張志新，石文奇，程凡，陳志軍

（1.陜西國(guó)際商貿(mào)學(xué)院，陜西 西安712046；2.絲路文化創(chuàng)意產(chǎn)業(yè)研究中心，陜西 西安712046；3.武漢紡織大學(xué)，湖北 武漢430073）

近年來(lái)，隨著互聯(lián)網(wǎng)技術(shù)的快速更迭，網(wǎng)絡(luò)電商直播帶貨模式發(fā)展迅猛。有關(guān)數(shù)據(jù)表明，截至2020年6月，國(guó)內(nèi)電商直播用戶(hù)規(guī)模超3.09億，主播人數(shù)超40萬(wàn)，觀看人次超500億。對(duì)此，國(guó)內(nèi)的服裝服飾商家企業(yè)也相繼轉(zhuǎn)移到線(xiàn)上直播主戰(zhàn)場(chǎng)。相比傳統(tǒng)的網(wǎng)絡(luò)購(gòu)物，直播能全面地展示商品，再加上主播與消費(fèi)者粉絲不斷建立情感連接，互動(dòng)性高且受眾范圍更廣。這為皮革皮草服飾商家企業(yè)聚焦粉絲，實(shí)現(xiàn)引流拓客目的，催生了更大的市場(chǎng)[1]。與此同時(shí)，網(wǎng)絡(luò)直播帶來(lái)的大數(shù)據(jù)也為商家企業(yè)和學(xué)者了解其市場(chǎng)需求和預(yù)測(cè)未來(lái)的銷(xiāo)量提供了寶貴的資源，網(wǎng)絡(luò)直播市場(chǎng)的需求預(yù)測(cè)成為新的研究熱點(diǎn)。

目前，針對(duì)網(wǎng)絡(luò)服裝服飾銷(xiāo)量的預(yù)測(cè)主要通過(guò)采集挖掘各個(gè)影響服裝服飾產(chǎn)品銷(xiāo)量的因素進(jìn)行多元、邏輯回歸分析，擬合得出預(yù)測(cè)公式[2，3]。但由于數(shù)據(jù)的差異性，各個(gè)影響因素與銷(xiāo)量是否有線(xiàn)性、非線(xiàn)性的關(guān)系變得不確定[4]。網(wǎng)絡(luò)直播帶貨影響銷(xiāo)量的因素更為復(fù)雜多變不可控。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)把大量無(wú)法用具體公式描述的數(shù)據(jù)逐漸引入到服裝服飾的各項(xiàng)預(yù)測(cè)中[5-8]。因BP神經(jīng)網(wǎng)絡(luò)對(duì)信息具有極強(qiáng)信息綜合能力，在處理非線(xiàn)性復(fù)雜和不確定關(guān)系中具有自適應(yīng)性和靈活性，且使用范圍極其寬廣?；诖耍疚膶⒕W(wǎng)絡(luò)直播皮革服裝服飾采集到的各項(xiàng)影響因素?cái)?shù)據(jù)作為輸入數(shù)據(jù)，以最終的支付訂單數(shù)為輸出數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，并從中選取樣本作為驗(yàn)證數(shù)據(jù)，實(shí)證分析直播帶貨皮革服裝服飾銷(xiāo)量預(yù)測(cè)的效用。

1 BP神經(jīng)網(wǎng)絡(luò)

BP（(back propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的人工神經(jīng)多層前饋式算法。因處理信息時(shí)不需要嚴(yán)謹(jǐn)?shù)哪Ｐ?，只需要采集原始?shù)據(jù)，通過(guò)不斷修正網(wǎng)絡(luò)參數(shù)（權(quán)值和閥值），使得網(wǎng)絡(luò)的輸出值和期望值的誤差不斷下降，并最終用相應(yīng)的曲線(xiàn)來(lái)表述變量之間的映射關(guān)系，目前已成為最為廣泛的模型[9]。一個(gè)基本的BP神經(jīng)網(wǎng)絡(luò)包括三層以上的結(jié)構(gòu)。本文以三層輸入單元層、隱層數(shù)據(jù)處理單元層、輸出單元層進(jìn)行建構(gòu)說(shuō)明，每個(gè)層包括一定的神經(jīng)元。如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Model structure of BPneural network

