大群體在線客戶偏好自動計算方法

劉 翔

（上海大學管理學院，上海200444）

在激烈的市場競爭中，客戶資源是企業的核心資源，以客戶資源為核心優化配置企業資源的關鍵是如何發現客戶偏好并將大群客戶總體偏好模式充分地結合到新產品開發中，這是市場理論研究與實踐的共識[1-2]。目前客戶偏好的預測計算方法一般是通過互聯網在線或非在線的市場調查問卷方式來完成。這種方法不僅非常耗時和昂貴，更重的是獲得的數據質量很大程度上取決于問卷設計內容與接受訪問的調查者的范圍、類型及參與的態度等。目前在線客戶偏好對產品銷售策略及潛在客戶的購買決策都產生了重要影響。各主流商務網站都廣泛提供機會讓客戶自主發布客戶偏好。從這些客戶偏好中發現產品的優點與缺點，十分有助產品制造商面向客戶需求改進產品設計并制定更適合客戶需求的商務戰略[3-4]。然而，客戶偏好中的有價值信息通常是由廣泛分布的評論文本、評分等級等大量信息碎片組成的，目前有關客戶偏好的研究文獻尚未能提出有效方法解決如何在大量客戶偏好的客戶意見中低成本、快速地發現客戶總體偏好[5-10]。本文提出了一個稱為面向大型群決策的自動一致性模型（Automatic Consensus Model for Large Group Decision-making，簡稱 ACMLGD），用于低成本、快速地自動計算面向在線客戶偏好的大群客戶偏好。因此，本文的研究工作具有很強的理論與實踐意義。

大型群決策是一種廣泛存在的決策活動，例如在復雜商務決策，尤其在ERP及B2B等復雜協同決策領域有極為重要理論研究及商業應用價值。大型群決策通常包括二個過程：一致性過程與選擇過程[11-13]。現僅有極少量的大型群決策中的一致性過程研究文獻，而這些文獻對該問題的理解又十分模糊與混亂[14-17].Alonso et al.（2009）提出了一種模糊的大型群決策模型，采用誘導有序加權平均（IOWA）算子集結個體決策專家偏好及確定方案的排序方法。Carvalho et al.（2011）開發一個支持大型群決策的系統。Palomares et al.（2014）提出了探測和管理大型群體決策的非合作行為的一致性模型，其中，采用基于模糊聚類的模式探測非合作的個體或子組。基于Palomares et al.（2014）的方法，Xuan et al.（2015）提出了一種改進的大型群體應急決策的一致模型，其中，可管理少數個體意見及非合作行為。Quesada et al.（2015）提出了一種在大型群決策一致性過程中管理參與者行為的方法大集團的決策，克服了Palomares et al.（2014）方法的不足：參與者權重不能再增加，即使他們改變了想法和決定采取更加合作的態度。然而，采用以上方法需要手工返回各種意見給個體決策專家并適當修改個體意見，直到獲取合理的群一致性。顯然，在一致性過程中，不可能要求客戶偏好用戶反復修改個體意見。因此，采用以上方法來計算面向在線客戶偏好的大群客戶偏好是不可行的。

關鍵創新和貢獻是提出一種新的、類似研究中沒有出現過的面向大型群決策的自動一致性方法（簡稱ACMLGD）用于自動計算面向在線客戶偏好的大群客戶偏好。其中，采用了人工蜂群優化算法優化個體的權重與群組權重方法以達到個體之間意見一致性最大化，并結合仿真一致性達成過程，預先設置確定優化的一致性過程的重要參數，以實現在有限時間內達到合理一致性的大群客戶偏好計算目的。人工蜂群優化算法具有全局優化的杰出能力而獲得大量應用，如神經網絡訓練、預測股票市場。人工蜂群優化算法超越其他類似的啟發式優化算法，如遺傳算法與粒子組優化等[18-20]。

