蔡淑琴，王 旸，王藝興，秦志勇，竇聰穎

(1.華中科技大學(xué)管理學(xué)院，湖北 武漢 430074；2.深圳證券交易所，廣東 深圳 518038；3.華中科技大學(xué)新聞與信息傳播學(xué)院，湖北 武漢 430074)

1 引言

隨著Web技術(shù)的快速發(fā)展和廣泛應(yīng)用，社會化媒體正以驚人的速度滲透到社會的各個方面，不僅為用戶提供了獲取信息的渠道，還為用戶構(gòu)建了發(fā)布內(nèi)容和建立關(guān)系的平臺。用戶參與、用戶主導(dǎo)、用戶創(chuàng)造已經(jīng)成為社會化媒體吸引用戶、增強競爭力、提高企業(yè)價值的有力工具，生成了大量有商業(yè)價值的用戶創(chuàng)造內(nèi)容(User Generated Content，簡稱 “UGC”)。作為UGC的一種獨特形式，在線負面口碑(Online Negative Word-of-Mouth，簡稱“ONWOM”)是消費者在互聯(lián)網(wǎng)中對企業(yè)表達的負面觀點和評論[1]，具有數(shù)據(jù)大、傳播速度快、破壞力強[2]、拒絕解釋[3]等特點，相比企業(yè)發(fā)出的信息，負面口碑更容易得到他人信任[4]。如果企業(yè)未能及時響應(yīng)處理，會引發(fā)大面積的消費者不滿，進而造成企業(yè)聲譽受損，品牌價值降低等嚴重后果[5]。然而，由于ONWOM有數(shù)量大、傳播速度快等特點，企業(yè)單純依靠傳統(tǒng)人工處理方法會面臨成本高、反應(yīng)速度慢和資源短缺的困境。

社會化媒體為用戶提供了交流互動的平臺，用戶可以在其中搜索信息、發(fā)布內(nèi)容和建立關(guān)系，隨著用戶數(shù)量增加和用戶間互動增強，少量擁有更多知識的用戶逐漸凸顯，成為專家用戶。Riahi等[6]實驗發(fā)現(xiàn)少量專家用戶為網(wǎng)絡(luò)社區(qū)提供了大部分知識，他們在為他人解決問題和分享知識過程中建立了個人權(quán)威，這不僅實現(xiàn)了其個人價值，也為所在平臺提供了更多資源，使其成為社會化媒體高質(zhì)量知識的重要外部來源。負面口碑處理中，企業(yè)過度參與可能會被懷疑而導(dǎo)致喪失自身公信力[7]，若客戶不滿意企業(yè)對負面口碑直接做出的反饋將會帶來更強烈的負面情緒[3]。因此，將UGC中的專家用戶看作ONWOM處理資源進行ONWOM處理，可為企業(yè)提供ONWOM處理的新途徑。如果能夠識別出這些專家，并給予適當(dāng)引導(dǎo)，企業(yè)可以依賴他們擴充自身知識庫，擴展可調(diào)動資源范圍，借助專家知識面廣、知識成本低、容易與其他用戶溝通等優(yōu)勢優(yōu)化服務(wù)流程、提高服務(wù)質(zhì)量、改善服務(wù)體驗，進而提高整體服務(wù)水平。但是隨機選擇用戶作為服務(wù)方很難達到滿意的處理效果[8]，因此如何提前識別合適的用戶形成服務(wù)方專家?guī)?專家識別)是需要解決的關(guān)鍵問題。

現(xiàn)有相關(guān)研究已有若干成果。閆強和孟躍[9]研究證明擁有較為極端的情感傾向和較長的正文的評論會正面影響在線評論的感知有用性。Archak等[10]通過實驗證明可以從在線評論數(shù)據(jù)中提取可操作的信息資源，更好地理解客戶的偏好和行動。Pfeffer等[11]討論了負面口碑網(wǎng)絡(luò)傳播風(fēng)暴的后果，并提供了網(wǎng)絡(luò)負面口碑危機的行動指導(dǎo)。Surachartkumtonkun等[12]基于需求理論，用實證方法進行研究認為消費者抱怨是為了尋求相應(yīng)的經(jīng)濟補償和自尊補償。蔡淑琴等[13]提出了RFMS模型來測量在線口碑發(fā)布者的影響力,應(yīng)用人工神經(jīng)網(wǎng)絡(luò)識別出意見領(lǐng)袖。Yang等[14]以學(xué)術(shù)研究社區(qū)為背景，認為除了個人之間的鏈接關(guān)系，還需考慮研究者所在機構(gòu)間的連接強度信息對專家識別的作用，通過整合關(guān)聯(lián)信息、個人社交網(wǎng)絡(luò)信息給專家建立多層次的人物畫像，并驗證了方法的有效性。

