施慧斌+李紅+苗蕊+姚忠

摘 要：本文建立了產品Web信息活躍狀態(tài)演化模式。利用隱馬爾可夫模型對產品Web信息活躍狀態(tài)進行建模，分析產品Web信息隨時間變化的趨勢，最后采用時間序列聚類算法對不同產品對應的Web信息進行聚類，得到產品Web信息活躍狀態(tài)演變的模式，為廠商和賣家做出科學的營銷，提供一定的幫助。

關鍵詞：在線評論； 活躍狀態(tài)； 廣義虛擬經濟； 演化模式

中圖分類號：F273 文獻標識：A 文章編號：1674-9448 （2017） 03-0032-07

The Analysis of the Evolution Patterns of Product Online Review Activeness

SHI Hui-bin LI Hong MIAO Rui YAO Zhong

（1.School of Economics and Management， Beihang University， Beijing 100191， China； 2.School of Management， Shenyang University of Technology， Shenyang 110870， China ； 3. School of Management Science and Engineering， Dongbei University of Finance and Economics， Dalian 116025， China）

Abstract： This paper proposes the evolution patterns of product online review activeness. This paper builds the model of product online review activeness using HMM model. And then analyzes the product online review change trends over time. Finally， chooses time series clustering algorithm to cluster the online reviews of the different products， and gets the product online review activeness evolution patterns. This can help the manufacturers and sellers to make more effective decision of marketing.

Key words： online review， activeness， the generalized virtual economy， evolution pattern

一、引言

廣義虛擬經濟學理論已經在多個領域得到應用[1-5]。產品在線評論在一定程度上，可以顯示出消費者對該產品的消費熱情，通常會隨著時間的流逝而發(fā)生變化，所以產品在線評論的活躍程度正是消費者（主體）和產品（客體）、產品（物質態(tài)）和產品在線評論（信息態(tài)）之間的相互作用所產生的二元價值容介態(tài)的體現[6，7]。因此，產品在線評論的活躍度及其演化趨勢，是產品競爭力和受關注程度的現在及未來狀況的直接體現。

如果將一段時間內的產品在線評論在固定時間間隔內處于的活躍狀態(tài)，可以發(fā)現，不同產品在線評論對應圖形的形狀是有區(qū)別的，但從圖形的走勢上看，可以歸類成幾種模式。對產品在線評論活躍狀態(tài)演化模式的分析，可以找出產品所處的生命周期階段，從而幫助廠商和賣家做出更為科學合理的營銷決策。

本文利用隱馬爾可夫模型，對產品在線評論活躍狀態(tài)演變進行建模分析，發(fā)現產品在線評論的時間變化趨勢，最后采用時間序列聚類算法對不同產品對應的在線評論進行聚類，得到產品在線評論活躍狀態(tài)演變的模式，并進行了分析。

二、基于隱馬爾可夫模型的產品在線評論活躍狀態(tài)演化建模

隱馬爾可夫模型（Hidden Markov Model， HMM）最初是在20世紀60年代后半期Leonard E. Baum和其他一些作者在一系列的統(tǒng)計學論文中提出的[8]。HMM最初的應用之一是開始于20世紀70年代中期的語音識別，隨后又廣泛應用于生物序列、故障診斷和信息提取等領域[9-13]。

在某一時間段內，產品在線評論數據數量對應著產品在線評論的活躍狀態(tài)（activeness）。如果這段時間內，產品在線評論數據數量呈現快速增長的趨勢，則產品在線評論所處活躍狀態(tài)的活躍度比較高。本文采用基于隱馬爾可夫模型的建模方法對產品在線評論活躍狀態(tài)進行建模，產品在線評論的活躍度建模就相當于建立相應的隱馬爾可夫模型并求解隱馬爾可夫模型的第二類問題，即解碼問題。

（一） 模型構建

本文提出的模型構建過程分如下4個步驟：

（4） 狀態(tài)轉移概率矩陣A和初始狀態(tài)概率分布向量π是未知的，在給定觀察值序列的前提下，可通過求解隱馬爾可夫模型的第三類問題（即學習問題）來獲得。本文采用Baum-Welch算法求出A和 π，使得p（O|A，λ）最大。

