（揚(yáng)州大學(xué) 信息工程學(xué)院，江蘇 揚(yáng)州 225127）

基于BP神經(jīng)網(wǎng)絡(luò)的用戶評(píng)論意愿預(yù)測(cè)研究

李丹丹，李亞琴，朱雨晴

（揚(yáng)州大學(xué) 信息工程學(xué)院，江蘇 揚(yáng)州 225127）

本文基于BP神經(jīng)網(wǎng)絡(luò)建模、預(yù)測(cè)電商平臺(tái)用戶評(píng)論意愿，測(cè)試結(jié)果表明BP網(wǎng)絡(luò)可以很好地用于用戶評(píng)論意愿建模和預(yù)測(cè)。

BP神經(jīng)網(wǎng)絡(luò)；用戶評(píng)論；意愿；預(yù)測(cè)

一、引言

隨著web2.0技術(shù)的廣泛應(yīng)用，用戶生成內(nèi)容的網(wǎng)絡(luò)社區(qū)得到了前所未有的快速發(fā)展，但同時(shí)我們注意到在電商平臺(tái)的用戶往往在購(gòu)物前樂意參考其他用戶分享的消費(fèi)體驗(yàn)，而不愿意主動(dòng)貢獻(xiàn)自己的購(gòu)物經(jīng)驗(yàn)。對(duì)于電商企業(yè)和電商平臺(tái)而言，如何有效識(shí)別用戶分享購(gòu)物體驗(yàn)或消費(fèi)評(píng)論背后的動(dòng)因，具有非常重要的理論和實(shí)踐意義?；诖耍狙芯吭噲D運(yùn)用神經(jīng)網(wǎng)絡(luò)的方法識(shí)別預(yù)測(cè)用戶評(píng)論意愿。

二、應(yīng)用BP神經(jīng)網(wǎng)絡(luò)識(shí)別用戶評(píng)論動(dòng)因及預(yù)測(cè)建模

神經(jīng)網(wǎng)絡(luò)模型是一種基于機(jī)器學(xué)習(xí)的非參數(shù)回歸方法，可以較好地處理非線性問題，具有適用面廣，抗噪能力強(qiáng)的特點(diǎn)，無需假定變量的分布，適合解決無先驗(yàn)分布假定條件下的預(yù)測(cè)問題。現(xiàn)有研究表明，影響電商平臺(tái)用戶在線消費(fèi)評(píng)論意愿的因素眾多（如電商平臺(tái)技術(shù)因素、用戶心理因素、社會(huì)因素、跨文化因素等），運(yùn)用傳統(tǒng)的統(tǒng)計(jì)回歸分析方法往往很難達(dá)到預(yù)期的分析目的，而BP神經(jīng)網(wǎng)絡(luò)模型的自身特征和較強(qiáng)的學(xué)習(xí)功能，通過對(duì)歷史數(shù)據(jù)樣本的學(xué)習(xí)，掌握預(yù)測(cè)對(duì)象與影響因素之間的函數(shù)映射關(guān)系，能夠較好地達(dá)到評(píng)估預(yù)測(cè)電商平臺(tái)用戶在線消費(fèi)評(píng)論意愿傾向的研究目的，同時(shí)還可用于分析不同影響因素的重要性程度。本文將集中運(yùn)用神經(jīng)網(wǎng)絡(luò)強(qiáng)有力的學(xué)習(xí)和聯(lián)想泛化能力，在電商平臺(tái)用戶在線消費(fèi)評(píng)論系統(tǒng)中運(yùn)用BP神經(jīng)網(wǎng)絡(luò)來建模，以甄別不同用戶評(píng)論意愿。

1、數(shù)據(jù)預(yù)處理

本文根據(jù)現(xiàn)有相關(guān)研究結(jié)果，以九個(gè)影響因素：感知有用性（PU）、感知易用性（PEOU）、互惠（RE）、聲譽(yù)（REP）、社交（SI）、樂于助人（EH）、感知樂趣（FE）、經(jīng)濟(jì)報(bào)酬（ER）和評(píng)論成本（RC）作為自變量，評(píng)論意愿（INT）為因變量，樣本采用用戶評(píng)論意愿問卷調(diào)查取得的中美兩國(guó)用戶數(shù)據(jù)。在對(duì)所有變量相應(yīng)測(cè)度項(xiàng)的值取平均后，對(duì)數(shù)據(jù)進(jìn)行歸一化（標(biāo)準(zhǔn)化）處理。處理的目的是將輸入輸出數(shù)據(jù)限制在[0，1]區(qū)間內(nèi)。常用的變換式為：