實驗結果表明，ACMLGD模型在大量客戶偏好的客戶意見中發現客戶總體偏好的計算性能較好。為在線客戶偏好的大群客戶偏好自動集結建模及應用提供了一種新的實用方法。

后續部分組織如下：第2節是問題的描述。第3節研究提出的自動一致性模型。第4節研究大群客戶偏好計算應用實例。最后，結束語。

1 問題描述

針對從互聯網上采集的大量有關產品消費者發布的有正面評價、負面評價及打分等的意見，結合文本挖掘和情感分析技術，提取在線評論中正面評價、反面評價及綜合評分等信息，并將這些有價值的信息碎片轉封裝為能對多種產品進行綜合評價的不同的、獨立的信息粒度。如果將每個達到產品專家評論水平的信息粒度定義為表示相應參與大群型決策的專家信息與意見，則面向在線客戶偏好的大群客戶偏好計算可轉化為面向大型群決策的自動一致性建模與求解過程問題。第4節將用實例來說明該轉換思想。基于文獻[11，12，17]，現有的自動一致性方法基本思想描述如下：

（i）假定群決策專家組集合為E={E1，E2，…，Er}。其中，Ey（y=1，2，…，r）是第y子組。設λ=（λ1，λ2，…，λr）T為子組Ey（y=1，2，…，r）的權重向量，其中設X=（x1，x2，…，xr）T為子組Ey（y=1，2，…，r）成員數向量，其中Xy（y=是群決策專家組集合E中總的專家數）是子組Ey（y=1，2，…，r）中專家總數。個體決策專家的權重為其中

（ii）假定群決策問題有明確的備選可行方案集A={a1，a2，…，an}（n≥2）。

（iii）假定群決策問題的決策標準集為U={u1，u2，…，um}，且有標準的權重向量為w=（w1，w2，…，

（v）設個體標準決策矩陣 Dk=（dijk）m×n（i=1，2，...，m，j=1，2，…，n，y=1，2，…，r，k=1，2，…，N）通過加權集結算子轉化為群決策矩陣D=（dij）m×n（i=1，2，...，m，j=1，2，…，n），其中，dij=

（vi）為了測量個體標準決策矩陣 Dk=（dijk）m×n（i=1，2，...，m，j=1，2，…，n，y=1，2，…，r，k=1，2，…，N）與群決策矩陣D=（dij）m×n（i=1，2，...，m，j=1，2，…，n）之間一致性，設 c 為一致性迭代次數，迭代系數為0<η<1，計算Dk=（dijk）m×n（i=1，2，...，m，j=1，2，…，n）與D=（dij）m×n（i=1，2，...，m，j=1，2，…，n）之間不一致性，即，

如果任意IG（D（c）kD（c））≤δ（i=1，2，...，m，j=1，2，…，n，k=1，2，…，N），那么一致性過程可以停止。否則，令D（c+1）k=（d（c+1）ijk）m×n與D（c+1）=（d（c+1）ij）m×n。其中，

然后，令 c=c+1，根據公式（2）繼續計算。

根據文獻[11]，該算法是收斂性的，在群決策中應用該方法可辟免強制個體決策專家手工修改其意見。然而，在群體較大及一致性要求較高的情況下，以上方法迭代次數是非常大的，會導致進入一個非常耗時的或無限循環的一致性達成過程中。此外，根據文獻[21]，該算法還存在一些其它不足，如在一致性過程結束后得到一致性群決策矩陣是由初始個體決策矩陣生成的。本文涉及的問題是如何有效自動管理大群客戶偏好，辟免一致性過程進入非常耗時的循環并自動生成能反映大群一致性不斷進化結果的一致性群決策矩陣。

2 自動一致性模型

2.1 模型假設

基于文獻[9，10，11，12，17]，本文提出了改進的自動一致性模型ACMLGD框架如下：

（i）假定群決策專家組集合為E={E1，E2，…，Er}。其中，Ey（y=1，2，…，r）是第y子組。設λ=（λ1，λ2，…，λr）T為子組Ey（y=1，2，…，r）的權重向量，其中設X=（x1，x2，…，xr）T為子組Ey（y=1，2，…，r）成員數向量，其中Xy（y=11是群決策專家組集合E中總的專家數）是子組Ey（y=1，2，…，r）中專家總數。個體決策專家的權重為其中

（ii）假定群決策問題有明確的備選可行方案集A={a1，a2，…，an}（n≥2）。

（iii）假定群決策問題的決策標準集為U={u1，u2，…，um}，且有標準的權重向量為w=（w1，w2，…，

（xy）=N）轉化為個體標準決策矩陣，即，

（vi）設D=（di）jm×（ni=1，2，...，m，j=1，2，…，n）表示群決策專家組集合E群決策矩陣。子組Ey（y=1，2，…，r）群決策矩陣m，j=1，2，…，n，y=1，2，…，r）通過加權集結算子轉化為群決策專家組集合E群決策矩陣D=（di）jm×（ni=1，2，...，m，j=1，2，…，n），其中

