岳立柱， 李良瓊

(遼寧工程技術(shù)大學(xué) 工商管理學(xué)院，遼寧 阜新 123000)

0 引言

隨著互聯(lián)網(wǎng)絡(luò)和電子商務(wù)的迅猛發(fā)展，消費(fèi)者給出的在線評價(jià)信息迅速增長。這些資料在未經(jīng)過處理與分析前，無法作為參考或是輔助決策的依據(jù)，但只要經(jīng)過恰當(dāng)?shù)奶幚砼c分析就能將巨量資料轉(zhuǎn)化創(chuàng)造出價(jià)值與應(yīng)用[1]。近20多年，國內(nèi)外學(xué)者對在線評論進(jìn)行了大量而深入的研究，但由于數(shù)量巨大、多樣性、動(dòng)態(tài)性等特征，學(xué)者Chen[2]等認(rèn)為提取產(chǎn)品評論信息仍然存在很大阻礙。對大數(shù)據(jù)信息如何進(jìn)行有效集結(jié)，至今仍有待研究。對于大數(shù)據(jù)的集結(jié)問題， Pfeiffer等認(rèn)為[3]多準(zhǔn)則決策分析方法在一定程度上獲得了更大的接受度，因?yàn)樗芙Y(jié)合來自不同來源和不同類型的數(shù)據(jù)。不過，在線評價(jià)信息已經(jīng)超出了傳統(tǒng)多屬性群決策理論的應(yīng)用邊界。

在線評價(jià)信息的研究已經(jīng)取得很多成熟的成果，但從多準(zhǔn)則決策視角探索實(shí)踐應(yīng)用的文章非常缺少。評價(jià)數(shù)量影響銷售方面，Chen等[4]認(rèn)為消費(fèi)者在線評論的數(shù)量反應(yīng)了商品受歡迎的程度，在線評論數(shù)量越多，潛在消費(fèi)者關(guān)注該商品或服務(wù)的可能性越大。Dellarocas等[5]實(shí)證發(fā)現(xiàn)某在線產(chǎn)品或服務(wù)的評論數(shù)量越多，消費(fèi)者做出消費(fèi)決策的機(jī)會(huì)就越大。Duan等[6]研究發(fā)現(xiàn)產(chǎn)品的前期評論數(shù)量影響當(dāng)期的收入，也就是說前期評論數(shù)量對以后該產(chǎn)品或服務(wù)的收入有影響。評價(jià)打分影響銷售方面的研究取向，已經(jīng)從平均打分轉(zhuǎn)向極性分析，即是正面的、中性的和負(fù)面的評價(jià)研究對銷售的影響。Liu等[7]研究表明正向的評價(jià)對商品交易量有顯著的積極影響，負(fù)向的評價(jià)對商品交易量有顯著的消極影響，中立評價(jià)無顯著影響。郝媛媛等人研究表明只有5星評價(jià)和1星評價(jià)的評論數(shù)對電影票房的影響比較顯著，其它星級(jí)影響不大[8]。另外，還有學(xué)者發(fā)現(xiàn)產(chǎn)品的價(jià)格越高，評論對銷量的影響越大[9]。上述在線評論的研究主要集中于影響銷售機(jī)制與因素的研究，有關(guān)產(chǎn)品排序比較和產(chǎn)品市場結(jié)構(gòu)的研究比較鮮見。文[2]在相關(guān)語言計(jì)算、TOPSIS模型基礎(chǔ)上提出了產(chǎn)品市場結(jié)構(gòu)的WVAP分析方法；習(xí)揚(yáng)和樊治平[10]率先研究了在線群評價(jià)模型的求解方法，將決策矩陣中的向量用離散型概率分布函數(shù)形式來表示，并構(gòu)建加權(quán)累積分布函數(shù)決策矩陣。進(jìn)一步地，通過構(gòu)建確定屬性權(quán)重的優(yōu)化模型并對模型進(jìn)行求解。在涉及數(shù)據(jù)集結(jié)過程中，相關(guān)研究都要依賴權(quán)重進(jìn)行集結(jié)。在多準(zhǔn)則決策中權(quán)重體現(xiàn)了偏好順序，但研究早已表明群體偏好具有不一致性，加之，無論個(gè)體和群體偏好也處于變動(dòng)之中，因此，用唯一一組權(quán)重進(jìn)行準(zhǔn)則集結(jié)在理論上是困難的。另外，通過群體評價(jià)信息進(jìn)行個(gè)性化推薦時(shí)，需要咨詢者提供權(quán)重信息，實(shí)際上大多數(shù)人不明白權(quán)重的意義，故如上方法是不能進(jìn)行個(gè)性化產(chǎn)品推薦的。為了克服權(quán)重不能精確獲得的問題，采用一種非參數(shù)的決策方法即偏序集決策方法。