2 研究流程圖

BP神經(jīng)網(wǎng)絡(luò)將網(wǎng)絡(luò)直播中采集到的各項(xiàng)數(shù)據(jù)進(jìn)行輸入、輸出網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，構(gòu)建相應(yīng)的模型，然后通過(guò)測(cè)試樣本數(shù)據(jù)進(jìn)行仿真評(píng)估預(yù)測(cè)未來(lái)的銷(xiāo)量數(shù)據(jù)。其研究的流程步驟為:

（1）通過(guò)各類(lèi)直播平臺(tái)采集某皮革服裝服飾旗艦店一名固定主播一段時(shí)間內(nèi)直播帶貨的各項(xiàng)數(shù)據(jù)并嘗試構(gòu)建訓(xùn)練樣本集和測(cè)試樣本集；（2）對(duì)數(shù)據(jù)進(jìn)行奇異值、主成分樣本分布預(yù)處理；（3）構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)直播銷(xiāo)量的預(yù)測(cè)模型；（4）利用MATLAB軟件對(duì)訓(xùn)練樣本集構(gòu)建模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練；（5）借助測(cè)試的樣本集對(duì)訓(xùn)練好的模型進(jìn)行直播銷(xiāo)量的預(yù)測(cè)仿真。如圖2所示。

圖2 研究流程圖Fig.2 Research flow chart

3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建設(shè)計(jì)

3.1 輸入層和輸出層設(shè)計(jì)

因網(wǎng)絡(luò)直播每個(gè)主播的風(fēng)格差異較大，再加上直播平臺(tái)數(shù)據(jù)產(chǎn)生較多，且相對(duì)復(fù)雜，為準(zhǔn)確構(gòu)建模型、便于研究，以抖音平臺(tái)國(guó)內(nèi)某知名皮革服裝品牌旗艦店的一名固定主播為例，借助手淘淘平臺(tái)對(duì)其某1個(gè)月直播帶貨的數(shù)據(jù)進(jìn)行采集，去除奇異值，同時(shí)進(jìn)行主成分分析。影響網(wǎng)絡(luò)直播有粉絲評(píng)論、互動(dòng)、主播自身、引導(dǎo)用戶(hù)進(jìn)店等主要因素[10，11]，因此本文選取影響皮革服裝網(wǎng)絡(luò)直播銷(xiāo)量的直播觀看數(shù)、評(píng)論次數(shù)、點(diǎn)贊次數(shù)、粉絲互動(dòng)人數(shù)、平均觀看時(shí)長(zhǎng)(秒)、封面點(diǎn)擊率、引導(dǎo)加購(gòu)人數(shù)、引導(dǎo)進(jìn)店人數(shù)8個(gè)影響因素變量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)直播銷(xiāo)量的輸入層，將支付訂單數(shù)1個(gè)變量作為網(wǎng)絡(luò)直播銷(xiāo)量的輸出神經(jīng)元。

3.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理

從3.1可以看出，輸入層的節(jié)點(diǎn)數(shù)為輸入變量的個(gè)數(shù)8，輸出量為訂單支付數(shù)，輸出層節(jié)點(diǎn)數(shù)為1。輸入層、隱含層和輸出層層數(shù)都設(shè)為1。同時(shí)在BP神經(jīng)網(wǎng)絡(luò)中，采集的各項(xiàng)數(shù)據(jù)的物理意義和量綱不同。因此，在輸入層和輸出層的樣本數(shù)據(jù)要進(jìn)行歸一化處理，將數(shù)據(jù)落在［0，1］之間。其歸一化公式（1）為:

其中，Xi為標(biāo)準(zhǔn)化的數(shù)據(jù)，X為采集的原始數(shù)據(jù)，Xmax、Xmin分別為原始數(shù)據(jù)中采集的最大值和最小值。其部分?jǐn)?shù)據(jù)處理后如表1所示。

表1 部分原始數(shù)據(jù)歸一化處理結(jié)果（保留4位）Tab.1 Partof Normalized Processing Resultsof Raw Data(4 bits reserved)

3.3 隱含層神經(jīng)元設(shè)計(jì)

在隱含層中神經(jīng)元的數(shù)量多少會(huì)影響B(tài)P神經(jīng)網(wǎng)絡(luò)的性能。如果神經(jīng)元數(shù)量過(guò)少，其收斂速度快，但預(yù)測(cè)的精度系數(shù)可能會(huì)降低；反之神經(jīng)元過(guò)多，預(yù)測(cè)精度提升，但網(wǎng)絡(luò)會(huì)出現(xiàn)收斂過(guò)慢或不收斂。隱含層神經(jīng)元數(shù)量的多少會(huì)影響感知器神經(jīng)網(wǎng)絡(luò)的性能。因此，選擇合適的隱含層神經(jīng)元顯得非常重要。本文借鑒經(jīng)驗(yàn)公式進(jìn)行計(jì)算。其中，m為輸入節(jié)點(diǎn)數(shù)，n為輸出節(jié)點(diǎn)數(shù)；a為調(diào)整值，范圍在[1,10]之間的整數(shù)。根據(jù)設(shè)定的輸入和輸出神經(jīng)元數(shù)量，得出本文的隱含層神經(jīng)元數(shù)量范圍在[4,13]之間。

4 BP神經(jīng)網(wǎng)絡(luò)模型實(shí)踐

4.1 模型訓(xùn)練

以輸入節(jié)點(diǎn)數(shù)為8，輸出節(jié)點(diǎn)數(shù)為1，隱含層神經(jīng)節(jié)點(diǎn)數(shù)初始值為4，一直嘗試到13,逐一進(jìn)行全部樣本訓(xùn)練模擬仿真。節(jié)點(diǎn)傳遞函數(shù)使用tansig函數(shù)，訓(xùn)練函數(shù)使用trainlm函數(shù)，輸出層采用purelin函數(shù)，其余采用系統(tǒng)默認(rèn)進(jìn)行網(wǎng)絡(luò)神經(jīng)訓(xùn)練[12，13]。BP神經(jīng)網(wǎng)絡(luò)界面處理和網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖3、圖4所示。

輸入不同隱含層神經(jīng)元節(jié)點(diǎn)數(shù)處理后，其均方誤差都有變化，經(jīng)反復(fù)訓(xùn)練，確定隱含層神經(jīng)元數(shù)為6時(shí)，其均方誤差最小，仿真效果最優(yōu)。其樣本訓(xùn)練數(shù)據(jù)回歸系數(shù)效果圖如圖5所示（依次是訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本和全部樣本）。由圖可知，其中樣本的數(shù)據(jù)集和全部樣本的R值均大于0.99，樣本的數(shù)據(jù)點(diǎn)基本分布在直線(xiàn)上，這表明擬合線(xiàn)性效果較好。R值越接近1，表明輸入層的變量對(duì)輸出層的解釋能力越強(qiáng)。

圖3 BP神經(jīng)網(wǎng)絡(luò)處理界面Fig.3 Processing interfaceof BPneural network

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練狀況圖Fig.4 Training status diagram of BPneural network

圖5 BP神經(jīng)網(wǎng)絡(luò)直播銷(xiāo)量回歸效果圖Fig.5 BPneural network livebroadcast sales regression effect diagram

4.2 預(yù)測(cè)結(jié)果性能分析

對(duì)4.1確定的程序做最終的保存，對(duì)預(yù)測(cè)得到的訂單支付數(shù)據(jù)進(jìn)行反歸一化處理，對(duì)模型進(jìn)行誤差校驗(yàn)對(duì)比，網(wǎng)絡(luò)直播下皮革服裝銷(xiāo)量的預(yù)測(cè)結(jié)果、誤差結(jié)果如表2所示（誤差在±20%以?xún)?nèi)均認(rèn)為是合格值）[14]。

