何銳超，劉洪偉，高鴻銘，范夢婷，詹明君

（廣東工業(yè)大學(xué) 管理學(xué)院，廣東 廣州510520）

在線購物是眾多消費者網(wǎng)絡(luò)行為的出發(fā)點與歸宿，而了解用戶的興趣并預(yù)測消費者的購買意愿是網(wǎng)站實現(xiàn)個性化的基礎(chǔ)[1]。電子商務(wù)的發(fā)展使得消費者可以輕易接觸到豐富的商品，同時也導(dǎo)致企業(yè)之間的競爭越來越激烈。因此，實時了解消費者的興趣度變化，有利于提高個性化推薦結(jié)果的準確性，避免重復(fù)推薦，提高消費者的購買體驗。

傳統(tǒng)的消費者購買意愿研究主要基于問卷調(diào)查的方式[2-3]。然而，其數(shù)據(jù)在真實性與客觀性上都存在缺陷，而且沒有考慮消費者的興趣會隨著時間的推移而逐漸改變?；ヂ?lián)網(wǎng)上存在著大量隱式反映消費者興趣的數(shù)據(jù)。而點擊流數(shù)據(jù)因為兼顧了消費者的異質(zhì)性、消費者需求的完整性以及動態(tài)性[4]，因此利用點擊流技術(shù)對用戶行為進行有效的建模受到越來越多學(xué)者的關(guān)注。

為此，本文結(jié)合電子商務(wù)消費者的實際點擊情況，基于消費者興趣漂移理論，構(gòu)建適合網(wǎng)絡(luò)消費者點擊行為的購買意愿預(yù)測模型并分析各影響因素的重要程度。在測量方法上，本文選擇Brans教授提出的PROMETHEE(Preference Ranking Organization Methods for Enrichment Evaluation)偏好順序結(jié)構(gòu)排序評估方法，該方法是建立在級別優(yōu)先關(guān)系(Outranking Relation)上的排序方法。該方法以方案各個屬性的兩兩比較為基礎(chǔ)，并根據(jù)偏好臨界值確定方案之間的偏好性，并認為方案之間可以存在偏好的不可比性和弱偏好關(guān)系[5]，解釋消費者在商品選擇過程中的猶豫心理。

PROMETHEE方法是一種建立在級別不劣關(guān)系下的多屬性決策方法[6]。級別不劣關(guān)系認為，方案與方案之間存在偏好的不可比性和弱偏好性。其中，不可比性認為：按照不同的排序標準對方案進行優(yōu)劣比較，則會出現(xiàn)某些方案不能絕對排序的情況。另外，該方法設(shè)置了6種典型的屬性偏好函數(shù)。在對消費者的偏好建模時，允許消費者針對兩個不同的商品或者商品屬性有嚴格偏好、弱偏好與無差異等多種偏好關(guān)系。通過兩兩比較，根據(jù)優(yōu)勢度概念，并從兩個側(cè)面對方案進行比較。一個側(cè)面為某方案優(yōu)于其他方案的程度，以流出量 Φ+表示；另一個側(cè)面為其他方案優(yōu)于該方案的程度，用流入量 Φ-表示。最后PROMETHEE方法在方案排序上存在3種方法，并對排序存在矛盾的部分解釋為嚴格偏好、弱偏好與無差異，這一點與消費者的猶豫心理相似。該排序方法易于理解，思路清晰，有利于決策者進行分析。，

因此，本文提出一種基于點擊流和PROMETHEE多屬性決策法的電子商務(wù)消費者興趣與購買意向的測度方法。該方法首先針對點擊流數(shù)據(jù)構(gòu)建一個完整的指標體系，并采用真實的京東購物網(wǎng)站上消費者的點擊流數(shù)據(jù)，最后利用PROMETHEE偏好順序排序方法進行計算與排序，預(yù)測消費者的購買意愿。

