陳耶拉，耿秀麗

(上海理工大學 管理學院，上海 200093)

0 引言

《中國制造2025》提出要優(yōu)先發(fā)展服務型制造，服務型制造是制造業(yè)和服務業(yè)融合的新型制造模式，該模式下制造企業(yè)為用戶提供個性化的產(chǎn)品和服務的集成解決方案，即產(chǎn)品服務系統(tǒng)(Product-Service System，PSS)。個性化的解決方案有助于滿足用戶需求，提升企業(yè)競爭力，但同時也給企業(yè)的方案設計帶來了挑戰(zhàn)。如何根據(jù)個性化用戶需求快速設計出符合需求特征的方案成為企業(yè)關注的重要問題。個性化產(chǎn)品服務系統(tǒng)設計方面已經(jīng)開展了相關研究，文獻[1]提出了基于本體的產(chǎn)品服務系統(tǒng)配置方法，解決了PSS組件配置時系統(tǒng)不一致問題;文獻[2]提出了利用智能軟件的創(chuàng)新產(chǎn)品服務系統(tǒng)設計方法，利用SCP作為媒介和工具減少PSS對環(huán)境的影響;文獻[3]提出了面向大規(guī)模個性化的產(chǎn)品服務系統(tǒng)模塊化設計框架，以實現(xiàn)低成本快速配置;文獻[4]研究了產(chǎn)品服務系統(tǒng)模塊的有效比較與選擇，為實現(xiàn)可持續(xù)發(fā)展提出產(chǎn)品服務系統(tǒng)建模框架;文獻[5]以用戶滿意度最大化、成本最小化建立了多目標規(guī)劃模型，利用基于模型規(guī)劃的服務/產(chǎn)品工程法實現(xiàn)產(chǎn)品延伸服務配置。上述PSS設計方法未全面考慮了用戶需求。信息技術為PSS方案設計提供了充分的數(shù)據(jù)與技術支持。推薦算法是電子商務領域常用的方法，可以快速地為用戶提供符合個性化需求的商品信息,為設計個性化PSS提供了解決思路。個性化推薦算法主要分為基于用戶的推薦、基于內(nèi)容的推薦和混合推薦3類。協(xié)同過濾技術是常用的基于用戶的推薦算法，通過計算用戶行為或偏好的相似性，找到新用戶的最近鄰用戶，利用最近鄰預測并推薦合適方案。

協(xié)同過濾算法目前在很多領域得到了廣泛應用。為快速有效地為用戶進行產(chǎn)品與服務的推薦，文獻[6]利用協(xié)同過濾算法中的隱語義概率模型為用戶進行電影推薦;文獻[7]考慮了閱讀時長與頻次,利用基于模型的協(xié)同過濾算法評估用戶對書籍的偏好并進行推薦;文獻[8]借助大量已有相似軟件的需求描述，為新軟件推薦適合的缺失特征。隨著產(chǎn)品服務系統(tǒng)的研究深入，推薦算法也開始用于PSS設計研究中，文獻[9]考慮了用戶的個性化需求以及PSS環(huán)境因素，利用協(xié)同過濾算法為用戶進行環(huán)保PSS方案推薦,該文獻在協(xié)同過濾算法中考慮了屬性權重，但屬性權重計算方法過于主觀。協(xié)同過濾推薦算法的核心是找到新用戶的最近鄰用戶，基于最近鄰的歷史信息預測新用戶對項目的興趣度并做出推薦，因此用戶間的相似度計算是重要環(huán)節(jié)。文獻[10]基于Person余弦相似度算法，考慮商品推薦率計算用戶間的相似度;文獻[11-12]考慮了用戶評分可信度計算相似性;文獻[13]將用戶的評分相似性與用戶的情感評論相似性加權求和計算用戶相似性;文獻[14]利用余弦相似度算法獲得用戶興趣相似度，通過云模型獲得用戶信任云相似度，將兩者加權求和獲得用戶綜合相似度尋找最近鄰。上述研究未考慮不同配置下各屬性對配置滿意度貢獻度的不同，忽略了不同配置角度下各屬性權重的不同，影響了推薦準確度。本文考慮了不同配置下各屬性權重影響用戶對方案的滿意度，并利用該權重計算用戶間的相似度。

