大群体在线客户偏好自动计算方法

在激烈的市场竞争中，客户资源是企业的核心资源，以客户资源为核心优化配置企业资源的关键是如何发现客户偏好并将大群客户总体偏好模式充分地结合到新产品开发中，这是市场理论研究与实践的共识[1-2]。目前客户偏好的预测计算方法一般是通过互联网在线或非在线的市场调查问卷方式来完成。这种方法不仅非常耗时和昂贵，更重的是获得的数据质量很大程度上取决于问卷设计内容与接受访问的调查者的范围、类型及参与的态度等。目前在线客户偏好对产品销售策略及潜在客户的购买决策都产生了重要影响。各主流商务网站都广泛提供机会让客户自主发布客户偏好。从这些客户偏好中发现产品的优点与缺点，十分有助产品制造商面向客户需求改进产品设计并制定更适合客户需求的商务战略[3-4]。然而，客户偏好中的有价值信息通常是由广泛分布的评论文本、评分等级等大量信息碎片组成的，目前有关客户偏好的研究文献尚未能提出有效方法解决如何在大量客户偏好的客户意见中低成本、快速地发现客户总体偏好[5-10]。本文提出了一个称为面向大型群决策的自动一致性模型（Automatic Consensus Model for Large Group Decision-making，简称 ACMLGD），用于低成本、快速地自动计算面向在线客户偏好的大群客户偏好。因此，本文的研究工作具有很强的理论与实践意义。

大型群决策是一种广泛存在的决策活动，例如在复杂商务决策，尤其在ERP及B2B等复杂协同决策领域有极为重要理论研究及商业应用价值。大型群决策通常包括二个过程：一致性过程与选择过程[11-13]。现仅有极少量的大型群决策中的一致性过程研究文献，而这些文献对该问题的理解又十分模糊与混乱[14-17].Alonso et al.（2009）提出了一种模糊的大型群决策模型，采用诱导有序加权平均（IOWA）算子集结个体决策专家偏好及确定方案的排序方法。Carvalho et al.（2011）开发一个支持大型群决策的系统。Palomares et al.（2014）提出了探测和管理大型群体决策的非合作行为的一致性模型，其中，采用基于模糊聚类的模式探测非合作的个体或子组。基于Palomares et al.（2014）的方法，Xuan et al.（2015）提出了一种改进的大型群体应急决策的一致模型，其中，可管理少数个体意见及非合作行为。Quesada et al.（2015）提出了一种在大型群决策一致性过程中管理参与者行为的方法大集团的决策，克服了Palomares et al.（2014）方法的不足：参与者权重不能再增加，即使他们改变了想法和决定采取更加合作的态度。然而，采用以上方法需要手工返回各种意见给个体决策专家并适当修改个体意见，直到获取合理的群一致性。显然，在一致性过程中，不可能要求客户偏好用户反复修改个体意见。因此，采用以上方法来计算面向在线客户偏好的大群客户偏好是不可行的。

关键创新和贡献是提出一种新的、类似研究中没有出现过的面向大型群决策的自动一致性方法（简称ACMLGD）用于自动计算面向在线客户偏好的大群客户偏好。其中，采用了人工蜂群优化算法优化个体的权重与群组权重方法以达到个体之间意见一致性最大化，并结合仿真一致性达成过程，预先设置确定优化的一致性过程的重要参数，以实现在有限时间内达到合理一致性的大群客户偏好计算目的。人工蜂群优化算法具有全局优化的杰出能力而获得大量应用，如神经网络训练、预测股票市场。人工蜂群优化算法超越其他类似的启发式优化算法，如遗传算法与粒子组优化等[18-20]。

实验结果表明，ACMLGD模型在大量客户偏好的客户意见中发现客户总体偏好的计算性能较好。为在线客户偏好的大群客户偏好自动集结建模及应用提供了一种新的实用方法。

后续部分组织如下：第2节是问题的描述。第3节研究提出的自动一致性模型。第4节研究大群客户偏好计算应用实例。最后，结束语。

1 问题描述

针对从互联网上采集的大量有关产品消费者发布的有正面评价、负面评价及打分等的意见，结合文本挖掘和情感分析技术，提取在线评论中正面评价、反面评价及综合评分等信息，并将这些有价值的信息碎片转封装为能对多种产品进行综合评价的不同的、独立的信息粒度。如果将每个达到产品专家评论水平的信息粒度定义为表示相应参与大群型决策的专家信息与意见，则面向在线客户偏好的大群客户偏好计算可转化为面向大型群决策的自动一致性建模与求解过程问题。第4节将用实例来说明该转换思想。基于文献[11，12，17]，现有的自动一致性方法基本思想描述如下：

