基于FOA優(yōu)化BP神經(jīng)網(wǎng)絡的電子商務網(wǎng)站評價研究

秦艷華

(蘭州財經(jīng)大學長青學院，蘭州 730020)

引言

電子商務近幾年得到了快速發(fā)展，競爭也日趨激烈。對于電子商務網(wǎng)站而言，充分地評估和了解自身所具有的競爭力，有利于加強網(wǎng)站建設，改善其網(wǎng)站的質(zhì)量，也是電子商務企業(yè)提升競爭力和營運水平等需要亟待解決的一個問題［1］。從現(xiàn)有參考文獻可知，電子商務網(wǎng)站評價研究方法主要有四種:問卷調(diào)查法［2］、網(wǎng)站流量指標統(tǒng)計法［3］、專家評分法［4］、綜合評價法［5］。問卷調(diào)查法具有簡單易行和操作性強的優(yōu)點，但其評價結(jié)果容易受到問卷設計水平、抽樣分布和數(shù)量等因素的影響;網(wǎng)站流量指標統(tǒng)計法具有實現(xiàn)更新排名的優(yōu)點，但其指標統(tǒng)計的方法目前尚無統(tǒng)一的標準，無法保證排名的準確性和真實性;專家評分法具有權威性強、無需收集大量樣本數(shù)據(jù)的優(yōu)點，評價時間短，但其評價結(jié)果過分依賴專家的經(jīng)驗和水平;綜合評價法綜合了專家評分法和問卷調(diào)查法的優(yōu)點，但整個評價過程費時、費力。

針對傳統(tǒng)的電子商務網(wǎng)站評價方法存在泛化能力弱和所需樣本量大的缺點，本文結(jié)合電子商務網(wǎng)站的特性和各種指標屬性，在專家評分法的基礎上，構建出基于FOA優(yōu)化BP神經(jīng)網(wǎng)絡的電子商務網(wǎng)站競爭力指數(shù)評價的數(shù)學模型。

1 電子商務網(wǎng)站競爭力指數(shù)評價研究

1.1 電子商務網(wǎng)站競爭力指數(shù)

電子商務網(wǎng)站類型很多，不過不論是哪種電子商務網(wǎng)站，影響其網(wǎng)站運營效果和競爭力的主要因素是基本相同的。因此，在結(jié)合文獻研究和實際經(jīng)驗的基礎上，提出本文電子商務網(wǎng)站競爭力指數(shù)衡量電子商務網(wǎng)站的競爭力和營運水平［6］。

1.2 電子商務網(wǎng)站競爭力指數(shù)的指標體系

通過較為詳實的文獻研究，本文運用綜合評價方法建立電子商務網(wǎng)站競爭力指數(shù)的評價指標體系。通過文獻研究和大量電子商務網(wǎng)站的調(diào)查分析，最后選擇20個典型的二級指標作為評價對象。電子商務網(wǎng)站評價的指標體系包括一級指標和二級指標，其中一級指標包括網(wǎng)站內(nèi)容、用戶服務、易用性、網(wǎng)站技術和網(wǎng)站功能五個指標，在此基礎上，細分成二級評價指標，其評價指標體系見表 1［3］。

表1 電子商務網(wǎng)站評價指標體系

2 專家評分法

2.1 專家評分法

專家評分法主要采用專家訪談和問卷調(diào)查，在專家評分的基礎上，運用層次分析法計算出各個指標的權重，實現(xiàn)電子商務網(wǎng)站競爭力指數(shù)的評價。專家評分的規(guī)則為:將電子商務服務網(wǎng)站評價指標體系的20個二級指標作為BP神經(jīng)網(wǎng)絡的輸入，對照評分表進行專家評分，量化評價指標結(jié)果見表2［5］。

表2 網(wǎng)站評價指標體系分值表

2.2 層次分析法結(jié)果

按照層次分析法，本文建立電子商務網(wǎng)站每一層指標的判斷矩陣，計算得到每一層指標的相對權重值，經(jīng)過一致性檢驗得出電子商務網(wǎng)站競爭力評價指標體系的各項指標的權重，從而最終構造出一個完整的適合電子商務網(wǎng)站競爭力的評價指標體系［6］。由此類推，可算出各二級指標在所屬層次的權值，計算權值見表3。

表3 二級指標在所屬層次的權值

分值越高的網(wǎng)站，說明網(wǎng)站的綜合質(zhì)量越好。根據(jù)分值的不同，將網(wǎng)站分為優(yōu)秀、良好、較好、較差、很差5個等級，其劃分結(jié)果見表4。

表4 網(wǎng)站評價等級分值說明

3 FOA優(yōu)化BP神經(jīng)網(wǎng)絡的學習算法

3.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡由Rumelhart和McCelland 1986年研究提出［7-8］，是一種誤差逆向傳播的網(wǎng)絡，其結(jié)構模型如圖1所示。