由以上綜述可知，現(xiàn)有研究存在以下局限：首先，現(xiàn)有研究大多是針對問答或?qū)W者推薦的專家識別，少有專門針對ONWOM處理的專家識別研究，本文針對ONWOM處理特殊情境的具體要求，需識別適合此情境的相關(guān)專家；其次，現(xiàn)有研究大多只考慮用戶的知識能力并未將專家用戶看作ONWOM處理資源進行識別，然而本文研究中，ONWOM發(fā)布方有尋求知識解決方案和情感撫慰兩方面需求，ONWOM處理的特殊性使得僅從知識能力出發(fā)的專家專家識別性能不夠，不能滿足ONWOM發(fā)布方所有需求導(dǎo)致ONWOM處理失敗甚至引發(fā)更強烈的抱怨；最后，基于鏈接的識別方法大多從用戶權(quán)威角度出發(fā)，沒有明確相應(yīng)專家的能力結(jié)構(gòu)，推薦的專家不具有針對性，面對ONWOM處理的特殊需求時，難以達到好的效果，不方便企業(yè)實際應(yīng)用。

針對以上問題，本文研究社會化媒體中ONWOM處理的專家識別問題，認為用戶屬性、用戶發(fā)布內(nèi)容等UGC資源是用戶隱性知識的顯性表示，可以利用這些資源進行專家識別。設(shè)計的ONWOM處理專家識別方法中，將專家用戶看作ONWOM處理資源，從資源視角出發(fā)，建立專家識別資源映射框架，專家識別過程除了考慮體現(xiàn)用戶專業(yè)水平的知識能力，還融入了專家參與ONWOM處理的情感撫慰能力，并將用戶互動程度引入到用戶能力特征空間，以此構(gòu)建ONWOM處理的專家能力得分計算模型，實現(xiàn)專家識別并顯著提高了識別性能。

2 資源映射框架

原始UGC資源有非結(jié)構(gòu)化、碎片化、去中心化等特點，無法直接用于ONWOM處理，需要經(jīng)過處理加工轉(zhuǎn)換為合適的形式，才能最大限度的提高ONWOM處理成功率。為清晰理解專家識別中資源的形式和轉(zhuǎn)換規(guī)律，本節(jié)從資源視角出發(fā)，分析專家識別過程中資源的轉(zhuǎn)換過程，或稱為“資源映射”過程。

本文專家識別的資源映射過程涉及UGC資源、顯性資源和隱性資源三種狀態(tài)。其中，顯性資源是對原始信息資源的結(jié)構(gòu)化表示，描述了資源構(gòu)成要素，剔除了無關(guān)或作用較小的噪音信息，并從集合層面對資源進行聚合，降低了UGC資源的碎片性。隱性資源也源自原始信息資源，但是以顯性資源為基礎(chǔ)，通過相關(guān)計算方法得到滿足需求的知識或能力測量，是資源價值的量化表示。相對應(yīng)，根據(jù)資源形式的不斷轉(zhuǎn)換，將資源映射過程分為顯性資源映射和隱性資源映射兩個階段，以此提出面向ONWOM處理的專家識別資源映射框架如圖1。

圖1 面向ONWOM處理的專家識別資源映射框架

圖1的框架中虛線左側(cè)部分表示專家識別中由用戶UGC資源集得到用戶專家得分的過程，虛線右側(cè)大方框部分是從資源視角理解的與獲得用戶專家得分過程對應(yīng)的資源映射過程，虛線表示兩個過程中資源的對應(yīng)關(guān)系。