（i）假定群决策专家组集合为E={E1，E2，…，Er}。其中，Ey（y=1，2，…，r）是第y子组。设λ=（λ1，λ2，…，λr）T为子组Ey（y=1，2，…，r）的权重向量，其中设X=（x1，x2，…，xr）T为子组Ey（y=1，2，…，r）成员数向量，其中Xy（y=是群决策专家组集合E中总的专家数）是子组Ey（y=1，2，…，r）中专家总数。个体决策专家的权重为其中

（ii）假定群决策问题有明确的备选可行方案集A={a1，a2，…，an}（n≥2）。

（iii）假定群决策问题的决策标准集为U={u1，u2，…，um}，且有标准的权重向量为w=（w1，w2，…，

线性最优控制下跟踪电流波形对比如图7所示。注入到变压器二次侧的电流紧跟随流过变压器一次侧的系统电流变化，因此满足磁通补偿的条件，此时，接入系统中所呈现的阻抗仅为变压器一次侧阻抗，不影响系统的正常工作。

 

（v）设个体标准决策矩阵 Dk=（dijk）m×n（i=1，2，...，m，j=1，2，…，n，y=1，2，…，r，k=1，2，…，N）通过加权集结算子转化为群决策矩阵D=（dij）m×n（i=1，2，...，m，j=1，2，…，n），其中，dij=

（vi）为了测量个体标准决策矩阵 Dk=（dijk）m×n（i=1，2，...，m，j=1，2，…，n，y=1，2，…，r，k=1，2，…，N）与群决策矩阵D=（dij）m×n（i=1，2，...，m，j=1，2，…，n）之间一致性，设 c 为一致性迭代次数，迭代系数为0<η<1，计算Dk=（dijk）m×n（i=1，2，...，m，j=1，2，…，n）与D=（dij）m×n（i=1，2，...，m，j=1，2，…，n）之间不一致性，即，

 

如果任意IG（D（c）kD（c））≤δ（i=1，2，...，m，j=1，2，…，n，k=1，2，…，N），那么一致性过程可以停止。否则，令D（c+1）k=（d（c+1）ijk）m×n与D（c+1）=（d（c+1）ij）m×n。其中，

 

然后，令 c=c+1，根据公式（2）继续计算。

根据文献[11]，该算法是收敛性的，在群决策中应用该方法可辟免强制个体决策专家手工修改其意见。然而，在群体较大及一致性要求较高的情况下，以上方法迭代次数是非常大的，会导致进入一个非常耗时的或无限循环的一致性达成过程中。此外，根据文献[21]，该算法还存在一些其它不足，如在一致性过程结束后得到一致性群决策矩阵是由初始个体决策矩阵生成的。本文涉及的问题是如何有效自动管理大群客户偏好，辟免一致性过程进入非常耗时的循环并自动生成能反映大群一致性不断进化结果的一致性群决策矩阵。

2 自动一致性模型

2.1 模型假设

基于文献[9，10，11，12，17]，本文提出了改进的自动一致性模型ACMLGD框架如下：

（i）假定群决策专家组集合为E={E1，E2，…，Er}。其中，Ey（y=1，2，…，r）是第y子组。设λ=（λ1，λ2，…，λr）T为子组Ey（y=1，2，…，r）的权重向量，其中设X=（x1，x2，…，xr）T为子组Ey（y=1，2，…，r）成员数向量，其中Xy（y= 11是群决策专家组集合E中总的专家数）是子组Ey（y=1，2，…，r）中专家总数。个体决策专家的权重为其中

4月16日，国家防总、水利部抗震救灾工作组、青海省水利厅相关负责人等赴玉树禅古水电站水库大坝现场查勘、了解水库大坝的震损情况，确定了震损处理方案。

（ii）假定群决策问题有明确的备选可行方案集A={a1，a2，…，an}（n≥2）。

（iii）假定群决策问题的决策标准集为U={u1，u2，…，um}，且有标准的权重向量为w=（w1，w2，…，

（iv）设为专家=N）的个体决策矩阵，其中N）是专家（xy）=N）从评价等级集合H={H1，H2，…，Ht}选取某一等级对有属性值ui∈U的方案aj∈A进行评价的结果。个体决策矩阵

