基于改進(jìn)的消費(fèi)者情感決策推薦算法研究

王裕菲 趙軍

（1.寧夏大學(xué)信息工程學(xué)院 寧夏回族自治區(qū)銀川市 750021 2.寧夏大學(xué)商學(xué)院 寧夏回族自治區(qū)銀川市 755000）

改革開放以來，我國(guó)的消費(fèi)模式發(fā)生巨大轉(zhuǎn)變。計(jì)算機(jī)網(wǎng)絡(luò)及電商的發(fā)展，使消費(fèi)者更加敏捷地加入網(wǎng)絡(luò)，成為信息的使用者和創(chuàng)造者[1]。網(wǎng)購是一種特殊的消費(fèi)模式，而商品評(píng)論作為已購消費(fèi)者對(duì)商品的看法、觀點(diǎn)，蘊(yùn)含著巨大的商業(yè)價(jià)值。消費(fèi)者在線購買的決策過程中，如何在諸多同類產(chǎn)品且預(yù)算受限的情況下選擇令自己滿意的服務(wù)或商品，由此便引出問題，如何簡(jiǎn)便高效地利用雜亂無章的商品評(píng)論數(shù)據(jù)，生成對(duì)消費(fèi)者有用的信息，如進(jìn)行決策推薦[2]，本文就此問題，開展研究。

1 相關(guān)研究概述

1.1 消費(fèi)者決策影響因素研究

消費(fèi)者處于社會(huì)化營(yíng)銷的環(huán)境中，其決策會(huì)受到諸多因素影響。張曉飛驗(yàn)證了“意見領(lǐng)袖”從外圍路徑造成的影響并未對(duì)最終決策造成作用；產(chǎn)品與服務(wù)營(yíng)銷的“出入”也成為了Sandra Godinho 等研究人員關(guān)注的問題；品牌可行度等對(duì)消費(fèi)者決策也存在一定的影響[20]；情境因素也成為了學(xué)者Chen 等人著重研究的問題，其中，在線評(píng)論對(duì)消費(fèi)者決策的影響成為眾多學(xué)者研究的重點(diǎn)。

1.2 在線評(píng)論對(duì)消費(fèi)者的影響研究

學(xué)者針對(duì)在線評(píng)論，從不同的角度開展研究，覃伍整合包括在線評(píng)論在內(nèi)引出構(gòu)成網(wǎng)上沖動(dòng)購買意愿的整合模型，為營(yíng)銷者提供相關(guān)建議；高楠選擇若干消費(fèi)者購買決策的影響因素，構(gòu)建影響模型；唐曉莉等人開展2 評(píng)論類型（主觀vs 客觀）*2 認(rèn)知需求（高vs 低）的眼動(dòng)實(shí)驗(yàn)，探索消費(fèi)者對(duì)于在線評(píng)論有用性的感知過程和感知結(jié)果；張媛媛用功能價(jià)值等建立模型并完善，得出影響因素與價(jià)值之間的相關(guān)關(guān)系；錢佩雨建立在線不一致對(duì)消費(fèi)者決策影響的的動(dòng)態(tài)模型并驗(yàn)證其可行性；韋荷琳構(gòu)建在線網(wǎng)絡(luò)口碑對(duì)于跟團(tuán)游在線產(chǎn)品預(yù)定的影響模型；許犇,徐國(guó)慶等人提出記憶圖卷積神經(jīng)網(wǎng)絡(luò)(MGCNN)引入注意力機(jī)制的商品評(píng)論情感分析方法。馮勇等人提出了融合近鄰評(píng)論的GRU 商品推薦模型實(shí)現(xiàn)商品推薦，并驗(yàn)證其有效性和優(yōu)越性。本文基于上述研究，實(shí)現(xiàn)消費(fèi)者基于評(píng)論數(shù)據(jù)情感產(chǎn)生的決策推薦。

1.3 評(píng)論數(shù)據(jù)情感分析

針對(duì)評(píng)論數(shù)據(jù)的情感分析，焦夢(mèng)蕾等人將情感特征分為極性和強(qiáng)度兩個(gè)方面進(jìn)行計(jì)算[3]；高統(tǒng)超提出了兩種特征選擇方法和基于層次關(guān)系的復(fù)雜方面短語提取算法用于提高評(píng)價(jià)精確度；尤天慧等人通過計(jì)算備選方案的效用值進(jìn)行決策[4]；余本功等人將情感分析和關(guān)注點(diǎn)結(jié)合起來分析得出每款產(chǎn)品的平均得分；王琳等人研究了不同極性情感對(duì)消費(fèi)者決策的影響差異；學(xué)者李春江設(shè)計(jì)了一個(gè)情感分析系統(tǒng)，用于從商品評(píng)論中自動(dòng)抽取商品屬性。評(píng)論數(shù)據(jù)情感的研究，成為評(píng)論數(shù)據(jù)的研究方向。