（二） 狀態(tài)序列的計算

根據前文提出的方法，可以計算出參數A，B和 的值。在給定觀察值序列O和模型λ=（A，B，π）的條件下，使用Viterbi算法求解狀態(tài)序列q=（q1，q2，…，qr），使得該序列能夠最為合理的解釋觀察值序列。其中qt 表示在第t周該產品對應的在線評論所處的活躍性狀態(tài)。endprint

三、產品在線評論活躍狀態(tài)的演化模式分析

活躍狀態(tài)的演化模式并不是單一固定的，不同產品的在線評論活躍狀態(tài)演化可能存在不同的模式[14]，如果將一段時間內的產品在線評論在固定時間間隔內處于的活躍狀態(tài)，按照時間序列順序繪制圖形，可以很直觀的發(fā)現，不同產品在線評論對應圖形的形狀是有區(qū)別的，但從圖形的走勢上看，可以歸類成幾種模式。對產品在線評論活躍狀態(tài)演化模式的分析，可以找出產品所處的生命周期階段，從而幫助廠商和賣家做出更為科學合理的營銷決策。Chen[15]和Parikh[16]都使用了隱馬爾可夫模型對在線評論進行了活躍度建模，但是他們分別采用動態(tài)時間扭曲距離和小波變換兩種時間序列聚類算法對在線評論活躍度的演化模式進行了研究，但是研究中，并沒有利用到隱馬爾可夫模型所得的結果。本文選用文獻[17]中提出的基于隱馬爾可夫模型的時間序列聚類算法對不同產品對應的在線評論活躍狀態(tài)序列進行聚類，識別出不同的產品在線評論活躍狀態(tài)演化模式。

設{O0，O1，…，OP}是需要聚類的產品在線評論活躍狀態(tài)時間序列的集合，Oi 表示第i個產品對應的在線評論數量所構成的時間序列，λi 表示通過序列Oi 訓練學習得到的隱馬爾可夫模型。每一個序列Oi 可表示為一個P維向量D（Oi） 的形式：

其中，Ti 表示Oi 的長度，p（Oi |λp）可通過求解隱馬爾可夫模型第一類問題（評估問題）來得到。

通過向量D（Oi） ，將序列Oi 映射為P維歐式空間中的一個點，然后就可以選用適用于P維歐式空間中的點的聚類算法，包括k-means聚類、層次聚類等方法。根據聚類的結果，可以得到不同產品對應的在線評論的活躍狀態(tài)演化模式。

四、實驗與分析

（一） 數據收集

本文從卓越亞馬遜網站（http：//www.amazon. cn）上收集了30個正在銷售的產品的在線評論信息，這些產品包括圖書、化妝品、電子產品和日常用品等類型的產品。產品開始出售的時間各不相同，評論的數量也相差很大[18]。本文首先對這30種產品的在線評論信息的活躍狀態(tài)進行建模，并針對活躍狀態(tài)變化情況，提出相應的營銷策略，最后對這30種產品的在線評論信息的時間序列進行聚類，識別出產品在線評論活躍狀態(tài)演化模式及相應的特征。

（二） 實驗結果與分析

1. 活躍狀態(tài)分析

依照前文節(jié)中提出的模型建立過程，為每一個產品對應的在線評論信息條數序列建立一個對應的隱馬爾可夫模型。所建立的模型中，活躍狀態(tài)數量N越大，則該模型的描述能力越強，但模型訓練學習的時間和計算成本都會越大。本文分別取狀態(tài)數量N=2，4，6，8，10。然后選用Baum-Welch算法求解模型參數 和A，最后選用Viterbi算法求解最優(yōu)的可以解釋觀察值序列的活躍性狀態(tài)序列。圖1為卓越亞馬遜網站上熱銷的一本圖書《別相信任何人》的在線評論數量隨著時間變化的趨勢圖，圖2～圖6分別表示N=2、4、6、8、10的時候，該圖書對應的在線評論信息活躍狀態(tài)的變化趨勢。