式（2-1）中，Xi表示輸入或輸出數(shù)據(jù)，Xmin表示輸入（出）數(shù)據(jù)的最小值，Xmax表示輸入（出）數(shù)據(jù)的最大值。

本文為便于評(píng)估電商平臺(tái)用戶在線消費(fèi)評(píng)論意愿，對(duì)評(píng)論意愿因變量測(cè)度項(xiàng)值取平均后的數(shù)值，重新進(jìn)行了分類和編碼。將用戶評(píng)論意愿分為兩類：愿意和不愿意，凡均值小于4的表示不愿意（重新用編碼“0”表示），凡均值大于等于4的表示愿意（重新用編碼“1”表示），數(shù)據(jù)處理后的評(píng)論意愿因變量用符號(hào)BPint表示。

2、網(wǎng)絡(luò)參數(shù)設(shè)置

（1）網(wǎng)絡(luò)結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)往往由網(wǎng)絡(luò)結(jié)構(gòu)（神經(jīng)元間的連接）、激活函數(shù)和學(xué)習(xí)規(guī)則決定。本研究以九個(gè)影響因素（自變量）為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元節(jié)點(diǎn)，用戶評(píng)論意愿（INT）為因變量即目標(biāo)輸出層，輸出層節(jié)點(diǎn)數(shù)為2（本文將評(píng)論意愿與否，設(shè)為二值分布），建立用戶在線消費(fèi)評(píng)論意愿神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。網(wǎng)絡(luò)結(jié)構(gòu)往往較難確定，其中輸入層和輸出層節(jié)點(diǎn)數(shù)根據(jù)影響因素和研究目的確定即可，而隱含層節(jié)點(diǎn)數(shù)的確定則相對(duì)較困難，因?yàn)殡[含層神經(jīng)元節(jié)點(diǎn)數(shù)過多可能出現(xiàn)網(wǎng)絡(luò)過度擬合現(xiàn)象，如果神經(jīng)元節(jié)點(diǎn)數(shù)過少的話，則可能出現(xiàn)網(wǎng)絡(luò)無法達(dá)到學(xué)習(xí)收斂性與函數(shù)逼近精度的要求。目前隱含層節(jié)點(diǎn)數(shù)確定常采用試湊法，即從較少的隱含層節(jié)點(diǎn)數(shù)開始，然后逐漸增加節(jié)點(diǎn)數(shù)訓(xùn)練網(wǎng)絡(luò)，從中選擇網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的神經(jīng)元節(jié)點(diǎn)數(shù)。在試湊時(shí)也可以借助于一些經(jīng)驗(yàn)公式來粗略估計(jì)節(jié)點(diǎn)數(shù)，常用的幾種估算隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式有：

上式(2-2)、(2-3)和(2-4)中，m為隱含層神經(jīng)元節(jié)點(diǎn)數(shù)，n為輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，L為輸出層神經(jīng)元節(jié)點(diǎn)數(shù)，a為1～10間的常數(shù)。對(duì)隱含層數(shù)的確定，通常先考慮設(shè)一個(gè)隱含層，當(dāng)一個(gè)隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)很多仍不能改善網(wǎng)絡(luò)性能時(shí)，才考慮再增加隱含層數(shù)量。本文經(jīng)過多次試驗(yàn)，發(fā)現(xiàn)當(dāng)一個(gè)隱含層且其神經(jīng)元節(jié)點(diǎn)數(shù)為7時(shí)，網(wǎng)絡(luò)具有很好的學(xué)習(xí)收斂效果，并且誤差最小。

根據(jù)現(xiàn)有文獻(xiàn)對(duì)電商平臺(tái)用戶在線消費(fèi)評(píng)論意愿影響因素的研究，結(jié)合BP神經(jīng)網(wǎng)絡(luò)特點(diǎn)，本文最終采用快速訓(xùn)練法的網(wǎng)絡(luò)結(jié)構(gòu)：輸入層神經(jīng)元節(jié)點(diǎn)數(shù)n為9，一個(gè)隱含層，其神經(jīng)元節(jié)點(diǎn)數(shù)m為7，輸出層節(jié)點(diǎn)數(shù)L為2，即9－7－2的網(wǎng)絡(luò)結(jié)構(gòu)。