在線群決策評價(jià)矩陣較傳統(tǒng)群決策評價(jià)矩陣發(fā)生了顯著變化，即矩陣中的每個(gè)元素不再是單值實(shí)數(shù)，而是一個(gè)多維向量。例如，對某款SUV汽車外觀評價(jià)進(jìn)行統(tǒng)計(jì)，有60%用戶認(rèn)為很好、有30%用戶認(rèn)為一般，有10% 用戶認(rèn)為較差，該款車外觀屬性評價(jià)值為向量(0.6，0.3，0.1)。當(dāng)準(zhǔn)則取值為向量時(shí)，如何對多個(gè)向量進(jìn)行集結(jié)？國內(nèi)外一些學(xué)者，研究了傳統(tǒng)群決策比較關(guān)系矩陣。Herrera[11]拓展了比較關(guān)系矩陣，元素從實(shí)數(shù)拓展為向量(稱之為向量比較矩陣)，采用均值算子對語義向量進(jìn)行集結(jié)。為了解決現(xiàn)有的單等級(jí)上的比較關(guān)系，不能同時(shí)表達(dá)多種不同偏好關(guān)系的問題，提出一種新的基于多等級(jí)方案成對比較的決策方法，構(gòu)建方案集上基于對稱框架的分布式多等級(jí)偏好關(guān)系[12]。針對方案集提供的兩兩方案比較偏好信息是基于語言短語集來描述的(實(shí)際上相當(dāng)于語言向量)，利用 OWA 算子將每個(gè)決策者的偏好信息集結(jié)成為群的比較偏好矩陣[13]。Chiclana等[14]，Wu和Cao[15]提出了一些誘導(dǎo)的有序加權(quán)平均算子，并將其應(yīng)用于模糊偏好關(guān)系的群集成問題。這些方法適用于傳統(tǒng)群決策，由于在線群決策評價(jià)者數(shù)量過多，且存在大量“殘缺”賦值的問題，難以得到單個(gè)人的比較矩陣，自然無法綜合得到總體的比較矩陣，但為在線群決策研究提供了思維試驗(yàn)基礎(chǔ)。文[10]得到了語言評價(jià)向量的比較矩陣，但沒有對進(jìn)行兩極問題進(jìn)行研究，不僅正負(fù)評價(jià)的影響不同，Adomavicius (2005)認(rèn)為用戶評分?jǐn)?shù)據(jù)是一種并不很有代表性和無偏的樣本數(shù)據(jù)，因?yàn)榇蠖鄶?shù)情況下用戶只對自己喜歡的商品進(jìn)行評分[16]。本文采用兩極評價(jià)方式即將評價(jià)向量“拆分”為正向評價(jià)和負(fù)向評價(jià)兩個(gè)向量。針對權(quán)重問題采用偏序集的方法來進(jìn)行求解，實(shí)現(xiàn)通過權(quán)重順序不需具體數(shù)值便能對向量進(jìn)行集結(jié)和比較，進(jìn)而實(shí)現(xiàn)方案比較與個(gè)性化推薦。

1 在線群評價(jià)模型

1.1 在線群評價(jià)模型概念

用戶在線評論這一寶藏主要以自然語言表述的文本形式分散地存儲(chǔ)在各種類型網(wǎng)站上，為了能夠使用戶評論信息被推薦系統(tǒng)利用，首先需要將分布存儲(chǔ)的用戶評論收集起來。文[10]給出了由語義數(shù)據(jù)提取結(jié)構(gòu)化信息的一般形式：

