結構方程模型與人工神經網絡結合的用戶感知建模方法

顏 波， 褚學寧, 張 磊

(上海交通大學 機械與動力工程學院， 上海 200240)

用戶感知是用戶使用產品過程中產生的特有體驗，用戶通常會用舒適、喜歡、滿意等意象形容詞來描述對產品使用的感受和體會[1].如果設計師能夠對用戶感知的影響因素及其相互關系有深入的理解，將有助于設計出更符合用戶需求和體驗更好的產品.用戶感知屬于心理學范疇，難以準確直接測量，但可以通過多個測量指標間接量化研究[1].過去有關用戶感知方面的研究主要是應用Logistic和Probit等回歸分析方法[2-3]，關聯規則分析和聚類分析等數據挖掘方法[4-5]，以及支持向量機和人工神經網絡(ANN)等網絡建模方法[6-7]來建立單一用戶感知與測量指標之間的影響關系模型.但是，這些方法無法描述用戶多個感知之間的因果關系和影響路徑.

結構方程模型(SEM)能同時處理多個因變量，容許自變量和因變量都含有測量誤差，特別適合社會學、心理學研究中涉及到的不能準確、直接測量的多個變量之間影響關系的分析問題，因此利用SEM不僅可以獲得用戶感知的主要測量指標，而且可以獲得用戶多個感知之間的因果關系和影響路徑.孫逸文等[8]以手機為案例研究了功能疲勞對用戶資產的影響，利用SEM建立了用戶期望、感知、功能疲勞、滿意度和購買意愿之間因果關系的路徑模型.Xiong等[9]利用SEM探討了項目參與者的表現如何影響承包商的項目滿意度，建立了用戶的目標明確性、施工風險管理以及相互尊重和信任等對滿意度影響的路徑模型.Ghosh等[10]運用SEM將用戶多個感知及其相互關系映射到網絡中形成因果模型，以休閑鞋用戶感知建模為例進行了驗證.雖然SEM方法在許多領域得到了廣泛應用，但其變量之間線性關系的假設也制約了其應用的深度.用戶感知是一種主觀感受和心理狀態的變化過程[1]，國內外研究表明，產品質量特性和用戶滿意度之間存在著非線性關系[11-12].近些年一些學者在SEM中加入變量的二次項和交互項來表達變量之間的非線性[13-14]，但模型過于復雜，參數估計困難、計算量大、穩定性差，實際中難以應用.

人工神經網絡模型不僅可以表達變量之間的非線性關系，而且具有自學習能力，能夠自動調節網絡節點間的連接權重來擬合變量間的關系，但其拓撲結構主要是根據經驗來確定，并且神經元之間往往采用全連接，模型對輸入輸出變量及神經元之間的影響路徑和影響程度缺乏解釋.如果將ANN與SEM相結合，用SEM確定用戶感知之間的因果關系，并轉換為ANN模型的拓撲結構，再利用ANN模型的非線性映射能力和自學習能力來擬合多個感知之間的因果關系，既解決了SEM的線性和參數難以估計問題，也使得ANN模型拓撲結構的建立變得有據可依.為此，本文提出了一種SEM與ANN相結合的用戶感知建模方法.SEM-ANN模型是一種結構化的神經網絡模型，不僅能夠解釋各個網絡節點之間的因果關系和影響程度，而且利用神經網絡的非線性擬合能力提高了用戶感知模型的擬合優度，能更加準確定量地表達用戶感知之間的相互關系和影響用戶感知的因素.

圖1 SEM和ANN結合的用戶感知建模過程Fig.1 The process of user perception modeling based on SEM and ANN

1 用戶感知模型

圖1所示為SEM和ANN結合的用戶感知建模過程.圖中：包括基于SEM的用戶感知建模和基于SEM-ANN的用戶感知建模2個階段：

(1) 首先，根據過去對用戶感知的研究以及工程師和設計師的經驗，提出用戶感知模型的假設，包括用戶多個感知之間的相互關系以及每個用戶感知的測量指標；然后，根據用戶感知的測量指標設計調查問卷，如通過多個問卷項量化用戶對舒適性的感知，收集處理問卷信息；最后，使用SEM作為參數估計和假設檢驗技術，得到用戶多個感知之間的影響路徑以及影響每個用戶感知的主要測量指標.