框架左側(cè)部分包括兩個階段，第一階段完成了從用戶UGC資源集向用戶特征表示的轉(zhuǎn)換，此部分對應(yīng)資源視角的顯性資源映射，第二階段完成了從用戶特征表示向用戶專家得分的轉(zhuǎn)換，此部分對應(yīng)資源映射視角的隱性資源映射。在第一階段中，確定用戶特征表示包含的特征元素是其中的關(guān)鍵，隨意選擇特征不僅無法識別出合適的專家用戶，甚至可能導(dǎo)致ONWOM處理失敗。為此，如框架左側(cè)上方的兩個圓角方框所示，本文從ONWOM處理的問題背景出發(fā)，以O(shè)NWOM發(fā)布方的價值需求為起點，可以確定成功實現(xiàn)ONWOM處理的需求，這些需求一方面是資源需求體現(xiàn)，另一方面是專家能力結(jié)構(gòu)體現(xiàn)。專家識別中，在通過以上分析過程獲得專家需要具有的能力結(jié)構(gòu)后，將其與用戶UGC資源集的真實數(shù)據(jù)集合，可得到體現(xiàn)用戶能力結(jié)構(gòu)的用戶特征表示，實際上這是一個從用戶創(chuàng)造的數(shù)據(jù)中挖掘體現(xiàn)其能力結(jié)構(gòu)的顯性表示的過程。在第二階段中，由于前一階段得到的用戶能力結(jié)構(gòu)只是對用戶具有相關(guān)能力的特征描述集合，而專家識別中需要能體現(xiàn)用戶能力的單一量化指標(biāo)，即專家得分，此得分是用戶能力和價值的量化表示，根據(jù)得分對用戶進行降序排序，獲得分數(shù)靠前的用戶即是專家用戶?？梢栽O(shè)計或選擇合適的計算方法實現(xiàn)從用戶特征表示到專家得分的轉(zhuǎn)換。

框架右側(cè)部分是從資源視角對左側(cè)專家識別相關(guān)過程的理解，包括顯性資源映射和隱性資源映射兩個映射階段。其中，顯性資源映射是從UGC資源向顯性資源的轉(zhuǎn)換，隱性資源映射是從顯性資源向隱性資源的轉(zhuǎn)換。

3 方法設(shè)計

與傳統(tǒng)專家識別不同，本文專家識別過程中不僅考慮了直接體現(xiàn)用戶專業(yè)水平的知識能力，還考慮了專家參與ONWOM處理的情感撫慰能力，并借助情緒感染機制獲得情感能力的量化指標(biāo)。此外，本文將用戶互動程度也引入到用戶能力特征空間，以此構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)專家識別。

3.1 專家特征表示

本文研究中，ONWOM發(fā)布方有尋求知識解決方案和情感撫慰兩方面需求，相對應(yīng)，如果要成功處理ONWOM，作為服務(wù)方的專家需要具有滿足這兩方面需求的能力。即可認為知識方案提供能力(簡稱“知識能力”)和情感撫慰能力(簡稱“情感能力”)是專家能力的組成部分。其中，知識能力是專家滿足ONWOM發(fā)布方尋求知識解決方案需求的能力，情感能力是專家滿足ONWOM發(fā)布方尋求情感撫慰需求的能力。每個用戶的時間和精力是有限的，在特定情境下，有處理能力的用戶并不一定都愿意參與ONWOM處理，而有參與意愿的用戶也不一定有足夠的處理能力。因此，專家需具有參與ONWOM處理的意愿，只有處理能力而不愿參與ONWOM處理的用戶不是本文所指的專家，只有參與意愿而沒有足夠處理能力的用戶也不是本文所指的專家。因此，為保證價值共創(chuàng)過程的實現(xiàn)，互動階段對服務(wù)方專家有互動能力的要求，即服務(wù)方除了具有上述知識方案提供能力和情感撫慰能力外，還需具有較高的參與價值共創(chuàng)互動的程度，簡稱“互動程度”。