2 問題描述及解決框架

2.1 問題描述

據(jù)中國(guó)互聯(lián)網(wǎng)信息中心發(fā)布的第45 次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，我國(guó)網(wǎng)民規(guī)模達(dá)9.04 億，網(wǎng)絡(luò)購物用戶規(guī)模達(dá)7.10 億，手機(jī)上網(wǎng)比例更達(dá)99.3%。在如此大規(guī)模的消費(fèi)背景下，網(wǎng)購成為消費(fèi)模式中不可或缺的一部分，消費(fèi)者要通過在線平臺(tái)購買手機(jī)，作為單一的購買用戶，對(duì)于雜亂無章的評(píng)論數(shù)據(jù)無從下手，本文就此問題，針對(duì)獲得的商品評(píng)論數(shù)據(jù)，為消費(fèi)者進(jìn)行商品推薦。解決問題的流程如圖1 所示。

圖1：消費(fèi)者決策推薦流程圖

2.2 基于商品評(píng)論信息挖掘的商品特征

為了從雜亂的商品評(píng)論中提取有用的信息，需要對(duì)評(píng)論數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。去除有缺失值的評(píng)論（人工填充）、無格式亂碼的評(píng)論、無意義評(píng)論、符號(hào)過多評(píng)論、重復(fù)評(píng)論，整理為若干條評(píng)論組成的word 文檔。為了從商品評(píng)論中提取出商品特征，使用TF-IDF 算法，進(jìn)行詞頻分析。詞頻計(jì)算公式如下：

詞頻（TF）=某詞詞數(shù)/評(píng)論的總詞數(shù)

逆文檔頻率是一個(gè)詞普遍重要性的度量。評(píng)論數(shù)據(jù)中某一個(gè)特定詞的IDF 可以由評(píng)論條數(shù)除以包含該詞語的評(píng)論條數(shù)與1 的和，再將得到的商取對(duì)數(shù)得到。

逆文檔頻率（IDF）=log[評(píng)論總條數(shù)/（包含該詞的評(píng)論條數(shù)+1）]

TF-IDF=詞頻（TF）×逆文檔頻率（IDF）

得到詞頻（TF）和逆文檔頻率（IDF）以后，將這兩個(gè)值相乘，TF-IDF 與一個(gè)詞在文檔中的出現(xiàn)次數(shù)成正比。所以，計(jì)算出文檔的每個(gè)詞的TF-IDF 值，可在此基礎(chǔ)上，根據(jù)排名順序，從排在前面的若干關(guān)鍵詞中，提取商品特征提取出商品特征。

2.3 基于商品特征構(gòu)建積極、消極情感詞典

引入Boson 情感詞典，Boson 詞典是基于微博、新聞、論壇等數(shù)據(jù)來源構(gòu)建的情感詞典，所以詞典適用于處理社交媒體的情感分析。對(duì)于每個(gè)商品特征得到的情感詞集，分別取它與Boson 情感詞典的交集，并區(qū)分正負(fù)情感傾向，得到與評(píng)論對(duì)應(yīng)的包含特征值的各特征情感詞典，

2.4 確定特征的情感傾向

本文采用改進(jìn)過的林杰情感計(jì)算的算法計(jì)算每種商品每條評(píng)論每個(gè)特征的的情感傾向。

2.4.1 林杰的情感計(jì)算方法

林杰在自己的研究當(dāng)中，計(jì)算商品評(píng)論的情感傾向的步驟如下：

（1）根據(jù)Boson 詞典與評(píng)論數(shù)據(jù)的交集得出各個(gè)特征的情感詞詞典（正負(fù)詞典）；

（2）當(dāng)一條評(píng)論當(dāng)中

A.正向情感詞數(shù)>負(fù)向情感詞數(shù)，本條評(píng)論情感傾向?yàn)檎?/p>

B.正向情感詞數(shù)＜負(fù)向情感的數(shù)，本條評(píng)論情感傾向?yàn)樨?fù)；

C.正向情感詞數(shù)=向情感詞數(shù)時(shí)，本條評(píng)論情感傾向?yàn)橹行浴?/p>

2.4.2 改進(jìn)的情感計(jì)算方法

事實(shí)上，每一條評(píng)論當(dāng)中的多個(gè)情感詞，表達(dá)的情感程度都是不同的，因此，提出了改進(jìn)的情感計(jì)算方法，步驟如下：

Step1：jieba 分詞后，去除評(píng)論當(dāng)中的停用詞；

Step2：讀取情感詞、程度副詞、否定詞文件，將句子中的情感詞、程度副詞轉(zhuǎn)為程度副詞字典對(duì)象，key 為程度副詞，value為對(duì)應(yīng)的程度值；

Step3：更新權(quán)重，如果有程度副詞，分值乘以程度副詞的程度分值，如果有否定詞，取反；Step4：判斷當(dāng)前的情感詞與下一個(gè)情感詞之間是否有程度副詞或否定詞，計(jì)算得分，得出每一句評(píng)論的情感值。（score 取值代表情感傾向）

2.5 直覺模糊數(shù)與決策推薦

2.5.1 直覺模糊數(shù)

