基于用戶綜合反饋的服務(wù)偏好挖掘方法

劉平峰，朱孔真，張 慧

(1.武漢理工大學(xué)經(jīng)濟(jì)學(xué)院，湖北武漢430070;2.武漢理工大學(xué)電子商務(wù)與智能服務(wù)研究中心，湖北武漢430070)

個(gè)性化服務(wù)通過收集和分析用戶行為反饋信息學(xué)習(xí)用戶偏好，并根據(jù)用戶偏好向用戶推送高質(zhì)量服務(wù)，達(dá)到培養(yǎng)忠實(shí)用戶和吸引新用戶的目的［1］?？梢?，用戶偏好獲取的準(zhǔn)確性極為關(guān)鍵。現(xiàn)階段對于用戶服務(wù)偏好挖掘的研究要么基于用戶評價(jià)反饋的顯式反饋挖掘［2］，要么基于用戶網(wǎng)絡(luò)行為的隱式反饋挖掘［3］。由于這些方法人為將客戶行為信息和評價(jià)反饋信息割裂，其分析結(jié)果具有片面性。為解決該問題，筆者基于層次向量空間的用戶服務(wù)偏好模型，提出基于用戶綜合反饋(包括行為反饋和評價(jià)反饋)獲取用戶偏好的方法，對于購物時(shí)用戶的網(wǎng)絡(luò)使用行為，采用權(quán)重未知多屬性決策方法中相對便于理解與實(shí)現(xiàn)的逆向加權(quán)法獲取偏好，而對于購物后用戶對商品的評價(jià)，采用基于HowNet詞典改進(jìn)的極性分析方法，該方法相對簡單且效果理想，最終聯(lián)立求解得到用戶偏好。這樣基于用戶綜合反饋挖掘出的用戶偏好更加全面，因此對提高個(gè)性化服務(wù)質(zhì)量具有重要意義。

1 用戶服務(wù)偏好的表示模型

現(xiàn)有用戶服務(wù)偏好模型主要有:基于向量空間模型的表示［4］、基于正反例集的表示［5］、基于本體的表示［6］、基于樹形化的表示［7］和基于云模型的表示［8］。筆者以網(wǎng)上商品服務(wù)資源為對象，挖掘用戶服務(wù)偏好，由于商品通常采用屬性特征描述［9］，故采用向量空間描述用戶服務(wù)偏好。由于用戶對多類商品有興趣，筆者采用4層樹形結(jié)構(gòu)來表示用戶整體服務(wù)偏好模型(如圖1所示):第一層節(jié)點(diǎn)表示某一用戶;第二層節(jié)點(diǎn)表示該用戶所有感興趣的服務(wù)商品類型，表示為P={P1，P2，…，Pi，…，Pn}，其中 Pi為用戶對第 i類服務(wù)商品的偏好;第三層節(jié)點(diǎn)表示某類服務(wù)商品的屬性，表示為 qi={qi1，qi2，…，qij，…，qim}，其中 qij為用戶對第i類商品的第j個(gè)屬性的偏好;第4層節(jié)點(diǎn)表示與商品屬性對應(yīng)的用戶服務(wù)偏好，表示為 qij={vij，wij}，vij和 wij分別為用戶對第 i類商品的第j個(gè)屬性的屬性值偏好和權(quán)重偏好(即對該屬性的重視程度)。

圖1 基于層次向量空間的用戶服務(wù)偏好表示模型

2 基于逆向加權(quán)法的用戶行為偏好挖掘

2.1 基于用戶行為獲取商品排名

(1)基本原理:①相比點(diǎn)擊瀏覽的商品，用戶更加偏好放入購物車的商品;②在用戶放入購物車的商品中，用戶偏好最終購買的商品;③對于用戶放入購物車的商品和只點(diǎn)擊的商品，查看時(shí)間越長，用戶越偏好該商品。

(2)符號(hào)定義:B={b1，b2，…，bm}為 m 個(gè)同樣類型的商品集;pt為最近瀏覽的第t個(gè)頁面;t(pt)為瀏覽頁面pt所花費(fèi)的時(shí)間;B(pt)∈B為頁面 pt所顯示的商品;PT={pt|t=1，2，…，T}為最近瀏覽的T個(gè)商品信息頁面的集合;PxT={pt|pt∈PT，B(pt)=x}為瀏覽商品x的全部頁面集合;b(x)為商品x放入在購物車的情況，b(x)=1為在;b(x)=0為不在;buy(x)為商品x購買情況，buy(x)=1為用戶購買了商品x;buy(x)=0為沒有購買商品。

