基于層次分析法和深度學習的用戶心理體驗評價研究

梁芹生

廣東嘉應學院 心理健康教育與咨詢中心,廣東 梅州 514015

基于層次分析法和深度學習的用戶心理體驗評價研究

梁芹生

廣東嘉應學院 心理健康教育與咨詢中心,廣東 梅州 514015

為克服目前用戶心理體驗評價指標不夠全面的缺陷，本文運用層次分析法建立用戶心理體驗評價的層次結構模型，運用深度置信網絡（DBN）進行用戶心理體驗評價。研究結果表明，與BP、SVM和ELM相比較，DBN具有更高的評價精度。

層次分析法;深度學習;用戶心理體驗;評價

用戶心理體驗是指用戶在接受服務的過程中，用戶產生和建立的一種整體的和主觀上的心理感受[1]。研究用戶心理體驗有助于分析用戶的習慣和需求等方面的信息，根據用戶心理的共性特點和不同的應用背景深度細化用戶服務，最大限度地滿足用戶的服務滿意程序。針對當前用戶心理體驗研究缺乏用戶心理體驗評價指標的缺點，運用層次分析法建立用戶心理體驗的評價指標模型，在此基礎上運用深度學習進行用戶心理體驗評價。研究結果表明，深度置信網絡(depth belief network,DBN)具有更高的預測精度，可以克服其他方法的不足，為用戶心理體驗評價提供新的研究方法和研究方向，效果較好。

1 層次分析法

層次分析法[2]（analytic hierarchy process，AHP）適合那些難于完全定量分析的問題，是一種針對較為復雜和模糊的問題進行決策的簡單方法。其算法流程如下：

1.1 建立遞階層次結構模型

一般分三個層次，分別為目標層、準則層和要素層，如圖1所示為用戶心理體驗的層次結構模型圖。

圖1 用戶心理體驗層次結構模型Fig.1 Hierarchy model for user psychological experience

1.2 構建判斷矩陣

通過兩兩比較法，根據各評價指標的相對優劣順序，構建出評價指標的判斷矩陣；對于n個評價指標，其權重比較判斷矩陣可表示為：

1.3 計算各評價的權重

1.4 一致性檢驗

在AHP中，一致性檢驗判斷指標如公式（2）所示：

式中，λmax表示判斷矩陣A的最大特征值；nA表示判斷矩陣A的階數。

2 深度置信網絡

深度置信網絡[3]是一種深層的神經網絡，其主要由無監督的預訓練階段和有監督的反向傳播階段兩個階段組成。在無監督的預訓練階段，DBN被預訓練作為初始權重；在有監督的反向傳播階段，調整整個網絡的誤差，保證網絡的優化效果。

DBN一般由若干層受限玻爾茲曼機（Restricted boltzmann machine，RBM）分級疊加而成的深度網絡，其結構示意圖如圖2所示。RBM是一種由可見層和隱層組成的兩層神經網絡。圖2中，RBMθ1最先被訓練，并且RBMθ1的隱層被當作RBMθ2的輸入，之后RBMθ2被訓練，依次類推。

圖2 深度置信網絡結構Fig.2 Depth belief network structure

3 受限玻爾茲曼機RBM

3.1 RBM基本模型

若一個RBM由n個可見單元和m個隱單元組成，其中v、h分別表示可見單元和隱單元的狀態，則系統的能量可由公式（3）表示：

其中，b、c分別表示可見層和隱層的偏置；W表示可見層與隱層的連接權重。

當參數θ={W,b,c}取值確定時，系統聯合概率分布可由公式（4）表示[4]：

其中，Z(θ)表示歸一化因子。

對于實際問題，輸入數據v的對數似然函數P(v/θ)可由公式（5）表示：

當給定可見節點的狀態為v時，第j個隱層節點的激活概率可由公式（6）表示：

由于RBM的對稱性，可見節點的激活概率可由公式（7）表示：

為了求解參數θ={W,b,c}，可以最大化RBM在訓練集上的對數似然函數求解出參數θ={W,b,c}，其表達式如公式（8）所示：

假設z為DBN輸入數據，h，v分別表示隱層和可見層向量；b，c分別表示可見層和隱層的偏置；W表示可見層與隱層的連接權重，e表示學習速率，參數θ={W,b,c}的求解流程如下：

