姬曉飛，魏振鋼，石 碩，林喜軍，宋 祥

（中國(guó)海洋大學(xué) 信息科學(xué)與工程學(xué)部，青島 266000）

0 引言

生產(chǎn)制造型向服務(wù)制造型轉(zhuǎn)變已成為制造業(yè)企業(yè)的轉(zhuǎn)型的新動(dòng)態(tài)，產(chǎn)品服務(wù)質(zhì)量的優(yōu)劣直接和產(chǎn)品市場(chǎng)占有率，企業(yè)品牌，乃至與發(fā)展前景息息相關(guān)[1]。針對(duì)已有工作缺少?lài)@產(chǎn)品服務(wù)生命周期優(yōu)化服務(wù)價(jià)值鏈協(xié)同工作研究的不足，提出基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)模型，從產(chǎn)品定位層面為優(yōu)化服務(wù)價(jià)值鏈組織結(jié)構(gòu)提供方向，作為面向核心制造企業(yè)及其協(xié)作企業(yè)群，開(kāi)展產(chǎn)品服務(wù)協(xié)同與優(yōu)化研究的基礎(chǔ)[2]。依據(jù)評(píng)價(jià)產(chǎn)品定位方案，提升企業(yè)內(nèi)外協(xié)作能力，形成新的產(chǎn)品市場(chǎng)競(jìng)爭(zhēng)優(yōu)勢(shì)[3]。因此，進(jìn)行面向產(chǎn)品的服務(wù)質(zhì)量評(píng)價(jià)具有實(shí)際的研究意義。

近年來(lái)，對(duì)產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)的研究始終是當(dāng)前評(píng)估模型領(lǐng)域的研究熱點(diǎn)。文獻(xiàn)[4]基于灰色系統(tǒng)理論，研究城市公共交通服務(wù)質(zhì)量的綜合評(píng)價(jià)；文獻(xiàn)[5]通過(guò)相鄰兩層元素隸屬關(guān)系構(gòu)建階梯模糊層次模型，研究網(wǎng)絡(luò)業(yè)務(wù)性能評(píng)價(jià)模型，解決了因?qū)＜移胁煌鴮?dǎo)致層次分析法（AHP）評(píng)價(jià)指標(biāo)體系存在主觀性的問(wèn)題；文獻(xiàn)[6]使用慣性權(quán)重自適應(yīng)的粒子群優(yōu)化算法（PSO）優(yōu)化支持向量機(jī)（SVM）模型，實(shí)現(xiàn)對(duì)待評(píng)價(jià)樣本的電能質(zhì)量綜合評(píng)價(jià)。產(chǎn)品服務(wù)質(zhì)量的評(píng)價(jià)存在影響因素多、定性與定量數(shù)據(jù)交叉，數(shù)據(jù)融合難的問(wèn)題[7]。雖然已經(jīng)有眾多學(xué)者提出了諸如灰色系統(tǒng)理論、云模型、AHP、SVM等多種評(píng)價(jià)模型，目前研究模型存在對(duì)專(zhuān)家經(jīng)驗(yàn)依賴(lài)性強(qiáng)，忽略對(duì)數(shù)據(jù)特征本身隱含信息挖掘的問(wèn)題，不能相對(duì)客觀處理離散型定性指標(biāo)向定量指標(biāo)的轉(zhuǎn)換[8]。針對(duì)研究背景和目前的研究現(xiàn)狀，結(jié)合離散型汽車(chē)評(píng)測(cè)數(shù)據(jù)集，提出基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)模型，較好解決了上述問(wèn)題，以高準(zhǔn)確率實(shí)現(xiàn)對(duì)產(chǎn)品服務(wù)質(zhì)量的多等級(jí)劃分。

1 汽車(chē)產(chǎn)品服務(wù)質(zhì)量模型

通過(guò)分析UCI汽車(chē)測(cè)評(píng)數(shù)據(jù)集的特點(diǎn)，進(jìn)行數(shù)據(jù)預(yù)處理，運(yùn)用算法，構(gòu)建面向產(chǎn)品服務(wù)質(zhì)量的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，以挖掘評(píng)價(jià)數(shù)據(jù)信息，實(shí)現(xiàn)對(duì)產(chǎn)品層面的服務(wù)質(zhì)量進(jìn)行評(píng)價(jià)。