由上述分析可知，ONWOM處理的服務(wù)方專家能力包括知識能力、情感能力和互動程度三方面，其中互動程度是發(fā)揮專家能力的前提條件，知識能力和情感能力是實現(xiàn)ONWOM處理的能力體現(xiàn)，用戶參與ONWOM處理的意愿各不相同，具有的知識能力和情感能力也往往參差不齊，而且人數(shù)眾多[8]，要想保證ONWOM處理的成功率，需要從以上三方面特征出發(fā)，識別用戶中的專家。因此，可將用戶特征表示形式化如式(1)：

U=(KC,EC,DI)

(1)

其中U表示用戶，KC表示知識能力，是Knowledge Capability的縮寫。EC表示情感能力，是Emotional Capability的縮寫。DI表示互動程度，是Degree of Interaction 的縮寫。由用戶的UGC資源得到式(1)的形式化表示，對應(yīng)圖1的顯性資源映射過程。

為使設(shè)計能落到數(shù)據(jù)層面，下面分析以問答社區(qū)為現(xiàn)實環(huán)境，認為在此環(huán)境中進行ONWOM處理，分別對知識能力、情感能力和互動程度三個特征維度中涉及的細化指標(biāo)進行分析，并給出具體的測量方法，假設(shè)UGC資源均以文本形式出現(xiàn)。

3.1.1 知識能力特征

粉絲數(shù)經(jīng)常被用來說明用戶的權(quán)威性[15]，這在社交網(wǎng)絡(luò)較強的社會化媒體中效果較好，高粉絲數(shù)對用戶等級有很大提升作用，但在知識為導(dǎo)向的問答社區(qū)中，通過粉絲關(guān)系很難獲得提問者的認同，得到其他用戶直接求助才是對其知識能力的最直接認可。文本長度是體現(xiàn)文本質(zhì)量的重要指標(biāo)，較長的文本意味著更詳細的解釋，相比短文本更容易被接受[16]。同時，較長的文本能包含更生動的內(nèi)容，面對內(nèi)容接收者時更有說服力[17]，在ONWOM處理中，發(fā)布者就更容易接受服務(wù)方提供的服務(wù)。每個提問者會根據(jù)自身情境提出問題，而每個人所處的情境大多不同，答案被最了解問題情境的提問者采納是對回答者問題解決能力的認可，被采納的答案越多說明回答者的知識能力越高。提問者和回答者之外的其他用戶同樣可表達對回答的看法，如果他們贊同回答者提供的答案，說明這些用戶認為回答者提供了提問者需要的知識。作為第三方平臺，問答社區(qū)常對質(zhì)量符合一定規(guī)范的高質(zhì)量答案給予標(biāo)記，如有些答案被標(biāo)記為精華答案標(biāo)簽，這是對回答者知識能力的社區(qū)認可。

根據(jù)以上分析，本文選擇以下指標(biāo)為描述用戶知識能力的特征，包括滿意答案數(shù)、采納率、收到求助數(shù)、贊同數(shù)、精華答案數(shù)、答案平均長度。其中滿意答案數(shù)為提問者接納用戶答案為滿意答案的總數(shù)，收到求助數(shù)是提問者指定此特定用戶為回答者的次數(shù)，答案平均長度指用戶提供的所有答案的文本長度的平均值。

3.1.2 情感能力特征

在心理學(xué)領(lǐng)域，情緒感染指個體之間感知捕獲環(huán)境中其他人的情緒變化，包括無意識、不自覺的的情緒模仿或趨同，或者有意識、主動的情緒認知和控制下，實現(xiàn)的不同個體間的情緒交互和聚合過程[18]。發(fā)布方的負面情緒在服務(wù)方正面情緒的影響下得到緩解是一個情緒感染過程。因此，本文假設(shè)用戶情感撫慰過程是一個情緒感染過程，服務(wù)方相對發(fā)布方的情感越正面，其能成功進行正面情緒感染的可能性越大，進而實現(xiàn)情感撫慰的可能性就越大。杜建剛和范秀成[19]采用環(huán)境刺激方法，實證研究了在服務(wù)失敗和服務(wù)補救中服務(wù)者對消費者的情緒感染。發(fā)現(xiàn)服務(wù)失敗過程中，服務(wù)者的負面情感越強烈，消費者的負面情緒增加就越多，在服務(wù)補救中，服務(wù)者的正面情感越強烈，消費者由負面情感向正面情感轉(zhuǎn)化幅度越大。本文并不研究社會化媒體中不同媒介與情緒感染的關(guān)系，而是認為專家通過文本對ONWOM發(fā)布方實現(xiàn)情緒感染，達到情感撫慰的目的，以此說明專家能力需包括情感能力特征。