基于直覺模糊集理論，備選商品在線評(píng)論的情感傾向可以通過直覺模糊數(shù)簡(jiǎn)單而完整的表示[13]，利用直覺模糊數(shù)Yij=[pij（+），pij（-）]表示，其中pij（+）和pij（-）分別為根據(jù)商品評(píng)論數(shù)據(jù)得到的商品i 特征j 的正負(fù)向情感傾向的百分比。

pij（+）=Mij（+）/（Mij（+）+Mij（-））

pij（-）=Mij（-）/（Mij（+）+Mij（-））

2.5.2 決策推薦

使用TOPSIS 算法，獲得各備選商品與最優(yōu)方案之間的接近程度，作為評(píng)價(jià)優(yōu)劣的依據(jù)[13]。

3 數(shù)據(jù)實(shí)驗(yàn)

3.1 數(shù)據(jù)來源

本實(shí)驗(yàn)擬為預(yù)計(jì)購買1500-2000 范圍內(nèi)手機(jī)的消費(fèi)者進(jìn)行輔助決策，爬取了京東iphone 8p、華為榮耀x、oppor15 及魅族M3 四種手機(jī)手機(jī)評(píng)論作為本次實(shí)驗(yàn)的數(shù)據(jù)，設(shè)定為用戶購買手機(jī)的四種備選方案，共爬取4 款手機(jī)數(shù)據(jù)各2000 條（共8000 條），然后對(duì)商品評(píng)論進(jìn)行數(shù)據(jù)處理，進(jìn)行數(shù)據(jù)清洗，去除無意義評(píng)論（無效評(píng)論）如“此用戶未填寫評(píng)價(jià)”、垃圾評(píng)論、符號(hào)多的評(píng)論、評(píng)論字?jǐn)?shù)小于15 字的評(píng)論，最終獲得數(shù)據(jù)集共2000 條，每個(gè)手機(jī)各500 條。

3.2 實(shí)驗(yàn)分析

3.2.1 評(píng)論數(shù)據(jù)詞頻分析

使用TF-IDF 算法進(jìn)行詞頻分析，得到影響手機(jī)的特征因素共5 個(gè)，分別是使用、價(jià)格、品牌、物流、外觀。

3.2.2 構(gòu)建情感詞典

為了計(jì)算評(píng)論的情感傾向，我們引入Boson 情感詞典，根據(jù)TF-IDF 算法結(jié)果構(gòu)建情感詞典，如表1：（舉例）

根據(jù)引入的包含情感值的Boson 情感詞典，得到Boson 詞典與各特征的情感詞詞典的交集，生成各特征情感詞的包含情感值的正負(fù)向情感詞詞典。

分別是：

質(zhì)量的正向use1，負(fù)向use2；.品牌的正向brand1，負(fù)向brand2；物流的正向logistics1，負(fù)向logistics2；.價(jià)格的正向price1，負(fù)向price2；外觀的正向appearance1，負(fù)向appearance2；

其中use、brand、logistics、price、appearance 為各特征正負(fù)向情感值總表。

3.2.3 推薦排序

使用TOPSIS 方法，對(duì)商品進(jìn)行排序。

3.2.3 .1 構(gòu)建直覺模糊決策矩陣

根據(jù)以上得到的4 種手機(jī)5 種特征的正負(fù)向情感傾向比率，得到相應(yīng)的直覺模糊決策矩陣：

[[[0.790,0.210],[0.687,0.132],[0.138,0.276],[0.318,0.012],[0.157,0.084]],

[[0.837,0.163],[0.162,0.028],[0.676,0.090],[0.275,0.148],[0.556,0.0 31]],

[[0.774,0.226],[0.234,0.132],[0.362,0.085],[0.576,0.108],[0.726,0.0 90]],

[[0.818,0.182],[0.114,0.132],[0.293,0.087],[0.437,0.054],[0.732,0.0 84]]]

3.2.3 .2 構(gòu)建加權(quán)直覺模糊決策矩陣

假定消費(fèi)者給出的各因素權(quán)重為{0.4,0.2,0.1,0.2,0.1}，對(duì)矩陣進(jìn)行歸一化，根據(jù)權(quán)重得到加權(quán)規(guī)范矩陣，如表2。

表1：構(gòu)建情感詞典（示例）

表2：加權(quán)規(guī)范矩陣

4 結(jié)束語

本文提出了一種改進(jìn)的基于商品評(píng)論進(jìn)行消費(fèi)者推薦決策的研究方法，使用改進(jìn)的情感計(jì)算方法、TOPSIS 算法，得到基于商品評(píng)論進(jìn)行的消費(fèi)者推薦決策結(jié)果。

本文的創(chuàng)新之處在于：

（1）引入全新的包含情感值的詞典，生成各備選方案各特征的情感詞典；

（2）改進(jìn)情感計(jì)算方法計(jì)算評(píng)論數(shù)據(jù)情感傾向；

本文的研究也有一定的不足之處：

（1）對(duì)于計(jì)算得到的評(píng)論情感傾向結(jié)果（數(shù)值）利用太過簡(jiǎn)略，是否可以在此基礎(chǔ)上進(jìn)行再進(jìn)一步的研究；

（2）可擴(kuò)充數(shù)據(jù)量，使用海量數(shù)據(jù)得到更具說服力的正負(fù)理想點(diǎn)，以便求解推薦結(jié)果。