劉平峰，朱孔真，張 慧

(1.武漢理工大學(xué)經(jīng)濟(jì)學(xué)院，湖北武漢430070;2.武漢理工大學(xué)電子商務(wù)與智能服務(wù)研究中心，湖北武漢430070)

個性化服務(wù)通過收集和分析用戶行為反饋信息學(xué)習(xí)用戶偏好，并根據(jù)用戶偏好向用戶推送高質(zhì)量服務(wù)，達(dá)到培養(yǎng)忠實(shí)用戶和吸引新用戶的目的［1］?？梢?，用戶偏好獲取的準(zhǔn)確性極為關(guān)鍵?，F(xiàn)階段對于用戶服務(wù)偏好挖掘的研究要么基于用戶評價反饋的顯式反饋挖掘［2］，要么基于用戶網(wǎng)絡(luò)行為的隱式反饋挖掘［3］。由于這些方法人為將客戶行為信息和評價反饋信息割裂，其分析結(jié)果具有片面性。為解決該問題，筆者基于層次向量空間的用戶服務(wù)偏好模型，提出基于用戶綜合反饋(包括行為反饋和評價反饋)獲取用戶偏好的方法，對于購物時用戶的網(wǎng)絡(luò)使用行為，采用權(quán)重未知多屬性決策方法中相對便于理解與實(shí)現(xiàn)的逆向加權(quán)法獲取偏好，而對于購物后用戶對商品的評價，采用基于HowNet詞典改進(jìn)的極性分析方法，該方法相對簡單且效果理想，最終聯(lián)立求解得到用戶偏好。這樣基于用戶綜合反饋挖掘出的用戶偏好更加全面，因此對提高個性化服務(wù)質(zhì)量具有重要意義。

1 用戶服務(wù)偏好的表示模型

現(xiàn)有用戶服務(wù)偏好模型主要有:基于向量空間模型的表示［4］、基于正反例集的表示［5］、基于本體的表示［6］、基于樹形化的表示［7］和基于云模型的表示［8］。筆者以網(wǎng)上商品服務(wù)資源為對象，挖掘用戶服務(wù)偏好，由于商品通常采用屬性特征描述［9］，故采用向量空間描述用戶服務(wù)偏好。由于用戶對多類商品有興趣，筆者采用4層樹形結(jié)構(gòu)來表示用戶整體服務(wù)偏好模型(如圖1所示):第一層節(jié)點(diǎn)表示某一用戶;第二層節(jié)點(diǎn)表示該用戶所有感興趣的服務(wù)商品類型，表示為P={P1，P2，…，Pi，…，Pn}，其中 Pi為用戶對第 i類服務(wù)商品的偏好;第三層節(jié)點(diǎn)表示某類服務(wù)商品的屬性，表示為 qi={qi1，qi2，…，qij，…，qim}，其中 qij為用戶對第i類商品的第j個屬性的偏好;第4層節(jié)點(diǎn)表示與商品屬性對應(yīng)的用戶服務(wù)偏好，表示為 qij={vij，wij}，vij和 wij分別為用戶對第 i類商品的第j個屬性的屬性值偏好和權(quán)重偏好(即對該屬性的重視程度)。

圖1 基于層次向量空間的用戶服務(wù)偏好表示模型

2 基于逆向加權(quán)法的用戶行為偏好挖掘

2.1 基于用戶行為獲取商品排名

(1)基本原理:①相比點(diǎn)擊瀏覽的商品，用戶更加偏好放入購物車的商品;②在用戶放入購物車的商品中，用戶偏好最終購買的商品;③對于用戶放入購物車的商品和只點(diǎn)擊的商品，查看時間越長，用戶越偏好該商品。

(2)符號定義:B={b1，b2，…，bm}為 m 個同樣類型的商品集;pt為最近瀏覽的第t個頁面;t(pt)為瀏覽頁面pt所花費(fèi)的時間;B(pt)∈B為頁面 pt所顯示的商品;PT={pt|t=1，2，…，T}為最近瀏覽的T個商品信息頁面的集合;PxT={pt|pt∈PT，B(pt)=x}為瀏覽商品x的全部頁面集合;b(x)為商品x放入在購物車的情況，b(x)=1為在;b(x)=0為不在;buy(x)為商品x購買情況，buy(x)=1為用戶購買了商品x;buy(x)=0為沒有購買商品。