圖1 BP網(wǎng)絡結(jié)構圖

圖1中，X=(X1，X2，…，Xn)表示 BP神經(jīng)網(wǎng)絡的輸入值;Y=(Y1，Y2，...，Ym)表示神經(jīng)網(wǎng)絡的預測值。

BP神經(jīng)網(wǎng)絡算法的具體流程如下:

Step1:初始化網(wǎng)絡。根據(jù)神經(jīng)網(wǎng)絡的輸入X=(X1，X2，...，Xn)和輸出 Y=(Y1，Y2，...，Ym)確定神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)n、隱含層節(jié)點數(shù)l、輸出層節(jié)點數(shù)m;初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權值wij，wjk;初始化隱含層閾值和輸出層閾值，分別為a、b，設定學習速率和神經(jīng)元激勵函數(shù)。

Step2:計算隱含層輸出。依據(jù)輸入變量X，輸入層、隱含層的連接權值wij和隱含層閾值a，計算隱含層輸出H。

式(1)中，l表示隱含層節(jié)點數(shù);f表示隱含層激勵函數(shù)，本文取f(x)

Step3:計算輸出層輸出。根據(jù)隱含層輸出H，連接權值wjk和閾值b，計算BP神經(jīng)網(wǎng)絡的預測值O:

Step4:計算誤差e:

Step5:更新權值:

式(4)和式(5)中，η表示學習速率。

Step6:更新閾值;

Step7:算法停止條件是否滿足，若滿足，則停止;否則，返回Step2。

3.2 果蠅優(yōu)化算法

果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)是一種模擬果蠅覓食的生物尋優(yōu)算法。該算法具有控制參數(shù)少和收斂速度快等優(yōu)點，被廣泛地應用于工程優(yōu)化問題。其算法流程如下［9］:

(1)設置果蠅優(yōu)化算法的果蠅群體大小popsize和最大迭代次數(shù)Iteration，隨機初始化果蠅群體位置，初始化結(jié)果分別用X_begin和Y_begin表示。

(2)計算果蠅個體進行尋優(yōu)的隨機方向和距離:

式中，Value表示果蠅的搜索距離;xi和yi分別表示果蠅個體的下一時刻的位置。

(3)估計果蠅個體和原點之間的距離di，計算果蠅個體的味道濃度si:

(4)味道濃度si代入味道濃度判定函數(shù)，計算出該果蠅個體當前位置的味道濃:

(5)找到果蠅群體中最佳味道濃度值和最佳位置，最佳味道濃度由Smellb表示、最佳位置由xb和yb表示。

(6)保留并記錄果蠅最佳位置和最佳味道濃度，最佳味道濃度Smellbest=Smellb，果蠅初始位置X_begin=xb，Y_begin=yb，同時果蠅群體朝著該最佳位置搜尋過去。

(7)進入迭代尋優(yōu)，重復迭代步驟(2)～(5)，同時判斷味道濃度是否好于前一迭代味道濃度;若成立，則執(zhí)行步驟(6)。

3.3 FOA－BP神經(jīng)網(wǎng)絡的數(shù)學模型

由于BP需要優(yōu)化的參數(shù)為權值和閾值，其適應度函數(shù)為［10-11］:

通過FOA優(yōu)化公式(13)，在確保電子商務網(wǎng)站評分誤差最小的情況下，實現(xiàn)參數(shù)wij，bj的自適應選擇。

4 基于FOA-BP神經(jīng)網(wǎng)絡的電子商務網(wǎng)站競爭力指數(shù)評價

基于FOA-BP神經(jīng)網(wǎng)絡的電子商務網(wǎng)站評價算法步驟如下［13］:

Step1:歸一化電子商務網(wǎng)站評價指數(shù)數(shù)據(jù)。

Step2:設定FOA算法的最大迭代次數(shù)maxgen，種群大小popsize。

Step3:將構建出的訓練樣本輸入BP，根據(jù)適應度函數(shù)公式(14)計算果蠅個體的適應度函數(shù)值，尋找果蠅個體和全局最優(yōu)果蠅的位置和最優(yōu)值。

Step4:果蠅速度和位置的更新。

Step5:計算評估適應度大小并更新果蠅個體的位置和速度。

Step7:根據(jù)果蠅個體的最優(yōu)位置所對應的最優(yōu)參數(shù)wij，bj，實現(xiàn)電子商務網(wǎng)站評價。

5 實證研究

5.1 數(shù)據(jù)來源

為驗證本文算法的有效性和可靠性，以淘寶網(wǎng)、京東商城、蘇寧易購、唯品會等100個電子商務網(wǎng)站為研究對象，選擇2015年3月～2005年6月的電子商務網(wǎng)站流通數(shù)據(jù)，通過專家評分的方式獲得上述電子商務網(wǎng)站的競爭力指數(shù)數(shù)據(jù)［14］，并進行歸一化處理。