從圖2～圖6可以看出，利用隱馬爾可夫模型求解得到的活躍狀態(tài)變化趨勢能夠準確的反映出在線評論信息數量隨時間變化的趨勢。在評論信息出現的前5周，由于在線評論信息數量較少，低于在線評論信息數量的平均值，所以所處的狀態(tài)為不活躍狀態(tài)；之后，隨著在線評論信息數量的增加，活躍狀態(tài)隨之升高；接下來，在線評論信息數量又繼續(xù)減少，活躍狀態(tài)也隨之降低，最后在線評論信息數量又顯著上升，活躍狀態(tài)也隨之上升。當N=2的時候，只有1和2兩種狀態(tài)，無法細致的區(qū)分在線評論活躍狀態(tài)的高低，信息量就比較單一。

2.活躍狀態(tài)的演化模式分析

采用前文中的聚類算法對30種產品在線評論信息量的時間序列進行聚類。將訓練得到的隱馬爾可夫模型結合公式（2）將每一個產品在線評論信息數量的時間序列均映射為一個32的向量，然后選用K-means算法進行聚類。在實驗中，K可以通過輪廓系數（silhouette coefficient）的大小來確定，其值域為[-1， 1]，其計算方法由式（3）給出。

其中，ai表示聚類對象i到其所屬類中所有其他聚類對象的平均距離，bi表示對象i到任意其他類中所有對象的平均距離的最小值。

在計算出所有聚類對象輪廓系數的平均值，選擇平均值最大對應的K值作為最終的聚類類別數。

本文在上一節(jié)中，分別取N=2， 4， 6， 8， 10，根據產品在線評論信息數量，訓練得到隱馬爾可夫模型，然后利用K-means聚類方法對產品在線評論信息數量的時間序列進行了聚類，得到了基本一致的聚類結果。因此，本文僅對N=8時所得到的聚類結果進行分析。K=3， 4， 5， 6時，輪廓系數的平均值如圖7所示。由圖7可以看出：K=5時，輪廓系數的平均值為最大，等于0.8424，故取K=5。

比較這30個產品在線評論信息的活躍狀態(tài)序列，可以很容易的發(fā)現聚類所得的5類演化模式的特征。本文將這四類變化模式分別命名為單峰型、寬峰型、多峰型、穩(wěn)定型和波動型，其特征如表1所示。endprint

五種產品在線評論信息活躍狀態(tài)演化模式如圖8～圖12所示。

五、結 論

在實際的營銷決策制定過程中，產品Web信息活躍狀態(tài)的演化模式可以與產品生命周期理論相結合。產品生命周期描述了產品從進入市場開始，直到最終退出市場為止所經歷的市場生命循環(huán)過程，企業(yè)可以通過對處于不同生命周期的產品使用不同的營銷策略來形成營銷優(yōu)勢。了解產品Web信息活躍狀態(tài)可以輔助判斷產品所處的產品生命周期。

當新產品開始投入市場進入介紹期，消費者對產品還不了解，只有少數追求新奇的顧客可能會購買，與之對應的產品Web信息也就很少。此階段的營銷目標是要創(chuàng)造產品的知名度，促進試用。在產品生命周期中的成長期，消費者對產品逐漸了解，大量的新顧客開始購買，市場逐步擴大，顧客對產品的反饋和評論也會相應的增加，產品Web信息會迅速增長。隨著產品進入成熟期，市場需求趨向飽和，潛在的顧客已經很少，產品Web信息的活躍狀態(tài)會逐漸穩(wěn)定直至產品開始衰退期，隨著產品用戶數量在衰退期的大量減少，產品Web信息的活躍狀態(tài)也會迅速降低。

結合產品所屬的Web信息活躍狀態(tài)的演化模式推斷產品所在的產品生命周期階段然后采取不同的市場營銷策略，這可以使企業(yè)的市場營銷策略達到最佳組合。對于產品Web信息還沒有出現快速增長的商品可以將價格高低與促銷費用高低結合起來，形成能有效創(chuàng)造產品知名度的營銷策略（如：快速撇脂策略，快速滲透策略等）。當產品Web信息已經處于快速增長階段時，尤其對Web信息活躍狀態(tài)的演化模式是單峰型的產品，企業(yè)根據原有的策略和市場地位選擇定價策略以維持其市場的增長率，延長獲取最大利潤的時間（如：改變廣告宣傳的重心，適時調整價格等）。產品Web信息活躍狀態(tài)穩(wěn)定處于高位時，特別是針對Web信息活躍狀態(tài)的演化模式是寬峰型的產品，企業(yè)宜采取主動出擊策略（如，競爭價格策略），使產品得到更長時間的高度關注。一旦產品Web信息活躍度快速下降，對于演化模式為單峰型的產品就要認真的研究分析采取何種策略，在何時退出市場（如，集中策略，收縮策略等）。對于演化模式是寬峰型或者是多峰的產品則要采取市場調整策略（如，發(fā)現產品新用途，適當降價等）使得產品生命周期出現再循環(huán)。