(3)獲取步驟:①在網(wǎng)絡(luò)使用行為數(shù)據(jù)庫中搜集近期瀏覽的商品，生成近期瀏覽商品集合ST。ST={B(pt)|t=1，2，…，T} 為用戶近期的T次瀏覽網(wǎng)頁中，頁面信息所顯示的商品的集合。②查看ST中每個商品x的buy(x)和b(x)值，若buy(x)=1，將該商品放入集合Sb;若buy(x)=0，b(x)=1，將該商品放入集合Sc;如果buy(x)=0，b(x)=0，將該商品放入集合 St。③ 生成有序購物車商品集合。分別計算集合Sb和集合Sc中用戶對每個商品的瀏覽總時間;按t(x)從大到小分別對集合Sb和Sc中的元素排序;將集合Sc中的元素依次添加到集合Sb中，得到新的集合。④生成有序?yàn)g覽商品集合。計算集合St中用戶對每個商品的瀏覽總時間;按t(x)從大到小分別對集合St中的元素排序得到新的集合S't。⑤將集合S't中的元素依次添加到集合S'c中，得到新的有序集合Sz，該集合即為商品排名集合，將排名第一的商品屬性值作為用戶對商品屬性值的偏好。

2.2 基于逆向加權(quán)法的偏好挖掘

從用戶網(wǎng)絡(luò)使用行為中得到商品集合的m個商品的有序集合，設(shè)該類商品有n個屬性。借鑒文獻(xiàn)［10］中用戶偏好分析的方法，將其轉(zhuǎn)變?yōu)榫€性規(guī)劃問題求解權(quán)重。

3 基于極性分析的用戶評價反饋偏好挖掘

用戶評價反饋包括評分反饋和文本評論反饋，可從評分反饋看出用戶對所評價服務(wù)的總體觀點(diǎn)，由于每個購物網(wǎng)站對商品評分的范圍設(shè)置不同，筆者統(tǒng)一把商品評分規(guī)范化至區(qū)間［－1，1］，表示用戶總體觀點(diǎn)的極性值。同時，從文本評論獲取特征屬性詞和屬性觀點(diǎn)詞，對屬性觀點(diǎn)詞進(jìn)行極性分析(具體極性分析方法參見文獻(xiàn)［11］)，屬性觀點(diǎn)詞極性值與屬性權(quán)重的乘積累加，得到用戶對商品的總體觀點(diǎn)，即為:

式中:f為用戶評分;O(ai)為屬性i對應(yīng)的觀點(diǎn)詞ai的極性值?？梢?，此處對商品評論的偏好分析得出的商品偏好是基于屬性權(quán)重的線性約束，通過與上述線性規(guī)劃問題聯(lián)立求解，即可得到基于用戶綜合反饋的服務(wù)偏好。

4 算例

4.1 數(shù)據(jù)準(zhǔn)備

某購物網(wǎng)站有10種計算機(jī)出售，分別為b1，b2，…，b10，主要考慮其6個屬性:速度、內(nèi)存、硬盤、價格、顯卡和穩(wěn)定性，可從網(wǎng)上獲取計算機(jī)產(chǎn)品的屬性值，如表1所示。

表1 計算機(jī)產(chǎn)品的屬性值

從該購物網(wǎng)站的網(wǎng)絡(luò)日志獲取某一用戶使用購物網(wǎng)站的行為，包括用戶點(diǎn)擊瀏覽產(chǎn)品的行為，將計算機(jī)產(chǎn)品放入購物車的行為以及購買行為，表2為該用戶的網(wǎng)絡(luò)使用行為。

表2 用戶瀏覽商品時對網(wǎng)頁的使用行為

該用戶購買產(chǎn)品后，對商品的評論是“速度不錯，穩(wěn)定性也挺好的，價格很劃算”，評分為0.5分。

4.2 基于用戶行為的偏好挖掘

4.2.1 獲取商品排名

依照表2可以看出用戶在瀏覽該購物網(wǎng)站時頁面信息點(diǎn)擊了6次，這6次頁面信息包含4個商品，分別為 b7，b5，b9，b6，其中商品 b5的頁面信息被瀏覽了3次。用戶將商品b7放入購物車中，最后購買了商品b7。依據(jù)上述方法得到商品排序?yàn)閎7＞ b5＞ b9＞ b6。

4.2.2 屬性權(quán)重分析

獲取了商品排名之后，列出這4個候選商品的6個屬性值。使用文獻(xiàn)［10］中的方法，將屬性值信息化和標(biāo)準(zhǔn)化之后，構(gòu)建支持矩陣并得到如下規(guī)劃問題，確定屬性的權(quán)重