(2) 首先，根據影響用戶感知的主要測量指標和影響路徑構建ANN模型的拓撲結構，建立結構化的人工神經網絡模型；然后，采用BP(Back Propagation)算法訓練模型中各網絡節點間的連接權重，實現了用戶感知建模；最后，利用方均根誤差(RMSE)和判定系數(R2)評價模型的性能.

2 基于SEM的用戶感知模型

本文首先根據SEM得到影響用戶感知的主要因素和用戶感知之間的相互關系.以智能手機為例，根據技術接受模型(TAM)[15]以及工程師和設計師的經驗提出用戶感知模型的假設，如圖2所示.該模型因具體產品和使用場景的不同而不同.外源潛在變量和內生潛在變量代表關于用戶感知的心理結構，潛在變量一般不能直接測量得到，需要通過一個或多個測量變量間接量化.

圖2 智能手機用戶感知模型的假設Fig.2 The hypothetical of smartphone user perception model

SEM由測量模型和結構模型2部分組成，利用SEM能夠將測量指標與用戶感知以及用戶感知之間的相互關系聯系起來.測量模型描述是用戶感知和測量指標之間的關系，利用驗證性因子分析(CFA)可以檢驗用戶感知和各測量指標關系的密切程度，通過對因子載荷大小的考量和顯著性檢驗可以為測量指標的刪除提供依據，減輕結構模型建模階段的工作量.結構模型顯示了用戶多個感知之間的因果關系，在產品設計中，用戶感知可以在用戶需求中形成，或者代表設計師感興趣的用戶心理結構，用戶感知之間的關系通常由設計師定義，需要不斷迭代修改，對提出的多個模型進行測試直到收斂到一個最佳模型為止.因此在SEM-ANN模型中，利用SEM來檢驗設計師提出的關于用戶感知之間相互關系的假設，得到影響用戶的感知的主要測量指標和影響路徑，以此作為構建人工神經網絡模型拓撲結構的依據.

3 基于SEM-ANN的用戶感知模型

目前人工神經網絡模型的拓撲結構主要是根據經驗來確定，并且神經元之間往往采用全連接，這種模型對輸入輸出變量之間的影響路徑和影響程度缺乏解釋.本文將SEM結構作為神經網絡拓撲結構的設計依據，其中，根據SEM中潛在變量的個數及相互關系確定隱含層神經元的個數及隱含層層數；測量變量和潛在變量的關系以及潛在變量之間的影響路徑則對應神經元之間的連接方式.因此，這種結構化的神經網絡模型能夠解釋輸入輸出變量及神經元之間的影響路徑和影響程度.

3.1 SEM-ANN用戶感知模型的拓撲結構

SEM-ANN模型神經網絡的拓撲結構由SEM因果分析的結果確定，如圖3所示.與傳統的ANN模型不同，通過SEM-ANN模型可以清楚地分析輸入變量對輸出變量的影響路徑和影響程度.輸入節點的個數由外源測量變量的個數確定，假定存在I個外源測量變量，用xi表示外源測量變量的輸入(i=1，2，…，I).隱含層層數和隱含層神經元個數由外源潛在變量和內生潛在變量的個數確定，假定存在B個外源潛在變量和N個內生潛在變量，分別用ξb(b=1，2，…，B)和ηn(n=1，2，…，N)表示.輸出神經元的個數由內生測量變量的個數確定，假定存在O個內生測量變量，用yo表示內生測量變量的輸出(o=1，2，…，O).網絡之間的連接方式根據測量變量與潛在變量以及潛在變量之間的相互作用關系連接而成，各網絡節點之間的連接權重與SEM中的因子載荷和路徑系數相對應，根據神經網絡模型的拓撲結構確定輸入層網絡節點和隱含層神經元節點之間的連接權重為B×I維向量，定義為Win；隱含層神經元節點之間的連接權重為N×(B+N)維向量，定義為Whidden；隱含層神經元節點與輸出層神經元節點之間的連接權重為O×N維向量，定義為Wout.神經網絡中每個神經元都包含一個非線性的激活函數，本文設定所有神經元的激活函數均為Sigmoid函數.