（1）設置迭代次數Iter，隨機初始化模型參數；

（2）將輸入數據z賦值給可見層向量v，令v=z；

（3）根據公式（6）和公式（7）計算h0，v1，h1的狀態值，其中，激活函數σ=1/1+exp(-x)；

（4）根據公式（9）更新參數θ={W,b,c}；

（5）若t≥Iter，則訓練終止；反之，將θt-1賦值給θt，跳轉到步驟（3），重新訓練。

4 基于AHP和DBN的用戶心理體驗評價

為實現用戶心理體驗準確評價，將用戶心理體驗表示為A，其表示用戶心理體驗的好壞程度[6]，其評價流程如圖3所示：基于AHP和DBN的用戶心理體驗流程如下：

圖3 用戶心理體驗評價流程Fig.3 User psychological experience evaluation process

（1）通過AHP分析法計算出各評價指標的權重和實際得分；

（2）用戶心理體驗數據歸一化；

（3）劃分用戶心理體驗數據集，分為訓練數據集和測試數據集；

（4）建立DBN模型；

對于訓練數據集，將用戶心理體驗各評價指標的權重作為DBN的輸入，用戶心理體驗的實際得分作為DBN的輸出，通過DBN訓練，建立DBN預測模型；

（5）DBN預測。

針對測試數據集，將測試數據集的用戶心理體驗各評價指標的權重輸入DBN預測模型進行用戶心理體驗實際得分預測，并與實際值進行對比。

5 實證研究

5.1 數據來源

為證明本文算法的有效性，用戶心理體驗數據來源于[5]https://www.sojump.com/2017/，共收集141組數據，將數據劃分為訓練數據和測試數據，其中訓練數據97組，測試數據44組。

5.2 判斷矩陣

結合用戶心理體驗層次結構模型，其權重判斷矩陣如表1和表2所示：

表1 有用性判斷矩陣Table 1 Judgment matrix for usefulness

表2 易用性判斷矩陣Table 2 Judgment matrix for usability

5.3 評價指標

為評價本文算法的用戶心理體驗評價效果，選擇選擇平均絕對百分比誤差（Mean absolute percentage error，MAPE)、平均絕對誤差（Mean absolute error，MAE)和均方根誤差（Root mean square error，RMSE)作為評價指標[6,7]：

式中，yi表示得分實際值，表示得分預測值，N表示測試數據集的數量。

5.4 實證結果

DBN深度網絡的參數設置如下：輸入神經元數量6，輸出神經元1，隱藏層4層，其神經元個數分別為[20 30 20 10]，學習率為1，其預測結果如圖4和圖5所示。

圖4 DBN訓練結果Fig.4 DBN training results

圖5 DBN測試結果Fig.5 DBN testing results

為進一步證明本文算法進行用戶心理體驗評價的有效性和可靠性，將DBN和BP、SVM、ELM比較，比較結果如表3所示：

表3 評價結果對比Table 3 Comparison of evaluation results

由表3用戶心理評價結果對比可知，在RMSE、MAE和MAPE上，本文算法DBN優于BP、SVM和ELM，從而證明本文算法DBN進行用戶心理體驗的優越性和可靠性。

6 結論

對于目前用戶心理體驗評價評價因素缺乏的特點，運用層次分析法建立用戶心理體驗的評價指標模型，在此基礎上運用深度學習進行用戶心理體驗評價。研究結果表明，通過與BP、SVM和ELM對比可知，在RMSE、MAE和MAPE上，DBN具有更高的評價精度。

[1]林 一,陳 靖,劉 越,等.基于心智模型的虛擬現實與增強現實混合式移動導覽系統的用戶體驗設計[J].計算機學報,2015,38(2):408-422

[2]吳 極,劉 超,夏 浩.模糊層次分析法在評價體系建模中的應用與修正[J].統計與決策,2015(20):77-79

[3]劉 璇.傳播心理學視角下的中國社交網絡(SNS)用戶心理體驗研究[D].杭州:浙江大學,2010

[4]李小青.基于用戶心理研究的用戶體驗設計[J].情報科學,2010(5):763-767

[5]吳茜媛,張云強,鄭慶華,等.e-Learning用戶心理體驗量化評價研究[J].西安交通大學學報,2012,46(12):109-115

[6]胡珍苗,程 巖,崔華玉.在線內容用戶服務升級意愿研究:基于增值體驗的心理慣性視角[J].管理評論,2016,28(11):116-128

[7]邱明濤,王仕超,張凱茜,等.基于心理學的國內化妝品網站用戶體驗的提升與改善研究[J].中國電子商務,2014(12):48-49

Study of the Evaluation of UserPsychological Experience Basedon Analytic HierarchyProcess and Deep Learning

LIANG Qin-sheng
Psychological Educating and Consulting Center of Guangdong Jiaying University,Meizhou514015,China

In order to overcome the defect of current user psychological experience evaluation index,this paper applied analytic hierarchy process to establish the hierarchical structure model and used the depth confidence network(DBN)to evaluate user psychological experience.Results showed DBN had higher evaluation accuracy compared with BP,SVM and ELM.

Analytic hierarchy process;deep learning;user psychological experience;evaluation

G808.16

A

1000-2324(2017)04-0611-05

2016-11-09

2016-12-22

廣東省教育廳高校思想政治課題:基于大數據視野下的心理健康教育工作機制研究(2017GXSZ066)

梁芹生(1970-),男,碩士,副教授.主要研究方向為心理學.E-mail:lqsmz@jyu.edu.cn