李艾鮮，喬少杰，韓 楠，元昌安，黃 萍，彭 京，周 凱

1.成都信息工程大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，成都 610225

2.成都信息工程大學(xué) 軟件工程學(xué)院，成都 610225

3.成都信息工程大學(xué) 軟件自動生成與智能服務(wù)四川省重點(diǎn)實(shí)驗(yàn)室，成都 610225

4.成都信息工程大學(xué) 管理學(xué)院，成都 610103

5.南寧師范大學(xué)，南寧 530001

6.四川省公安廳，成都 610014

1 引言

識別競爭對手、量化競爭關(guān)系是幫助企業(yè)、商家保持核心競爭力的重要方法[1]?，F(xiàn)有研究通過專利挖掘[2-3]、用戶評論[4-5]挖掘等方法識別競爭對手，鮮有競爭關(guān)系量化研究。翟東偉[6]構(gòu)建主題-機(jī)構(gòu)模型對專利機(jī)構(gòu)的主題和競爭關(guān)系進(jìn)行分析。Rodriguez 等人[7]提出了一種基于圖形核的度量方法識別競爭對手。陳元等人[8]從Web 用戶評論中構(gòu)建企業(yè)競爭情報挖掘模型獲取企業(yè)產(chǎn)品競爭情報。聶卉等人[9]通過Word2Vec 結(jié)合依存語法分析在線評論進(jìn)行領(lǐng)域特征詞典構(gòu)建和用戶觀點(diǎn)抽取。上述工作僅實(shí)現(xiàn)了競爭情報的挖掘和競爭對手的識別，不能反映出實(shí)體間競爭關(guān)系的強(qiáng)弱。Yang 等人[10]提出主題因子圖模型來量化推斷企業(yè)間的競爭關(guān)系，但采用半監(jiān)督學(xué)習(xí)方法，其實(shí)用性有限。上述研究均未考慮地理位置對競爭關(guān)系的影響，顯然存在局限。

研究動機(jī)：口碑傳播已被證明對消費(fèi)者的購買決策起著重要的作用[11]。通過融合消費(fèi)者口碑與地理位置信息進(jìn)一步改進(jìn)現(xiàn)有競爭關(guān)系挖掘方法，提升模型的實(shí)用性、客觀性和準(zhǔn)確性。電商企業(yè)可以將本文提出的新方法應(yīng)用于評論特征抽取、評論內(nèi)容中的企業(yè)競爭對手識別，將競爭關(guān)系發(fā)現(xiàn)與量化輸出相結(jié)合，克服傳統(tǒng)的競爭關(guān)系挖掘方法不考慮地理位置信息影響的缺點(diǎn)。融合消費(fèi)者口碑和實(shí)體空間位置兩大因素，科學(xué)地量化實(shí)體間競爭關(guān)系。

2 理論基礎(chǔ)

本文中定義的實(shí)體包括但不限于企業(yè)、商店、餐廳等。首先給出競爭關(guān)系網(wǎng)絡(luò)的定義。

定義1（競爭關(guān)系網(wǎng)絡(luò)）網(wǎng)絡(luò)G=(V,E,S,L)，V是實(shí)體的集合，E?V×V表示實(shí)體間的關(guān)系，S表示該實(shí)體所有消費(fèi)者的評論，L代表實(shí)體的地理位置。

定義2（實(shí)體主題模型）實(shí)體的全部消費(fèi)者評論集合θd的主題模型是單詞{P(w|θd)}的多項(xiàng)分布。一個餐廳ei的所有消費(fèi)者評論是從餐廳的主題模型θd中抽樣形成的。