（xy）=N）转化为个体标准决策矩阵，即，

 

（v）设表示子组Ey（y=1，2，…，r）群决策矩阵。个体标准决策矩阵通过加权集结算子转化为子组Ey（y=1，2，…，r）群决策矩阵

（vi）设D=（di）jm×（ni=1，2，...，m，j=1，2，…，n）表示群决策专家组集合E群决策矩阵。子组Ey（y=1，2，…，r）群决策矩阵m，j=1，2，…，n，y=1，2，…，r）通过加权集结算子转化为群决策专家组集合E群决策矩阵D=（di）jm×（ni=1，2，...，m，j=1，2，…，n），其中

（vii）大型群一致性分为三层，包括个体-子组的一致性IC，子组-群的一致性SC及个体-群的一致性GC（总体层一致性），分别定义如下：

 

设标准集 U={u1，u2，…，um}为群决策问题的多目标，并依据问题性质确定相关指标集UA={aij}（i=1，2，…，m，j=1，2，…，n）及备选的可行方案集A={a1，a2，…，an}（n≥2）。

SD（DEyD）（y=1，2，…，r）表示子组Ey（y=1，2，…，r）决策矩阵DEy（y=1，2，…，r）与群决策专家组集合E群决策矩阵D之间的不一致性（曼哈顿距离）。

GD=N）表示个体标准决策矩阵与群决策专家组集合E群决策矩阵D之间的不一致性（曼哈顿距离）。

2.2 自动一致性过程

（v）采用人工蜂群优化算法优化个体决策专家的权重（xy）=N）、子组群的权重 λ（yy=1，2，…，r）以达到个体决策专家的之间意见一致性最大化，并结合仿真一致性达成过程，预先设置确定优化的群决策重要参数包括最小的一致性阀δ及最大循环次数C以实现在有限时间内达到合理一致性的大型群体决策活动。其中，人工蜂群优化算法的适应度函数设计如下：

2.2 仅通过微课这种教学方法对高等数学课程进行翻转教学，由于视频信息比较零散，使学生获得的知识完整性不够，系统性不强，很大程度上影响了学生对知识整体框架的构建。

其中表示个体标准决策矩阵与子组Ey（y=1，2，…，r）决策矩阵DEy（y=1，2，…，r）之间的不一致性（曼哈顿距离）。

第二步：自动一致性建模与优化

总之，数据分析观念自提出并实施以来，取得了一些阶段性的成果，但也存在一些问题需要持续、深入的合作研究和探索.为了进一步推进统计与概率课程的改革，研究者和实践者需要对数据分析观念引起高度关注，加强对研究现状的考察和问题的解决，进而落实数据分析观念的培养目标.

（i）确定初始决策矩阵

（ii）通过公式（3）计算确定个体标准决策矩阵

第二步：自动一致性建模与优化

（iv）通过加权集结算子将子组Ey（y=1，2，…，r）群决策矩阵1，2，…，n，y=1，2，…，r）转化为组E 群决策矩阵D=（dij）m×（ni=1，2，...，m，j=1，2，…，n，y=1，2，…，r），其中…，n，y=1，2，…，r）。

ACMLGD自动群一致性过程设计如下：第一步：确定大群决策的标准与初始方案

 

其中，Fitness表示用适度函数值来评价仿真一致性达到过程中全局一致性水平；参数β1与β2可依据问题实际情况适当调整ID（DEy与SD（DEy D）值。仿真与优化结果，将得到全局最优的群决策重要参数 δ*，C*，（y=1，2，…，r，k=1，2，…，xy，

一些问题直指关键。北京市人大内务司法委员会主任委员陈永提问,目前医养衔接还存在部门各自为政现象,如何加强统筹有效推进医养结合?北京市卫生健康委主任雷海潮则坦诚回应：北京市级层面已建立市老龄委员会,成员单位已达到55家,为更好履行老龄委员会办公室的有关职责,我们还建议设立相应的内设机构。

