基于在線評(píng)價(jià)信息和消費(fèi)者期望的商品選擇方法

尤天慧, 張 瑾, 樊治平

(東北大學(xué)工商管理學(xué)院，遼寧 沈陽(yáng) 110167)

基于在線評(píng)價(jià)信息和消費(fèi)者期望的商品選擇方法

尤天慧, 張 瑾, 樊治平

(東北大學(xué)工商管理學(xué)院，遼寧 沈陽(yáng) 110167)

針對(duì)近年來(lái)許多電商網(wǎng)站涌現(xiàn)大量的有關(guān)商品在線評(píng)價(jià)信息，如何基于在線評(píng)價(jià)信息并考慮消費(fèi)者給出屬性評(píng)價(jià)期望進(jìn)行商品選擇，是一個(gè)值得關(guān)注的研究問(wèn)題。本文提出了一種基于在線評(píng)價(jià)信息和消費(fèi)者期望的商品選擇方法。在該方法中，首先通過(guò)計(jì)算商品各屬性的評(píng)價(jià)值相對(duì)于消費(fèi)者給出的屬性評(píng)價(jià)期望的損益值，進(jìn)而確定關(guān)于各屬性的評(píng)價(jià)損益結(jié)果的概率分布；然后，運(yùn)用前景隨機(jī)占優(yōu)準(zhǔn)則構(gòu)建兩兩備選商品比較的前景隨機(jī)占優(yōu)關(guān)系矩陣，并采用PROMETHEE-II方法得到備選商品的排序結(jié)果。最后，以汽車之家網(wǎng)站提供的在線評(píng)價(jià)信息進(jìn)行汽車選擇為例說(shuō)明了本文提出方法的可行性和有效性。

在線評(píng)價(jià)信息；消費(fèi)者期望；前景隨機(jī)占優(yōu)；PROMETHEE-II；商品選擇

1 引言

近年來(lái)，隨著互聯(lián)網(wǎng)和電子商務(wù)的迅猛發(fā)展，許多電商網(wǎng)站提供了關(guān)于商品或服務(wù)的在線評(píng)價(jià)/評(píng)論功能，如亞馬遜(https://www.amazon.cn)、汽車之家(http://www.autohome.com.cn)網(wǎng)站等。如何使用在線評(píng)價(jià)/評(píng)論信息為廣大消費(fèi)者購(gòu)買決策提供服務(wù)，已經(jīng)引起了許多學(xué)者的關(guān)注。例如，有些學(xué)者針對(duì)在線評(píng)價(jià)/評(píng)論的機(jī)制[1, 2]、在線評(píng)價(jià)/評(píng)論對(duì)購(gòu)買行為的影響[3-6]、在線評(píng)價(jià)/評(píng)論的有效性[7-10]、基于在線評(píng)價(jià)或在線評(píng)論的顧客滿意度測(cè)評(píng)[11-13]和基于在線評(píng)價(jià)或在線評(píng)論的商品推薦[14-16]等方面進(jìn)行了研究。已有研究表明：在線評(píng)價(jià)和在線評(píng)論對(duì)于消費(fèi)者了解商品或服務(wù)質(zhì)量并做出購(gòu)買決策具有重要的作用[3-6]。目前，如何使用在線評(píng)價(jià)和在線評(píng)論信息來(lái)支持消費(fèi)者進(jìn)行購(gòu)買決策，這是一個(gè)值得關(guān)注的研究課題，基于此，一些學(xué)者進(jìn)行了基于在線評(píng)價(jià)或在線評(píng)論的商品排序方法研究[17-21]。例如：Li Yongli等[17]針對(duì)基于在線評(píng)價(jià)信息的商品排序問(wèn)題，給出了一種基于社會(huì)網(wǎng)絡(luò)分析的在線商品排序方法，該方法較好地解決了在線評(píng)價(jià)信息不完全且群體評(píng)價(jià)不一致的商品排序問(wèn)題；Yang Xian等[18]利用在線評(píng)論、在線評(píng)級(jí)、比較語(yǔ)句和比較投票數(shù)4種類型的在線評(píng)價(jià)/評(píng)論信息給出了一種新的商品電子口碑排序方法，并針對(duì)該方法進(jìn)行了系統(tǒng)實(shí)現(xiàn)以幫助消費(fèi)者進(jìn)行商品比較與選擇；Chen Kun等[19]基于TOPSIS思想給出一種使用在線評(píng)論信息的商品排序方法；Najmi等[20]給出了一種基于商品在線評(píng)論和商品說(shuō)明書的商品排序方法；Liu Yang等[21]給出了一種基于在線評(píng)論情感分析和直覺(jué)模糊集的商品排序方法。從已有的研究成果可以看到，大多沒(méi)有從消費(fèi)者的角度來(lái)研究如何基于在線評(píng)價(jià)信息進(jìn)行商品的選擇，同時(shí)也很少考慮消費(fèi)者關(guān)于購(gòu)買商品的偏好或期望信息。在現(xiàn)實(shí)中，例如，消費(fèi)者有意愿購(gòu)買汽車時(shí)，其會(huì)查看電商網(wǎng)站(如汽車之家)關(guān)于汽車空間、動(dòng)力、操控等屬性的在線評(píng)價(jià)信息，另外，消費(fèi)者可能會(huì)對(duì)備選汽車的各屬性有期望要求，如對(duì)汽車的油耗屬性期望在線評(píng)價(jià)的評(píng)價(jià)值不低于4分等。鑒于此，本文則是研究基于在線評(píng)價(jià)信息且消費(fèi)者給出屬性在線評(píng)價(jià)期望的商品選擇方法。在該方法中，首先將消費(fèi)者給出的屬性期望水平視為參考點(diǎn)，計(jì)算各屬性的在線評(píng)價(jià)值相對(duì)于參考點(diǎn)的損益值，進(jìn)而確定各屬性在線評(píng)價(jià)損益結(jié)果的概率分布及累積分布函數(shù)；然后依據(jù)前景隨機(jī)占優(yōu)準(zhǔn)則判斷并確定兩兩備選商品之間比較所具有的占優(yōu)關(guān)系，進(jìn)而構(gòu)建相應(yīng)的前景隨機(jī)占優(yōu)關(guān)系矩陣；進(jìn)一步地，依據(jù)該矩陣，運(yùn)用PROMETHEE-II方法可以得到備選商品的排序結(jié)果。