(3)獲取步驟:①在網(wǎng)絡(luò)使用行為數(shù)據(jù)庫中搜集近期瀏覽的商品，生成近期瀏覽商品集合ST。ST={B(pt)|t=1，2，…，T} 為用戶近期的T次瀏覽網(wǎng)頁中，頁面信息所顯示的商品的集合。②查看ST中每個(gè)商品x的buy(x)和b(x)值，若buy(x)=1，將該商品放入集合Sb;若buy(x)=0，b(x)=1，將該商品放入集合Sc;如果buy(x)=0，b(x)=0，將該商品放入集合 St。③ 生成有序購物車商品集合。分別計(jì)算集合Sb和集合Sc中用戶對每個(gè)商品的瀏覽總時(shí)間;按t(x)從大到小分別對集合Sb和Sc中的元素排序;將集合Sc中的元素依次添加到集合Sb中，得到新的集合。④生成有序?yàn)g覽商品集合。計(jì)算集合St中用戶對每個(gè)商品的瀏覽總時(shí)間;按t(x)從大到小分別對集合St中的元素排序得到新的集合S't。⑤將集合S't中的元素依次添加到集合S'c中，得到新的有序集合Sz，該集合即為商品排名集合，將排名第一的商品屬性值作為用戶對商品屬性值的偏好。

2.2 基于逆向加權(quán)法的偏好挖掘

從用戶網(wǎng)絡(luò)使用行為中得到商品集合的m個(gè)商品的有序集合，設(shè)該類商品有n個(gè)屬性。借鑒文獻(xiàn)［10］中用戶偏好分析的方法，將其轉(zhuǎn)變?yōu)榫€性規(guī)劃問題求解權(quán)重。

3 基于極性分析的用戶評價(jià)反饋偏好挖掘

用戶評價(jià)反饋包括評分反饋和文本評論反饋，可從評分反饋看出用戶對所評價(jià)服務(wù)的總體觀點(diǎn)，由于每個(gè)購物網(wǎng)站對商品評分的范圍設(shè)置不同，筆者統(tǒng)一把商品評分規(guī)范化至區(qū)間［－1，1］，表示用戶總體觀點(diǎn)的極性值。同時(shí)，從文本評論獲取特征屬性詞和屬性觀點(diǎn)詞，對屬性觀點(diǎn)詞進(jìn)行極性分析(具體極性分析方法參見文獻(xiàn)［11］)，屬性觀點(diǎn)詞極性值與屬性權(quán)重的乘積累加，得到用戶對商品的總體觀點(diǎn)，即為:

式中:f為用戶評分;O(ai)為屬性i對應(yīng)的觀點(diǎn)詞ai的極性值。可見，此處對商品評論的偏好分析得出的商品偏好是基于屬性權(quán)重的線性約束，通過與上述線性規(guī)劃問題聯(lián)立求解，即可得到基于用戶綜合反饋的服務(wù)偏好。

4 算例

4.1 數(shù)據(jù)準(zhǔn)備

某購物網(wǎng)站有10種計(jì)算機(jī)出售，分別為b1，b2，…，b10，主要考慮其6個(gè)屬性:速度、內(nèi)存、硬盤、價(jià)格、顯卡和穩(wěn)定性，可從網(wǎng)上獲取計(jì)算機(jī)產(chǎn)品的屬性值，如表1所示。

表1 計(jì)算機(jī)產(chǎn)品的屬性值

從該購物網(wǎng)站的網(wǎng)絡(luò)日志獲取某一用戶使用購物網(wǎng)站的行為，包括用戶點(diǎn)擊瀏覽產(chǎn)品的行為，將計(jì)算機(jī)產(chǎn)品放入購物車的行為以及購買行為，表2為該用戶的網(wǎng)絡(luò)使用行為。

表2 用戶瀏覽商品時(shí)對網(wǎng)頁的使用行為

該用戶購買產(chǎn)品后，對商品的評論是“速度不錯(cuò)，穩(wěn)定性也挺好的，價(jià)格很劃算”，評分為0.5分。

4.2 基于用戶行為的偏好挖掘

4.2.1 獲取商品排名

依照表2可以看出用戶在瀏覽該購物網(wǎng)站時(shí)頁面信息點(diǎn)擊了6次，這6次頁面信息包含4個(gè)商品，分別為 b7，b5，b9，b6，其中商品 b5的頁面信息被瀏覽了3次。用戶將商品b7放入購物車中，最后購買了商品b7。依據(jù)上述方法得到商品排序?yàn)閎7＞ b5＞ b9＞ b6。