參考文獻：

[1]朱沁夫. 海南產業(yè)結構選擇與演變——基于廣義虛擬經濟思路的研究[J]. 廣義虛擬經濟研究， 2010， 1（2）： 42-47.

[2]亓元， 單德朋. 中國港口城市郵輪產業(yè)競爭力測度——兼論三亞郵輪產業(yè)發(fā)展[J]. 廣義虛擬經濟研究， 2010， 1（2）： 35-41.

[3]胡延杰， 楊東方. 微觀企業(yè)層面人力資本研究評析[J]. 廣義虛擬經濟研究，2011， 2（1）： 58-64.

[4]田東文， 姚微. 虛擬價值鏈下促進服務外包發(fā)展的策略選擇[J]. 廣義虛擬經濟研究，2011， 2（1）： 86-94.

[5]蘇州， 胡榮. 廣義虛擬經濟視角下的民用機場非航空性資源價值[J]. 廣義虛擬經濟研究，2012， 3（1）： 29-35.

[6]林左鳴， 尹國平. 價值理論的困境、出路及創(chuàng)新研究——廣義虛擬經濟理論關于價值的主要觀點[J]. 廣義虛擬經濟研究， 2011， 2（1）： 5-14.

[7]張明立， 任淑霞， 許月恒. 廣義虛擬經濟視角下的顧客感知價值及其對滿意、忠誠的影響研究[J]. 廣義虛擬經濟研究， 2011， 2（1）： 36-46.

[8]Rabiner L R. A tutorial on hidden markov models and selected applications in speech recognition [C]. Proceedings of the IEEE， 1989， 77 （2）： 257–286.

[9]Durbin R， Eddy S R， Krogh A， et al. Biological sequence analysis： probabilistic models of proteins and nucleic acids. Cambridge University Press， 1999.

[10]Krogh A， Brown M， Mian I S， et al. Hidden markov models in computational biology： applications to protein modeling [J]. Journal of Molecular Biology， 1994， 235（5）： 1501-1531.

[11]Baldi P， Chauvin Y， Hunkapiller T， et al. Hidden markov models of biological primary sequence information [R]. Proceedings of the natioanl academy of sciences of the united states of America， 1994， 91（3）： 1059-1063.

[12]Eddy S R， Mitchison G， Durbin R. Maximum discrimination hidden markov models of sequence consensus [J]. Journal of computational biology， 1995， 2（1）： 9-23.endprint

[13]Churchill G A. Stochastic models for heterogeneous DNA sequences[J]. Bulletin of mathematical biology， 1989， 51（1）： 79-94.

[14]Barlas Y， Kanar K. A dynamic pattern-oriented test for model validation [A]. Proceedings of 4th systems science European congress [C]. Emerald Group Pubilishing Limited， 1999： 269-286.

[15]Chen C C， Chen M C， Chen M S. An adaptive threshold framework for event detection using HMM-based life profiles [J]. ACM Transactions on Information Systems， 2009， 27（2）： 1-35.

[16]Parikh N， Sundaresan N. Scalable and near real-time burst detection from e-commerce queries [A]. Proceedings of the 14th ACM SIGKDD international conference on knowledge discovery and data mining [C]. New York， USA， ACM Press， 2008： 972-980.

[17]Bicego M， Murino V， Figueiredo M A T. Similarity-based clustering of sequences using hidden markov models[A]. Lecture notes in computer science [C]， 2003， 2734/2003： 95-104.

[18]Chen Y， Xie J-H. Third-Party Product Review and Firm Marketing Strategy[J]. Marketing Science， 2005， 24（2）：218-240.endprint