該模型求解結(jié)果如表3所示。

表3 各屬性的權(quán)重

將得到的偏好信息輸入基于層次空間向量的用戶服務(wù)偏好模型中，得到用戶偏好如圖2所示。

圖2 基于行為挖掘的用戶服務(wù)偏好模型

4.3 基于用戶評價的偏好挖掘

利用中國科學(xué)院計算技術(shù)研究所研制的漢語語法分析系統(tǒng)ICTCLAS對用戶文本評論內(nèi)容進(jìn)行分詞和詞性標(biāo)注處理。得到“速度/n不錯/a，/w穩(wěn)定性/n也/d挺/d好/a的/u，/w價格/n很/d劃算/a”。將屬性詞與觀點(diǎn)詞結(jié)合提取情感評價單元，得到＜CPU速度，不錯＞ ＜價格，劃算＞＜穩(wěn)定性，好＞。

根據(jù)文獻(xiàn)［11］中提出的基于極性相似度度量的極性分析方法，來計算觀點(diǎn)詞“不錯”“劃算”以及“好”的極性分別為 0.8，0.6，1.0(精確到小數(shù)點(diǎn)后一位)。由于用戶對商品的評分為0.5，由式(1)可得:

4.4 用戶服務(wù)偏好的獲取

將式(2)與式(3)聯(lián)立求解，則有:

該模型求解結(jié)果如表4所示。

表4 各屬性的權(quán)重

將得到的偏好信息輸入基于層次空間向量的用戶服務(wù)偏好模型中，得到用戶偏好如圖3所示。

圖3 基于綜合反饋的用戶服務(wù)偏好模型

5 結(jié)論

筆者對基于綜合反饋的用戶服務(wù)偏好挖掘進(jìn)行了研究?；趯哟蜗蛄靠臻g的用戶服務(wù)偏好表示模型，結(jié)合基于逆向加權(quán)法的用戶行為偏好挖掘方法和基于極性分析的用戶評價反饋偏好挖掘方法，提出了基于用戶綜合反饋信息獲取用戶服務(wù)偏好的方法，并以實(shí)例進(jìn)行驗(yàn)證。筆者的研究沒有考慮用戶偏好連續(xù)更新的問題，在后一步研究中將引入遺忘因子對用戶偏好進(jìn)行調(diào)節(jié)，并從用戶評價反饋中細(xì)化對屬性值偏好的獲取。

［1］李春，朱珍民，葉劍.個性化服務(wù)研究綜述［J］.計算機(jī)應(yīng)用研究，2009，26(11):4001 －4005.

［2］辛菊琴，蔣艷，舒少龍.綜合用戶偏好模型和BP神經(jīng)網(wǎng)絡(luò)的個性化推薦［J］.計算機(jī)工程與應(yīng)用，2013，49(2):57 －60.

［3］徐新衛(wèi)，周良，徐曉明.Web主動服務(wù)中基于混合挖掘的用戶意圖辨識［J］.吉林大學(xué)學(xué)報，2007，37(2):419－423.

［4］MICHLMAYR E，CAYZER S.Learnling user profiles from tagging dataand and leveraging them for personal(ized)infonnation aeeess［C］∥Workshop on Tagging and Metadata for Social Information Organization.［S.l.］:［s.n.］，2007:163 －165.

［5］GARZON MC.Model－ based personalization within an adaptable human－machine interface environment that is capable of learning from user interactions［C］∥Advances in Computer－ Human Interactions.［S.l.］:［s.n.］，2010:97 －99.

［6］馮石麟，鄧偉.基于語義的Web信息檢索系統(tǒng)的研究［J］.計算機(jī)應(yīng)用與軟件，2008，25(5):142 －144.

［7］李武智，張斌.基于服務(wù)上下文的Web服務(wù)發(fā)現(xiàn)機(jī)制［J］.計算機(jī)工程與設(shè)計，2012，33(7):2580 －2583.

［8］劉歷波.汽車售后服務(wù)推薦模型中基于云模型的用戶偏好表示［J］.現(xiàn)代商貿(mào)工業(yè)，2010，12(3):30 －33.

［9］胡新明.基于商品屬性的電子商務(wù)推薦系統(tǒng)研究［D］.武漢:華中科技大學(xué)圖書館，2012.

［10］楊娜娜.基于商品排序的用戶偏好分析方法研究［D］.大連:大連理工大學(xué)圖書館，2012.

［11］翟永勇.中文意見挖掘的特征提取與極性分析研究［D］.合肥:合肥工業(yè)大學(xué)圖書館，2011.