（vii）大型群一致性分為三層，包括個體-子組的一致性IC，子組-群的一致性SC及個體-群的一致性GC（總體層一致性），分別定義如下：

SD（DEyD）（y=1，2，…，r）表示子組Ey（y=1，2，…，r）決策矩陣DEy（y=1，2，…，r）與群決策專家組集合E群決策矩陣D之間的不一致性（曼哈頓距離）。

2.2 自動一致性過程

ACMLGD自動群一致性過程設計如下：第一步：確定大群決策的標準與初始方案

設標準集 U={u1，u2，…，um}為群決策問題的多目標，并依據問題性質確定相關指標集UA={aij}（i=1，2，…，m，j=1，2，…，n）及備選的可行方案集A={a1，a2，…，an}（n≥2）。

第二步：自動一致性建模與優化

（iv）通過加權集結算子將子組Ey（y=1，2，…，r）群決策矩陣1，2，…，n，y=1，2，…，r）轉化為組E 群決策矩陣D=（dij）m×（ni=1，2，...，m，j=1，2，…，n，y=1，2，…，r），其中…，n，y=1，2，…，r）。

其中，Fitness表示用適度函數值來評價仿真一致性達到過程中全局一致性水平；參數β1與β2可依據問題實際情況適當調整ID（DEy與SD（DEyD）值。仿真與優化結果，將得到全局最優的群決策重要參數 δ*，C*，（y=1，2，…，r，k=1，2，…，xy，

第三步：自動一致性過程

第四步：選擇最優方案

第五步：結束。

3 大群客戶偏好計算實例

應用所提出的ACMLGD結合文本挖掘和情感分析技術，提取在線評論中正面評價、反面評價及綜合評分等信息開發了自動一致性系統，該一致性系統可集成到現有的ERP系統中，用于支持企業的大型群決策活動，也可用于集結互聯網產品用戶偏好、挖掘發現客戶總的一致性意見。現以自動計算面向在線客戶偏好的大群客戶偏好為例，說明ACMLGD的應用。

3.1 問題描述

本實驗采集了于2015年4月-2016年4月的1，500條有關4個主流品牌手機客戶偏好數據。這些評論包括有正面評價、負面評價及評分等級，例如表1所示。

表1 手機客戶偏好數據示例

首先，對這些數據作進一步預處理，步驟如下[2，10]：

1.將有正面評價與負面評價的評論數據劃分為詞與詞組。

2.取消那些沒有明確的情感極性及產品屬性的詞與詞組（例如表示1中的“沒有別的”）。

3.合并重復的詞與詞組（例如“超級的相機”與“好的相機”歸入“相機”類）。

4.將模糊的候選屬性（例如，“昂貴”）轉化為明確的候選屬性（價格）。

5.合并同義詞（例如，“蓄電池”和“電池”）。

6.消除那些頻度很低的候選屬性（例如，頻度小于1%）。

7.用屬性集合對匯總的正面評價與負面評價進行編碼。

依據以上數據預處理步驟得到有10個屬性的1200條評論數據結果如表2所示。

表2 數據預處理結果

然后，這些廣泛分布的評論文本、評分等級等大量信息碎片預處理結果存入ERP數據庫后，自主開發的自動一致性系統將以上編碼后的客戶偏好數據進一步規范化、合并與封裝為能對多種產品進行綜合評價的80個不同的、獨立的信息粒度，其中，每個信息粒度均分別包含有對4個產品的評論內容。因此，每個信息粒度可看作等同于一個用戶分別對4個產品的進行評論。自主開發的自動一致性系統定義每個信息粒度表示為相應虛擬個體決策專家，并自動生成個體專家的初始權重，再將已定義生成的80個體決策專家進行分組并生成各組的初始權重，分組統計的結果可從ERP數據庫中查詢獲得，表3所示。