定義3（困惑度[12]）用來度量一個概率分布或概率模型預(yù)測結(jié)果的好壞程度，定義如下所示：

其中，p(w)表示LDA（latent Dirichlet allocation）模型中任意一個詞w的概率，定義為：

式（2）中，w代表詞，z代表主題，d代表文檔，N表示測試集中出現(xiàn)的所有詞的數(shù)量（不排重）。p(z|d)表示從文檔d抽取主題z的概率值，p(w|z)表示從主題z中抽取詞w的概率值。因?yàn)長DA 是詞袋模型，困惑度是語料庫的極大似然估計(jì)，即所有詞的概率乘積，因此對于未知分布的數(shù)據(jù)集，其困惑度的值越小，說明主題模型越好，記錄該條件下LDA 主題模型取得的主題數(shù)量為K（K為最優(yōu)值）。

定義4（空間相鄰關(guān)系）當(dāng)兩個實(shí)體在地理空間中的最短路徑小于或等于給定閾值ξ時，稱兩個實(shí)體空間相鄰，用neighbor表示，定義如下：

當(dāng)空間中兩個實(shí)體滿足式（3）時，說明空間中的實(shí)體對象ei和ej相鄰。

3 競爭關(guān)系量化

本文基于消費(fèi)者口碑（用戶評論）和地理位置信息設(shè)計(jì)了LTM（location &topical model）模型，量化實(shí)體間競爭關(guān)系，輔助實(shí)體進(jìn)行商業(yè)決策。

3.1 消費(fèi)者口碑主題提取

消費(fèi)者口碑是由消費(fèi)者評論文本構(gòu)成的文檔數(shù)據(jù)，LDA 模型將主題視為詞匯的概率分布，文檔是主題的隨機(jī)混合[13]。本文通過LDA 主題模型提取實(shí)體消費(fèi)者評論的主題與主題詞。根據(jù)主題模型提出的主題和主題詞分布，綜合咨詢專家意見和評價，建立“主題-特征”規(guī)則。依次對所有口碑評論進(jìn)行規(guī)則匹配，統(tǒng)計(jì)規(guī)則匹配頻率計(jì)算口碑相似度。

本文把實(shí)體i記為ei，其對應(yīng)的所有消費(fèi)者口碑評論視為一篇文檔。假設(shè)有n個實(shí)體，那么對應(yīng)n篇文檔。假設(shè)有K個主題，則實(shí)體i的文本中的第j個詞匯wij可以表示為：

式中，d為n篇文檔的集合，zi是潛在變量，代表第j個詞匯標(biāo)簽wij取自該主題，p(wij|zi)是詞匯wij屬于主題zi的概率，p(zi|d)表示給定主題zi屬于當(dāng)前文本的概率。

主題提取先統(tǒng)計(jì)d中出現(xiàn)過的詞匯（不計(jì)重）W，制作詞匯表，現(xiàn)假設(shè)K個主題形成D個文本，以W個唯一性詞匯表示，記φk=p(wij|zi=k)為主題zi下W個詞匯的多項(xiàng)分布，其中wij是W個唯一性詞匯表中的詞匯。記θn=p(zi|d)為文檔d在K個主題上的多項(xiàng)分布。于是，文檔d中詞匯w的概率可表示為：

LDA 模型在上作Dirichlet(α)的先驗(yàn)概率假設(shè)，在上同樣作Dirichlet(β)的先驗(yàn)假設(shè)，得到LDA 模型各層參數(shù)之間依賴關(guān)系的數(shù)學(xué)表述[14]如下：

LDA 主題提取模型需要給定數(shù)據(jù)集和主題的數(shù)量K，根據(jù)定義3 采用困惑度來確定K的取值。

3.2 消費(fèi)者口碑相似度量化

在消費(fèi)者口碑中，競爭關(guān)系越大的實(shí)體，其消費(fèi)者的評論相似度越高。某商店消費(fèi)者評論出現(xiàn)頻率最高的詞匯是“好喝”“干凈”“服務(wù)”，其中“好喝”是針對奶茶口味，“干凈”是針對設(shè)備，“服務(wù)”是針對店鋪環(huán)境的。相似評論說明：在A 商店消費(fèi)的消費(fèi)者，有很大可能會在與A 相似度高的B 商店消費(fèi)。因此需要對消費(fèi)者口碑進(jìn)行相似度量化。

