基于在線評(píng)論的直覺模糊TOPSIS商品購買決策方法

林 杰 王夢(mèng)嬌 張振宇

(同濟(jì)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，上海 200092)

0 引言

本文提出一種商品排序方法，首先運(yùn)用Apriori算法對(duì)商品特征進(jìn)行提取，并通過情感分析方法，建立商品各特征的情感詞典并計(jì)算每條評(píng)論中商品各特征的情感傾向，再根據(jù)商品特征情感傾向建立直覺模糊決策矩陣，運(yùn)用直覺模糊TOPSIS方法對(duì)備選商品進(jìn)行排序。

1 基于情感分析和直覺模糊TOPSIS的購買傾向算法

1.1 問題描述及解決框架

假設(shè)消費(fèi)者想要購買手機(jī)，并且通過初步調(diào)查，確定了幾種可接受的商品，即備選商品。但是，由于時(shí)間和專業(yè)知識(shí)有限，消費(fèi)者無法有效地得到需要的評(píng)論信息，于是在幾種備選商品中搖擺不定，無法做出最終選擇。本文從該問題出發(fā)，設(shè)計(jì)算法對(duì)備選商品進(jìn)行排名，為消費(fèi)者選擇最滿意的商品，其解決框架如圖1所示。

圖1 在線評(píng)論商品排序問題解決框架

以下符號(hào)用于表示問題中的集合和變量，將在本文中使用。

A={A1，A2，…，An}：n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,…,n，集合A可由消費(fèi)者決定。

F={f1,f2,…,fm}：m個(gè)特征的集合，從在線評(píng)論中挖掘的消費(fèi)者所重點(diǎn)關(guān)注的商品特征，其中fj表示第j個(gè)特征，j=1,2,…,m。

Q={q1,q2,…,qn}：備選商品的在線評(píng)論數(shù)量，其中，qi表示關(guān)于備選商品Ai的在線評(píng)論數(shù)量，i=1,2,…,n。

本文設(shè)計(jì)的問題是如何根據(jù)在線評(píng)論Dik和特征權(quán)重ωj，對(duì)備選商品A1,A2,…,An進(jìn)行排名，i=1,2,…,n，j=1,2,…,m，k=1,2,…,qi。

1.2 基于在線評(píng)論信息挖掘的商品特征

為了從在線評(píng)論Dik中提取出消費(fèi)者所重點(diǎn)關(guān)注的關(guān)于備選商品的商品特征，這里根據(jù)文獻(xiàn)，給出一種基于在線評(píng)論信息挖掘的商品特征確定方法，具體過程描述如下：

首先，對(duì)評(píng)論中涉及的在線評(píng)論信息進(jìn)行分詞，并對(duì)分詞后的在線評(píng)論信息進(jìn)行詞性標(biāo)注。為準(zhǔn)確合理起見，這里運(yùn)用中國科學(xué)院計(jì)算技術(shù)研究所開發(fā)的分析系統(tǒng)( ICTCLAS: Institute of Computing Technology, Chinese Lexical Analysis System) 進(jìn)行在線評(píng)論信息的分詞處理，詞性標(biāo)注采用二級(jí)標(biāo)注方法。

其次，利用詞性標(biāo)注后的評(píng)論來創(chuàng)建關(guān)聯(lián)規(guī)則事務(wù)文件，并基于關(guān)聯(lián)規(guī)則Apriori算法來查找頻繁項(xiàng)集。這里參照同類研究文獻(xiàn)，最小支持度取值為1%，不考慮3項(xiàng)以上的頻繁項(xiàng)。

在此基礎(chǔ)上，將找出的頻繁項(xiàng)集按照文獻(xiàn)定義的鄰近規(guī)則和獨(dú)立支持度分別進(jìn)行剪枝和修正，形成備選商品特征集合FTF。

然后，基于FTF分別構(gòu)建包含常見中文頻繁項(xiàng)名詞卻非商品特征的集合FFF(如一些常見商品品牌、口語化名詞及人稱名稱等)和包含單字名詞的備選特征的集合FSF，并將FTF過濾形成最終的商品特征集合F，即F=FTF-FFF-FSF。

1.3 基于商品特征構(gòu)建積極、消極情感詞典

通常情況下，不同特征的正向或負(fù)向情感詞典是不同的。一個(gè)詞可以同時(shí)屬于一個(gè)特征的正向情感詞典和另一個(gè)特征的負(fù)向情感詞典。例如，“高”屬于特征“像素”的正向情感詞典和特征“價(jià)格”的負(fù)向情感詞典。因此，有必要分別為每個(gè)特征建立正向和負(fù)向情感詞典。

