基于二元語義的國產化妝品網購消費需求偏好研究

高映婷

[提要] 針對消費者網購化妝品的需求偏好問題，采用二元語義方法，對網絡消費者的評價信息進行分類集結處理，并應用PGSA方法求出最優信息的集結點，從而得到消費者對化妝品的需求。通過實證研究表明：該方法具有有效性和可行性。

關鍵詞：網絡消費；需求；二元語義；信息集結；PGSA

基金項目：2016年度江蘇省普通高校學術學位研究生科研創新計劃項目（編號：KYZZ16-0304）

中圖分類號：C934 文獻標識碼：A

收錄日期：2017年5月27日

一、引言

近年來，依托龐大的市場規模和日益提高的居民生活水平，中國的化妝品市場已經成為世界最大的市場之一。據國家統計局公布的2015年社會消費品零售數據，國內化妝品市場的零售額高達2，049億元，同比增長8.8%。與此同時，隨著互聯網技術不斷發展，大多數消費者購買化妝品的方式也從傳統的實體店購買轉變為新型的網絡商店購買，網購已經成為人們日常購買化妝品的主要方式。

消費者在購買產品時，趨向于已消費用戶的體驗或口碑。對在線口碑的研究最早可以追溯到1997年，Stauss從管理和營銷的角度來探討在線口碑對企業發展的影響。Chevalier以亞馬遜網站為例，指出書籍的評價越高，其總銷售數量會隨之上升。Liu在對電影票房與在線口碑關系的研究中指出，電影票房與在線口碑的數量成正比。付深將ELM模型應用于研究網絡口碑對消費者購買決策的影響。周耿等運用多元回歸分析方法進行實證研究，提出網站可信度、感知風險對口碑效應的調節作用。在線評價是在線口碑的細分與發展，隨著電子商務的發展，在線評價逐漸成為影響消費者網絡購買決策的重要因素。Nan Hu以評論者質量、曝光度，產品范圍、上市時間作為在線客戶評論主要的四大影響因素，并發現信譽較好的評論者的評論對消費者購買產品的影響更大。周晶晶從評論的數量、評論者的資信度、評論內容的質量和評論的效價四個方面，實證驗證了在線客戶評論對消費者間接和直接兩種影響。趙冬通過雙因素模型和在線客戶評論影響力的影響因素模型，指出正面評論對消費者的購買決策起到正向影響。王真真實證研究得出：對旅游者而言，在線評論的內容質量、評論者的威望度、評論的時效性、評論的數量和形式、評論者特征及評論的傾向性對旅游者購買決策具有顯著性的影響。

文獻多從實證角度出發，以評論者自身、評論數量、評論的好壞等來研究消費者購買決策，幾乎沒有從在線評價的內容來探討消費者的購買需求偏好，來讓化妝品企業把握消費者的需求，從而實行科學的需求管理。本文將從消費者入手，準確判斷與精準把握消費者購買化妝品的需求偏好以及購買偏好。通過收集網絡評價數據，并通過二元語義將其量化表示，再利用模擬植物生長算法對各類群體的需求信息進行集結，從而了解各類人群購買化妝品的需求，實現消費者的購買決策的分析和預測，為化妝品企業生產產品提供了信息參考和指導。

二、研究方法

（一）消費者決策偏好集結點

定義1：給定平面上p個消費者的決策偏好點：e1，e2，…，ep（p≥2）若平面上存在一點e*（x，y）滿足：

D=minee=min（+…+） （1）

則稱e*為p個消費者的最優集結點。圖1中，e1，e2，…，ep（p≥2）代表了消費者個體的決策偏好點；而e*點則代表了消費者群體的決策意愿。通過求解（1）式，找出e*（x，y）坐標，就可以獲取群體決策點。由定義1可知，e*（x，y）也是消費者的最優集結點。（圖1）