2 問(wèn)題描述

本文考慮基于商品多屬性在線評(píng)價(jià)信息和消費(fèi)者給出屬性在線評(píng)價(jià)期望的商品選擇問(wèn)題，為了方便起見(jiàn)，下面的符號(hào)用來(lái)表示該問(wèn)題中所涉及的集和量：

(1)A={A1,A2,…,Am}：消費(fèi)者關(guān)注的m個(gè)備選商品的集合，其中Ai表示第i個(gè)備選商品，i=1,2,…,m。

(2)C={C1,C2,…,Cn}：消費(fèi)者所關(guān)注的商品的n個(gè)屬性的集合，其中Cj表示第j個(gè)屬性，j=1,2,…,n。

(4)T={T1,T2,…,Tv}：在線評(píng)價(jià)過(guò)程中針對(duì)商品屬性所使用的評(píng)價(jià)標(biāo)度集合，其中Tε表示第ε個(gè)評(píng)價(jià)標(biāo)度，ε=1,2,…,v，通常，ε越大，所對(duì)應(yīng)的評(píng)價(jià)等級(jí)越高。例如，在汽車之家網(wǎng)站中，關(guān)于汽車屬性的在線評(píng)價(jià)所使用的標(biāo)度集是5分制等級(jí)的形式，即T={T1=1,T2=2,T3=3,T4=4,T5=5}，其中1分表示最差，5分表示最好。

(5)Ki：參與商品Ai在線評(píng)價(jià)的用戶數(shù)，i=1,2,…,m。

本文要解決的問(wèn)題是：針對(duì)消費(fèi)者關(guān)注的若干備選商品及相關(guān)屬性，并依據(jù)相關(guān)電商網(wǎng)站提供的備選商品在線評(píng)價(jià)信息、消費(fèi)者給出的屬性期望和屬性權(quán)重向量，如何使用一個(gè)決策分析方法對(duì)備選商品進(jìn)行排序或者選擇適合的商品。