1 文獻綜述

1.1 消費者購買意愿

購買意愿指的是消費者愿意采取特定購買行為的概率[7]。消費者通過信息搜索累積其購買興趣并在方案評估中產(chǎn)生偏好，最終在購買決策階段明確其購買意愿。因此，購買意愿是衡量消費者是否會產(chǎn)生進一步購買行為的重要指標。

傳統(tǒng)測量消費者購買意愿的方法主要為顯式反饋，如：問卷調(diào)查等方法。但是，因為由于消費者購買意愿無法觀測，較難使用統(tǒng)一的量表準確地測量每個消費者在不同商品上的購買意愿，從而導(dǎo)致消費者購買意愿的相關(guān)研究在指標設(shè)置與理論選擇上存在較大的差異[8]。隨著數(shù)據(jù)挖掘技術(shù)的提升，隱式反饋方法受到越來越多的學(xué)者的關(guān)注，較多學(xué)者從基于社交網(wǎng)絡(luò)[9]、商品評論[10-11]等角度，動態(tài)地預(yù)測消費者的購買意愿。然而，以上研究方法較多地從他人對消費者的影響的角度對消費者的購買意愿進行研究，較少考慮消費者自身興趣度的變化[12]。點擊流數(shù)據(jù)包含著每一個消費者在購物網(wǎng)站中的瀏覽痕跡，利用點擊流技術(shù)對用戶行為進行有效的建模，有利于兼顧每個消費者自身的特性，更好地挖掘消費者實時的購買意愿[13]。

1.2 點擊流研究

點擊流指的是消費者在網(wǎng)站上點擊行為的序列[4]。消費者注意力有限，袁興福等[14]提出，會話劃分是消費者序列行為建模的重要工作之一。以會話為基礎(chǔ)，當(dāng)前關(guān)于點擊流的研究可以分為單一會話研究與多會話研究[13]。其中，單會話研究主要專注于會話類別的分類[12,14-15]，而多會話研究主要研究消費者的行為規(guī)律與購買意愿。Montgomery等[16]通過消費者訪問的頁面類型，重復(fù)訪問次數(shù)以及人口統(tǒng)計學(xué)特征，發(fā)現(xiàn)消費者累計的訪問次數(shù)越多，則越有可能購買，而且模型中的記憶成分是預(yù)測消費者瀏覽與購買行為重要因素。劉洪蓮等[17]通過停留時間等指標，發(fā)現(xiàn)消費者在信息瀏覽與決策會話中行為規(guī)律的差別。OsnatMokryn等[18]利用產(chǎn)品的流行趨勢以及消費者訪問時間的變化，預(yù)測匿名消費者的購買意愿。Jenkins等[19]開發(fā)了一個ClickGraph算法，通過將消費者的商品點擊序列繪制為一個有向圖網(wǎng)絡(luò)，并通過循環(huán)神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測匿名消費者下一次點擊的商品。

以上研究關(guān)注消費者點擊流指標比較單一，較多僅關(guān)注消費者的網(wǎng)站訪問頻率與停留時間。然而，不同消費者的不同的點擊流行為類別，也會從不同側(cè)面反映消費者的興趣程度，如點擊、瀏覽、收藏以及加入購物車等[20-21]。當(dāng)前關(guān)注到該問題的研究如Houda Zaim等[22]通過模糊多屬性方法探究消費者在網(wǎng)頁上的瀏覽行為規(guī)律。但是，該研究尚未細化到消費者的行為類別，因此，本文將通過建立一個針對點擊流的指標體系，并利用PROMETHEE多屬性決策方法探究消費者在每一個會話中的購買意愿，動態(tài)識別消費者的興趣變化過程。

另外，以上關(guān)于多會話的研究較少解釋消費者會話與會話之間的依賴關(guān)系，忽略了消費者興趣的動態(tài)性。消費者興趣漂移理論認為，消費者會受到長期興趣與短期興趣的影響[23]。其中，消費者受到短期興趣的影響最大，而長期興趣對消費者的影響會隨著時間的推移而逐漸減弱[24]。因此，本文借鑒興趣漂移理論的研究范式，引入遺忘函數(shù)以解釋消費者點擊會話之間的依賴關(guān)系[25]。

