数字化使得平台经济成为主流的经济模式,而风险特征的准确识别是应对平台经济异常事件的发生并产生对应治理策略的重点。论文从这一角度出发,选择实体产品交易平台和服务交易平台中两个代表性交易平台的异常事件为研究对象,重点解决两个实际问题:1)如何在异类知识管理的视角下利用机器学习算法识别交易平台经济中异常行为的风险特征及机理。2)在知识管理基本环节的知识创造、转移、存储、应用中,如何创新异类知识获取及异类知识共享的方法,增加异类知识的密集度,解决平台生态中各方主体知识不对称问题,实现针对性的平台治理策略。全文研究方法如下:首先,遵循设计科学的研究范式,并在DIKW知识利用体系的基础上,设计和开发了异类知识获取与利用策略,构建了交易平台风险识别与治理框架模型,为后续研究提供了理论框架支撑,更好的实现数据挖掘与异类知识管理相结合。其次,在实体产品交易平台的异常“羊毛党”风险识别与治理研究中,侧重可解释性集成算法,通过构造特征群及群内特征针对性交叉组合,创新了一种切合消费金融平台的多类型业务场景的特征工程半自动特征提取方法,并提出基于贝叶斯超参数优化的Light GBM异常行为用户风险识别新方法,通过与经典算法的比较,该方法能够提升模型的识别准确率和较高泛化能力。最后,在服务交易平台的汽车保险欺诈风险识别与治理中,强调数据处理和分类性能的集成算法,提出了一种集成CNN、LSTM和DNN的深度学习模型用于欺诈风险检测,该方法在避免繁琐的特征工程的同时,与其他经典模型和单一神经网络的对比中具有更高的识别的准确率。结论是,从异类知识管理的视角结合机器学习算法探索交易平台异常事件中的风险识别与治理方法,能够从outlier视角解决平台生态中多源异构且海量数据难以有效处理分析的痛点问题,减少有价值数据的遗漏与应用,能够在平台治理领域进行异类知识获取及知识利用,实现基于数据和算法的商务风险分析和针对性治理决策。