厂家信用分类，详细过程如下：采用贪心的策略，每次训练一个弱分类模型，让每一个基模型的预测值hm(x)逼近它需要预测的部分真实值，然后把这些基模型的预测值加权组合；每个弱分类模型的结构是一棵二叉决策树，在训练弱分类模型的过程中，模型学习真实值y与上一轮迭代后的预测值Fm‑1(x)之差，即拟合残差，残差y‑Fm‑1(x)是立方损失函数的反向梯度，x是输入的厂家信用自变量，如下式所示：其中，x表示产品数据库的属性变量，拟合残差后，之前的迭代预测值Fm‑1(x)加上本轮得到的预测值hm(x)得到的Fm(x)，使平方误差损失函数降低，最终可使得整体模型的预测值F(x)逼近真实值y，此时每个基模型拟合的是损失函数的反向梯度，经过输入、训练和迭代后得到标准模型；使用改进的GBDT算法，残差y‑Fm‑1(x)使用立方损失函数的反向梯度。

2.根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述S1中信息溯源包括跨境电商产品的生产厂家及代理销售商的注册商标，品牌信息和运营资质的信息组合。

3.根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述S2中系统数据库，主要是以处理非关系型和关系型数据库的MongoDB技术进行搭建。

4.根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述S4中结合买家评价等级构建动态的信用评估模型，详细过程如下：使用Logistic回归模型进行动态信用评估模型的构建，在企业信用评估的实践中，该模型内部所包含的线性结构使其具有良好的稳定性和可解释性；假设在跨境电商产品交易中，有n个买家，X＝(x1,x2,…,xm)影响买家信用表现的特征变量，m为变量的个数，根据买家的信用表现给每个买家打上一个标签v，其中v表示买家信用表现是否正常的二分类变量；

若要评估某个买家的信用表现为发生违约的可能性大小，则需要计算模型的预测结果为v＝1的发生概率p，p＝f(v＝1|x1,x2,…,xm)，逻辑回归logit(p)的具体表达式为：其中，(β0,β1,β2,…,βm)为模型的待定系数，exp(β0+β1x1+β2x2+…+βmxm)表示期望的计算；

采用极大似然估计法求解式中的待定系数，由此可求出买家信用表现的发生概率p(v＝1|X)：p(v＝0|X)＝1‑θ

把v的概率函数合并为：

依据伯努利分布，极大似然函数l(β,X)写为：

则对数似然函数ln(l(β,X))为：

其中，θi表示待计算的未知参数，对于Logistic回归，得到ln(l(β,X))：其中，x1，x2，xi为伯努利分布参数。

5.根据权利要求1所述一种基于随机梯度提升树算法的跨境电商产品信用标记与售后系统，其特征在于，所述S4中验证产品厂家的信用分类情况与信用评估模型的匹配度，反演买家评价信息，详细过程如下：使用BP神经网络算法对买家信息进行反演，令训练样本集为X＝[X1,X2,…,Xj]，对任意T样本集Xk＝[Xk1,Xk2,…,Xkm]，得到实际输出Yk＝[Yk1,Yk2,…,Ykp]，BP神经网络的正向传播中，从初始输入至I层有：其中， 表示逻辑计算的权重，则得到预测输出：

其中， 为BP神经网络初始输出数据， 为BP神经网络正向传播至I层时的输出数据，xkm为样本值，wio为初始输入传播路径，wmi为从初始输入至I层的传播路径， 为BP神经网络从初始输入至I层的正向传播速度，f(*)为BP神经网络算法对买家信息反演结果；经过多次的误差计算和网络迭代实现BP神经网络的反向误差信号传播，根据以上原理对买家评价数据集进行训练，得到反演买家信息结果，如果存在买家恶意评价的现象，则剔除相应的记录，保证相对客观的信用信息。