通常，屬性權重的確定方法分為主觀賦權法和客觀賦權法，其中客觀賦權法克服了主觀賦權法過度依賴專家經(jīng)驗知識以及存在主觀隨意性的缺陷。常用的客觀賦權方法有熵權法[15-16]、均方差法[17]、主成分分析法[18]等。但在用戶滿意度研究中，屬性效用與總體滿意度呈非線性關系[19]，而BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network，BPNN)具有較高的自由度以及非線性映射能力，因此更適合非線性情況下屬性客觀權重的研究[20]。另外，BPNN屬于具有自適應能力的黑箱模型，可以自動提取人工操作難以準確獲得的特征，因此克服了用戶滿意度研究中傳統(tǒng)統(tǒng)計模型的局限性，柔性的網(wǎng)絡結構更貼合用戶滿意度評價這一復雜內(nèi)部機制的現(xiàn)實情況。文獻[21]通過將用戶對關鍵服務屬性的滿意度評分輸入到神經(jīng)網(wǎng)絡，獲得了關鍵服務屬性的重要性。BP神經(jīng)網(wǎng)絡通過非線性函數(shù)處理輸入和輸出的數(shù)據(jù)，根據(jù)訓練后模型中的網(wǎng)絡連接路徑權重得到方案屬性的權重。方案推薦過程中已有用戶對方案屬性的滿意度評分，再增加總體滿意度評分就可以通過BPNN模型得到屬性權重。其中，屬性評分數(shù)據(jù)作為網(wǎng)絡輸入數(shù)據(jù)，總體方案滿意度評分數(shù)據(jù)作為網(wǎng)絡輸出數(shù)據(jù)。模型訓練后，網(wǎng)絡連接路徑權重的均值即為方案屬性的權重。因此，本文采用BPNN處理歷史用戶評分數(shù)據(jù)，獲得各屬性對總體滿意度的貢獻，從而得到方案客觀屬性權重。

考慮到不同方案滿足的需求類型不同，相應的屬性效用不同，為提高推薦準確度，本文提出基于考慮屬性權重的多屬性協(xié)同過濾方法，利用BPNN為不同方案的各屬性權重賦值。針對不完全冷啟動問題，考慮用戶對方案屬性的不同偏好，結合屬性客觀權重與Person余弦算法計算用戶間的相似度，并預測目標用戶對其他未使用過PSS方案的興趣度評分，最后為目標用戶推薦合適的PSS方案。

1 研究框架

本文提出了考慮方案屬性客觀權重的多屬性協(xié)同過濾推薦方法，該方法主要分為兩個研究階段，其推薦過程如圖1所示。

(1)設計調(diào)查問卷采集用戶對不同方案各屬性和方案總體的滿意度評價信息。建立BPNN，將用戶對方案屬性的滿意度評分作為輸入變量，用戶對方案總體的滿意度評分作為一個輸出變量;將采集的評分信息部分作為訓練集，部分作為驗證集。獲得訓練完成的BP神經(jīng)網(wǎng)絡后，提取網(wǎng)絡中鏈路的權重計算獲得每個屬性的客觀重要度，以此獲得不同產(chǎn)品服務系統(tǒng)方案下各屬性的客觀權重。

(2)針對不完全冷啟動問題，根據(jù)目標用戶的少量PSS方案歷史評分數(shù)據(jù)，利用考慮用戶方案屬性偏好的Person余弦相似度算法計算用戶間的貼近度，利用Top-N法選取N個高貼近度用戶為最近鄰。根據(jù)最近鄰用戶對方案的評分預測目標用戶的評分并推薦方案。

2 基于BP神經(jīng)網(wǎng)絡計算方案屬性權重

通過調(diào)查問卷法獲得并提取較為典型的用戶評價數(shù)據(jù)，其中包括對各個PSS方案使用后的屬性評分以及總體滿意度評分，用于訓練驗證BP神經(jīng)網(wǎng)絡，以確定針對不同方案的屬性權重。評價數(shù)據(jù)中的滿意度評分采用Likter五分量表法，即完全不滿意1分；較不滿意2分；一般3分；比較滿意4分；非常滿意5分?；谝延形墨I研究，選取問卷數(shù)據(jù)中70%數(shù)據(jù)用于訓練BPNN模型，20%數(shù)據(jù)用于測試訓練后的模型，10%數(shù)據(jù)用于驗證[22]。本文利用MATLAB建立BPNN模型，提出了方案屬性權重獲取方法。由于不同PSS方案具有不同的功能特點，各方案中的屬性效用不同，因此用戶對不同方案中的各屬性偏好不同。假設數(shù)據(jù)庫中的產(chǎn)品服務系統(tǒng)方案集A={A1,A2,A3,…,Aq}共有q個，針對某一方案下的屬性權重計算步驟如下：

步驟1將該方案的所有方案屬性評分Rj轉為自然對數(shù)形式，即

Rj→ln(Rj)，j=1,2,…,m。

(1)