3 原理與方法

針對(duì)上述商品選擇問(wèn)題，由于參與在線評(píng)價(jià)的眾多用戶依據(jù)評(píng)價(jià)標(biāo)度集給出商品針對(duì)屬性的評(píng)價(jià)值往往具有多種可能結(jié)果，所以商品針對(duì)屬性的評(píng)價(jià)結(jié)果會(huì)呈現(xiàn)離散概率分布的形式，顯然，評(píng)價(jià)結(jié)果可被視為一個(gè)離散型隨機(jī)變量。為了解決上節(jié)提及的商品選擇問(wèn)題，本文給出一種基于在線評(píng)價(jià)信息和消費(fèi)者期望的商品選擇方法。該方法包括3個(gè)部分：計(jì)算評(píng)價(jià)損益結(jié)果及其概率分布、構(gòu)建兩兩備選商品比較的前景隨機(jī)占優(yōu)關(guān)系矩陣和選擇適合的商品。下面分別描述這3個(gè)部分的具體計(jì)算過(guò)程，進(jìn)一步地給出商品選擇方法的計(jì)算步驟。

1) 計(jì)算商品評(píng)價(jià)損益結(jié)果及其概率分布

(1)

其中,

(2)

(3)

(4)

依據(jù)式(4)可得到商品Ai針對(duì)屬性Cj的評(píng)價(jià)損益結(jié)果yij的概率分布函數(shù)P(yij)為：

(5)

進(jìn)一步地，由式(5)可得到商品Ai針對(duì)屬性Cj的評(píng)價(jià)損益結(jié)果yij的累積分布函數(shù)Fij(y)為：

(6)

Fij(y)的期望為

(7)

2) 構(gòu)建兩兩備選商品比較的前景隨機(jī)占優(yōu)關(guān)系矩陣

前景隨機(jī)占優(yōu)準(zhǔn)則是一種基于前景理論的通過(guò)比較概率分布信息判斷兩兩方案占優(yōu)關(guān)系的準(zhǔn)則[22-26]，依據(jù)Levy等[24]和Levy等[25]，關(guān)于前景隨機(jī)占優(yōu)準(zhǔn)則的定義可表述如下：

依據(jù)上述隨機(jī)占優(yōu)準(zhǔn)則的定義，下面給出針對(duì)本文需要解決的商品選擇問(wèn)題的隨機(jī)占優(yōu)準(zhǔn)則的具體化描述。

由于備選商品Ai和Ah關(guān)于屬性Cj的評(píng)價(jià)損益結(jié)果yij和yhj為離散型隨機(jī)變量，那么，依據(jù)前景隨機(jī)占優(yōu)準(zhǔn)則，對(duì)于?y∈{Z1,Z2,…,Zv}，若存在

(8)

則稱商品Ai針對(duì)屬性Cj的評(píng)價(jià)損益結(jié)果yij的累積分布函數(shù)Fij(y)前景隨機(jī)占優(yōu)于商品Ah針對(duì)屬性Cj的評(píng)價(jià)損益結(jié)果yhj的累積分布函數(shù)Fhj(y)，記作Fij(y)PSDFhj(y)。進(jìn)一步地，依據(jù)式(5)和式(6)，對(duì)于?y∈{Z1,Z2,…,Zv}，式(8)可進(jìn)一步表示為如下形式：

(9)

這里，當(dāng)上述隨機(jī)占優(yōu)準(zhǔn)則應(yīng)用于商品選擇時(shí)，由于Fij(y)和Fhj(y)分別是商品Ai和Ah針對(duì)屬性Cj的評(píng)價(jià)損益結(jié)果的累積分布函數(shù)，那么對(duì)于?y∈{Z1,Z2,…,Zv}，F(xiàn)ij(y)隨機(jī)占優(yōu)于Fhj(y)可以被視為商品Ai隨機(jī)占優(yōu)于商品Ah，這可記為AiPSDAh。

(10)