根據(jù)主題模型建立“主題-特征”規(guī)則。依次對n篇文檔利用式（6）進(jìn)行規(guī)則匹配。

“主題-特征”在本文檔中出現(xiàn)則為匹配成功，否則為失敗。以某一餐廳的評論為例，存在規(guī)則“foodnice”，則在該餐廳的所有用戶口碑評論中搜索“foodnice”是否同時存在，若存在則匹配成功，score=1；反之失敗，score=0 。為了得每個實(shí)體的規(guī)則匹配分?jǐn)?shù)，設(shè)計(jì)打分函數(shù)Sei：

式（7）為統(tǒng)計(jì)匹配成功的頻率，式中ei代表第i個實(shí)體用戶評論數(shù)據(jù)，作為函數(shù)的輸入；R代表規(guī)則數(shù)量；D代表規(guī)則數(shù)量；ni表示ei中詞的數(shù)量；scored代表第i個實(shí)體匹配規(guī)則r后得到的分?jǐn)?shù)。匹配完D個規(guī)則后，實(shí)體i獲得一個分?jǐn)?shù)score。

式（8）用于計(jì)算用戶評論相似度。simij表示實(shí)體i與j的相似度。sim值越小，說明實(shí)體相似度越大。

算法1消費(fèi)者口碑量化算法

算法1 的基本思想為：LDA 主題提取過程（第1行～第10 行），從參數(shù)為α的Dirichlet 分布中抽樣生成第i個文檔ni的主題分布θn；從參數(shù)為β的Dirichlet 分布中抽樣生成第k個主題的詞分布φk；對于每一個詞wij及其所屬主題zi，首先從多項(xiàng)式分布θn中抽樣得到zi=p(zi|θn)，然后從多項(xiàng)式分布φk中抽樣得到wij=p(wij|zi,φk)；求口碑相似度（第11 行～第15 行）。算法中的采樣方法為Gibbs 采樣[15]。參數(shù)說明如表1 所示。

Table 1 Parameters and description of algorithm 1表1 算法1 參數(shù)及說明

時間復(fù)雜性分析：算法1時間復(fù)雜度為O(K×N)，其中K表示主題數(shù)量，N表示文檔的總數(shù)。

3.3 地理位置相似度量化

本節(jié)設(shè)計(jì)了符合地理位置屬性在實(shí)際生活中對競爭關(guān)系影響特點(diǎn)的相似度量化函數(shù)。dis是距離矩陣，disij表示餐廳i與餐廳j之間的距離。算法的核心是將具有相似距離關(guān)系的餐廳聚集到一起，并賦予它們相同的影響因子α，最終由實(shí)體距離影響力量化函數(shù)M(disij)輸出實(shí)體距離影響力量化結(jié)果。

根據(jù)定義4，以存在相鄰關(guān)系的實(shí)體i、j的相鄰關(guān)系neighbor(ei,ej)作為聚類的初始值，使用KNN（Knearest neighbor）算法對實(shí)體的經(jīng)度緯度進(jìn)行聚類得到n個簇，記為C，C={C1,C2,…,Cn}。實(shí)際生活中，距離的遠(yuǎn)近將影響實(shí)競爭關(guān)系的強(qiáng)弱。把地理位置具有相似的點(diǎn)聚集到一起，同一個簇內(nèi)，在地理位置屬性上存在相似關(guān)系。不同的簇則相似性較弱。在互聯(lián)網(wǎng)中，相距較遠(yuǎn)的實(shí)體也可能存在競爭關(guān)系。以美團(tuán)為例，理發(fā)店A 和理發(fā)店B 相距5 km，但其主營業(yè)務(wù)一樣，任然存在競爭關(guān)系。單純地考慮距離來評價競爭關(guān)系會夸大距離對結(jié)果的影響，這顯然是不合理的，因此本文引入地理位置屬性影響因子α={α1,α2,…,αn}，定義如下：