（二）二元語義及其算子。二元語義基于符號轉移的概念，是指通過二元組（sk，ak）來表示對某方案（或準則）的評價信息，其中S為一個由奇數個元素構成的語言評價集，sk為S={s0，s1，…sT}中的第k個元素，S中的元素個數T+1稱作語言評價集的粒度。例如，一個粒度為7的語言評價集S可以描述為：S={s0：極差，s1：很差，s2：差，s3：一般，s4：好，s5：很好，s6：極好}，其中ak表示符號轉移值，表示與評價信息（sk，ak）與S中sk的偏差，ak取值范圍[-0.5，0.5）。

S具有如下性質：（1）有序性：當i≥j時，si≥sj；（2）存在逆運算算子：neg（si）=sj，其中j=T-i；（3）極大化和極小化運算：當si≥sj時，有max（si，sj）=si；min{si，sj}=si。

定義2：若sk∈S是一個語言短語，則其相應的二元語義形式可由函數△得到，即：

△：S→S×[-0.5，0.5）

△（sk）=（sk，0） （2）

定義3：設評價集S={s0，s1，…sT}，？字∈[0，T]是由語言信息集S集結所得到的實數，？字對應的二元語義形式可由函數△得到：

△：[0，T]→S×[-0.5，0.5）

△（？字）=Sk，k=round（？字）a=？字-k，a∈[-0.5，0.5） （3）

定義4：設（sk，ak）是一個二元語義，其中，sk是S中的第k個元素，ak∈[-0.5，0.5），則存在一個逆函數△-1，使得其轉化為相應的實數？字∈[0，T]：

△-1：S×[-0.5，0.5）→[0，T]

△-1（sk，ak）=k+ak=？字 （4）

設（si，ai）和（sj，aj）為任意兩個二元語義，兩者之間的比較有如下規定：（1）若iaj，則（si，ai）>（sj，aj）。

下面給出區間二元語義的概念以及運算法則：

定義5：設（sk，ak）與（k，k）為兩個二元語義sk， k∈S，ak，k∈[-0.5，0.5），且（sk，ak）≤（k，k），則稱（sk，ak）=[（sk，ak），（k，k）]是一個區間二元語義。

定義6：設（sk，ak）和（st，at）為任意兩個區間二元語義信息，則運算規則如下：

（1）當且僅當（sk，ak）=（st，at）和（k，k）=（t，t）成立時，（sk，ak）=（st，at）

（2）（sk，ak）+（st，at）=（△[△-1（sk，ak）+△-1（st，at）]，△[△-1（k，k）+△-1（t，t）]） （5）

三、基于模擬植物生長算法的最優集結點求解

模擬植物生長算法（PGSA）是由中國學者李彤教授于2005年創立的一種以植物向光性機理為啟發式準則的智能優化算法。該算法是將優化問題的解空間當作植物的生長環境，將最優解當作光源，基于真實植物的向光性機理，建立枝葉在不同光線強度下向著陽光快速生長的演繹方式。該算法在其他領域，都有相應的成果，PGSA與其他智能算法相比而言，能夠通過較短的時間和較快的速度尋找到最優解，同時PGSA無需編碼、解碼，對參數設置的依賴性較低。

（一）植物生長向光性的數學模型。在植物學中的形態素濃度理論的基礎上建立枝葉在不同光線強度下向最優解的方向快速生長的動力模型，其模型主要思想為：假設一棵樹有樹干M和樹枝m，M上有K個比樹根環境條件好的生長點SM1，SM2，…SMK其對應的形態素濃度為PM1，PM2，…PMK；m上有q個比樹根環境條件好的生長點Sm1，Sm2，…Smq，其對應的形態素濃度為Pm1，Pm2，…Pmq，則樹干及樹枝上的各生長點的形態素濃度可由以下公式計算：