用戶在線評價(jià)是一種特殊的群決策問題，與傳統(tǒng)群決策研究對象相比主要有五方面差異：(1)評價(jià)群體人數(shù)相差懸殊。在線評價(jià)者人數(shù)眾多，常以萬計(jì)，傳統(tǒng)評價(jià)人數(shù)較少，一般控制在幾十人以內(nèi)；(2)信息完備程度差異明顯。在線評價(jià)者往往對自己了解或感興趣的屬性進(jìn)行賦值，一般對產(chǎn)品體驗(yàn)越強(qiáng)烈，發(fā)布評論的動(dòng)力越大，當(dāng)用戶沒有使用體驗(yàn)，或體驗(yàn)一般時(shí)發(fā)表較少的評論，傳統(tǒng)評價(jià)者往往是相關(guān)領(lǐng)域的專業(yè)人士，對方案所有屬性無論自身是否感興趣，都要按固定的規(guī)則給出評分；(3)群體相互影響方式不同。網(wǎng)絡(luò)評價(jià)中先行的評價(jià)會(huì)對后續(xù)評價(jià)產(chǎn)生影響，后評價(jià)者不會(huì)對前評價(jià)者產(chǎn)生影響，評價(jià)者之間一般不會(huì)進(jìn)行面對面交流，而傳統(tǒng)群決策經(jīng)常需要進(jìn)行相互的了解和溝通，有時(shí)決策者之間通過互動(dòng)反饋的方式產(chǎn)生影響；(4)評價(jià)群體固定性不同。網(wǎng)絡(luò)評價(jià)主體是開放式的，每個(gè)利益相關(guān)者或者體驗(yàn)者都可以是評價(jià)主體，評價(jià)人群規(guī)模處于動(dòng)態(tài)變化之中，傳統(tǒng)群決策評價(jià)者人員相對固定，當(dāng)評價(jià)完成后，群體一般解散；(5)賦值方式有所不同。前者多為語義信息評價(jià)，后者往往采用數(shù)字打分方式，即使應(yīng)用語義也遵守相同的語義粒度。綜上，群體特征和評價(jià)方式上的差異，最終導(dǎo)致了在線群評價(jià)模型與傳統(tǒng)評價(jià)模型相比發(fā)生了質(zhì)的變化。

圍繞“線上”特征，根據(jù)引言文獻(xiàn)的相關(guān)結(jié)論，給出線上評價(jià)模型需要滿足三個(gè)假設(shè)條件：(1)評價(jià)者數(shù)量眾多且單個(gè)評價(jià)者對群體評價(jià)不產(chǎn)生決定性影響；(2)正向評價(jià)對于未來決策者具有正向影響，負(fù)向評價(jià)對未來決策具有負(fù)向影響；(3) 每個(gè)人都是對自己體驗(yàn)深刻的內(nèi)容評價(jià)，不了解內(nèi)容不進(jìn)行評價(jià)。 假設(shè)1規(guī)定了該評價(jià)是一個(gè)群評價(jià)，單個(gè)評價(jià)者不能起到?jīng)Q定性作用，否則，稱不上是真正意義的群評價(jià)。 假設(shè)2表明網(wǎng)絡(luò)評價(jià)的特征，現(xiàn)有評價(jià)會(huì)向其它人群擴(kuò)散，評價(jià)具有后繼影響，反映了評價(jià)的持續(xù)性和動(dòng)態(tài)性。假設(shè)3表明評價(jià)的有偏性，表明獲取的評價(jià)向量的概率分布是有偏的。

1.2 評價(jià)向量的拆分

用戶評價(jià)呈兩極分布[16]，因此向量的概率分布是有偏的，即正負(fù)兩極的評價(jià)比例偏大，而中性評價(jià)比例偏小。 根據(jù)假設(shè)(2)可知正負(fù)兩極的評價(jià)影響是不同的，因此將原向量拆分為正向評價(jià)向量和負(fù)向評價(jià)兩個(gè)向量。為表示方便，設(shè)語言標(biāo)度g=2k+1，即語言標(biāo)度向量(L-k,L-k+1,…,L0,…,Lk-1,Lk),。便于分析，規(guī)定語言標(biāo)度Li，若下標(biāo)t取值為正數(shù)，表明是正向評價(jià)，數(shù)字越大表明正向評價(jià)水平越高。若下標(biāo)t取值為負(fù)數(shù)，表明是負(fù)向評價(jià)，絕對值越大表明負(fù)向評價(jià)水平越高。若下標(biāo)取值為0，表明是中性評價(jià)。

1.3 方案排序

設(shè)方案屬性權(quán)重為ω1,ω2,…,ωn,對于第i個(gè)方案正、負(fù)向評價(jià)向量的綜合向量分別為

(1)

(2)