式中，Ci為簇i內(nèi)點(diǎn)的數(shù)量，n表示簇的數(shù)量。α的作用包括：（1）調(diào)整距離對競爭關(guān)系的影響，強(qiáng)化簇內(nèi)競爭關(guān)系，弱化簇間競爭關(guān)系；（2）給相似點(diǎn)賦相同的權(quán)重值，簡化參數(shù)。

由實(shí)體距離影響力量化函數(shù)：

輸出實(shí)體距離影響力量化結(jié)果，式（10）中disij表示一個二維矩陣，矩陣的行代表實(shí)體ei，矩陣的列代表實(shí)體ej，矩陣第i行第j列存放ei到ej的距離。M(disij)值越小，說明競爭關(guān)系越強(qiáng)。

3.4 LTM 模型

在圖G=(V,E,S,L)中，矩陣E中的值表示競爭關(guān)系的強(qiáng)弱。本文提出競爭關(guān)系量化函數(shù)φij，融合3.1節(jié)及3.2 節(jié)消費(fèi)者口碑量化結(jié)果simij、實(shí)體地理位置屬性影響力量化結(jié)果M(disij)，其公式為：

Eij表示實(shí)體i與實(shí)體j競爭關(guān)系歸一化結(jié)果：

競爭關(guān)系量化算法參數(shù)說明如表2 所示。

Table 2 Parameters and description of algorithm 2表2 算法2 參數(shù)及說明

算法2競爭關(guān)系量化算法

算法2 工作原理：計(jì)算競爭關(guān)系量化值φij（第1行～第5 行）；查找φij中的最大值（第6 行），查找φij中的最小值（第7 行）；對競爭關(guān)系量化結(jié)果進(jìn)行歸一化處理（第8 行～第12 行）。

時間復(fù)雜性分析：通過分析算法2，可知其時間復(fù)雜度為O(N2)，N表示實(shí)體數(shù)量。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)使用的數(shù)據(jù)為美國肯塔基州北部的城市Louisville地區(qū)Yelp網(wǎng)站上的餐廳數(shù)據(jù)，包含2 375個餐廳ID 及其地理位置屬性和66 156 條用戶評論。實(shí)驗(yàn)硬件平臺為：Intel?CoreTMi5-4200M CPU 2.50 GHz，操作系統(tǒng)平臺為Windows 10。

4.1 主題提取與相似度計(jì)算

在主題提取階段，通過多次迭代得到困惑度變化曲線，并確定最佳主題數(shù)。實(shí)驗(yàn)中發(fā)現(xiàn)輸入相同主題數(shù)，困惑度會有細(xì)微的波動。因此同一主題數(shù)采用多次實(shí)驗(yàn)取均值得到一條穩(wěn)定的困惑度曲線。

如圖1 所示，當(dāng)主題數(shù)量為60 時，困惑度曲線穩(wěn)定收斂，說明該條件下模型對于實(shí)驗(yàn)數(shù)據(jù)集中的有效信息擬合較好，因此最佳的主題數(shù)取值為60。

Fig.1 Curve of perplexity圖1 困惑度曲線

根據(jù)主題提取結(jié)果，經(jīng)過咨詢領(lǐng)域?qū)＜?，合并相似主題后，得到如表3 所示的規(guī)則。

Table 3 Rules table of“Topic-Feature”表3“主題-特征”規(guī)則表

通過3.2 節(jié)的方法對數(shù)據(jù)集中的2 375 個餐廳進(jìn)行打分，本文以其中5 家餐廳為例，結(jié)果如表4 所示。根據(jù)式（8）計(jì)算餐廳之間的相似度，矩陣的行數(shù)表示i實(shí)體，列數(shù)表示j實(shí)體，simij表示餐廳i和餐廳j的消費(fèi)者口碑相似度。