3) 選擇適合的商品

對(duì)于屬性Cj，任意兩個(gè)備選商品Ai和Ah之間存在以下三種關(guān)系：

① 商品Ai嚴(yán)格優(yōu)于商品Ah，即：Fij(y)PSDFhj(y)且uij≥uhj+αj；

② 商品Ai弱優(yōu)于商品Ah，即：Fij(y)PSDFhj(y)且uhj

③ 商品Ai無(wú)差異于商品Ah，即：不存在Fij(y)PSDFhj(y)或Fhj(y)PSDFij(y)。

這里，uij和uhj分別表示備選商品Ai和Ah針對(duì)屬性Cj的期望值；αj表示關(guān)于屬性Cj的消費(fèi)者偏好閾值，其與兩兩備選商品間的期望差值有關(guān)，其計(jì)算公式為：

(11)

其中

(12)

進(jìn)一步地，可構(gòu)造針對(duì)屬性Cj的有序商品對(duì)(Ai,Ah)的偏好函數(shù)，即：

gj(Ai,Ah)=

(13)

其中，gj(Ai,Ah)∈[0,1]。gj(Ai,Ah)的值越接近0，商品Ai優(yōu)于商品Ah的程度越??；當(dāng)gj(Ai,Ah)=0時(shí)，商品Ai嚴(yán)格不占優(yōu)于商品Ah；gj(Ai,Ah)的值越接近1，商品Ai優(yōu)于商品Ah的程度越大。特別地，當(dāng)gj(Ai,Ah)=1時(shí)，商品Ai嚴(yán)格占優(yōu)于商品Ah。記Gj=[gj(Ai,Ah)]m×m為針對(duì)屬性Cj的有序商品對(duì)(Ai,Ah)的占優(yōu)程度矩陣，i,h=1,2,…,m，i≠h；j=1,2,…,n。

采用簡(jiǎn)單加權(quán)法則，可建立兩兩備選商品比較的總體優(yōu)序度矩陣G=[g(Ai,Ah)]m×m，i,h=1,2,…,m，i≠h，其中，g(Ai,Ah)為有序商品對(duì)(Ai,Ah)的總體優(yōu)序度，其計(jì)算公式為：

(14)

這里，g(Ai,Ah)可被視為備選商品Ai優(yōu)于備選商品Ah的可信度，g(Ai,Ah)∈[0,1]，g(Ai,Ah)越大，表示商品Ai優(yōu)于商品Ah的程度越大。

依據(jù)總體優(yōu)序度矩陣G=[g(Ai,Ah)]m×m，來(lái)計(jì)算商品Ai的“出流”Φ+(Ai)和“入流”Φ-(Ai)，其計(jì)算公式分別為：

(15)

(16)

其中，Φ+(Ai)可被視為備選商品Ai優(yōu)于其他所有備選商品的總可信度，Φ+(Ai)越大，商品Ai越好；Φ-(Ai)可被視為商品Ai劣于其他商品的總可信度，Φ-(Ai)越小，商品Ai越好。

依據(jù)Φ+(Ai)和Φ-(Ai)，可計(jì)算備選商品Ai的排序值Φ(Ai)，其計(jì)算公式為：

Φ(Ai)=Φ+(Ai)-Φ-(Ai),i=1,2,…,m

(17)

顯然，Φ(Ai)越大，商品Ai越好。因此，依據(jù)排序值Φ(Ai)的大小，可對(duì)所有備選商品進(jìn)行排序或進(jìn)行商品的優(yōu)選。

4) 商品選擇的計(jì)算步驟

綜上，考慮消費(fèi)者給出屬性在線評(píng)價(jià)期望的商品選擇方法的具體計(jì)算步驟如下：

步驟4 依據(jù)式(11)～式(14)計(jì)算兩兩備選商品比較的總體優(yōu)序度g(Ai,Ah)，并建立總體優(yōu)序度矩陣G=[g(Ai,Ah)]m×m；

步驟5 依據(jù)式(15)～式(17)計(jì)算每個(gè)備選商品的排序值，并依據(jù)排序值Φ(Ai)的大小選擇適合的商品。

4 實(shí)例分析

第1步，使用八爪魚采集器(https://www.bazhuayu.com/)從汽車之家網(wǎng)站獲取4款備選汽車針對(duì)4個(gè)屬性的在線評(píng)價(jià)信息，可確定參與4款備選汽車在線評(píng)價(jià)的用戶數(shù)分別為：3268、3479、3750和3660，進(jìn)一步地，依據(jù)式(1)和式(2)計(jì)算出4款備選汽車針對(duì)每個(gè)屬性采用不同評(píng)價(jià)標(biāo)度進(jìn)行評(píng)價(jià)的用戶數(shù)如表1所示。