根據(jù)以上分析，本文選擇以下指標(biāo)為描述用戶情感能力的特征，包括答案平均情感得分，答案情感相對正面率。

本文在計算問題和回答文本d的情感極性和強度時，首先對文本d進行分詞、去停用詞處理得到其結(jié)構(gòu)化表示，然后將得到的每個詞與情感詞典中的詞進行匹配，匹配到的正面、負面和中性詞極性分別記為1、-1和0，將d中包含的所有情感詞的極性與強度乘積和作為其情感得分，形式化如式(2)：

(2)

其中SSd表示文本d的情感得分，|d|表示d中包含的情感詞數(shù)，SPi表示第i個情感詞的極性值，SIi表示第i個情感詞的情感強度，且1≤i≤|d|。SS、SP、SI分別是Sentiment Score、Sentiment Polarity和Sentiment Intensity的縮寫。

由(2)計算得到用戶提供的所有答案的情感得分后，可用用這些答案情感得分的平均值作為用戶的答案平均情感得分。統(tǒng)計用戶回答的所有問題中答案情感得分比問題情感得分高的問答對個數(shù)，可得答案情感相對正面數(shù)，形式化如式(3)和(4)：

(3)

(4)

其中P={p1,p2,…,p|P|}表示某單個用戶提供的所有答案所在的問答對集，|P|是此集合包含的問答對個數(shù)，其中第j個問答對pj=(qj,aj)包含一個問題qj和一個答案aj，PLN表示問答對集P對應(yīng)用戶的答案情感相對正面數(shù)。此時，可計算用戶的答案情感相對正面率，如式(5)：

(5)

其中PLP表示用戶的答案情感相對正面率。

3.1.3 互動程度特征

ONWOM處理的專家識別中，雖然用戶的知識能力和情感能力是其專家能力的直接體現(xiàn)，然而，知識能力和情感能力傳播的廣度和深度卻決定了用戶能力展現(xiàn)的程度，廣泛而深入的交互是擴大傳播廣度和深度的必要手段，具有良好互動能力，互動程度高的用戶，更有可能成為ONWOM處理專家，因此，用戶互動程度是體現(xiàn)其專家能力的特征。

Chae等[20]研究信息質(zhì)量和影響力，強調(diào)了交互質(zhì)量在信息影響力中的關(guān)鍵作用，進一步則說明交互在表示為UGC資源集的用戶影響力中的重要作用。互動程度的一個重要指標(biāo)是交互頻率，體現(xiàn)了用戶參與解決問題的次數(shù)。用戶提問次數(shù)同樣可顯示用戶主動創(chuàng)造交互激活的特點，是其互動程度的一種體現(xiàn)[21]，但在本章識別的專家是答案提供者，是信息的提供方，專家互動程度應(yīng)該反映信息提供中的互動程度，而提問數(shù)反映的是用戶獲取信息的互動程度，因此此時不考慮用戶提問數(shù)。Liao Hui[22]認為對客戶抱怨的快速回應(yīng)對抱怨處理有積極作用。及時對相應(yīng)問題進行處理能減少客戶需求無法得到及時滿足而進一步擴大傳播面積的可能性，及時性可以通過用戶回答問題與提問的時間差來描述。問答社區(qū)為調(diào)動用戶參與問答的積極性，常組織一些線上社區(qū)活動，參加此類活動的用戶可以得到一些社區(qū)榮譽，也即用戶獲得此類榮譽的數(shù)量從側(cè)面反映了其參與社區(qū)互動的程度，可作為用戶互動程度的特征。

根據(jù)以上分析，本文選擇以下指標(biāo)為描述用戶互動程度的特征，包括回答數(shù)、平均回答時差、社區(qū)活動榮譽數(shù)。

其中平均回答時差指用戶提供答案的所有問答對中回答時間與提問時間的差值的平均值，表示為如式(6)：

(6)