上述排序思路與傳統(tǒng)方式比較類似，但在應(yīng)用中獲取權(quán)重總是困難。類似地應(yīng)用文[10]方法獲得權(quán)重，雖然能反映群體屬性偏好，但無法為客戶提供個(gè)性化推薦，因?yàn)榭蛻魝€(gè)人偏序往往是有差異的。例如，公司白領(lǐng)購車可能注重品牌和舒適度，而農(nóng)村購車者可能更關(guān)注價(jià)格和空間。獲得在線數(shù)據(jù)屬性權(quán)重具有極大困難，一是評價(jià)信息不全且有偏，客觀賦權(quán)法很難適用；二是數(shù)據(jù)量巨大，客戶群體往往多樣且動(dòng)態(tài)變化，這經(jīng)常超出了專家的認(rèn)知范圍。精確權(quán)重很難獲得，退而求其次，獲得準(zhǔn)則的權(quán)重順序，在偏好序列基礎(chǔ)上，應(yīng)用偏序集相關(guān)理論進(jìn)行排序分析和個(gè)性化推薦。

2 偏序集決策分析方法

2.1 偏序集基礎(chǔ)概念

定義1[17]設(shè)R是集合A上的一個(gè)二元關(guān)系，若R滿足

(1)自反性：對任意x∈A，有xRx；

(2)反對稱性(即反對稱關(guān)系)：對任意x,y∈A，若xRy且yRx，則x=y;

(3)傳遞性：對任意x,y,z∈A，若xRy且yRz，則xRz。

則稱R為A上的偏序關(guān)系。

在應(yīng)用中，通常用“?”表示偏序關(guān)系，集合A和其上的偏序關(guān)系?一起稱為偏序集，記為(A,?)。本文約定“?”表示為：對?x,y∈A，有

(3)

其中

(4)

(5)

(6)

(7)

故設(shè)取前k個(gè)元素時(shí)有

于是，對于前n個(gè)準(zhǔn)則表達(dá)式有

由題設(shè)知

從矩陣運(yùn)算視角，定理1可以用兩個(gè)矩陣P+和I直觀描述，其中I為n維上三角矩陣，即

S+=P+·I的表達(dá)式為塊矩陣

(8)

在塊矩陣S+中，若第i行塊向量大于第j行塊向量，則說明正向評價(jià)方案ai優(yōu)于方案aj。通過定理1可知，只要權(quán)重秩次不變，無論具體取值如何變化，兩個(gè)可比方案的比較關(guān)系不變。矩陣S+每個(gè)元素都是一個(gè)k維列向量，對兩個(gè)k維向量的比較，由定理1可有如下推論。

(9)

H·S+=H·P+·I

(10)

其中，H為分塊對角矩陣，O為k階零矩陣。

矩陣H·P+·I為塊矩陣，若第i行塊向量大于第j行塊向量，則可知正向評價(jià)方面aiaj。

對于負(fù)向評價(jià)集M-=(A,IC,P-)，同理可得

H·S-=H·P-I

(11)

矩陣H·P-·I為塊矩陣，若第i行塊向量大于第j行塊向量，則可知負(fù)面評價(jià)方面ai高于aj。顯然，若矩陣H·P+·I第i行塊向量大于第j行塊向量，H·P-·I第i行塊向量小于第j行塊向量，則可知aiaj。

2.2 方案排序與Hasse圖生成方法

定義2給定評價(jià)集M=(A,IC,P)，對于?ai,aj∈A，若aiaj時(shí)有rij=1，若aiaj時(shí)有rij=0，則稱R=(rij)m×m為評價(jià)集M的比較關(guān)系矩陣。

傳統(tǒng)群決策方法，根據(jù)比較關(guān)系矩陣對方案進(jìn)行比較排序。通過比較關(guān)系矩陣可以看出，第i行之和表示了第i個(gè)方案優(yōu)于或等于其它方案的個(gè)數(shù)，該值越大表明方案程度越優(yōu);第i列之和表示了第i個(gè)方案劣于或等于其它方案的個(gè)數(shù)，該值越小表明方案程度越優(yōu)。因此，在這兩點(diǎn)特征基礎(chǔ)上構(gòu)造排序方法：

(12)

(13)

偏序集決策方法與此不同在于，不僅可以通過比較關(guān)系矩陣對方案進(jìn)行排序，還可以借助Hasse 圖對方案進(jìn)行分析。由比較關(guān)系矩陣得到Hasse矩陣，由Hasse矩陣得到Hasse 圖。文[19]給出了比較關(guān)系矩陣與Hasse矩陣相互轉(zhuǎn)化的關(guān)系：

HR=(R-I)-(R-I)2

(14)

其中，R為關(guān)系矩陣，HR為Hasse矩陣，i為單位矩陣，矩陣(R-I)2為布爾運(yùn)算(即1+1=1，1+0=1，0+0=0，1×1=1，1×0=0，0×0=0)。 需要說明的是，應(yīng)用式(14)不允許出現(xiàn)雷同方案。