由表可知，BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)直播預(yù)測(cè)銷(xiāo)量中，平均絕對(duì)值誤差為6.79%，具有一定的可靠性。這也證明本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸入變量和輸出變量之間的關(guān)系信度較高，表明直播觀看數(shù)、評(píng)論次數(shù)、點(diǎn)贊次數(shù)、粉絲互動(dòng)人數(shù)、平均觀看時(shí)長(zhǎng)(秒)、封面點(diǎn)擊率、引導(dǎo)加購(gòu)人數(shù)、引導(dǎo)進(jìn)店人數(shù)對(duì)網(wǎng)絡(luò)直播下皮革服裝服飾的銷(xiāo)量具有重要的影響。這也從側(cè)面顯示電商直播涉及的影響因素主要體現(xiàn)在“人”“場(chǎng)”和“貨”三個(gè)方面。皮革服裝商家企業(yè)在皮革服裝選品上需要選擇有特色代表性的“貨”；同時(shí)注重直播規(guī)劃方案的設(shè)計(jì)；加強(qiáng)主播“人”對(duì)皮革服裝專(zhuān)業(yè)化程度上的認(rèn)知和提升；因各直播平臺(tái)提供“場(chǎng)”，扮演流量分配、規(guī)則制定、場(chǎng)景服務(wù)角色，商家企業(yè)針對(duì)直播各平臺(tái)要“有的放矢”，把需要走貨爆單的皮革服裝特色內(nèi)容例如材質(zhì)、色彩、工藝、款式、模特著裝效果等各項(xiàng)捕獲眼球的賣(mài)點(diǎn)信息、感知價(jià)值、體驗(yàn)通過(guò)主播傳遞給用戶(hù)粉絲，抓好私域流量轉(zhuǎn)化機(jī)會(huì)，吸引更多的點(diǎn)贊、評(píng)論、互動(dòng)，縮短“人”與“貨”之間的距離，促進(jìn)銷(xiāo)量的提升。

表2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果誤差校驗(yàn)Tab.2 Error verification of BPneural network prediction results

5 研究結(jié)論

本文以影響網(wǎng)絡(luò)直播帶貨的因素作為輸入變量，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的皮革服裝網(wǎng)絡(luò)直播銷(xiāo)量預(yù)測(cè)模型。通過(guò)對(duì)網(wǎng)絡(luò)層數(shù)、輸入、輸出、隱含層神經(jīng)元節(jié)點(diǎn)的設(shè)計(jì)，對(duì)網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練和仿真測(cè)試。實(shí)驗(yàn)結(jié)果表明，隱含層節(jié)點(diǎn)數(shù)為6，仿真效果較優(yōu)。同時(shí)，從預(yù)測(cè)結(jié)果來(lái)看，平均絕對(duì)值誤差為6.79%，仿真結(jié)果基本與實(shí)際數(shù)據(jù)相符合，具有一定的參考價(jià)值，可滿(mǎn)足網(wǎng)絡(luò)直播下皮革服裝服飾的銷(xiāo)量預(yù)測(cè)。但文章仍有許多不足，例如對(duì)網(wǎng)絡(luò)直播下的主播和粉絲的特質(zhì)、“網(wǎng)紅”的帶貨能力等因素未進(jìn)行考慮；樣本的容量設(shè)計(jì)只是基于1個(gè)月，數(shù)據(jù)的精準(zhǔn)度還不是很夠，模型的校驗(yàn)還有繼續(xù)降低誤差的空間。在未來(lái)進(jìn)一步的研究中，將探尋更多的影響因素變量，尋找更好更優(yōu)的網(wǎng)絡(luò)參數(shù)，提升網(wǎng)絡(luò)直播銷(xiāo)量的預(yù)測(cè)能力。