基于改進的消費者情感決策推薦算法研究

王裕菲 趙軍

（1.寧夏大學信息工程學院 寧夏回族自治區銀川市 750021 2.寧夏大學商學院 寧夏回族自治區銀川市 755000）

改革開放以來，我國的消費模式發生巨大轉變。計算機網絡及電商的發展，使消費者更加敏捷地加入網絡，成為信息的使用者和創造者[1]。網購是一種特殊的消費模式，而商品評論作為已購消費者對商品的看法、觀點，蘊含著巨大的商業價值。消費者在線購買的決策過程中，如何在諸多同類產品且預算受限的情況下選擇令自己滿意的服務或商品，由此便引出問題，如何簡便高效地利用雜亂無章的商品評論數據，生成對消費者有用的信息，如進行決策推薦[2]，本文就此問題，開展研究。

1 相關研究概述

1.1 消費者決策影響因素研究

消費者處于社會化營銷的環境中，其決策會受到諸多因素影響。張曉飛驗證了“意見領袖”從外圍路徑造成的影響并未對最終決策造成作用；產品與服務營銷的“出入”也成為了Sandra Godinho 等研究人員關注的問題；品牌可行度等對消費者決策也存在一定的影響[20]；情境因素也成為了學者Chen 等人著重研究的問題，其中，在線評論對消費者決策的影響成為眾多學者研究的重點。

1.2 在線評論對消費者的影響研究

學者針對在線評論，從不同的角度開展研究，覃伍整合包括在線評論在內引出構成網上沖動購買意愿的整合模型，為營銷者提供相關建議；高楠選擇若干消費者購買決策的影響因素，構建影響模型；唐曉莉等人開展2 評論類型（主觀vs 客觀）*2 認知需求（高vs 低）的眼動實驗，探索消費者對于在線評論有用性的感知過程和感知結果；張媛媛用功能價值等建立模型并完善，得出影響因素與價值之間的相關關系；錢佩雨建立在線不一致對消費者決策影響的的動態模型并驗證其可行性；韋荷琳構建在線網絡口碑對于跟團游在線產品預定的影響模型；許犇,徐國慶等人提出記憶圖卷積神經網絡(MGCNN)引入注意力機制的商品評論情感分析方法。馮勇等人提出了融合近鄰評論的GRU 商品推薦模型實現商品推薦，并驗證其有效性和優越性。本文基于上述研究，實現消費者基于評論數據情感產生的決策推薦。

1.3 評論數據情感分析

針對評論數據的情感分析，焦夢蕾等人將情感特征分為極性和強度兩個方面進行計算[3]；高統超提出了兩種特征選擇方法和基于層次關系的復雜方面短語提取算法用于提高評價精確度；尤天慧等人通過計算備選方案的效用值進行決策[4]；余本功等人將情感分析和關注點結合起來分析得出每款產品的平均得分；王琳等人研究了不同極性情感對消費者決策的影響差異；學者李春江設計了一個情感分析系統，用于從商品評論中自動抽取商品屬性。評論數據情感的研究，成為評論數據的研究方向。

2 問題描述及解決框架

2.1 問題描述

據中國互聯網信息中心發布的第45 次《中國互聯網絡發展狀況統計報告》顯示，我國網民規模達9.04 億，網絡購物用戶規模達7.10 億，手機上網比例更達99.3%。在如此大規模的消費背景下，網購成為消費模式中不可或缺的一部分，消費者要通過在線平臺購買手機，作為單一的購買用戶，對于雜亂無章的評論數據無從下手，本文就此問題，針對獲得的商品評論數據，為消費者進行商品推薦。解決問題的流程如圖1 所示。

圖1：消費者決策推薦流程圖

2.2 基于商品評論信息挖掘的商品特征

為了從雜亂的商品評論中提取有用的信息，需要對評論數據進行數據清洗。去除有缺失值的評論（人工填充）、無格式亂碼的評論、無意義評論、符號過多評論、重復評論，整理為若干條評論組成的word 文檔。為了從商品評論中提取出商品特征，使用TF-IDF 算法，進行詞頻分析。詞頻計算公式如下：