圖3 基于SEM的人工神經網絡模型Fig.3 The artificial neural network model based on SEM

3.2 SEM-ANN用戶感知模型訓練

假定輸入的樣本X=[X1X2…Xp]，每一個樣本所對應的輸入為外源測量變量的取值Xp=[xp1xp2…xpI](p=1，2，…，P)，期望輸出為內生測量變量的實際取值Dp=[dp1dp2…dpo].對輸入和期望輸出向量進行標準化處理，對Win、Whidden和Wout進行權重初始化后，利用BP算法訓練模型中各網絡節點間的連接權重.BP算法分2個階段執行：

(1) 正向傳遞階段.輸入信息從輸入層經隱含層逐層計算各網絡節點的輸出值，最終得到模型的輸出為Yp=[yp1yp2…ypo].

(2) 反向傳播階段.根據模型輸出與期望輸出計算總的輸出誤差，輸出誤差逐層向前傳播算出各隱含層神經元的誤差，運用Delta學習規則不斷調節網絡的連接權重，從而實現網絡誤差的最小化.

3.3 SEM-ANN用戶感知模型評價

為了定量地說明SEM-ANN用戶感知模型的有效性，隨機選擇原始樣本的80%作為訓練數據，20%作為測試數據，使用訓練數據訓練得到模型中各網絡節點之間的連接權重，然后利用測試數據評價模型的性能.本文選用2種性能評價指標，方均根誤差RMSE和判定系數R2，RMSE越接近于0表示模型的預測精度越高，R2越趨近于1表示模型的擬合程度越好，計算公式分別為

(1)

(2)

(3)

4 案例研究

4.1 實驗方案和數據收集

智能手機發展迅速，作為最具代表性的人機交互式產品，更加重視用戶的使用體驗和感受，因此本文采用手機作為案例研究對象來證明所提出方法的有效性.在本案例研究中，所考慮的用戶感知包括設計和品牌吸引力、用戶對流暢性的感知、對續航的感知、對功能的感知、用戶使用體驗以及滿意度，用戶感知之間的假設關系已經在第2節中給出.該研究中問卷調查使用問卷星平臺(https://www.wjx.cn/jq/15616784.aspx)完成，每個用戶感知測量指標的問卷選項采用Likert 7級量表的形式，選項 1～7分別代表非常不同意～非常同意，選項題目設置力求言簡意賅、語義清晰、內容完備.為了獲取實驗用戶，主要在校園內發放問卷，同時也在微信、QQ等社交網絡上發布問卷以獲取校園之外更多的用戶，最終共收集到了182份問卷，有效問卷168份.本文中SEM的計算使用SPSS-Amos21軟件完成，SEM-ANN模型的訓練使用Python3.6語言編寫完成.

4.2 基于SEM的用戶感知模型分析

4.2.1用戶感知的測量模型分析 SEM檢驗的前提是輸入數據服從正態分布，將不滿足條件的調查問卷數據使用Box-Cox變換技術轉化為正態分布后，建立測量模型對用戶感知的影響因素進行CFA檢驗.從模型中剔除因子載荷較小且沒有通過顯著性檢驗的測量指標，再次對模型進行CFA檢驗，當所有測量指標都是顯著的且因子載荷大致良好時進行結構模型分析.

4.2.2用戶感知的結構模型分析 利用測量模型分析了測量指標與用戶感知的關系后，緊接著利用結構模型分析用戶感知之間的相互關系.基于SEM的用戶感知模型最終的擬合結果如圖4所示.圖中：i1～i22為相應用戶感知的具體測量指標，設計和品牌吸引力的測量指標i4因未通過測量模型分析而被剔除；e1～e22為測量模型的誤差項；e01～e02為結構模型的殘差項.

本文首先根據模型可以得到臨界比(CR)值，然后算出CR值所對應的顯著性概率P值.如果P<0.05，則表示影響關系是顯著的.用戶感知之間標準化的路徑系數值如表1所示.常用的模型擬合指數擬合值如表2所示.

圖4 基于SEM的用戶感知模型的擬合結果Fig.4 The fitting results of user perception model based on SEM

表1 用戶感知之間標準化的路徑系數值
Tab.1 The standardized path coefficients between user perceptions

影響路徑參數估計值CRP用戶使用體驗←用戶對流暢性的感知0.5145.281<0.001用戶使用體驗←用戶對續航的感知0.3903.805<0.001用戶使用體驗←用戶對功能的感知0.2242.557 0.011用戶滿意度 ←用戶使用體驗0.6528.105<0.001用戶滿意度 ←設計和品牌吸引力0.5035.631<0.001