綜上所述，本文將根據(jù)以往點擊流的研究，構(gòu)建指標體系，并利用PROMETHEE方法評估消費者在會話內(nèi)的購買意愿。最后，利用遺忘函數(shù)探究會話間的依賴關(guān)系，改進現(xiàn)有的點擊流多會話研究。

2 消費者購買意愿預(yù)測模型構(gòu)建

2.1 點擊流會話構(gòu)建

2.2 消費者購買意愿評價指標體系構(gòu)建

點擊流數(shù)據(jù)可以從不同側(cè)面反映消費者當(dāng)前的興趣狀態(tài)，周翔[26]將消費者點擊行為劃分為瀏覽廣度、瀏覽深度以及瀏覽復(fù)雜度3個維度。因此，本文在深入研究京東消費者的點擊流行為的基礎(chǔ)上，結(jié)合消費者點擊行為類別，構(gòu)建了包含3個一級指標和8個二級指標的消費者購買興趣度評價指標體系，如表1所示。

表1 點擊流購買意愿評價的指標體系Table 1 Index system for evaluating purchase intention of clickstream

2.2.1行為復(fù)雜度

選取行為復(fù)雜度為一級指標(B1)。復(fù)雜度的主要度量手段為頻率，如瀏覽詳細頁面的頻率(店鋪、商品等)。在點擊流數(shù)據(jù)庫中，消費者的點擊行為可以分為點擊、瀏覽(瀏覽詳細頁面)、收藏、加入購物車等。以上行為都在不同程度地反映著消費者針對每一個商品不同的興趣度，而且隨著消費者行為復(fù)雜度的不斷累積，消費者對商品的不同信息的收集量越來越多，則消費者購買意愿越明確。因此，選取點擊頻數(shù)、瀏覽頻數(shù)、收藏頻數(shù)以及購物車頻數(shù)作為二級指標，解釋行為復(fù)雜度，表達式如式(2)所示。

2.2.2 行為廣度

選取行為廣度作為一級指標。消費者會根據(jù)一定的維度在一個會話中瀏覽商品信息。在該維度內(nèi)，瀏覽的商品越多，則說明消費者在對該維度內(nèi)的信息了解越透徹，越有利于消費者做出決策，同時反映了消費者對該維度的忠誠度。因為本文利用的數(shù)據(jù)為京東商城的點擊流數(shù)據(jù)，京東商城中商品較多根據(jù)品牌分類，較少利用店鋪進行分類。因此，本文以商品品牌為分類維度，并以品牌瀏覽次數(shù)與瀏覽頻數(shù)為二級指標，對消費者在同一會話中所瀏覽的品牌進行對比，計算方式見式(3)、式(4)。

其中，行為廣度以品牌為基礎(chǔ)，因此 brandt表示在會話s內(nèi)消費者第t次點擊的品牌。

2.2.3行為深度

選取行為深度為一級指標(B3)。消費者在需求觸發(fā)階段，信息瀏覽往往比較隨意，其瀏覽頻率比較高，收集的信息量比較多；但是，在商品選擇與評價階段，消費者的瀏覽頻率下降，而瀏覽時長增加。因為消費者在商品選擇與評價階段能更有效地分配其信息搜索的時間，消費者需要更詳細的信息輔助其進行最終的購物決策[24]。因此，消費者在購物網(wǎng)站上停留的時長是評估消費者行為深度的有效指標。在點擊流行為類別中，消費者通過點擊商業(yè)陳列頁面以及瀏覽商品詳細頁面才可以了解更多商品信息，因此，本文以點擊時長以及瀏覽時長作為二級指標解釋行為深度：

