基于BP神经网络的用户评论意愿预测研究

有 用 性（PU）、 感 知 易 用 性（PEOU）、 互 惠（RE）、 声誉（REP）、社交（SI）、乐于助人（EH）、感知乐趣 （FE）、 经 济 报 酬（ER） 和 评 论 成 本（RC） 作 为 自 变 量，评论意愿（INT）为因变量，样本采用用户评论意愿 问卷调查取得的中美两国用户数据。在对所有变量相应测 度项的值取平均后，对数据进行归一化（标准化）处理。 处理的目的是将输入输出数据限制在 [0，1] 区间内。常 用的变换式为： x = xi − xmin （2-1） i xmax − xmin 式（2-1）中，Xi 表示输入或输出数据，Xmin 表示输 入（出）数据的最小值，Xmax 表示输入（出）数据的最 大值。 本文为便于评估电商平台用户在线消费评论意愿，对 评论意愿因变量测度项值取平均后的数值，重新进行了分 类和编码。将用户评论意愿分为两类：愿意和不愿意，凡 均值小于 4 的表示不愿意（重新用编码“0”表示），凡 均值大于等于 4 的表示愿意（重新用编码“1”表示）， 数据处理后的评论意愿因变量用符号 BPint 表示。 2、网络参数设置 （1）网络结构。BP 神经网络往往由网络结构（神经 元间的连接）、激活函数和学习规则决定。本研究以九个 影响因素（自变量）为神经网络的输入层神经元节点，用 户评论意愿（INT）为因变量即目标输出层，输出层节点 数为 2（本文将评论意愿与否，设为二值分布），建立用
m = n + l + a (2-2)
m = log 2 n
(2-3)
m = nl (2-4)
上式 (2-2)、(2-3) 和 (2-4) 中，m 为隐含层神经元节 点数，n 为输入层神经元节点数，L 为输出层神经元节点 数，a 为 1~10 间的常数。对隐含层数的确定，通常先考 虑设一个隐含层，当一个隐含层的神经元节点数很多仍不 能改善网络性能时，才考虑再增加隐含层数量。本文经过 多次试验，发现当一个隐含层且其神经元节点数为 7 时， 网络具有很好的学习收敛效果，并且误差最小。 根据现有文献对电商平台用户在线消费评论意愿影响 因素的研究，结合 BP 神经网络特点，本文最终采用快速 训练法的网络结构：输入层神经元节点数 n 为 9，一个隐 含层，其神经元节点数 m 为 7，输出层节点数 L 为 2，即 9 － 7 － 2 的网络结构。 （2） 激 活 函 数。 根 据 本 研 究 样 本 数 据 特 点， 本 文输入层到隐含层的传递函数采用 S 型双曲正切函数 （tanh-sigmoid）。 由 于 本 研 究 的 因 变 量 为 分 类 变 量， 所以隐含层到输出层的激活函数选用柔性最大值函数 （Softmax），以柔化输出值，减小值之间的差。 （3）学习规则。为确保模型的泛化能力，本研究采 用调整的共轭梯度优化算法，允许误差为 （即训练错误 的最小相对变化），最初学习率为 0.4。 3、网络测试 本文运用 SPSS 神经网络分析功能中的多层感知器 （multilayer perception, MLP）方法评估预测电商平台用 户在线消费评论意愿。为防止网络训练过度，将中国和美
当代经济
2016 年 12 月刊 第 3 6 期
基于 BP 神经网络的用户评论意愿预测研究
李丹丹，李亚琴，朱雨晴
（扬州大学 信息工程学院，江苏 扬州 225127）
摘要：本文基于 BP 神经网络建模、预测电商平台用户评论意愿，测试结果表明 BP 网络可以很好地用于 用户评论意愿建模和预测。 关键词：BP 神经网络；用户评论；意愿；预测 基金项目：扬州大学 2016 年大学生学术科技创新基金项目，“社会化商务平台用户在线消费推荐意愿研 究”，项目编号：20160412；“电商平台用户评论意愿影响因素研究”，项目编号：20160443。