P= （6）

P= （7）

式中，S0為樹根所在點；f為生長點的環境函數，取值越小，環境條件越好，越有利于長出新枝。

由公式（8）可以看出一棵樹上所有生長點的形態素濃度之和為1。

（P+P）=1 （8）

因此，k+q個生長點的形態素濃度確立以后，接下來如圖2所示，隨機生成一個[0，1]的數字作為下次生長的新生長點，在公式（6）和（7）的基礎上加入新的生長點重新計算，如此反復執行，直到無新的生長點產生為止，見圖2。（圖2）

（二）基于模擬植物生長算法求解專家集結點。根據模擬植物生長算法，定義其相似性結構為在生長點按照東南西北這四個方向生長，不停產生新枝，設新枝的旋轉角度α為90度，將枝干長度設定為l/1000，l為有界閉箱的長度。

P= （t=1，2，…v） （9）

步驟1：確定初始生長點e∈X，X為Rn中的有界閉箱，這些初始生長點為e有界閉箱內隨機均勻的點；

步驟2：求解各生長點的生長概率；

步驟3：根據步驟2的結果建立各生長點在0～1區間內的概率，以隨機數選擇本次迭代生長點e；

步驟4：確定步長λ（一般取l/1000），生長點按照α=900的L-系統進行生長，用新的生長點替換e；

步驟5：如若不再產生新的生長點且達到預設的迭代次數，即得到最優集結點，則停止計算，否則轉步驟2。

四、基于二元語義的群決策方法

針對消費者網購化妝品需求偏好問題，收集網絡評價數據為：X={x1，x2，…xm}（m≥2）

消費者集為：E={e1，e2，…ep}（p≥2）

屬性集：U={u1，u2，…un}（n≥2）

消費者群體zt對產品的語言評價矩陣：At=（aijt）m×n

將At=（aijt）m×n轉化為二元語義決策矩陣At=（aijt，0）m×n，從而得到最優決策方案：

a a … aa a … a… … … …a a … a？陴（a，0） （a，0） … （a，0）（a，0） （a，0） … （a，0） … … … …（a，0） （a，0） … （a，0）

（一）決策偏差。假設各消費者無偏好（或偏好相同），根據消費者給出的決策矩陣，利用公式（4）計算每位消費者對指標的判斷值與其他消費者對指標的偏差。設消費者zi對屬性uj的判斷與其他消費者對該屬性的判斷的偏差為？漬ij：

？漬=△-1（e，0）-△-1（e，0）（j=1，2，…n） （10）

（二）決策過程

步驟1 根據公式（3）將各消費者的語言評價矩陣At=（aijt）m×n轉化為二元語義矩陣At=[（aijt，0）]m×n。

步驟2 通過指標對消費者的評價信息進行分類，并用PGSA對各類消費的二元語義評價矩陣At=[（aijt，0）]m×n。

步驟3 計算每位消費者與同類其他消費者的評價偏差，并且各自加減得到區間二元語義矩陣A=[（ij，），（s，？琢）]m×n。

步驟4 通過公式（3）區間二元語義矩陣A= [（ij，），（s，？琢）]m×n轉化為實數矩陣A=[（aij，b）]m×n，PGSA進行集結，得到最優集結矩陣A*=[（aij*，b*）]m×n。

步驟5 通過PGSA對實數矩陣A=[（aij，b）]m×n再次集結得到A*=[（aij*，b*）]m×n，并對結果進行排序和分析。

五、實例分析

針對消費者網購化妝品的需求偏好，本文收集京東百雀羚旗艦店中化妝品套裝銷售量第一的消費者評價數據，并選擇價格、快遞速度、補水保濕效果、品牌印象和整體效果這5個作為指標屬性{u1，u2，u3，u4，u5}。根據粒度為5的語言評價集：S={S0：很差，S1：差，S2：一般，S3：好，S4：很好}，分別將收集的在線評價信息根據公式（3）轉換成二元語義形式，并根據整體效果這個指標對消費者的在線評價進行分類，如表1～表4所示。（表1、表2、表3、表4）