其中，c∈{1,2}，分別代表點擊與瀏覽行為。綜上，點擊流購買意愿評價的指標體系如表1所示。

2.3 多會話指標累積興趣度計算

本文將興趣漂移理論引入到點擊流研究領(lǐng)域。興趣漂移理論主要研究消費者的興趣變化過程，即消費者短期興趣與長期興趣的依賴關(guān)系。

針對消費者會話內(nèi)的點擊行為(即短期興趣)，本文采用會話內(nèi)相同商品序列指標值合并的方法，計算在同一會話中針對消費者所瀏覽的所有商品的興趣度，計算方法如式(2)～式(5)所示。

針對消費者會話間的點擊行為(即：長期興趣)，本文采用采用遺忘函數(shù)對會話間的消費者興趣度進行衰減運算，遺忘因子K計算方法如式(6)所示。

其中，Bimpcs為考慮興趣依賴后當(dāng)前會話的興趣值；n表示會話數(shù)量，n∈{2,···,s}。

綜合消費者的短期興趣與長期興趣之后，本文將采用PROMETHEE方法預(yù)測消費者的購買意愿。

2.4 PROMETHEE購買意愿預(yù)測模型構(gòu)建

本文采用PROMETHEE多屬性決策方法中優(yōu)先度的計算方式與偏好函數(shù)描述消費者在商品瀏覽時的方案比較行為，進而預(yù)測消費者的購買意愿。該決策方法可分為以下4個步驟。

2.4.1確定權(quán)重

本文選取熵權(quán)法(Entropy Method)計算消費者點擊流指標體系的常權(quán)向量。熵權(quán)法是一種常用的客觀賦權(quán)方法，它僅依賴于數(shù)據(jù)本身的離散性。若消費者在某點擊指標上離散性越強，則說明指標對消費者購買意愿的區(qū)分度越強。本文以 ωimsc表示在會話s針對指標i的熵權(quán)值，為常權(quán)值。

2.4.2 確定優(yōu)先指數(shù)

對商品點擊流指標值進行兩兩對比，構(gòu)建優(yōu)先指數(shù)矩陣，使得優(yōu)先指數(shù)不僅僅針對與單會話內(nèi)的指標值，如式(8)、式(9)所示。

其中，dmic(ps,p′s)表 示的是在會話s內(nèi)商品p相對于商品p′在指標Bmc中的興趣度差值。Fmic(·)為優(yōu)先函數(shù)。Πmic(ps,p′s)則 是優(yōu)先指數(shù)，取值從0(會話s內(nèi)商品p在指標Bmc上 優(yōu)于或與商品p′無 差別)到1(會話s內(nèi)商品p在指標Bmc上 嚴格優(yōu)于商品p′)。

考慮到行為復(fù)雜度指標(B1)中的收藏以及購物車頻率均為0、1變量，因此，優(yōu)先函數(shù)F1c(·)如式(10)所示。

另外，消費者的其他點擊行為指標為連續(xù)變量，且隨著消費者興趣度的增加，消費者將對少數(shù)商品進行對比，點擊頻率將下降。因此，優(yōu)先函數(shù)Fmc(·)為非線性的指數(shù)函數(shù)，如式(11)所示。

其中，z為 函數(shù)參數(shù)，本文設(shè)z=2。

2.4.3計算流入流出量

2.4.4 排序

針對考慮興趣依賴關(guān)系后的每個會話內(nèi)商品的流入量與流出量，本文綜合對比PROMETHEE的兩種排序方法。PROMETHEEⅠ對流入流出量進行不完全排序，解釋消費者在商品選擇時的猶豫心理；PROMETHEEⅡ?qū)袅髁窟M行完全排序，有利于商品推薦。

3 算例分析

3.1 會話內(nèi)產(chǎn)品依賴關(guān)系計算

本文選取ID號碼為295193的消費者。該消費者自2016年4月1日00:00:00至2016年4月16日00:00:00共計有1 600次點擊瀏覽記錄，根據(jù)面向時間閾值T的啟發(fā)式會話劃分方法，可以將該消費者的點擊流數(shù)據(jù)劃分為37個會話。其中，消費者在會話22中購買了商品ID為103652的商品。會話22的累計購買興趣數(shù)據(jù)如表2所示。