4.2 競爭關(guān)系量化

以表4 所述餐廳為例根據(jù)定義4 計(jì)算餐廳i與餐廳j之間的距離，實(shí)驗(yàn)將閾值θ設(shè)置為1 000 m，則數(shù)據(jù)中具有neighbor關(guān)系的點(diǎn)有20 個。實(shí)驗(yàn)中采用KNN 聚類算法，使用歐氏距離作為度量函數(shù)，把地理位置屬性相似的餐廳聚為一類，重復(fù)20 次，選聚類結(jié)果和neighbor關(guān)系點(diǎn)重合度最高的結(jié)果作為實(shí)驗(yàn)的聚類結(jié)果。根據(jù)聚類結(jié)果，由式（9）計(jì)算得到α值，其值是簇內(nèi)的餐廳距離計(jì)算的權(quán)重，實(shí)驗(yàn)中簇與簇之間的α取0.02。

Table 4 Rating score of rules matching表4 規(guī)則匹配評分表

根據(jù)式（10）計(jì)算餐廳競爭關(guān)系地理位置屬性影響力量化結(jié)果M(disij)。根據(jù)3.4 節(jié)所提方法，得到最終的餐廳間競爭關(guān)系量化結(jié)果?？梢暬瘮?shù)據(jù)集中前5 個餐廳之間的競爭關(guān)系，如圖2 所示。

Fig.2 Visualized results of competitive relationship圖2 競爭關(guān)系量化結(jié)果

使用僅考慮口碑對競爭關(guān)系影響的TM（topical model）模型進(jìn)行對比實(shí)驗(yàn)，其結(jié)果如圖3 所示。

Fig.3 Comparison results of TM and LTM models圖3 TM 與LTM 模型對比實(shí)驗(yàn)結(jié)果

圖3 橫軸Rij代表餐廳i與餐廳j進(jìn)行比較，縱軸Eij代表餐廳i與餐廳j的競爭關(guān)系量化結(jié)果，由于篇幅限制圖3 僅給出實(shí)驗(yàn)的前10 個量化結(jié)果。通過圖3 可以發(fā)現(xiàn)：（1）TM 模型曲線波動很大，說明僅僅靠用戶口碑評論量化競爭關(guān)系容易會出現(xiàn)極端情況；（2）以第5 個點(diǎn)和第6 個點(diǎn)為例，餐廳之間的競爭關(guān)系幾乎為0，這顯然不符合日常規(guī)律。因此僅僅靠口碑量化競爭關(guān)系是不準(zhǔn)確的，因?yàn)橥惒蛷d的用戶評論用詞的重合度容易出現(xiàn)極端情況，不能很好地描述餐廳實(shí)際的競爭關(guān)系。圖3 中LTM 模型在考慮地理位置屬性后，對競爭關(guān)系的刻畫符合實(shí)際情況。以Yelp 網(wǎng)站而言，不論餐廳在城市的哪個角度，都不應(yīng)該出現(xiàn)競爭關(guān)系為0 的情況，因?yàn)橄M(fèi)者完全可以驅(qū)車前往，即使是相距很遠(yuǎn)的餐廳也應(yīng)該存在競爭關(guān)系。綜上，LTM 模型能較好地刻畫餐廳之間的競爭關(guān)系。

5 結(jié)束語

本文考慮消費(fèi)者口碑和實(shí)體地理位置屬性，提出LTM 模型，量化表達(dá)消費(fèi)者口碑和地理位置屬性對實(shí)體競爭關(guān)系的影響。未來的研究工作包括：（1）進(jìn)一步挖掘?qū)嶓w競爭關(guān)系影響因素，例如時間屬性對競爭關(guān)系的影響；（2）現(xiàn)有競爭關(guān)系量化算法存在大量重復(fù)計(jì)算，設(shè)計(jì)新的算法降低時間復(fù)雜度，提升時間效率。