因此，如上依據客戶偏好數據挖掘客戶總偏好的過程可轉化為本文提出的有80個專家參與的自動大型群決策問題。限于篇幅，省略以上信息粒度封裝及統計分組的詳細過程。

表3 從ERP數據庫中查詢獲得的80個虛擬個體決策專家及分組信息

3.2 大群客戶偏好一致性計算過程及結果

基于ACMLGD的自動群一致性過程與選擇，即大群客戶偏好一致性計算過程設計如下：

第一步：確定大群決策的標準與初始方案

將產品主要屬性作為標準，確定的相關指標及初始方案集表4所示。

表4 基于標準 U={u1，u2，u3，u4，u5，u6，u7，u8，u9，u10}及相關指標 UA={aij}（i=1，2，...，10，j=1，2，3，4）方案集 A={a1，a2，a3，a4}

第二步：自動一致性建模與優化

（i）10 個標準，U={u1，u2，u3，u4，u5，u6，u7，u8，u9，u10}及相應權重向量 w=（0.12，0.1，0.1，0.11，0.1，0.08，0.1，0.09，0.1，0.1）T。

（ii）查詢ERP數據庫可獲得子組Ey（y=1，2，…，10）的初始權向量，λ =（0.1009，0.1115，0.0109，0.1032，0.1005，0.1219，0.1006，0.1054，0.1224，0.1227）T。

（iii）查詢ERP數據庫可獲得子組Ey（y=1，2，…，10）中的專家數向量，X=（3，8，8，10，10，10，8，10，7，6）T。

（iv）方案集 A={a1，a2，a3，a4}由 80 個專家（xy）=80）進行評價。

（v）預設的專家評價等級集合，S={1，2，3，4，5}（1:最差的；5:最好的）。

（vi）c=0，η =0.5 與 β1= β2=0.5。

表5 初始決策矩陣y=1，2，3，4，5，6，7，8，9，10，k=1，2，…，xy， =80）

表5 初始決策矩陣y=1，2，3，4，5，6，7，8，9，10，k=1，2，…，xy， =80）

注意：其中 k=1，2，…，xy，y=2，xy=8，為了節省篇幅，其它初始決策矩陣說明省略。

eE2 k D eE2 E2 k U a1 a2 a3 a4 DE2 k k U a1 a2 a3 a4 u2 2 3 4 5u2 3 4 4 2 eE21 D eE2 E2 1 u3 5 2 3 3 u3 5 4 5 5 u4 3 2 5 5 u4 5 2 3 5 u5 2 4 4 5 u5 4 4 3 4 u6 5 2 3 3 u6 4 4 4 4 u7 3 5 4 5 u7 5 4 5 4 u8 2 3 4 5 u8 2 3 4 2 u9 5 2 3 3 u9 5 4 3 4 u10 3 2 5 5 u10 4 2 5 25 DE2 5 u2 3 5 5 5 u3 5 2 5 5 u3 5 4 5 2 u4 4 2 5 5 u4 4 2 3 5 u5 4 4 3 5 u5 5 3 3 5 u6 5 2 5 5 u6 3 5 3 3 u7 3 5 4 3 u7 1 4 5 4 u8 2 3 4 4 u8 2 3 4 2 u9 5 2 3 5 u9 5 2 3 4 u10 4 2 5 5 u10 4 2 5 2 u2 2 3 4 5 eE22 D eE2 E2 26 DE2 6 u2 2 3 4 5 u3 5 4 5 4 u3 5 4 5 2 u4 3 2 5 5 u4 5 2 3 5 u5 4 4 3 4 u5 2 4 5 4 u6 4 5 5 5 u6 4 5 5 3 u7 3 5 4 4 u7 5 4 5 5 u8 2 3 4 4 u8 2 3 4 5 u9 5 2 3 4 u9 5 2 3 4 u10 4 2 5 2 u10 4 2 5 2 u2 4 3 4 2 eE23 D eE2 E2 37 DE2 7 u2 4 4 4 2 u3 5 4 5 2 u3 5 4 5 2 u4 5 2 3 5 u4 5 2 5 5 u5 4 4 3 4 u5 5 4 3 2 u6 4 5 5 3 u6 3 5 3 2 u7 5 4 5 4 u7 3 4 5 4 u8 2 3 4 2 u8 4 3 5 2 u9 5 2 3 4 u9 4 2 3 4 u10 4 2 5 2 u10 4 2 5 2 u2 3 4 4 2 eE24 D eE2 E2 48 DE2 8