由Hasse矩陣可以繪制Hasse圖(關(guān)于Hasse圖詳細(xì)繪制介紹可參見文[20])。Hasse圖直觀地反映了方案間的結(jié)構(gòu)信息，對同層元素而言，層內(nèi)的方案是不可以直接比較的，這些方案的排序順序會(huì)隨著權(quán)重向量的變化而變動(dòng)，揭示了方案排序的非確定性；對于圖中可比較優(yōu)劣的方案，表明權(quán)重大小無論怎樣變動(dòng)，只有權(quán)重大小順序不變，則方案間的比較關(guān)系不變，揭示了方案排序比較的穩(wěn)定性。

2.3 操作步驟

第一步：根據(jù)權(quán)重由大到小的順序，將指標(biāo)從左至右進(jìn)行排列，得到調(diào)整后的向量評價(jià)矩陣P，將P“拆分”為正向評價(jià)矩陣P+和負(fù)向評價(jià)矩陣P-；

第二步：根據(jù)權(quán)重大小信息，按定理1得到P+·I和P-·I；

第三步：根據(jù)語義標(biāo)簽的重要程度，根據(jù)推論1得到H·P+·I和H·P-·I；

第四步：若H·P+·I第i行塊向量大于第j行塊向量，若H·P-·I第行塊向量小于第j行塊向量，則有rij=1，否則rij=0，于是得到比較矩陣R=(rij)m×m；

第五步：根據(jù)式(13)進(jìn)行排序，由式(14)得到Hasse矩陣，繪制Hasse圖，進(jìn)行結(jié)構(gòu)分析。

3 實(shí)例對比分析

文[2]利用網(wǎng)絡(luò)爬蟲技術(shù)從汽車之家網(wǎng)站獲得如上5款汽車8個(gè)指標(biāo)的評價(jià)信息。汽車之家網(wǎng)站給出了8個(gè)影響汽車購買的指標(biāo): 空間(C1)、動(dòng)力(C2)、操控(C3)、油耗(C4)、舒適性(C5)、外觀(C6)、內(nèi)飾(C7)和性價(jià)比(C8)。根據(jù)用戶在線評價(jià)信息，對吉普指南者(A1)、馬自達(dá)CX5(A2)、斯巴魯森林人(A3)、豐田漢蘭達(dá)(A4)和雪佛蘭科帕奇(A5)等5款SUV汽車進(jìn)行排序， 以便對潛在的汽車購買者提供服務(wù)與決策支持。語言評價(jià)標(biāo)度集為L={l-2,l-1,l0,l1,l2}，其中，l-2表示最差，l-1表示較差，l0表示一般，l1表示較好，l2表示最好。在計(jì)算過程中，重點(diǎn)展示正向評價(jià)矩陣的轉(zhuǎn)換過程。

第一步：按照文[10]權(quán)重順序ω1>ω6>ω2>ω8>ω5>ω3>ω1>ω4,得到評價(jià)向量矩陣(數(shù)據(jù)源見文[10]表1)，將評價(jià)向量矩陣“拆分”為正向評價(jià)矩陣P+(見表1)和負(fù)向評價(jià)矩陣P-(表略)

表1 正向評價(jià)矩陣

第二步：根據(jù)權(quán)重秩次信息應(yīng)用定理1，P+左變換得到S+=P+·I(表2)

表2 列變換正向評價(jià)矩陣

第三步： 根據(jù)語言標(biāo)度的重要程度，根據(jù)推論1對矩陣S+進(jìn)行左變換，得到H·S+=H·P+(表3)

表3 行列變換正向評價(jià)矩陣

第四步：根據(jù)H·P+·I第i行塊向量大于第j行塊向量的比較，得到正向評價(jià)矩陣的比較關(guān)系矩陣

表4 正向比較關(guān)系矩陣

第五步：由式(12)得到5款SUV汽車排序結(jié)果為A2A5=A1A3=A4,由式(13)φ(A1)=(1+1)/(1+2)=2/3,φ(A2)=3,φ(A3)=3/4,φ(A4)=1/3,φ(A5)=2,得到5款SUV汽車排序結(jié)果為A2A5A1北A3A4,由此可見，式(13)的排序能力強(qiáng)于式(12)。根據(jù)式(14)得到正向比較矩陣的Hasse矩陣，根據(jù)該矩陣?yán)L制Hasse圖；與此類似，也可以得到負(fù)向比較矩陣的Hasse圖。結(jié)果分析：