表2 基于SEM的用戶感知模型的擬合指數Tab.2 The fit index of user perception model based on SEM

由表1和2可知，首先用戶感知之間的關系都是顯著的，然后檢驗模型的整體擬合指數、絕對擬合指數和λ2/df=1.090<2，并且接近于1，說明樣本協方差矩陣和估計的協方差矩陣相似程度很大，RMSEA=0.023<0.05，GFI=0.901>0.9，符合標準；相對擬合指數IFI=0.986>0.9，CFI=0.986>0.9，符合標準；簡約擬合指數PNFI=0.750>0.5，PGFI=0.718>0.5，符合標準，說明文章設定的模型較簡約并具有較好的擬合度.綜上，表明模型的擬合效果較好，通過SEM確定了用戶多個感知之間的影響路徑以及影響每個用戶感知的主要因素.

4.3 SEM-ANN用戶感知模型分析

根據4.2節分析的結果確定神經網絡模型的拓撲結構，建立結構化的神經網絡模型，如圖5所示.

利用Python編寫BP神經網絡訓練模型參數，其中134條樣本作為訓練數據，34條樣本作為測試數據，對輸入和輸出數據進行標準化處理后進行模型訓練，學習率設置為 0.1，學習次數設置為 2 000 次，當達到學習次數時結束網絡訓練.利用訓練好的模型對測試數據進行測試，計算模型輸出的方均根誤差RMSE和判定系數R2，結果如表3所示.

圖5 基于SEM-ANN的用戶感知模型Fig.5 The user perception model based on SEM-ANN

表3 SEM-ANN用戶感知模型的評價結果

Tab.3 The evaluation results of user perception model based on SEM-ANN

測量指標用戶使用體驗i16i17i18i19用戶滿意度i20i21i22RMSE0.0740.1100.0690.0520.0610.1780.044R20.6420.6970.7250.6860.7730.6550.749

由表3可得，測試數據中各個測量指標的RMSE均較小，都在 0.1 左右，最大誤差也都小于 0.2，說明在迭代學習了 2 000 次之后，模型取得了較好的收斂效果，同時各個測量指標的R2都大于 0.5，說明模型的擬合效果較好.

4.4 結果分析與討論

4.4.1用戶感知模型的擬合優度分析 判定系數R2表示內生潛在變量對內生測量變量的解釋程度，R2越趨近于1表示模型的擬合程度越好，比較SEM和ANN-SEM模型用戶使用體驗和滿意度測量指標的R2值，結果如表4所示.

表4 用戶使用體驗和滿意度測量指標的R2值

Tab.4 TheR2of measurements for user experience and satisfaction

用戶感知模型用戶使用體驗i16i17i18i19用戶滿意度i20i21i22SEM0.5970.6220.6540.6450.7410.6060.697SEM-ANN0.6420.6970.7250.6860.7730.6550.749

由表4可得，本文提出的SEM-ANN模型的擬合優度明顯優于SEM，將SEM引入ANN后，不僅提高了ANN模型的可解釋性，而且利用ANN強大的非線性擬合能力使得模型的擬合優度有所提高.

4.4.2用戶感知之間的影響程度分析 用戶感知之間的效應值反映了各用戶感知之間相互影響的程度，路徑系數以及神經元之間連接權重歸一化后的結果如表5所示.

表5 SEM和SEM-ANN模型用戶感知之間的效應值

Tab.5 The effect values between user perceptions based on SEM and SEM-ANN model

影響路徑SEMSEM-ANN用戶對流暢性的感知→用戶使用體驗0.4560.670用戶對續航的感知→用戶使用體驗0.3460.134用戶對功能的感知→用戶使用體驗0.1980.196用戶使用體驗→用戶滿意度0.5650.513設計和品牌吸引力→用戶滿意度0.4350.487