（x）通過加權集結算子將子組Ey（y=1，2，…，10）群決策矩陣y=1，2，…，10）轉化為組E群決策矩陣D=（dij）m×n（i1，2，...，10，j=1，2，3，4，y=1，2，…，10）。

（xi）人工蜂群優化算法及一致性過程仿真結果表6-7所示。據問題實際情況，結合仿真結果，可確定個體決策專家的優化權重（i=1，2，...，10，（xy）=80）、子組群的優化權重（y=1，2，…，10）、一致性閥δ*及最大循環次數C*。其中，C*=300，δ*=0.2。

表6 人工蜂群優化算法及一致性過程仿真結果 C*，δ*與（y=1，2，...，10）

表6 人工蜂群優化算法及一致性過程仿真結果 C*，δ*與（y=1，2，...，10）

C* δ* λ*1λ*2 λ*3 λ*4 λ*5 λ*6 λ*7 λ*8 λ*9 λ*10360 0.1893 0.3212 0.1101 0.0103 0.1271 0.1108 0.0132 0.1012 0.0107 0.0842 0.1112240 0.2000 0.2202 0.1302 0.0552 0.1201 0.1055 0.0432 0.0908 0.0707 0.0822 0.0819180 0.2409 0.2032 0.1203 0.0672 0.1141 0.1205 0.0901 0.0618 0.0547 0.0649 0.1032

表7 人工蜂群優化算法及一致性過程仿真結果（i=1，2，...，10，j=1，2，3，4，y=1，2，…，10，k=1，2，…，xy，=80）

Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Y=7 Y=8 Y=9 Y=10 C*=380 δ*=0.1893 K=1 0.4563 0.1087 0.2303 0.1332 0.0939 0.1034 0.1254 0.0957 0.2006 0.3113 K=2 0.3412 0.1142 0.0991 0.1511 0.1653 0.1056 0.1515 0.0963 0.1212 0.0935 K=3 0.2025 0.1401 0.0924 0.1064 0.1104 0.1091 0.1224 0.0675 0.0989 0.1226 K=4 0.2002 0.0963 0.0835 0.0908 0.1214 0.0968 0.0917 0.1254 0.0894 K=5 0.1355 0.1103 0.0643 0.0906 0.1218 0.0985 0.0961 0.2213 0.1576 K=6 0.0945 0.1204 0.1467 0.0665 0.0803 0.1305 0.1033 0.0968 0.2256 K=7 0.1005 0.1201 0.0504 0.0765 0.0803 0.1327 0.1154 0.1358 K=8 0.1063 0.1311 0.0762 0.0709 0.0715 0.1422 0.1201 K=9 0.0895 0.1314 0.1079 0.0987 K=10 0.0987 0.1037 0.0987 0.1152 Total 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 C*=300 δ*=0.2000 K=1 0.4509 0.0951 0.0988 0.1408 0.0765 0.0821 0.1008 0.1009 0.1242 0.1257 K=2 0.3607 0.1032 0.1256 0.1023 0.1046 0.1123 0.1206 0.1244 0.1307 0.2115 K=3 0.1884 0.0978 0.1357 0.0915 0.0986 0.1024 0.0853 0.1003 0.1122 0.1268 K=4 0.1252 0.1418 0.1325 0.1221 0.0965 0.1425 0.0777 0.1331 0.1227 K=5 0.1481 0.1409 0.0873 0.1009 0.0992 0.0901 0.0983 0.1062 0.1786 K=6 0.0965 0.1267 0.1005 0.1204 0.1045 0.2005 0.1232 0.2504 0.2347 K=7 0.1287 0.0987 0.0721 0.1093 0.1108 0.1568 0.0927 0.1432 K=8 0.2054 0.1318 0.0602 0.0883 0.0883 0.1034 0.1045 K=9 0.1125 0.1245 0.1005 0.0991 K=10 0.1003 0.0548 0.1034 0.0789 Total 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 C*=180 δ*=0.2409 K=1 0.4443 0.0909 0.1056 0.1102 0.1209 0.1211 0.0881 0.1025 0.1453 0.2765 K=2 0.3781 0.0977 0.1335 0.0832 0.0854 0.0924 0.1337 0.0942 0.1284 0.1311 K=3 0.1776 0.1221 0.1009 0.1172 0.1004 0.1231 0.1005 0.0552 0.0943 0.1206 K=4 0.1801 0.1212 0.0881 0.1115 0.0902 0.1207 0.0852 0.1543 0.1205 K=5 0.1502 0.1058 0.1211 0.0658 0.0772 0.0786 0.0943 0.0987 0.1306 K=6 0.1018 0.1321 0.1036 0.1022 0.0835 0.1985 0.1202 0.2119 0.2207 K=7 0.1231 0.2007 0.1209 0.0983 0.1003 0.1445 0.0915 0.1671 K=8 0.1341 0.1002 0.1111 0.1453 0.1227 0.1354 0.0917 K=9 0.0725 0.0901 0.1231 0.0951 K=10 0.0721 0.0801 0.0664 0.1701 Total 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