4.2.2 屬性權(quán)重分析

獲取了商品排名之后，列出這4個(gè)候選商品的6個(gè)屬性值。使用文獻(xiàn)［10］中的方法，將屬性值信息化和標(biāo)準(zhǔn)化之后，構(gòu)建支持矩陣并得到如下規(guī)劃問題，確定屬性的權(quán)重

該模型求解結(jié)果如表3所示。

表3 各屬性的權(quán)重

將得到的偏好信息輸入基于層次空間向量的用戶服務(wù)偏好模型中，得到用戶偏好如圖2所示。

圖2 基于行為挖掘的用戶服務(wù)偏好模型

4.3 基于用戶評價(jià)的偏好挖掘

利用中國科學(xué)院計(jì)算技術(shù)研究所研制的漢語語法分析系統(tǒng)ICTCLAS對用戶文本評論內(nèi)容進(jìn)行分詞和詞性標(biāo)注處理。得到“速度/n不錯(cuò)/a，/w穩(wěn)定性/n也/d挺/d好/a的/u，/w價(jià)格/n很/d劃算/a”。將屬性詞與觀點(diǎn)詞結(jié)合提取情感評價(jià)單元，得到＜CPU速度，不錯(cuò)＞ ＜價(jià)格，劃算＞＜穩(wěn)定性，好＞。

根據(jù)文獻(xiàn)［11］中提出的基于極性相似度度量的極性分析方法，來計(jì)算觀點(diǎn)詞“不錯(cuò)”“劃算”以及“好”的極性分別為 0.8，0.6，1.0(精確到小數(shù)點(diǎn)后一位)。由于用戶對商品的評分為0.5，由式(1)可得:

4.4 用戶服務(wù)偏好的獲取

將式(2)與式(3)聯(lián)立求解，則有:

該模型求解結(jié)果如表4所示。

表4 各屬性的權(quán)重

將得到的偏好信息輸入基于層次空間向量的用戶服務(wù)偏好模型中，得到用戶偏好如圖3所示。

圖3 基于綜合反饋的用戶服務(wù)偏好模型

5 結(jié)論

筆者對基于綜合反饋的用戶服務(wù)偏好挖掘進(jìn)行了研究。基于層次向量空間的用戶服務(wù)偏好表示模型，結(jié)合基于逆向加權(quán)法的用戶行為偏好挖掘方法和基于極性分析的用戶評價(jià)反饋偏好挖掘方法，提出了基于用戶綜合反饋信息獲取用戶服務(wù)偏好的方法，并以實(shí)例進(jìn)行驗(yàn)證。筆者的研究沒有考慮用戶偏好連續(xù)更新的問題，在后一步研究中將引入遺忘因子對用戶偏好進(jìn)行調(diào)節(jié)，并從用戶評價(jià)反饋中細(xì)化對屬性值偏好的獲取。

［1］李春，朱珍民，葉劍.個(gè)性化服務(wù)研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2009，26(11):4001 －4005.

［2］辛菊琴，蔣艷，舒少龍.綜合用戶偏好模型和BP神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49(2):57 －60.

［3］徐新衛(wèi)，周良，徐曉明.Web主動(dòng)服務(wù)中基于混合挖掘的用戶意圖辨識(shí)［J］.吉林大學(xué)學(xué)報(bào)，2007，37(2):419－423.

［4］MICHLMAYR E，CAYZER S.Learnling user profiles from tagging dataand and leveraging them for personal(ized)infonnation aeeess［C］∥Workshop on Tagging and Metadata for Social Information Organization.［S.l.］:［s.n.］，2007:163 －165.

［5］GARZON MC.Model－ based personalization within an adaptable human－machine interface environment that is capable of learning from user interactions［C］∥Advances in Computer－ Human Interactions.［S.l.］:［s.n.］，2010:97 －99.

［6］馮石麟，鄧偉.基于語義的Web信息檢索系統(tǒng)的研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2008，25(5):142 －144.

［7］李武智，張斌.基于服務(wù)上下文的Web服務(wù)發(fā)現(xiàn)機(jī)制［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33(7):2580 －2583.

［8］劉歷波.汽車售后服務(wù)推薦模型中基于云模型的用戶偏好表示［J］.現(xiàn)代商貿(mào)工業(yè)，2010，12(3):30 －33.

［9］胡新明.基于商品屬性的電子商務(wù)推薦系統(tǒng)研究［D］.武漢:華中科技大學(xué)圖書館，2012.

［10］楊娜娜.基于商品排序的用戶偏好分析方法研究［D］.大連:大連理工大學(xué)圖書館，2012.

［11］翟永勇.中文意見挖掘的特征提取與極性分析研究［D］.合肥:合肥工業(yè)大學(xué)圖書館，2011.