表1 4款備選汽車針對(duì)每個(gè)屬性采用不同評(píng)價(jià)標(biāo)度進(jìn)行評(píng)價(jià)的用戶數(shù)

表2 4款備選汽車針對(duì)每個(gè)屬性的評(píng)價(jià)損益結(jié)果的“概率”分布

然后，依據(jù)表2以及式(6)可分別計(jì)算每款備選汽車針對(duì)4個(gè)屬性評(píng)價(jià)損益結(jié)果yij的累積分布函數(shù)Fij(y)及期望uij。這里以汽車A1(大眾帕薩特)為例，針對(duì)4個(gè)屬性的評(píng)價(jià)損益結(jié)果y1j的累積分布函數(shù)F1j(y)分別為:

進(jìn)一步地，依據(jù)式(7)，可計(jì)算上述累積分布函數(shù)的期望uij分別為u11=0.096，u12=1.422，u13=1.349，u14=-0.101。

第3步，運(yùn)用前景隨機(jī)占優(yōu)準(zhǔn)則(即依據(jù)式(9)和式(10))，建立針對(duì)每個(gè)屬性的4款備選汽車兩兩比較的前景隨機(jī)占優(yōu)關(guān)系矩陣分別為:

第4步，依據(jù)式(11)和式(12)可計(jì)算得到各屬性的偏好閾值分別為:

α1=0.644,α2=0.390,α3=0.372,α4=0.281

依據(jù)式(13)可計(jì)算得到針對(duì)每個(gè)屬性的4款備選汽車兩兩比較的占優(yōu)程度矩陣分別為:

進(jìn)一步地，依據(jù)式(14)可建立兩兩備選汽車比較的總體優(yōu)序度矩陣，即:

第5步，依據(jù)總體優(yōu)序度矩陣G并由式(15)和式(16)可計(jì)算每款備選汽車的“出流”和“入流”分別為:

Φ+(A1)=1.433，Φ+(A2)=0.852，Φ+(A3)=1.443，Φ+(A4)=1.155

Φ-(A1)=1.191，Φ-(A2)=1.283，Φ-(A3)=1.608，Φ-(A4)=0.800

依據(jù)式(17)可計(jì)算每款汽車的排序值Φ(Ai)，其結(jié)果為:

Φ(A1)=0.241，Φ(A2)=-0.432，Φ(A3)=-0.165，Φ(A4)=0.355

因此，依據(jù)得到的4款備選汽車的排序值Φ(Ai)，可得到4款備選汽車的排序結(jié)果為：A4?A1?A3?A2。

5 結(jié)語(yǔ)

本文給出了一種基于在線評(píng)價(jià)信息和消費(fèi)者期望的商品選擇方法。在該方法中，依據(jù)在線評(píng)價(jià)信息所呈現(xiàn)離散隨機(jī)分布形式的特征，在考慮消費(fèi)者給出屬性評(píng)價(jià)期望的情況下，通過(guò)計(jì)算商品各屬性的評(píng)價(jià)值相對(duì)于屬性評(píng)價(jià)期望水平的損益值來(lái)確定關(guān)于各屬性的評(píng)價(jià)損益結(jié)果的概率分布，在此基礎(chǔ)上，通過(guò)運(yùn)用前景隨機(jī)占優(yōu)準(zhǔn)則給出了判斷兩兩商品之間占優(yōu)關(guān)系的計(jì)算公式，并依據(jù)此公式可構(gòu)建兩兩備選商品比較的前景隨機(jī)占優(yōu)關(guān)系矩陣，進(jìn)而運(yùn)用PROMETHEE-II方法得到備選商品的排序結(jié)果。本文給出的方法具有概念清晰、計(jì)算過(guò)程簡(jiǎn)單、易于系統(tǒng)實(shí)現(xiàn)等特點(diǎn)，為解決現(xiàn)實(shí)中基于在線評(píng)價(jià)信息的商品選擇問(wèn)題提供了一種新途徑。需要指出的是，本文給出的方法僅限于在線評(píng)價(jià)信息是多級(jí)評(píng)分的情形，今后的研究工作需要考慮具有文本形式的在線評(píng)論信息。

[1] 施曉菁, 梁循, 孫曉蕾. 基于在線評(píng)級(jí)和評(píng)論的評(píng)價(jià)者效用機(jī)制研究[J]. 中國(guó)管理科學(xué), 2016, 24(5): 149-157.