圖1 正向評價(jià)矩陣Hasse圖

圖2 負(fù)向評價(jià)矩陣Hasse圖

(1)由正向評價(jià)矩陣對應(yīng)的Hasse圖可以看出，A1、A2和A5無法相互比較，表明三款SUV在8項(xiàng)指標(biāo)方面各有所長，例如A1在外觀方面(C6)評價(jià)最好、A2在操控(C3)和油耗(C4)方面評價(jià)最好；A5在空間(C1)和性價(jià)比(C8)方面評價(jià)最優(yōu)。A3和A4正向評價(jià)指標(biāo)均劣于A2，A3和A4兩款車在鞏固和擴(kuò)展客戶上，面臨著嚴(yán)峻挑戰(zhàn)。由于A1、A2和A5三款車各有獨(dú)特賣點(diǎn)，這三款車會(huì)保持各自的目標(biāo)市場，但A2市場有所擴(kuò)大，有吞并A3和A4的發(fā)展趨勢。

(2)由負(fù)向評價(jià)矩陣對應(yīng)的Hasse圖可知，A4和A1的負(fù)面評價(jià)最高，表明這兩款車的口碑最差，A2的負(fù)面評價(jià)水平最低，說明該款車負(fù)面評價(jià)相對最少。

(3)A2正面評價(jià)高于A3和A4，同時(shí)負(fù)面評價(jià)又低于A3和A4。進(jìn)一步肯定了，A2呈擴(kuò)展之勢，能夠吞并A3和A4的市場，即A3和A4市場呈萎縮態(tài)勢；A1和A5能夠維持已有市場份額，A1負(fù)面評價(jià)過高、缺點(diǎn)共存，不具備向其它市場拓展的實(shí)力。

結(jié)果對比：

(1)雖然文[2]給出了5 款SUV汽車的排序值結(jié)果，但對于企業(yè)來說更關(guān)注競爭產(chǎn)品和市場結(jié)構(gòu)的變化。在給定偏好結(jié)構(gòu)不變的情況下，本文發(fā)現(xiàn)整個(gè)市場呈三足鼎立的態(tài)勢：A1，A2和A5各占據(jù)偏好不同的客戶，其中A2有吞并A3和A4的趨勢。這說明，通過Hasse圖中結(jié)構(gòu)關(guān)系，能夠反映研究對象間的結(jié)構(gòu)性關(guān)系，而不是簡單的一排了之。通過比較5 款SUV汽車的排序值可得到排序結(jié)果為A2?A1?A4?A5?A3。

(2)本文的方法不需要具體的權(quán)重值，只需權(quán)重的秩次，這為實(shí)踐應(yīng)用帶來方便．任給一組權(quán)重，只要權(quán)重順序不變，則方案集可比較關(guān)系不變，免去了權(quán)重仿真過程。

(3)對于消費(fèi)者而言，不同的人偏好結(jié)構(gòu)并不相同，只要消費(fèi)者給出指標(biāo)的全部或部分偏好順序，通過本文方法根據(jù)采集的信息對消費(fèi)者推薦車型。解決了文[2]不能進(jìn)行個(gè)性化推薦的難題。

4 結(jié)論

應(yīng)用向量群評價(jià)模型能夠更為合理地表示群體的網(wǎng)絡(luò)評價(jià)信息。對于采集得到的向量評價(jià)矩陣，從正向和負(fù)向兩個(gè)評價(jià)維度對應(yīng)拆分兩個(gè)維度。在權(quán)重順序可辨而大小未知的條件下，應(yīng)用偏序集能夠?qū)Ψ桨高M(jìn)行比較．通過兩兩方案比較，由比較矩陣可得到Hasse矩陣，再由Hasse矩陣?yán)L制Hasse圖，通過該圖能直觀地對方案進(jìn)行歸類和分層。對企業(yè)來說，通過產(chǎn)品的評價(jià)Hasse圖，能夠分析競爭產(chǎn)品和本產(chǎn)品的優(yōu)劣情況，觀察市場的結(jié)構(gòu)變化，對于網(wǎng)站而言能夠?qū)τ脩暨M(jìn)行個(gè)性化推薦。該方法具有概念清晰、計(jì)算簡單和易于應(yīng)用軟件實(shí)現(xiàn)等特點(diǎn)，為解決現(xiàn)實(shí)中基于多屬性在線評價(jià)信息的方案排序問題提供了一種新途徑。