其中AATI表示某用戶的平均回答時差，atj表示問答對集P第j個問答對中回答發(fā)布的時間，qtj表示問答對集P第j個問答對中問題發(fā)布的時間。

基于價值共創(chuàng)的負面口碑處理中，服務(wù)方專家識別的指標(biāo)體系如表1。

表1 ONWOM處理的專家識別指標(biāo)體系

3.2 神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，簡稱“ANN”或“神經(jīng)網(wǎng)絡(luò)”)通過利用計算機程序和電子線路對人類神經(jīng)系統(tǒng)的抽象和模擬，是計算智能的核心內(nèi)容之一，其特有的非線性、自適應(yīng)信息處理能力，適于處理多變量之間的復(fù)雜關(guān)系，并且已經(jīng)在智能領(lǐng)域取得很好效果。本文的ONWOM處理中涉及知識能力KC、情感能力EC和互動程度DI三個維度，他們又分別細分為11個二級指標(biāo)。這些指標(biāo)涉及到對不確定的隱性知識、人類情感和用戶行為的描述，而且之間關(guān)系錯綜復(fù)雜，很難用線性的、學(xué)習(xí)能力較弱的模型準(zhǔn)確描述。神經(jīng)網(wǎng)絡(luò)作為非線性的自適應(yīng)模型，通過多層神經(jīng)元之間的權(quán)值調(diào)整可描述多指標(biāo)間的復(fù)雜關(guān)系，實現(xiàn)對專家得分的計算。

本文專家得分計算的BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示：

圖2 專家得分計算BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

設(shè)神經(jīng)網(wǎng)絡(luò)的輸入層一個樣本X對應(yīng)的特征向量為(x1,x2,…,xn)，n是輸入層的特征維度；隱藏層向量表示為H=(h1,h2,…,hm)，m是隱藏層的神經(jīng)元個數(shù)；輸出層輸出向量表示為Y=(y1)，輸出真實值表示為D=(d1)，因為計算的專家得分是一個數(shù)值，所有將輸出層表示為只有一個維度的向量；輸出層和隱藏層之間的權(quán)值表示為V=(V1,V2,…,Vm)，其中Vj=(v1j,v2j,…,vnj)是輸入層的所有n個節(jié)點與隱藏層神經(jīng)元hj的連接權(quán)值；隱藏層與輸出層之間的權(quán)值表示為W=(W1)，W1=(w11,w21,…,wm1)是隱藏層的每個神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)的在訓(xùn)練前需要初始化，根據(jù)系統(tǒng)設(shè)計確定網(wǎng)絡(luò)輸入層節(jié)點數(shù)n，隱藏層節(jié)點數(shù)m和輸出層節(jié)點數(shù)1，初始化權(quán)值矩陣V和W，初始化隱藏層閾值a和輸出層閾值b，給定學(xué)習(xí)速率η，確定網(wǎng)絡(luò)的最大訓(xùn)練循環(huán)次數(shù)M和學(xué)習(xí)精度ε，隱藏層激活函數(shù)φ(Zj)通常選擇logistic函數(shù)，定義如式(7)：

(7)

(8)

其中Zj是第j個隱藏層神經(jīng)元的輸入，aj是相應(yīng)閾值。輸出層激活函數(shù)選擇線性函數(shù)，表示如式(9)：

(9)

其中O=(O1)為輸出層的輸出，b1為相應(yīng)閾值。根據(jù)網(wǎng)絡(luò)輸出值O和輸出真實值D可以計算網(wǎng)絡(luò)預(yù)測誤差，表示如式(10)：

e1=y1-d1

(10)

誤差向量為e=(e1)。判斷迭代次數(shù)是否達到最大次數(shù)要求，以及誤差是否符合精度要求，如果不符合，需根據(jù)誤差反向傳播對網(wǎng)絡(luò)進行調(diào)整，更新網(wǎng)絡(luò)權(quán)值的表示如式(11)和(12)：

vij=vij+ηφ(Zj)(1-φ(Zj))xiwj1e1

(11)

wj1=wj1+ηφ(Zj)e1

(12)

其中η是學(xué)習(xí)率。根據(jù)誤差對網(wǎng)絡(luò)節(jié)點閾值的調(diào)整如式(13)和(14)：

aj=aj+μφ(Zj)(1-φ(Zj))wj1e1

(13)

b1=b1+e1

(14)