[2] Qu Zhen, Zhang Han, Li Haizheng. Determinants of online merchant rating: Content analysis of consumer comments about Yahoo merchants [J]. Decision Support Systems, 2008, 46(1): 440-449.

[3] Casaló L V, Flavián C, Guinalíu M, et al. Do online hotel rating schemes influence booking behaviors? [J]. International Journal of Hospitality Management, 2015, 49: 28-36.

[4] 張紫瓊, 葉強(qiáng), 李一軍. 互聯(lián)網(wǎng)商品評(píng)論情感分析研究綜述[J]. 管理科學(xué)學(xué)報(bào), 2010, 13(6): 84-96.

[5] Ye Qiang, Law R, Gu Bin, et al. The influence of user-generated content on traveler behavior: An empirical investigation on the effects of e-word-of-mouth to hotel online bookings [J]. Computers in Human Behavior, 2011, 27(2): 634-639.

[6] Sparks B A, So K K F, Bradley G L. Responding to negative online reviews: The effects of hotel responses on customer inferences of trust and concern [J]. Tourism Management, 2016, 53: 74-85.

[7] Oh H K, Kim S W, Park S J, et al. Can you trust online ratings? A mutual reinforcement model for trustworthy online rating systems [J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2015, 45(12): 1564-1576.

[8] Liu Xiaolu, Guo Qiang, Hou Lei, et al. Ranking online quality and reputation via the user activity [J]. Physica A: Statistical Mechanics and its Applications, 2015, 436: 629-636.

[9] Liu Ying, Jin Jian, Ji Ping, et al. Identifying helpful online reviews: a product designer’s perspective [J]. Computer-Aided Design, 2013, 45(2): 180-194.

[10] Lee S, Choeh J Y. Predicting the helpfulness of online reviews using multilayer perceptron neural networks [J]. Expert Systems with Applications, 2014, 41(6): 3041-3046.

[11] Engler T H, Winter P, Schulz M. Understanding online product ratings: A customer satisfaction model [J]. Journal of Retailing and Consumer Services, 2015, 27: 113-120.

[12] Xu Xun, Li Yibai. The antecedents of customer satisfaction and dissatisfaction toward various types of hotels: A text mining approach [J]. International Journal of Hospitality Management, 2016, 55: 57-69.

[13] Ghasemaghaei M, Hassanein K. Online information quality and consumer satisfaction: The moderating roles of contextual factors-A meta-analysis [J]. Information & Management, 2015, 52(8): 965-981.

[14] Font F, Serrà J, Serra X. Class-based tag recommendation and user-based evaluation in online audio clip sharing [J]. Knowledge-Based Systems, 2014, 67(3): 131-142.

[15] Wang Wei, Wang Hongwei. Opinion-enhanced collaborative filtering for recommender systems through sentiment analysis [J]. New Review of Hypermedia and Multimedia, 2015, 21(3-4): 278-300.

[16] Li Shentun, Pham T T, Chuang Huichi, et al. Does reliable information matter? Towards a trustworthy co-created recommendation model by mining unboxing reviews [J]. Information Systems and e-Business Management, 2016, 14(1): 71-99.

[17] Li Yongli, Wu Chong, Luo Peng. Rating online commodities by considering consumers’ purchasing networks [J]. Management Decision, 2014, 52(10): 2002-2020.

[18] Yang Xian, Yang Guangfei, Wu Jiangning. Integrating rich and heterogeneous information to design a ranking system for multiple products [J]. Decision Support Systems, 2016, 84(C): 117-133.

[19] Chen Kun, Kou Gang, Shang J, et al. Visualizing market structure through online product reviews: Integrate topic modeling, TOPSIS, and multi-dimensional scaling approaches [J]. Electronic Commerce Research and Applications, 2015, 14(1): 58-74.