5.2 評價指標

為了驗證FOA-BP和BP算法進行電子商務網(wǎng)站評價研究的有效性，采用均方誤差用來評價電子商務網(wǎng)站競爭力評價效果的評價指標。均方誤差公式為:

式中，xi、分別表示電子商務網(wǎng)站的實際評分和電子商務網(wǎng)站的預測評分。

5.3 實證分析

將采集到的100組電子商務的競爭力指數(shù)數(shù)據(jù)，分為2組:一組為訓練樣本，共90組數(shù)據(jù)，用于建立BP神經(jīng)網(wǎng)絡模型;另一組作為測試樣本，共10組數(shù)據(jù)，用于測試樣本數(shù)據(jù)驗證建立模型的正確性。

FOA算法參數(shù)設置為:最大迭代次數(shù)為100，種群大小為20;BP神經(jīng)網(wǎng)絡的參數(shù)設置為:誤差目標goal=0.0001，最大迭代次數(shù)為10000。BP訓練及擬合結(jié)果分別如圖2與圖3所示。

圖2 BP神經(jīng)網(wǎng)絡訓練過程圖

由圖4預測結(jié)果和原始數(shù)據(jù)對比圖可知，運用FOA-BP神經(jīng)網(wǎng)絡的電子商務評價效果較好，優(yōu)于BP的評價結(jié)果。由圖5可知，采用FOA-BP神經(jīng)網(wǎng)絡進行電子商務網(wǎng)站評價的相對誤差平均值在0.5%，效果較好。

由圖6可知，F(xiàn)OA-BP算法進行尋優(yōu)的收斂速度較快，收斂性較好，優(yōu)于BP進行電子商務網(wǎng)站評價的結(jié)果。

6 結(jié)束語

圖3 擬合結(jié)果圖

圖4 FOA－BP和BP評價結(jié)果對比

圖5 FOA－BP和BP評價誤差對比

針對傳統(tǒng)的BP神經(jīng)網(wǎng)絡存在泛化能力弱和所需樣本量大的缺點，提出運用FOA優(yōu)化BP神經(jīng)網(wǎng)絡進行電子商務網(wǎng)站評價。結(jié)合電子商務網(wǎng)站的特性和各種指標屬性，在專家評分法的基礎上，構建出基于FOA優(yōu)化BP神經(jīng)網(wǎng)絡的電子商務網(wǎng)站競爭力指數(shù)評價的數(shù)學模型。實驗結(jié)果表明，F(xiàn)OA-BP算法在測算和評價電子商務網(wǎng)站競爭力指數(shù)上明顯優(yōu)于BP神經(jīng)網(wǎng)絡算法，從而驗證了FOA-BP進行電子商務網(wǎng)站競爭力指數(shù)評價的有效性和可靠性，該方法可以推廣到其他領域，便于其他類似問題的解決。

圖6 收斂迭代對比圖

[1] 范佳佳,葉繼元.21世紀以來網(wǎng)站評價研究進展與趨勢[J].中國圖書館學報,2014,40(2):11-15.

[2] 王小品.基于BP神經(jīng)網(wǎng)絡的林業(yè)電子商務服務網(wǎng)站評價研究[D].北京:北京林業(yè)大學,2013.

[3] 鄭浩然.基于內(nèi)容分析法的國內(nèi)奢侈品購物網(wǎng)站營銷效果研究[D].上海:上海外國語大學,2014.

[4] 徐琳.電子商務網(wǎng)站競爭力評價指標體系研究[D].大連:東北財經(jīng)大學,2010.

[5] 姚瑤.基于顧客滿意度的團購網(wǎng)站評價體系研究[D].西安:西安電子科技大學,2013.

[6] 劉友華,戚愛華,杜佳,等.學術網(wǎng)站評價指標體系的構建與應用[J].情報科學,2008,26(1):64-68.

[7] 周濤,魯耀斌.層次分析法在B2C電子商務網(wǎng)站評價中的應用[J].圖書情報工作,2005,49(12):111-114.

[8] 張勇,夏樹發(fā),唐冬生.果蠅優(yōu)化算法對多峰函數(shù)求解性能的仿真研究[J].暨南大學學報:自然科學與醫(yī)學版,2014,35(1):82-87.

[9] Pan W T.A new fruit fly optimization algorithm:Taking the financial distress model as an example[J].Knowledge-Based Systems,2012,26:69-74.

[10] 朱歡歡,王裕明,鄒志杰,等.基于層次分析及模糊綜合評價的電子政務網(wǎng)站評價[J].上海管理科學.2011,33(5):104-108.

[11] 李超.神經(jīng)網(wǎng)絡在高校門戶網(wǎng)站評價中的應用研究[D].合肥:安徽大學,2012.

[12]李君君,陳海敏.基于因子分析和對應分析的電子商務網(wǎng)站評價[J].情報科學,2008,26(8):1252-1256.

[13] 余暉,呂忠民.電子商務網(wǎng)站評估方法與應用研究[J].情報雜志,2008,27(8):140-142.