式中m為所有方案屬性的個數(shù)。

步驟2將自然對數(shù)形式的屬性滿意度評分作為BPNN的輸入變量，總體用戶滿意度作為BPNN唯一的輸出變量。設置學習速率與動量因子，隱含層和輸出層的激活函數(shù)選取雙曲正切函數(shù)，模型學習的終止規(guī)則采用交叉驗證過程。由于隱含層的神經(jīng)元個數(shù)并無精確公式可以確定，通過建立多個BPNN訓練測試以確定最適隱含層神經(jīng)元個數(shù)。隱含層的神經(jīng)元個數(shù)取值范圍為[2N+1，OP(N+1)][23]，N為輸入神經(jīng)元個數(shù)，OP為輸出神經(jīng)元個數(shù)。在該取值范圍中等差選取適當?shù)碾[含層神經(jīng)元數(shù)值，并建立相應的BP神經(jīng)網(wǎng)絡。

步驟3訓練和測試BPNN。將平均絕對百分比誤差(MAPE)和擬合優(yōu)度R2作為評價BPNN模型性能的指標。

i=1,…,n。

(2)

式中：yi為預測輸出;ai為實際輸出;n為樣本數(shù)量。

(3)

式中σ2為總實際輸出方差。

當R2接近1時，表示BPNN模型具有良好的擬合優(yōu)度;MAPE接近0時，表示BPNN模型具有精確的預測能力。篩選出最佳BPNN模型，從而確定BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元個數(shù)取值。

步驟4獲取輸入變量，即屬性的相對重要度。當BPNN已經(jīng)訓練完成后，針對一個輸入神經(jīng)元，取該輸入神經(jīng)元到隱含層神經(jīng)元和對應隱含層神經(jīng)元到輸出神經(jīng)元這兩段鏈接路徑上的權重之和作為整條鏈接路徑的權重，因此一個輸入神經(jīng)元具有的鏈接路徑權重個數(shù)與隱含層神經(jīng)元個數(shù)相同，即總鏈接路徑權重。總鏈接路徑權重的均值為一個輸入神經(jīng)元的權重;一個輸入神經(jīng)元的重要度是其權重與總輸入神經(jīng)元權重的比值。

(4)

(5)

其中：Ij為所求屬性的權重；wj為屬性Cj的標準化權重，即屬性重要度，其中j∈I;wjh為輸入層神經(jīng)元j與隱含層h鏈路的權重，h∈H;who為隱含層h與輸出層神經(jīng)元o鏈路的權重，o∈O;H為隱含層的神經(jīng)元;I為輸入層神經(jīng)元;O為輸出層神經(jīng)元;|H|為隱含層的基數(shù)。

3 改進的多屬性協(xié)同過濾推薦方法

本文考慮到屬性的客觀重要性以及用戶評分的主觀傾向，采用改進后的多屬性協(xié)同過濾算法為用戶進行推薦。

首先，獲取用戶集U={U1,U2,U3,…,Up}對各PSS方案集A的不同屬性集C={C1,C2,C3,…,Cn}的滿意度評分，如表1所示，Rikj表示用戶Ui對方案Ak的屬性Cj的滿意度評分分值。

表1 用戶-PSS評分表

其次，將用戶對各方案下的屬性滿意度和方案總體滿意度評分輸入BPNN，根據(jù)式(4)和式(5)獲得各方案下的不同屬性重要度wkj，表示針對方案Ak中屬性Cj的客觀重要度。

將用戶對產(chǎn)品服務系統(tǒng)方案屬性的評分與屬性的客觀重要度加權，獲得用戶對方案的綜合評價集，如表2所示。評分計算公式如下：

(6)

式中Rik為用戶Ui對方案Ak的評分。

表2 用戶-PSS綜合評分表

在為目標用戶U0進行新方案推薦時，針對方案評價數(shù)據(jù)稀少的問題，基于該用戶已使用的項目評分，采用考慮屬性權重的Person余弦相似度算法尋找最近鄰。根據(jù)TOP-N法，選取N個高貼近度的用戶組成最近鄰用戶并根據(jù)其對方案的評分預測目標用戶對未購買方案的評分，最后選取興趣度預測評分最高的產(chǎn)品服務系統(tǒng)方案為目標用戶進行推薦。Perosn余弦相似度公式和預測評分公式如下：

sim(U0,V)=

(7)

(8)