從表2可見，該消費者在會話22中，購買了ID號碼為103652的商品。該商品的點擊頻率在該會話中最高為28次，然而其點擊時長為357 s，小于商品75877。較難判斷消費者最感興趣的商品是否為ID號碼為103652商品?？梢?，僅僅依靠會話中的累計興趣度較難發(fā)現(xiàn)消費者對不同商品的偏好程度。根據(jù)表格2，可以計算出不同計算指標的熵權(quán)值如表3所示。

3.2 會話間產(chǎn)品依賴關(guān)系計算

本文通過累計興趣度的方法，計算出會話內(nèi)產(chǎn)品的依賴關(guān)系后，利用式(6)計算出消費者會話間的遺忘因子，以此計算會話間商品興趣的衰減過程。因此，當(dāng)消費者295193瀏覽至?xí)?2時，已經(jīng)歷過21次興趣衰減的過程。在數(shù)值上，會話22中消費者瀏覽商品的興趣度如表4所示，而考慮會話間依賴關(guān)系的興趣度權(quán)重如表5所示。

3.3 單會話購買意愿預(yù)測

表6表示的是不考慮會話間依賴，僅考慮會話22中消費者的點擊數(shù)據(jù)下的多屬性評價結(jié)果。從表6中可見，綜合考慮PROMETHEEⅠ與PROMETHEEⅡ方法的評價結(jié)果，可以確定各方案的優(yōu)異排序：商品75877＞103652 ＞81462，而其他商品不存在嚴格偏好關(guān)系，代表了消費者在會話22中對其他商品存在著猶豫與對比的心理。其排序如圖1所示。

但是，在會話22中，消費者真正購買的商品為103652，并非75877。這一點符合了Park等[27]的研究結(jié)論：在同一購物網(wǎng)站中的用戶若停留的時間越長且瀏覽的頁面越少，則越有可能購買，即：消費者在決策階段總瀏覽頻率會下降，而總瀏覽時長不變。因為消費者需要集中精神對意向產(chǎn)品進行比較。因此，僅憑消費者的購物會話數(shù)據(jù)較難識別消費者的真實購買意愿。因此，需要考慮會話間的依賴關(guān)系。

表2 會話22的累積興趣度表Table 2 Cumulative interest table for session 22

表3 二級指標熵權(quán)值表Table 3 Table of initial entropy weights for secondary indicators

表4 考慮會話間依賴的會話22累積興趣度表Table 4 The cumulative interest degree of session 22 considering inter-session dependencies

表5 考慮會話間依賴的二級指標熵權(quán)值表Table 5 Initial entropy weights of secondary indicators considering inter-session dependencies

表6 會話22的PROMETHEE決策法的樣本流量值表Table 6 Sample flow value of PROMETHEE decision method for session 22

圖1 會話22的商品購買意愿排序Fig.1 Sorting of product purchase intentions for session 22

3.4 考慮會話間依賴關(guān)系的購買意愿預(yù)測

表7表示的是考慮會話間依賴關(guān)系的消費者購買意愿預(yù)測結(jié)果。結(jié)果顯示，消費者在會話22中瀏覽的商品呈現(xiàn)嚴格偏好關(guān)系，預(yù)測消費者購買意愿最高的商品103652為消費者最終購買的商品。

因此，通過考慮會話間依賴的多會話購買意愿預(yù)測方法考慮了消費者的全局信息，有利于進行商品推薦。

3.5 靈敏度檢驗

PROMETHEE-GAIA平面方法是Stewart[28]提出的對多屬性指標體系評價結(jié)構(gòu)的靈敏度分析方法。該方法通過利用主成分分析方法對決策分析方法進行降維分析，并使用方差極大旋轉(zhuǎn)方法獲得屬性的最大分離。另外，本文GAIA圖的繪制過程使用的軟件為DecisionLab，并繪制圖2與圖3。