對網(wǎng)絡(luò)權(quán)值和閾值調(diào)整完后，繼續(xù)計算在調(diào)整后輸出層的輸出，直至收斂。

4 模型構(gòu)建與測試

4.1 數(shù)據(jù)收集

實驗使用的數(shù)據(jù)采集自搜狗問問，搜狗問問是搜狗旗下最大的互動問答社區(qū)，用戶可以在社區(qū)中提出問題、解決問題、或者搜索其他用戶沉淀的歷史內(nèi)容。

數(shù)據(jù)收集過程如下：從搜狗問問專家欄目“電腦/數(shù)碼”領(lǐng)域的所有249位用戶中隨機抽取150位用戶，爬取內(nèi)容涉及三部分，包括用戶社區(qū)統(tǒng)計數(shù)據(jù)、用戶回答所在問答對內(nèi)容數(shù)據(jù)和用戶回答所在問答對屬性數(shù)據(jù)。因為可能出現(xiàn)一人用多賬號違規(guī)行為，首先刪除姓名和個人信息有大量重復(fù)或交叉的共7個用戶。然后因為網(wǎng)頁差異，導(dǎo)致數(shù)據(jù)爬取過程中有些用戶數(shù)據(jù)相比其真實數(shù)量少，為避免因數(shù)據(jù)不完整對實驗結(jié)果的影響，剔除爬取的問答對數(shù)量低于30，且比率小于50%的9個用戶，最終獲得有效用戶134人。對134個用戶包含的數(shù)據(jù)，其中由于網(wǎng)頁格式差異導(dǎo)致部分數(shù)據(jù)爬取失敗，刪除屬性缺失和異常的數(shù)據(jù)，同時，由于本文模型和算法都是在文本數(shù)據(jù)的前提下進行設(shè)計，雖然其他形式的數(shù)據(jù)可以轉(zhuǎn)化為類似的表達形式，但為了使敘述更為一致，實驗部分將問答中涉及大量圖片等非文本形式的數(shù)據(jù)刪除，剩余有效問答321910條。每個用戶由以下部分組成：采納率、收到求助數(shù)、贊同數(shù)、精華答案數(shù)、答案數(shù)、勛章數(shù)、用戶回答所在問答對應(yīng)文本內(nèi)容、用戶回答所在問答對應(yīng)的提問和回答時間。

4.2 建立模型

本章采用3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括有輸入層、隱藏層和輸出層。輸入層有11個節(jié)點，對應(yīng)用戶的11個特征，分別為每個用戶的滿意答案數(shù)、采納率、收到求助數(shù)、贊同數(shù)、精華答案數(shù)、答案平均長度、答案平均情感得分、答案情感相對正面率、回答數(shù)、平均回答時差和社區(qū)活動榮譽數(shù)。隱藏層節(jié)點數(shù)的選擇目前沒有統(tǒng)一的方法。這里利用已有的經(jīng)驗公式，首先借助公式確定節(jié)點數(shù)的大致范圍，然后用試湊法確定最佳節(jié)點數(shù)。選擇經(jīng)驗公式為(15)：

(15)

其中l(wèi)為隱藏層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，a為0到10之間的常數(shù)。不拘泥于經(jīng)驗公式，本章選擇的隱藏層節(jié)點數(shù)試湊范圍是從5到25個，共試湊21次，其中當(dāng)節(jié)點數(shù)為15時，誤差較小，且訓(xùn)練時間在接受范圍。因此，選擇的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為11-15-1，神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)設(shè)定如表(2)：

表2 神經(jīng)網(wǎng)絡(luò)參數(shù)

本文從134名用戶隨機抽取80%作為訓(xùn)練集，共107人，對神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)進行訓(xùn)練。將剩下的20%共27人作為測試集，評估模型的效果。在模型訓(xùn)練過程中，將107名用戶的11個特征作為網(wǎng)絡(luò)輸入，將社區(qū)賦予用戶的經(jīng)驗值作為每個用戶的輸出，此時選擇3位專家對原經(jīng)驗值進行了人工調(diào)整，增大了解決負面情緒問題的權(quán)重，以使識別出的專家更適合負面口碑處理。