4 案例分析

4.1 案例背景及計算

某企業(yè)是一家空氣凈化器制造商，為了增強企業(yè)競爭力，滿足消費者日益增長的個性化需求，提高產(chǎn)品銷售效率，推出為用戶推薦產(chǎn)品服務系統(tǒng)方案的服務。該公司提供具有不同特征的產(chǎn)品服務系統(tǒng)方案，分別為：“靜音系列”(A1)、“凈化系列”(A2)、“殺菌系列”(A3)、“節(jié)能系列”(A4)、“美觀系列”(A5)、“智能系列”(A6)、“服務系列”(A7)、“加濕系列”(A8)、“便攜系列”(A9)、“大面積系列”(A10)。可選的產(chǎn)品服務系統(tǒng)方案的差異在于方案屬性的權重不同，方案屬性分別為：潔凈空氣輸出率(C1)、風扇速度(C2)、除菌率(C3)、體積大小(C4)、服務響應效率(C5)、品牌APP智能控制系統(tǒng)(C6)。

從客戶管理系統(tǒng)中提取200位用戶的歷史評價數(shù)據(jù)，其中包含用戶對曾經(jīng)使用過的各類產(chǎn)品PSS方案的各屬性滿意度評價以及方案總體滿意度評價。滿意度采用1～5分進行打分，從低到高分別表示非常不滿意、比較不滿意、一般、比較滿意、非常滿意。表3截取了部分用戶滿意度信息。

表3 用戶滿意度

為了獲得方案屬性的客觀重要度，首先將用戶的滿意度評分轉化為自然對數(shù)形式。從200份用戶歷史評價數(shù)據(jù)中隨機抽取70%的數(shù)據(jù)用于訓練BPNN模型，20%的數(shù)據(jù)用于測試訓練后的模型，10%的數(shù)據(jù)用于驗證。BPNN的輸入變量和輸出變量分別為自然對數(shù)形式的屬性滿意度和總體用戶滿意度。學習速率與動量因子均設置為0.7，隱含層和輸出層的激活函數(shù)選取雙曲正切函數(shù)。隱含層的神經(jīng)元個數(shù)取值范圍為[7,13]，因此本文取值7、9、11、13作為隱含層神經(jīng)元個數(shù)訓練BPNN模型。通過實驗獲得誤差直方圖，由圖數(shù)據(jù)統(tǒng)計信息得出：當隱藏層神經(jīng)元個數(shù)為7、9、11、13時,誤差標準方差分別為0.0164 9、0.0275 5、0.0720 1、0.171 3，因此選取誤差最小的模型，即隱含層神經(jīng)元個數(shù)為7的BPNN，并獲得該BPNN模型的鏈路權重數(shù)據(jù),根據(jù)式(4)和式(5)得到各方案下不同屬性重要度，如表4所示。

表4 各方案下的不同屬性重要度

續(xù)表4

目標用戶U0曾體驗過方案A1、A3、A6、A7、A9、A10，并希望嘗試該企業(yè)其他產(chǎn)品服務系統(tǒng)方案。為了給用戶U0在未體驗過的方案A2、A4、A5、A8中推薦合適的方案，利用U0的歷史記錄尋找最近鄰用戶V。首先，選取9個體驗過全部方案并作出評價的典型用戶U1～U9，獲取用戶對方案各屬性的評分，如表5所示;然后考慮用戶對方案屬性的偏好，采用式(6)計算用戶對方案的評分，如表6所示。

表5 用戶-PSS各屬性評分表

表6 用戶-PSS綜合評分表

為了對目標用戶U0進行方案推薦，根據(jù)已有的少量方案評分進行計算。根據(jù)式(7)計算目標用戶U0與用戶U1～U9的相似度，計算結果依次為：0.862 2、0.642 3、0.245 1、0.9070、0.9011、0.824 0、0.768 4、0.507 2、0.9591。用戶相似度由高到低為U9>U4>U5>U1>U6>U7>U2>U8>U3。

根據(jù)TOP-N法，取N=3。選取與目標用戶U0相似度最高的3個用戶組成最近鄰用戶集V，分別為U9、U4、U5。基于U0的鄰居用戶的方案綜合評分，根據(jù)式(8)預測U0對未購買方案A2、A4、A5、A8的評分，分別為6.330 4、14.1078、12.819 6、9.077 2。其中預測方案興趣度最高的是A4，因此為目標用戶推薦方案A4。

4.2 對比分析

為了驗證考慮用戶方案屬性偏好Person余弦相似度算法的有效性，采用傳統(tǒng)的Person余弦相似度算法進行對比。傳統(tǒng)的用戶相似度計算方法未考慮不同方案下各屬性權重，即當用戶方案屬性評分加權求和為用戶對方案的綜合評分時，對方案屬性評分進行簡單平均獲得方案綜合評分?；诒?數(shù)據(jù)，采用傳統(tǒng)的Person余弦相似度算法處理用戶對不同方案各屬性評分數(shù)據(jù)，得到如表7所示的評分表。