第三步：自動一致性過程

通過公式（8），（9）及全局最優控制參數C*=1，2，...，10）計算ID（i=1，2，...，10，j=80）與SD（DEy（0）D（0））（y=1，2，...，10）。計算結果表8所示。

表8 ID =80）與SD（DE（y0）D（0））（y=1，2，...，10）的計算結果

表8 ID =80）與SD（DE（y0）D（0））（y=1，2，...，10）的計算結果

（xy）=80）K=1 0.3278 0.3442 0.3564 0.4662 0.4561 0.4762 0.3667 0.4731 0.4763 0.4625 K=2 0.4091 0.3671 0.4336 0.4336 0.4348 0.3548 0.4651 0.4675 0.4476 0.4439 K=3 0.4002 0.4364 0.4356 0.4076 0.3587 0.4541 0.3663 0.4643 0.4854 0.5201 K=4 0.5168 0.4098 0.4875 0.4885 0.3776 0.4865 0.3367 0.3935 0.3604 K=5 0.4591 0.3321 0.5984 0.4761 0.3665 0.4236 0.3982 0.3762 0.3867 K=6 0.4876 0.4327 0.4328 0.3437 0.4442 0.3652 0.4357 0.3368 0.4601 K=7 0.3408 0.4332 0.4718 0.4908 0.3548 0.3409 0.3711 0.3765 K=8 0.562 0.3447 0.4638 0.4818 0.3961 0.4051 0.4318 K=9 0.4381 0.3367 0.4632 0.4382 K=10 0.4167 0.3671 0.4219 0.4426 Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Y=7 Y=8 Y=9 Y=10 SD（DEy（0）D（0））（y=1，2，...，10）0.3332 0.3625 0.3265 0.3216 0.3826 0.3771 0.3504 0.3807 0.4001 0.3465 ID（DEy（0）kDEy（0））（i=1，2，...，10，j=1，2，3，4，y=1，2，...，10，k=1，2，…，xy，Σ10 y=1

由于對任意i=1，2，...，10，j=1，2，3，4，y=1，有因此，令c=c+1，進一步計算與SD（DEy（0）D（0））（y=1，2，...，10）。經過288次迭代后，計算結果表9所示。

表9 =80）與SD（DE（y0）D（0））（y=1，2，...，10）的計算結果

表9 =80）與SD（DE（y0）D（0））（y=1，2，...，10）的計算結果

（xy）=80）K=1 0.1001 0.1019 0.1024 0.1009 0.1031 0.1029 0.1054 0.1003 0.1003 0.1001 K=2 0.1021 0.1016 0.1012 0.1008 0.1030 0.1015 0.1046 0.1005 0.1000 0.1005 K=3 0.1016 0.1017 0.1009 0.1007 0.1007 0.1027 0.1030 0.1002 0.1006 0.1005 K=4 0.1012 0.1016 0.1006 0.1008 0.1009 0.1009 0.1004 0.1013 0.1004 K=5 0.1015 0.1006 0.1004 0.1004 0.1008 0.1007 0.1005 0.1019 0.1007 K=6 0.1000 0.1009 0.1008 0.1005 0.1028 0.1044 0.1002 0.1009 0.1002 K=7 0.1001 0.1024 0.1007 0.1003 0.1038 0.1007 0.1003 0.1007 K=8 0.1009 0.1022 0.1006 0.1030 0.1009 0.1035 0.1005 K=9 0.1004 0.1009 0.1041 0.1002 K=10 0.1008 0.1004 0.1038 0.1004 Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Y=7 Y=8 Y=9 Y=10 SD（DEy（288）D（288））（y=1，2，...，10）0.0978 0.0980 0.0975 0.0990 0.0968 0.0960 0.0943 0.0993 0.0986 0.0990 ID（DEy（288）kDEy（288））（i=1，2，...，10，j=1，2，3，4，y=1，2，...，10，k=1，2，…，xy，Σ10 y=1