對比表5中SEM和SEM-ANN模型分析的結果，兩者在影響程度的大小和排序上都存在一定差異.例如，在SEM中影響用戶使用體驗的因素從大到小依次是手機流暢性、續航能力和功能，而SEM-ANN模型的排序卻是手機流暢性、功能和續航能力，并且流暢性對使用體驗的重要程度要遠遠高于其他2個因素.分析用戶的實際使用情況，手機流暢性的測量指標主要包括對ROM(Read Only Memory)、RAM(Random Access Memory)以及CPU(Central Processing Unit)的評價，根據Kano模型可以將用戶的需求分為基本需求、期望需求和興奮需求.基本需求是產品必須具有的功能或服務，目前手機需要存儲的文件和安裝的應用程序越來越多，并且用戶經常會同時打開多個應用程序，因此ROM、RAM以及CPU的性能必須要能保證手機正常運行，否則將嚴重影響用戶使用體驗，屬于基本需求的范疇.當滿足用戶的基本需求后，隨著CPU等性能的提高用戶的滿意度會逐漸上升，進入期望需求階段.但當CPU等性能提高到一定程度時，若產品不能提供其他意想不到的特性，僅依靠CPU等性能的提高，對使用體驗的改善程度會逐漸降低，這時就需要通過改善手機的續航能力和增加新的功能來提高用戶使用體驗，滿足用戶的興奮需求.因此，用戶感知之間呈現出明顯的非線性關系，這是使用SEM難以解釋的.同時SEM-ANN模型分析的結果與目前手機市場的發展趨勢相符，手機流暢性和功能是各大手機廠商努力做出產品差異化的主要方向.例如，基于Android系統華為開發了EMUI系統、小米開發了MIUI系統等，華為與徠卡合作推出后置雙攝像頭手機、蘋果在最新一代iPhone中推出人臉解鎖功能等，這些措施都是為了增強手機的流暢性和功能以給用戶帶來更好的使用體驗.由此說明，利用SEM-ANN模型分析用戶感知之間的影響關系更合理，因為其能更好地擬合變量之間的非線性關系，使得分析結果與實際情況更相符.

4.4.3用戶感知的影響因素分析 測量指標在用戶感知中的相對重要度反映了測量指標對相應用戶感知的影響程度，表明了SEM和SEM-ANN模型在解釋用戶感知與其測量指標之間關系的能力，因子載荷以及網絡節點之間連接權重歸一化后的結果如表6所示.

對比表6中SEM和SEM-ANN模型分析的結果，總體來看，兩者在相對重要度的大小和排序上部分結果一致，但是也存在一定差異.例如，對于用戶對流暢性的感知，SEM中4個測量指標的重要度差不多，但SEM-ANN模型中i7的重要度明顯低于i5、i6和i8的重要度.因此，對于非參數化的ANN研究方法，結果并不一定會偏離理論，通過將SEM引入到ANN后，不僅提高了ANN模型中網絡連接權值的可解釋性，而且利用ANN模型的非線性擬合能力彌補了SEM方法的不足，使得分析的結果更接近實際情況.

表6 測量指標在用戶感知中的相對重要度

Tab.6 The relative importance of measurements for user perception

潛在變量測量指標SEMSEM-ANN設計和品牌吸引力i10.3370.128i20.2990.345i30.3640.527用戶對流暢性的感知i50.2660.260i60.2370.319i70.2520.123i80.2450.298用戶對續航的感知i90.2310.431i100.2300.177i110.2500.070i120.2890.322用戶對功能的感知i130.301 0.104 i140.350 0.742 i150.349 0.154 用戶使用體驗i160.2430.236i170.2490.194i180.2550.315i190.2530.255用戶滿意度i200.348 0.358 i210.315 0.336 i220.337 0.306

5 結語

用戶感知在產品設計過程起著重要作用，本文針對現有研究方法難以描述用戶多個感知之間的非線性關系和影響路徑，導致用戶感知建模不夠真實準確的問題，提出了一種結構方程模型與人工神經網絡相結合的用戶感知建模方法，并通過一個智能手機用戶感知建模的案例證明了所提出方法的有效性.本文的主要創新點如下：

(1) SEM-ANN模型的神經網絡拓撲結構是建立在SEM因果關系分析的理論基礎之上的，因此是一種結構化的神經網絡模型，能夠解釋各個網絡節點之間的相互關系及影響程度，提高了神經網絡模型的可解釋性.

(2) 將人工神經網絡引入到結構方程模型中，能夠表現用戶多個感知之間以及用戶感知與影響因素之間的非線性關系.利用神經網絡強大的非線性擬合能力提高了模型的擬合優度，可以幫助設計師更加準確地理解用戶感知之間的因果關系和影響用戶感知的因素.

本文中，用戶感知測量指標的評價是通過調查問卷完成的.隨著物聯網的普及和傳感器在產品中的廣泛應用，某些用戶感知測量指標數據的獲取可以通過傳感器采集用戶-產品交互數據來實現，從而使用戶感知模型更加準確、客觀.這是下一步研究的方向之一.