表7 用戶-PSS綜合評分表

利用Person余弦相似度計算目標用戶U0與用戶U1～U9的相似度，計算結果如下：0.593 2、0.398 2、0.325 3、0.462 4、0.659 3、0.566 3、0.487 3、0.296 3、0.619 7。用戶相似度由高到低為U5>U9>U1>U6>U7>U4>U2>U3>U8。因此，目標用戶U0相似度最高的最近鄰用戶是U5，U9和U1。根據(jù)公式(8)預測U0對未購買方案A2、A4、A5、A8的評分，分別為3.762 2，3.195 5，3.165 4，2.926 7。其中預測方案興趣度最高的是A2，因此為目標用戶推薦方案A2。

將本文所提方法計算的用戶相似度和不考慮方案屬性權重計算的用戶相似度進行比對，通過改進相似度算法，用戶U0的最近鄰用戶分別是U9、U4、U5，而對比算法中用戶U0的最近鄰用戶分別是U5，U9和U1。用戶相似度影響了預測推薦方案的結果，改進算法中最佳推薦方案A4，而對比算法中最佳推薦方案為A2。依據(jù)目標用戶U0的已體驗方案的評分數(shù)據(jù)信息與本文所提方法獲取的最近鄰用戶U9、U4、U5相應的方案評分數(shù)據(jù)進行對比，U0與U9、U4、U5對方案滿意度情況相似，均對方案A10具有較高滿意度，對方案A1滿意度較差，反映了最近鄰用戶與目標用戶U0的需求偏好相似。另外，最近鄰用戶一致對推薦方案A4的滿意度評分遠高于他們對其他方案的滿意度評分，結果說明所提方法推薦結果更準確，更貼近目標用戶U0的個性化需求。而對比算法中，用戶U0的最近鄰用戶U5，U9、U1與U0已體驗的方案滿意度情況相差甚遠，難以反映最近鄰用戶與目標用戶U0有相似的偏好。另外，推薦方案A2未獲得最近鄰用戶一致滿意度最高分，因此未考慮方案屬性權重進行的最適方案推薦結果不準確，與目標用戶U0的實際需求偏好不符。

圖3給出了用戶U0與用戶U1～U9的相似度對比圖。由圖3可知，對比算法獲得的用戶相似度數(shù)值較為接近，用戶間差異較小，相似程度模糊。而所提方法獲得的用戶相似度數(shù)據(jù)坡度較大，對比顯著，因此考慮屬性重要度更能區(qū)分用戶的不同偏好，以準確計算出最相似的最近鄰用戶，推薦結果更精確。

5 結束語

產(chǎn)品服務系統(tǒng)是制造業(yè)型企業(yè)滿足用戶多樣化需求，提升企業(yè)競爭力的重要途徑。為實現(xiàn)個性化產(chǎn)品服務系統(tǒng)方案的快速配置，協(xié)同過濾算法可根據(jù)目標用戶的偏好找到最近鄰用戶，根據(jù)最近鄰用戶的信息為其快速推薦方案。本文提出基于改進協(xié)同過濾的個性化產(chǎn)品服務系統(tǒng)推薦算法，考慮用戶對方案屬性的偏好并結合方案屬性的客觀權重來計算用戶間的相似度，為目標用戶進行個性化方案推薦。在用戶相似度計算環(huán)節(jié)，將不同方案下各屬性的客觀重要度引入Person余弦相似度算法；根據(jù)已有的用戶使用滿意度信息，基于BPNN計算不同方案下各屬性的客觀重要度。所提方法提高了屬性重要度的可靠性，可以精確地尋找目標用戶的最近鄰用戶，提高目標用戶方案評分預測的準確性，從而找到最佳的推薦方案。

本文通過對某空氣凈化器企業(yè)進行的個性化產(chǎn)品服務系統(tǒng)方案推薦過程進行分析，并將不考慮方案屬性權重的協(xié)同過濾算法結果與本文所提的改進協(xié)同過濾算法結果進行對比。通過對比，本文考慮不同方案下各屬性的偏好可使用戶間差異表現(xiàn)地更加顯著，提高了用戶相似度的可靠性，準確預測了目標用戶的最佳方案。下一步研究將考慮用戶滿意度評價信息的不確定性對方案推薦產(chǎn)生的影響。