為避免量綱不同對模型的影響，需對所有的指標(biāo)進行歸一化，如式(16)：

(16)

其中NVxi表示某指標(biāo)的測量值xi歸一化后的對應(yīng)值，xmin表示所有樣本在此指標(biāo)測量中的最小值，xmax表示所有樣本在此指標(biāo)測量中的最大值。

4.3 實驗結(jié)果

測試集包括27個用戶，將此27個用戶的歸一化特征值輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，可以預(yù)測每個用戶的經(jīng)驗值，經(jīng)驗值代表了用戶專家能力的得分。為說明本文方法的有效性，這里構(gòu)造另外4個模型進行對比，分別是只考慮知識能力和情感能力8個特征的神經(jīng)網(wǎng)絡(luò)模型ANN_KS，只考慮知識能力和互動程度9個特征的神經(jīng)網(wǎng)絡(luò)模型ANN_KI，只考慮知識能力6個特征的神經(jīng)網(wǎng)絡(luò)模型ANN_K。同時，選擇均值模型作為基線模型參與比較。

本文選擇MSE(mean squared error)來對比模型間的預(yù)測性能，而均值模型的MSE值，可作為鑒別模型的基本標(biāo)準(zhǔn)，MSE的計算公式如(17)：

(17)

根據(jù)待比較的幾個模型的特征結(jié)構(gòu)，分別構(gòu)建相應(yīng)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，并利用數(shù)據(jù)對模型進行訓(xùn)練，由訓(xùn)練好的模型對測試集計算得到MSE值如表3：

表3 模型MSE值對比表

表3顯示，同時考慮知識能力、情感能力和互動程度特征的神經(jīng)網(wǎng)絡(luò)模型ANN_KSI的MSE值最小，說明其性能最優(yōu)。4個神經(jīng)網(wǎng)絡(luò)模型的MSE值比均值模型都要小，說明相比均值模型，基于本文特征結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)較好的模擬了特征與專家能力之間的關(guān)系。ANN_KSI相比ANN_KS模型在性能上提升23.69%，表明在知識能力和情感能力的基礎(chǔ)上考慮用戶互動程度，有助于提高專家識別準(zhǔn)確率。ANN_KSI相比ANN_KI模型在性能上提升26.45%，說明在考慮知識能力和互動程度的基礎(chǔ)上加上情感能力，能更好的識別專家。ANN_KSI相比ANN_K模型又更大程度的性能提升29.99%，進一步說明了，ONWOM處理的專家識別中，除了考慮知識能力，融入情感撫慰能力和互動能力的模型能顯著提高識別性能。

5 結(jié)語

現(xiàn)有專家識別方法大多只考慮專家解決問題的知識能力，而在ONWOM處理背景中，單考慮知識能力的傳統(tǒng)方法無法滿足發(fā)布方尋求情感撫慰的需求，更無法達到ONWOM處理的互動性要求，容易導(dǎo)致處理失敗。

針對以上問題，本文將UGC中的專家用戶看作ONWOM處理資源，從資源視角出發(fā)建立專家識別對應(yīng)的資源映射框架，并將此過程分為顯性資源映射和隱性資源映射，顯性資源映射是原始UGC資源到結(jié)構(gòu)化用戶特征空間的映射，實現(xiàn)用戶信息資源的結(jié)構(gòu)化表示，隱性資源映射是從用戶特征空間到用戶價值的映射，實現(xiàn)用戶價值的量化，用專家得分表示。與傳統(tǒng)專家識別不同，本文專家識別過程中不僅考慮了直接體現(xiàn)用戶專業(yè)水平的知識能力，還考慮了專家參與負面口碑處理的情感撫慰能力，并借助情緒感染機制獲得情感能力的量化指標(biāo)。此外，互動作為資源整合的條件和情緒感染的前提，本文也將用戶互動程度引入到用戶能力特征空間，以此構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)專家識別。實驗證明本文方法能更好的識別負面口碑處理的專家。提出的資源映射框架為專家識別提供一種新的指導(dǎo)方法，構(gòu)建的模型為理解負面口碑處理專家能力結(jié)構(gòu)提供一種新思路。