首先，依據(jù)1.2中詞性標(biāo)注后的評(píng)論集，創(chuàng)建評(píng)論中針對(duì)特征fj的關(guān)聯(lián)規(guī)則事物文件，并基于關(guān)聯(lián)規(guī)則Apriori算法來查找其中的頻繁項(xiàng)集，形成特征fj的情感標(biāo)注集合。

(1)

(2)

(3)

1.4 確定特征的情感傾向

本節(jié)采用一種算法計(jì)算每個(gè)評(píng)論的每個(gè)特征的正向、中性或負(fù)向情感傾向。該算法的主要思想如下：句子的情感傾向取決于句子中的情感詞，如果句子中正向情感詞的數(shù)量大于負(fù)向情感詞，則句子的情感傾向被認(rèn)為是正向的；如果句子中負(fù)向情感詞的數(shù)量大于正向情感詞，則句子的情感傾向被認(rèn)為是負(fù)向的；如果句子中沒有情感詞或者正向和負(fù)向的情感詞數(shù)量相同，那么句子的情感傾向被認(rèn)為是中性的；如果句子中有否定詞，則句子的情感傾向?qū)⒈活嵉梗唧w操作如下。

1.5 基于直覺模糊數(shù)和TOPSIS對(duì)備選商品進(jìn)行排序

1.5.1直覺模糊數(shù)的計(jì)算

直覺模糊集理論是處理模糊性和猶豫的有用工具，直覺模糊數(shù)可以同時(shí)反映評(píng)論的支持、猶豫和反對(duì)程度。基于直覺模糊集理論，備選商品在線評(píng)論的情感傾向可以通過直覺模糊數(shù)簡單而完整地表示。

(4)

(5)

(6)

1.5.2TOPSIS方法

使用TOPSIS方法對(duì)備選商品進(jìn)行排序，其基本思想如下：在確定各屬性指標(biāo)權(quán)重的基礎(chǔ)上，歸一化原始數(shù)據(jù)矩陣，分別計(jì)算備選商品與最優(yōu)方案和最劣方案間的距離，獲得各備選商品與最優(yōu)方案的相對(duì)接近程度，作為評(píng)價(jià)優(yōu)劣的依據(jù)。具體算法步驟如下：

①根據(jù)備選商品的整體模糊數(shù)構(gòu)造決策矩陣A=(aij)n×m，其中aij=Yij，表示備選商品Ai的特征fj的直覺模糊數(shù)，n為備選商品個(gè)數(shù)，m為商品特征數(shù)。

②為了消除不同屬性間的量綱效應(yīng)，使每個(gè)屬性特征都具有同等的表現(xiàn)力，首先對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

(7)

(8)

(9)

⑥計(jì)算各方案的貼近度(綜合評(píng)價(jià)指數(shù))，并按照由大到小排列。

(10)

2 數(shù)據(jù)實(shí)驗(yàn)

2.1 數(shù)據(jù)源說明

本文選取了京東商城五款手機(jī)的在線評(píng)論作為數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。這五款手機(jī)分別是iPhone X、華為P10、美圖T8、vivo X9、OPPO R11S。利用爬蟲軟件共爬取評(píng)論5000條(每款手機(jī)1000條)，對(duì)評(píng)論進(jìn)行處理，去除重復(fù)評(píng)論和垃圾評(píng)論，再對(duì)網(wǎng)絡(luò)評(píng)論數(shù)據(jù)集進(jìn)行降噪處理：將重復(fù)兩次或者兩次以上的商品評(píng)論語句全部刪除；剔除評(píng)論字?jǐn)?shù)小于5個(gè)的商品評(píng)論；刪除含有大量特殊字符、表情的商品評(píng)論數(shù)據(jù)。最終，從獲得的數(shù)據(jù)集中選取2000條評(píng)論(每款手機(jī)各400條)。

2.2 實(shí)驗(yàn)算法設(shè)計(jì)

步驟① 運(yùn)用ICTCLA工具對(duì)評(píng)論數(shù)據(jù)進(jìn)行分詞處理和詞性標(biāo)注；

步驟② 創(chuàng)建關(guān)聯(lián)規(guī)則事務(wù)文件，基于關(guān)聯(lián)規(guī)則Apriori算法找出頻繁項(xiàng)集，并對(duì)其進(jìn)行剪枝和修正，形成備選商品特征集合；

步驟③ 由消費(fèi)者給出關(guān)于商品特征的權(quán)重矩陣W；

步驟⑥ 構(gòu)建每條評(píng)論、每個(gè)特征的情感傾向集合；

步驟⑦ 根據(jù)評(píng)論點(diǎn)贊數(shù)，計(jì)算每條評(píng)論的權(quán)重，確定每個(gè)備選手機(jī)的直覺模糊數(shù)；