表 1 样本检验结果
ѝഭ ṧᵜ
ᐢ㿲⍻ нᝯ᜿ нᝯ᜿ 䇝㓳 ᝯ᜿ ᙫփ∄ֻ˄%˅ нᝯ᜿ ⍻䈅 ᝯ᜿ ᙫ䇑Ⲯ࠶∄ нᝯ᜿ ‫؍‬ᤱ ᝯ᜿ ᙫ䇑Ⲯ࠶∄ 28 8 21.8 8 2 25 4 2 30 ᐢ亴⍻ ᝯ᜿ 14 115 78.2 3 27 75 0 14 70 ↓⺞⦷˄%˅ 66.7 93.5 86.7 72.7 93.1 87.5 100 87.5 90 нᝯ᜿ 22 8 29.4 7 2 31 2 0 20
户在线消费评论意愿神经网络预测模型。网络结构往往较 难确定，其中输入层和输出层节点数根据影响因素和研究 目的确定即可，而隐含层节点数的确定则相对较困难，因 为隐含层神经元节点数过多可能出现网络过度拟合现象， 如果神经元节点数过少的话，则可能出现网络无法达到学 习收敛性与函数逼近精度的要求。目前隐含层节点数确定 常采用试凑法，即从较少的隐含层节点数开始，然后逐渐 增加节点数训练网络，从中选择网络误差最小时对应的神 经元节点数。在试凑时也可以借助于一些经验公式来粗略 估计节点数，常用的几种估算隐含层神经元节点数的经验 公式有：
二、应用 BP 神经网络识别用户评论动因及预 测建模
神经网络模型是一种基于机器学习的非参数回归方 法，可以较好地处理非线性问题，具有适用面广，抗噪能 力强的特点，无需假定变量的分布，适合解决无先验分布 假定条件下的预测问题。现有研究表明，影响电商平台用 户在线消费评论意愿的因素众多（如电商平台技术因素、 用户心理因素、社会因素、跨文化因素等），运用传统的 统计回归分析方法往往很难达到预期的分析目的，而 BP 神经网络模型的自身特征和较强的学习功能，通过对历史 数据样本的学习，掌握预测对象与影响因素之间的函数映 射关系，能够较好地达到评估预测电商平台用户在线消费 评论意愿倾向的研究目的，同时还可用于分析不同影响因 素的重要性程度。本文将集中运用神经网络强有力的学习 和联想泛化能力，在电商平台用户在线消费评论系统中运 用 BP 神经网络来建模，以甄别不同用户评论意愿。 1、数据预处理 本文根据现有相关研究结果，以九个影响因素：感知
通讯作者：李亚琴
— 110 —
CONTEMPORARY
ECONOMICS
No.36， December.2016
国样本数据随机分成训练集、测试集和验证集三部分。其 中训练集主要用于估计网络参数，进行网络建模，测试集 主要用于防止网络训练过度，而验证集则用于检验评估最 终网络模型。 由于本研究样本数据量相对较少，因此采用批处理的 训练方法，以使总误差最小。相应地采用调整的共轭梯度 优化算法估计权重值。中国和美国样本网络训练结果见表 1，对于中国样本，表 1 中表明 123 位愿意发表评论的受 试用户中有 115 位分类正确，42 位不愿意发表评论的受 试用户中有 28 位分类正确，整体上 86.7% 训练个案分类 正确，三部分样本的错误预测率大致相同（10% 左右）； 而对于美国样本，64 位愿意发表评论的受试用户中有 56 位分类正确，38 位不愿意发表评论的受试用户中有 22 位 分类正确，整体上 76.5% 训练个案分类正确，三部分样本 的错误预测率大致相同（20% 左右）。Fra bibliotek一、引言
随着 web2.0 技术的广泛应用，用户生成内容的网络 社区得到了前所未有的快速发展，但同时我们注意到在电 商平台的用户往往在购物前乐意参考其他用户分享的消费 体验，而不愿意主动贡献自己的购物经验。对于电商企业 和电商平台而言，如何有效识别用户分享购物体验或消费 评论背后的动因，具有非常重要的理论和实践意义。基于 此，本研究试图运用神经网络的方法识别预测用户评论 意愿。