1.1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的確定

依據(jù)神經(jīng)網(wǎng)絡(luò)在產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)模型中應(yīng)用的經(jīng)驗(yàn)，本研究模型采用兩層隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu)[9]。由于數(shù)據(jù)具有離散型特征，因此采用one-hot編碼進(jìn)行數(shù)據(jù)預(yù)處理，輸入層有21個(gè)神經(jīng)元，分別對(duì)應(yīng)汽車(chē)的購(gòu)買(mǎi)價(jià)格，維護(hù)價(jià)格，車(chē)門(mén)數(shù)量，載客量，后備箱容量，安全性六個(gè)屬性的one-hot編碼處理信號(hào)。輸出層為4個(gè)神經(jīng)元，對(duì)應(yīng)汽車(chē)服務(wù)質(zhì)量評(píng)價(jià)的四個(gè)等級(jí)，分別是很好，好，可接受，不可接受四個(gè)層次。結(jié)合隱含層神經(jīng)元個(gè)數(shù)確定公式并通過(guò)反復(fù)驗(yàn)證與比較，確定各個(gè)隱含層神經(jīng)元個(gè)數(shù)為8個(gè)。由于數(shù)據(jù)集的特征差異小，為了防止過(guò)擬合，采用L2正則化優(yōu)化網(wǎng)絡(luò)模型，λ為正則化系數(shù)，經(jīng)過(guò)多次調(diào)試，最終確定正則化系數(shù)為1×105，學(xué)習(xí)率為0.006。該模型神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

1.2 模型訓(xùn)練算法及步驟

本文網(wǎng)絡(luò)輸入表示為向量X=(x1，x2，…，xn)，n對(duì)應(yīng)輸入層神經(jīng)元的個(gè)數(shù)。激活函數(shù)選用雙曲正切S形函數(shù)，也叫雙極性Sigmoid函數(shù)，，其中，θ為該函數(shù)的斜率參數(shù)。樣本集逐層經(jīng)過(guò)隱含層及激活函數(shù)處理獲得各層輸出。然后，將神經(jīng)網(wǎng)絡(luò)模型所得的預(yù)測(cè)結(jié)果和標(biāo)簽值做差，采用均方誤差作為此網(wǎng)絡(luò)誤差傳播算法的性能指標(biāo)，得到此次預(yù)測(cè)誤差yK=σ(y(k-1)W(k))，再將誤差依據(jù)式(1)、式(2)、式(3)從后向前進(jìn)行反向傳播，逐層更新權(quán)重。

其中，k=(1，…，K)，K代表神經(jīng)網(wǎng)絡(luò)的層數(shù)，y表示樣本的實(shí)際標(biāo)簽向量，yk為第k層神經(jīng)網(wǎng)絡(luò)的輸出，σ表示激活函數(shù)，h(x)=σ`(x)，W(k)表示從k-1層到k層的權(quán)重，η是學(xué)習(xí)率。直到滿(mǎn)足設(shè)定誤差范圍，訓(xùn)練結(jié)束。

2 仿真實(shí)驗(yàn)

2.1 數(shù)據(jù)處理

仿真實(shí)驗(yàn)使用UCI上的開(kāi)源汽車(chē)測(cè)評(píng)數(shù)據(jù)集，該數(shù)據(jù)集一共有1728條數(shù)據(jù)，包含4種汽車(chē)服務(wù)質(zhì)量評(píng)價(jià)等級(jí)，各等級(jí)占比情況如圖2所示。每條數(shù)據(jù)有六個(gè)特征屬性，屬性取值為數(shù)值型和定性描述的離散型混合數(shù)據(jù)，依據(jù)數(shù)據(jù)集的離散型特征，為了使非偏序?qū)傩匀≈挡痪哂衅蛐?，并且使其到圓點(diǎn)等距。采用one-hot編碼方式進(jìn)行數(shù)據(jù)預(yù)處理，將離散的屬性取值擴(kuò)展到歐式空間中的某個(gè)點(diǎn)，特征之間的距離計(jì)算適用于模型算法處理。汽車(chē)評(píng)測(cè)數(shù)據(jù)集編碼后的特征，可以看作連續(xù)型特征進(jìn)行合理處理[10]。