通過公式（10）計算各個消費者的評價信息與同類別其他消費者的評價信息的偏差值，并自行加減；通過公式（3）將得到的數值轉換成二元語義形式A=[（ij，），（，）]m×n，如表5～表8所示。（表5、表6、表7、表8）

通過PGSA對分類的群體分別進行集結，得到最優集結矩陣A*=[（aij*，b*）]m×n，如表9所示。（表9）

對最優集結矩陣再次進行集結，得到： u1=（1.67，2.33），u2=（1.58，2.42），u3=（1.24，2.74），u4=（1.5，2.5），u5=（2，2）或（3，3），即：u1=（s2，0.33），u2=（s2，0.42），u3=（s2，0.74），u4=（s2，0.5），u5=（s2，0）或（s3，0）；？漬1=0.33，？漬2=0.42，？漬3=0.74，？漬4=0.5，？漬5=0。

最后得到的結果是：？漬3>？漬4>？漬2>？漬1>？漬5

可以說，消費者對商品的價格比較滿意，相對而言，補水保濕效果對所有消費者而言還是不太滿意的。

六、結束語

本文針對消費者網購化妝品的需求偏好問題，在收集消費者在線評價數據的基礎上，將語言評價信息轉化為二元語義評價矩陣。然后，對所有的評價信息通過指標進行分類，計算每位消費者在各自分類內與其他消費者評價信息的偏差值，自行加減得到最新的二元語義評價矩陣。將矩陣中相對應的元素按屬性指標，分別映射到二維坐標中，轉化成消費者評價偏好點集。然后，再利用PGSA求解最優集結點。由逆映射的關系可知，該點的坐標即是達成所有消費者語言信息表達矩陣的集結元素。根據所求的最優集結點以及偏差值來分析消費者購買化妝品的需求。

主要參考文獻：

[1]Chevalier，D.Mayzlin.The Effect of Word of Mouth on Sales：online Book Reviews[J].Journal of Marketing Research，2006.8.

[2]Liu.Y.Ward of mouth for movies：its dynamic and impact on box officerevenue[J].Journal of Marketing，2006.70.

[3]付深.網絡口碑對消費者決策影響的實證研究[D].浙江大學碩士論文，2010.3（2）.

[4]周耿，易斯琦.在線口碑效應的影響因素及性別差異研究[J].廣東商學院學報，2013.8.

[5]Nan Hu.Online Consumer Trust：A Multi-Dimensional Model[J].Journal of Electronic Commerce in Organizations，2008.2（3）.

[6]周晶晶.在線客戶評論對消費者購買決策影響的實證研究[D].浙江大學碩士論文，2010.2（1）.

[7]趙冬.在線客戶評論對消費者購買決策影響的實證研究[D].重慶工商大學碩士論文，2012.2（1）.

[8]王真真.中國旅游在線評論對旅游消費者購買決策影響的實證研究[D].北京第二外國語學院碩士論文，2012.

[9]衛貴武，林銳.基于二元語義多屬性群決策的灰色關聯分析法[J].系統工程與電子技術，2008.30（9）.

[10]Herrera F，Martinez L.A 2-Tuple fuzzy linguistic representation model for computing with words[J].IEEE Trans on Fuzzy Systems，2000.8（6）.

[11]Herrera F，Martinez L.A model based on 2-tuples Linguistic for dealing with multi-granularity hierarchical linguistic contexts in multi-expert decision-making[J].IEEE Trans on Systems，Man and Cybernetics.Part B：Cybernetics，2001.31（2）.

[12]李彤等.求解整數規劃的一種仿生類全局優化算法——模擬植物生長算法[J].系統工程理論與實踐，2005.25（1）.

[13]楊磊，劉義保，劉玉娟.基于模擬植物生長算法的鈷源源棒的排列優化[J].核技術，2009.32（12）.

[14]李彤，王眾托.模擬植物生長算法在設施選址問題中的應用[J].系統工程理論與實踐，2008.28（12）.