[20] Najmi E, Hashmi K, Malik Z, et al. CAPRA: A comprehensive approach to product ranking using customer reviews [J]. Computing, 2015, 97(8): 843-867.

[21] Liu Yang, Bi Jianwu， Fan Zhiping. Ranking products through online reviews: A method based on sentiment analysis technique and intuitionistic fuzzy set theory [J]. Information Fusion, 2017, 36: 149-161.

[22] Kahneman D, Tversky A. Prospect theory: An analysis of decision under risk [J]. Econometrica: Journal of the Econometric Society, 1979, 47(2): 263-291.

[23] Tversky A, Kahneman D. Advances in prospect theory: Cumulative representation of uncertainty [J]. Journal of Risk and Uncertainty, 1992, 5(4): 297-323.

[24] Levy H, Wiener Z. Stochastic dominance and prospect dominance with subjective weighting functions [J]. Journal of Risk and Uncertainty, 1998, 16(2): 147-163.

[25] Levy M, Levy H. Prospect theory: Much ado about nothing? [J]. Management Science, 2002, 48(10): 1334-1349.

[26] 張曉, 樊治平. 一種基于前景隨機(jī)占優(yōu)準(zhǔn)則的隨機(jī)多屬性決策方法[J]. 控制與決策, 2010, 25(12): 1875-1879.

[27] Brans J P, Mareschal B. Multiple criteria decision analysis: State of the art surveys [M]. New York: Springer, 2005.

[28] Brans J P, VinckeP H. A preference ranking organization method: The PROMETHEE method for multiple criteria decision-making [J]. Management Science, 1985, 31(6): 647-656.

Method for Selecting Desirable Product(s) Based on Online Rating Informationand Customer’s Aspirations

YOUTian-hui,ZHANGJin,FANZhi-ping

(School of Business Administration, Northeastern University,Shenyang 110167, China)

In recent years, a large number of online ratings information about products has emerged on many ecommerce business websites, these online ratings information have significant impact on consumers’ understanding products and making purchase decisions. In reality, to make purchase decisions, consumer usually pour their attention to online ratings information of each attribute for products, and give their aspiration of online ratings information of each attribute for alternative products according to their demands. Accordingly, how to select desirable product(s) based on online ratings information and customer’s aspirations, it is a noteworthy research issue. On the basis, a method is proposed in this paper for the desirable product(s) selection considering online ratings information and customer’s aspiration based on the prospect stochastic dominance. In the method, first, the online ratings information of each attribute for alternative products is crawled by web crawler software, and the gain and loss for the alternative products can be calculated using the attribute rating value and the attribute aspiration, and then the probability distributions about the gain and loss results of each attribute for products are determined according to the obtained gain and loss values. On the basis, the cumulative distribution functions of gain and loss results and their expectations are obtained. Then, based on the obtained cumulative distribution functions of gain and loss values and their expectations, the prospect stochastic dominance relation matrices on pairwise comparisons of products with respect to each attribute are established according to the prospect stochastic dominance rule. Next, the degree of dominance on pairwise comparisons of each attribute of alternative products are calculated using PROMETHEE-II method, and the overall dominance degrees matrix for pairwise comparison of products is built using the simple additive weighting method, according to the obtained overall dominance degrees matrix, the “outflow”, “inflow” and the ranking values of each alternative products are calculated, respectively. Furthermore, a ranking of the alternative products is determined based on the obtained ranking values Finally, in order to illustrate the feasibility and validity of the proposed method, a case study about car selection is provided based on the online ratings information from the auto-home website.

online rating information; customer’s aspiration; prospect stochastic dominance; PROMET-HEE-II; product selection

1003-207(2017)11-0094-09

10.16381/j.cnki.issn1003-207x.2017.11.010

C934

A

2016-08-29;

2017-01-23

國(guó)家自然科學(xué)基金資助項(xiàng)目 (71271049,715710 39)

張瑾(1989-),女(漢族),山東莒縣人,東北大學(xué)工商管理學(xué)院,博士研究生,研究方向:管理決策分析,E-mail: zjin0709@163.com.