圖2 數(shù)據(jù)等級(jí)占比圖

2.2 模型結(jié)果與分析

圖3 訓(xùn)練誤差曲線(xiàn)圖

圖4 汽車(chē)服務(wù)質(zhì)量等級(jí)實(shí)際值與預(yù)測(cè)值

將汽車(chē)測(cè)評(píng)數(shù)據(jù)集的1728條數(shù)據(jù)按照3：7分為兩組，取其中1210條作為訓(xùn)練數(shù)據(jù)集，在神經(jīng)網(wǎng)絡(luò)上進(jìn)行訓(xùn)練，學(xué)習(xí)率為0.006。通過(guò)one-hot編碼處理過(guò)的數(shù)據(jù)信號(hào)通過(guò)輸入層，隱含層，輸出層前向傳播獲得汽車(chē)服務(wù)質(zhì)量評(píng)價(jià)等級(jí)結(jié)果，利用損失函數(shù)計(jì)算預(yù)測(cè)等級(jí)與實(shí)際等級(jí)的之間的誤差，再?gòu)暮笙蚯爸饘臃聪騻鞑ミx用Adam優(yōu)化器更新權(quán)重參數(shù)和偏置參數(shù)，對(duì)各個(gè)節(jié)點(diǎn)的權(quán)重進(jìn)行調(diào)整，多次迭代，縮小誤差，使得預(yù)測(cè)值更加接近真實(shí)值，同時(shí)采用正則化方法避免過(guò)擬合。最后通過(guò)500次迭代訓(xùn)練，模型趨于穩(wěn)定，訓(xùn)練誤差loss曲線(xiàn)如下圖3所示。選取518條數(shù)據(jù)作為測(cè)試數(shù)據(jù)集，對(duì)產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)模型進(jìn)行測(cè)試，通過(guò)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到汽車(chē)服務(wù)質(zhì)量評(píng)價(jià)等級(jí)與實(shí)際數(shù)據(jù)等級(jí)的擬合情況，如圖4所示。

依據(jù)上述圖示信息，本神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練階段收斂速度快且誤差精度高，其最優(yōu)和平均誤差具有收斂一致性，從而提高了收斂的可靠性，模型準(zhǔn)確率可達(dá)95.38%，進(jìn)行對(duì)比實(shí)驗(yàn)分析，模型準(zhǔn)確率對(duì)比情況如表1所示。證明同等情況下本產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)模型優(yōu)于邏輯回歸，KNN，SVM等傳統(tǒng)質(zhì)量評(píng)價(jià)模型，因此，基于神經(jīng)網(wǎng)絡(luò)的服務(wù)質(zhì)量評(píng)價(jià)模型有較好的應(yīng)用和研究前景。

表1 模型準(zhǔn)確率對(duì)比

3 結(jié)語(yǔ)

為了面向產(chǎn)品進(jìn)行服務(wù)質(zhì)量評(píng)價(jià)，提出一種基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品服務(wù)質(zhì)量評(píng)價(jià)模型，通過(guò)仿真實(shí)驗(yàn)對(duì)比分析，該模型在訓(xùn)練階段收斂速度快且誤差精度高，能夠應(yīng)對(duì)產(chǎn)品質(zhì)量服務(wù)評(píng)價(jià)中具有復(fù)雜性，模糊性，隨機(jī)性的實(shí)際應(yīng)用場(chǎng)景，驗(yàn)證了本神經(jīng)網(wǎng)絡(luò)模型研究的可行性與實(shí)用性。依據(jù)最終的評(píng)價(jià)結(jié)果可以幫助企業(yè)從產(chǎn)品層面提高服務(wù)質(zhì)量，優(yōu)化產(chǎn)品定位，對(duì)不同產(chǎn)品服務(wù)質(zhì)量級(jí)別的產(chǎn)品實(shí)現(xiàn)差異化管理，優(yōu)化服務(wù)價(jià)值鏈，提升企業(yè)產(chǎn)品市場(chǎng)占有率。該模型在實(shí)際應(yīng)用中信息處理效率高，在質(zhì)量評(píng)價(jià)領(lǐng)域有較大的研究?jī)r(jià)值及應(yīng)用前景。