詞頻（TF）=某詞詞數/評論的總詞數

逆文檔頻率是一個詞普遍重要性的度量。評論數據中某一個特定詞的IDF 可以由評論條數除以包含該詞語的評論條數與1 的和，再將得到的商取對數得到。

逆文檔頻率（IDF）=log[評論總條數/（包含該詞的評論條數+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，將這兩個值相乘，TF-IDF 與一個詞在文檔中的出現次數成正比。所以，計算出文檔的每個詞的TF-IDF 值，可在此基礎上，根據排名順序，從排在前面的若干關鍵詞中，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、論壇等數據來源構建的情感詞典，所以詞典適用于處理社交媒體的情感分析。對于每個商品特征得到的情感詞集，分別取它與Boson 情感詞典的交集，并區分正負情感傾向，得到與評論對應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

本文采用改進過的林杰情感計算的算法計算每種商品每條評論每個特征的的情感傾向。

2.4.1 林杰的情感計算方法

林杰在自己的研究當中，計算商品評論的情感傾向的步驟如下：

（1）根據Boson 詞典與評論數據的交集得出各個特征的情感詞詞典（正負詞典）；

（2）當一條評論當中

A.正向情感詞數>負向情感詞數，本條評論情感傾向為正；

B.正向情感詞數＜負向情感的數，本條評論情感傾向為負；

C.正向情感詞數=向情感詞數時，本條評論情感傾向為中性。

2.4.2 改進的情感計算方法

事實上，每一條評論當中的多個情感詞，表達的情感程度都是不同的，因此，提出了改進的情感計算方法，步驟如下：

Step1：jieba 分詞后，去除評論當中的停用詞；

Step2：讀取情感詞、程度副詞、否定詞文件，將句子中的情感詞、程度副詞轉為程度副詞字典對象，key 為程度副詞，value為對應的程度值；

Step3：更新權重，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：判斷當前的情感詞與下一個情感詞之間是否有程度副詞或否定詞，計算得分，得出每一句評論的情感值。（score 取值代表情感傾向）

2.5 直覺模糊數與決策推薦

2.5.1 直覺模糊數

基于直覺模糊集理論，備選商品在線評論的情感傾向可以通過直覺模糊數簡單而完整的表示[13]，利用直覺模糊數Yij=[pij（+），pij（-）]表示，其中pij（+）和pij（-）分別為根據商品評論數據得到的商品i 特征j 的正負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方案之間的接近程度，作為評價優劣的依據[13]。

3 數據實驗

3.1 數據來源

本實驗擬為預計購買1500-2000 范圍內手機的消費者進行輔助決策，爬取了京東iphone 8p、華為榮耀x、oppor15 及魅族M3 四種手機手機評論作為本次實驗的數據，設定為用戶購買手機的四種備選方案，共爬取4 款手機數據各2000 條（共8000 條），然后對商品評論進行數據處理，進行數據清洗，去除無意義評論（無效評論）如“此用戶未填寫評價”、垃圾評論、符號多的評論、評論字數小于15 字的評論，最終獲得數據集共2000 條，每個手機各500 條。

3.2 實驗分析

3.2.1 評論數據詞頻分析

使用TF-IDF 算法進行詞頻分析，得到影響手機的特征因素共5 個，分別是使用、價格、品牌、物流、外觀。

3.2.2 構建情感詞典

為了計算評論的情感傾向，我們引入Boson 情感詞典，根據TF-IDF 算法結果構建情感詞典，如表1：（舉例）

根據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向情感詞詞典。

分別是：

質量的正向use1，負向use2；.品牌的正向brand1，負向brand2；物流的正向logistics1，負向logistics2；.價格的正向price1，負向price2；外觀的正向appearance1，負向appearance2；

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

3.2.3 推薦排序

使用TOPSIS 方法，對商品進行排序。

3.2.3 .1 構建直覺模糊決策矩陣

根據以上得到的4 種手機5 種特征的正負向情感傾向比率，得到相應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 構建加權直覺模糊決策矩陣

假定消費者給出的各因素權重為{0.4,0.2,0.1,0.2,0.1}，對矩陣進行歸一化，根據權重得到加權規范矩陣，如表2。

表1：構建情感詞典（示例）

表2：加權規范矩陣

4 結束語

本文提出了一種改進的基于商品評論進行消費者推薦決策的研究方法，使用改進的情感計算方法、TOPSIS 算法，得到基于商品評論進行的消費者推薦決策結果。

本文的創新之處在于：

（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）改進情感計算方法計算評論數據情感傾向；

本文的研究也有一定的不足之處：

（1）對于計算得到的評論情感傾向結果（數值）利用太過簡略，是否可以在此基礎上進行再進一步的研究；

（2）可擴充數據量，使用海量數據得到更具說服力的正負理想點，以便求解推薦結果。