由于對任意i=1，2，...，10，j=1，2，3，4，y=1，Ey（288））+SD（DEy（288）D（288））＜0.2，因此，群決策矩陣D（288）=（）10×4是全局一致性可接受的決策矩陣，表10所示。

表10 全局一致性可接受的決策矩陣D（288）=（）10×4

表10 全局一致性可接受的決策矩陣D（288）=（）10×4

a1 a2 a3 a4 u1 0.6321 0.5587 0.4536 0.4472 u2 0.4453 0.6780 0.6522 0.5437 u3 0.5469 0.4329 0.6668 0.4678 u4 0.4821 0.4728 0.4270 0.6543 u5 0.4682 0.5673 0.5799 0.4479 u6 0.5776 0.5648 0.7504 0.5876 u7 0.6558 0.6798 0.6572 0.6783 u8 0.4095 0.4687 0.4657 0.4758 u9 0.5896 0.8076 0.7654 0.5437 u10 0.5762 0.4453 0.6543 0.7870

第四步：選擇最優方案

（i）采用公式（23）對一致性群決策矩陣 D（288）=（D（288）ij）10×4（i=1，2，...，10，j=1，2，3，4）的第j列進行匯總，得到方案aj（j=1，2，3，4）總的評價值D（288）j（j=1，2，3，4），計算結果表11 所示。

表11 方案aj（j=1，2，3，4）總的評價值j=1，2，3，4）

表11 方案aj（j=1，2，3，4）總的評價值j=1，2，3，4）

aj a1 a2 a3 a4 D（288）jD（288）1D（288）2D（288）3D（288）4總的評價值 5.3833 5.6759 6.0725 5.6333排序 4 2 1 3

表12 產品3是基于2015年4月-2016年4月的1，500條有關4個主流品牌手機客戶偏好數據挖掘發現，80%以上的客戶偏愛的手機產品

第五步：結束。

3.3 結果討論

ACMLGD模型在大量產品評論的客戶意見中發現客戶總體偏好的計算性能通常采用在有限時間內達到預定的一致性水平來衡量。因此，ACMLGD模型在大量產品評論的客戶意見中發現客戶總體偏好的敏感性分析與性能比較，一般研究達到預定義一致性水平的閥與循環次數對方案排序影響。在ACMLGD方法下，不同的預定義一致性水平閥與迭代循環次數對方案排序影響的計算結果表13所示。

表13 基于ACMLGD的一致性水平閥與迭代循環次數對方案排序影響

從表13可知，不同一致性閥值δ水平條件，ACMLGD模型在大量產品評論的客戶意見中發現客戶總體偏好的計算結果。如果有高質量（一致性水一般平大于0.9，即δ≤0.1）及時間有限的客戶總體偏好的計算需求，例如，在閥值的水平δ≤0.1條件，達到預定義一致性要求時，迭代次數僅為1200，因此，ACMLGD是低成本、快速地自動計算面向在線產品評論的大群客戶偏好實用可行的方法。

4 結論

從廣泛分布的評論文本、評分等級等大量信息碎片中計算大群客戶總體偏好是非常耗時和昂貴的，目前有關客戶偏好的相關研究文獻尚未能提出有效方法解決如何在大量客戶偏好的客戶意見中低成本、快速地發現客戶總體偏好。提出了一個通用的模型ACMLGD，用于低成本、快速地自動計算面向在線客戶偏好的大群客戶偏好。實驗結果表明，ACMLGD模型在大量客戶偏好的客戶意見中發現客戶總體偏好的計算性能較好。為在線客戶偏好的大群客戶偏好自動集結建模及應用提供了一種新的實用方法。進一步的研究工作將面向實際應用，把ACMLGD模型在大量客戶偏好的客戶意見中發現大群客戶總體偏好計算方法應用于實際的ERP自動協同決策系統，支持企業相關戰略及計劃的決策。