步驟⑧ 構(gòu)建直覺模糊決策矩陣，運(yùn)用TOPSIS法對(duì)備選手機(jī)進(jìn)行排序。

2.3 實(shí)驗(yàn)結(jié)果及說明

依據(jù)2.2節(jié)中設(shè)計(jì)的實(shí)驗(yàn)算法，確定關(guān)于備選手機(jī)的特征及其對(duì)應(yīng)的情感詞典，如表1 所示。

再由消費(fèi)者根據(jù)提取的特征和自己的喜好來確定商品特征權(quán)重。假設(shè)消費(fèi)者針對(duì)六個(gè)特征(外觀、屏幕、拍照、電池、價(jià)格和系統(tǒng))的權(quán)重分別為W=(0.2，0.1，0.1，0.1，0.3，0.2)T。

計(jì)算可得由備選手機(jī)的直覺模糊數(shù)組成的TOPSIS決策矩陣，如表2所示。

表1 特征情感詞典部分展示

表2 直覺模糊決策矩陣A

根據(jù)TOPSIS算法，將手機(jī)整體直接模糊數(shù)進(jìn)行無量綱處理，結(jié)合特征權(quán)重，計(jì)算加權(quán)規(guī)范矩陣，如表3所示。

所有備選手機(jī)特征的理想點(diǎn)如表4所示。

表3 加權(quán)規(guī)范矩陣C

表4 TOPSIS算法的正、負(fù)理想點(diǎn)

再根據(jù)TOPSIS算法，求得每個(gè)手機(jī)的貼近度Ci，如表5所示。

由表5可得，在消費(fèi)者給定商品特征權(quán)重W=(0.2，0.1，0.1，0.1，0.3，0.2)T的情況下，備選手機(jī)排序?yàn)槿A為P10>IPHONEX>OPPO R11S>vivo X9>美圖T8, 即優(yōu)先價(jià)格、系統(tǒng)性能和外觀，最優(yōu)的選擇是華為P10。本方法建議消費(fèi)者購買華為P10。

表5 商品貼近度

根據(jù)對(duì)華為P10的評(píng)論也可以看出，多數(shù)評(píng)論都注明該手機(jī)系統(tǒng)流暢、性價(jià)比高，符合實(shí)驗(yàn)結(jié)果。而對(duì)于iPhone X的評(píng)價(jià)大多比較苛刻，這可能是因?yàn)閕Phone X的價(jià)格較高，用戶對(duì)其要求更高，導(dǎo)致其排名靠后。

3 結(jié)束語

本文提出了一種關(guān)于商品排序的新的分析方法。該方法解決問題遵循的思路如下：針對(duì)某一類別商品，首先由消費(fèi)者根據(jù)個(gè)人偏好給定備選商品集，通過爬蟲技術(shù)得到備選商品的評(píng)論集合；再通過對(duì)評(píng)論信息進(jìn)行信息挖掘和情感分析，確定備選商品的重要特征集合，構(gòu)建關(guān)于各商品特征的正負(fù)情感詞典，計(jì)算評(píng)論的情感傾向，得到商品直覺模糊數(shù)；最后結(jié)合消費(fèi)者給出的商品特征權(quán)重，使用TOPSIS法確定備選商品的排序，得到最佳選擇，幫助消費(fèi)者做出購買決策。

本文所提出的方法按照商品特征對(duì)在線評(píng)論進(jìn)行提取，可以直觀展示每個(gè)商品特征的得分即排序情況，直接、快速地滿足了消費(fèi)者的需求，并且在消費(fèi)者給出商品特征權(quán)重的基礎(chǔ)上，給出了商品整體的排序結(jié)果。該方法充分考慮了消費(fèi)者的主觀需求和消費(fèi)者對(duì)于各商品特征的不同程度情感(正向、中性、負(fù)向)，利用直覺模糊數(shù)全面反映了消費(fèi)者的不同情感向量，比以往研究更細(xì)，彌補(bǔ)了僅考慮消費(fèi)者極性情感的不足。除此之外，本文還考慮了消費(fèi)者對(duì)于特征的偏好情況，更符號(hào)消費(fèi)者的實(shí)際購買需求。

總的來說，本文結(jié)合直覺模糊理論中的隸屬度、非隸屬度和猶豫度，提供了一種解決商品排序問題的有效思路。本文提出的方法具有可操作性和實(shí)際應(yīng)用價(jià)值，為解決當(dāng)前大數(shù)據(jù)時(shí)代普遍存在的使用在線評(píng)論信息的商品購買決策問題提供了一種新的決策技術(shù)或新途徑。