圖2與圖3中，方框代表的是商品，其中灰色方框代表消費者尚未購買的商品，紅色方框中的商品103652為消費者在該會話中購買的商品。菱形的方框代表的是指標體系，不同顏色代表了不同的一級指標。其中，紫色的向量代表的是行為復(fù)雜度一級指標，藍色的向量代表的是行為廣度一級指標，綠色的向量代表的是行為深度一級指標。最后，紅色的向量代表的是決策軸，即綜合決策結(jié)果。最優(yōu)決策方案(商品103652)與決策軸方向一致。

表7 考慮會話間依賴的會話22的PROMETHEE決策法的樣本流量值表Table 7 Sample flow value table of the PROMETHEE decision method for session 22 considering inter-session dependencies

圖2 指標體系未調(diào)整前的GAIA平面圖Fig.2 The GAIA before adjustment of the indicator system

圖3 行為深度一級指標調(diào)整后的GAIA平面圖Fig.3 The GAIA after behavioral first-level index adjustment

從圖3中可見，匯總后的行為深度(B3)指標與決策軸方向一致，行為復(fù)雜度(B1)偏斜程度減少，行為廣度(B2)的偏斜程度基本不變。

從圖2中可見，行為復(fù)雜度(B1)的指標向量與決策軸的偏斜程度最小，可見行為復(fù)雜度對消費者的購買行為預(yù)測性最強，行為廣度(B2)次之。但是，行為深度(B3)的指標向量與決策軸的偏斜程度較大，而且點擊時長與瀏覽時長分別位于決策軸的兩側(cè)。這說明了點擊時長與瀏覽時長在數(shù)據(jù)上存在互補。另外，注意到消費者針對某些商品的瀏覽時長與點擊時長為0，然而其瀏覽頻率或點擊頻率較高。針對以上不合理的情況，本文對行為深度中的點擊時長與瀏覽時長匯總為訪問時長，并得到圖3。

4 結(jié)論

本文提出了一個基于點擊流與PROMETHEE多屬性決策法的電子商務(wù)消費者興趣評估與購買意愿預(yù)測模型，本模型主要分為2個步驟：(1) 對消費者點擊流中的會話數(shù)據(jù)進行有效累計；(2) 使用PROMETHEE多屬性決策方法測度消費者在每一個購物會話中對不同商品的購買意愿。最后，根據(jù)消費者的真實購買記錄，驗證了本方法的可行性與有效性。

本文主要從3個方面做出了貢獻：

(1)傳統(tǒng)的點擊流消費者行為研究關(guān)注的指標比較單一。因此，本文在周翔學(xué)者的研究基礎(chǔ)上，構(gòu)建了一個完整的指標體系，并發(fā)現(xiàn)：行為復(fù)雜度，行為廣度以及行為深度是衡量消費者購買意愿的重要因素。其中行為復(fù)雜度最重要，行為深度次之。另外，商品品牌也是消費者進行商品對比的重要指標，不同的消費者會對不同的品牌有不同的忠誠度。

(2)基于消費者點擊行為的特點，選用PROMETHEE多屬性決策方法中的偏好函數(shù)描述消費者在商品對比過程中的心理過程，通過不完全排序發(fā)現(xiàn)消費者興趣度相似的產(chǎn)品，挖掘消費者的猶豫心理，使得消費者購買興趣度研究更具有實用價值。

(3)本文以會話為劃分點擊流數(shù)據(jù)的基礎(chǔ)，并說明利用點擊流數(shù)據(jù)預(yù)測消費者購買意愿時，應(yīng)該注意以會話為研究基礎(chǔ)，動態(tài)匯總與識別消費者興趣度的變化過程。針對消費者的每一次點擊會話，都應(yīng)預(yù)測其購買意愿，以識別消費者當(dāng)前最感興趣的商品并識別消費者最關(guān)注的商品屬性。