（2）激活函數(shù)。根據(jù)本研究樣本數(shù)據(jù)特點(diǎn)，本文輸入層到隱含層的傳遞函數(shù)采用S型雙曲正切函數(shù)（tanh-sigmoid）。由于本研究的因變量為分類變量，所以隱含層到輸出層的激活函數(shù)選用柔性最大值函數(shù)（Softmax），以柔化輸出值，減小值之間的差。

（3）學(xué)習(xí)規(guī)則。為確保模型的泛化能力，本研究采用調(diào)整的共軛梯度優(yōu)化算法，允許誤差為 （即訓(xùn)練錯(cuò)誤的最小相對(duì)變化），最初學(xué)習(xí)率為0.4。

3、網(wǎng)絡(luò)測(cè)試

本文運(yùn)用SPSS神經(jīng)網(wǎng)絡(luò)分析功能中的多層感知器（multilayer perception, MLP）方法評(píng)估預(yù)測(cè)電商平臺(tái)用戶在線消費(fèi)評(píng)論意愿。為防止網(wǎng)絡(luò)訓(xùn)練過度，將中國(guó)和美國(guó)樣本數(shù)據(jù)隨機(jī)分成訓(xùn)練集、測(cè)試集和驗(yàn)證集三部分。其中訓(xùn)練集主要用于估計(jì)網(wǎng)絡(luò)參數(shù)，進(jìn)行網(wǎng)絡(luò)建模，測(cè)試集主要用于防止網(wǎng)絡(luò)訓(xùn)練過度，而驗(yàn)證集則用于檢驗(yàn)評(píng)估最終網(wǎng)絡(luò)模型。

由于本研究樣本數(shù)據(jù)量相對(duì)較少，因此采用批處理的訓(xùn)練方法，以使總誤差最小。相應(yīng)地采用調(diào)整的共軛梯度優(yōu)化算法估計(jì)權(quán)重值。中國(guó)和美國(guó)樣本網(wǎng)絡(luò)訓(xùn)練結(jié)果見表1，對(duì)于中國(guó)樣本，表1中表明123位愿意發(fā)表評(píng)論的受試用戶中有115位分類正確，42位不愿意發(fā)表評(píng)論的受試用戶中有28位分類正確，整體上86.7%訓(xùn)練個(gè)案分類正確，三部分樣本的錯(cuò)誤預(yù)測(cè)率大致相同（10%左右）；而對(duì)于美國(guó)樣本，64位愿意發(fā)表評(píng)論的受試用戶中有56位分類正確，38位不愿意發(fā)表評(píng)論的受試用戶中有22位分類正確，整體上76.5%訓(xùn)練個(gè)案分類正確，三部分樣本的錯(cuò)誤預(yù)測(cè)率大致相同（20%左右）。

三、結(jié)論

本文基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電商平臺(tái)用戶評(píng)論意愿，結(jié)果表明BP網(wǎng)絡(luò)可以很好地用于用戶評(píng)論意愿建模和預(yù)測(cè)。這對(duì)于電商企業(yè)和平臺(tái)充分利用和合理激勵(lì)用戶參與消費(fèi)評(píng)論，從而促進(jìn)商品銷售，具有非常重要的實(shí)踐意義。

[1] 李亞琴．電商平臺(tái)用戶在線評(píng)論意愿研究[D]．南京大學(xué),2016．

[2] (澳)尼格內(nèi)維特斯基．人工智能:智能系統(tǒng)指南(英文版第2版)[M]．北京:機(jī)械工業(yè)出版社,2005: 176-188．

[3] 韓力群．人工神經(jīng)網(wǎng)絡(luò)教程[M]．北京:北京郵電大學(xué)出版社,2006: 74-75．

（責(zé)任編輯：高 博）

揚(yáng)州大學(xué)2016年大學(xué)生學(xué)術(shù)科技創(chuàng)新基金項(xiàng)目，“社會(huì)化商務(wù)平臺(tái)用戶在線消費(fèi)推薦意愿研究”，項(xiàng)目編號(hào)：20160412；“電商平臺(tái)用戶評(píng)論意愿影響因素研究”，項(xiàng)目編號(hào)：20160443。

李亞琴