我问他拿到MS以后对工作和生活有什么影响？他说：“没什么影响。工作还是在（忙）。”“出差更多了吧？”我追问。“出差以前就很多，2014-2015年最夸张，是最忙的时候。2016年和2017年我减了很多东西，要集中精力去复习嘛，去攻。2014-2015年还没意识到出差那么多，一年52个周末，那年我只有10个周末在香港，平时都在出差，在飞在讲课等。所以一直很忙，拿完MS以后也会很忙。”

第三步：自动一致性过程

D级供应商：该级别的供应商绩效评价指标各方面均低于行业水平，属于最低等级的供应商，应慎重选用该类供应商的产品或者对其进行淘汰管理等。

（iv）设为专家ek（k=1，2，…，N）的个体决策矩阵，其中是专家ek（k=1，2，…，N）从评价等级集合H={H1，H2，…，Ht}选取某一等级对有属性值ui∈U的方案aj∈A进行评价的结果。其中，H={H1，H2，…，Ht}表示有 t个评价等级，Hl表示有第l个评价等级，l=1，2，...，t，例如，H 是一评分集合H={1，2，3，4，5}（1：最差；5：最好）。个体决策矩阵k=1，2，…，N）通常可转化为个体标准决策矩阵[12]。

根据文献[11，12，17，21]，可得然后依据公式（4），（5）与全局最优的群决策重要参数1，2…，r），并令f（c）=1-Fitness，用于一致性迭代过程中评价总体层一致性，则计算在第c次迭代中的曼哈顿距离如下：

 

 

如果或c≥C*，那么转至第4步，否则，令 c=c+1，继续计算

第四步：选择最优方案

（i）输出c，个体标准决策矩阵（i=1，2，...，m，j=1，2，…，n，y=1，2，...，r，k=1，2，…，与群决策矩阵 D（c），其中，D（c）为一致性群决策矩阵。

由于对食品安全和产品品质把控严格，康师傅在2017年有幸被授予中国航天事业合作伙伴资格。此举也进一步加速了康师傅对接航天品质的进程。在未来，康师傅将进一步提升产品品质，最终让消费者能够吃到航天品质的食品，通过升级到“航天模式”，让消费者吃得好、吃得巧、吃得安心。现今康师傅已逐步摆脱了“不健康食品”的“帽子”，将方便、安全和口感进行了一次完美的结合。

（ii）采用加权集结算子对一致性群决策矩阵的第j列进行汇总，得到方案aj（j=1，2，…，n）总的评价值（j=1，2，…，n）。

 

（iii）依据评价值（j=1，2，…，n）对方案aj（j=1，2，…，n）进行排序，然后，选择最优方案。

第五步：结束。

综上所述，市政工程绿色施工技术需要施工人员树立绿色环保意识，在施工过程中注意环境保护，节约水资源，避免对周围环境与居民生活造成影响。绿色施工需要合理设计市政工程施工组织、保证施工材料绿色环保、保证市政工程施工环境，控制污染。

3 大群客户偏好计算实例

应用所提出的ACMLGD结合文本挖掘和情感分析技术，提取在线评论中正面评价、反面评价及综合评分等信息开发了自动一致性系统，该一致性系统可集成到现有的ERP系统中，用于支持企业的大型群决策活动，也可用于集结互联网产品用户偏好、挖掘发现客户总的一致性意见。现以自动计算面向在线客户偏好的大群客户偏好为例，说明ACMLGD的应用。

3.1 问题描述

本实验采集了于2015年4月-2016年4月的1，500条有关4个主流品牌手机客户偏好数据。这些评论包括有正面评价、负面评价及评分等级，例如表1所示。

 

表1 手机客户偏好数据示例

  

注：为了确保数据隐私，产品名称省略。

 

产品 正面评价 负面评价 评分A 一流的摄像头，不错的MP3播放器和调频电台内存低，没有全球定位系统 4 B 功能和应用良好，外观好 触摸屏太过敏感，电池寿命差，相机闪光灯差 3 C 相机很好，功能很多 贵。没有别的。 4 D 看起来难以置信的，伟大的触摸屏功能 低电池寿命 5

首先，对这些数据作进一步预处理，步骤如下[2，10]：

1.将有正面评价与负面评价的评论数据划分为词与词组。

2.取消那些没有明确的情感极性及产品属性的词与词组（例如表示1中的“没有别的”）。

3.合并重复的词与词组（例如“超级的相机”与“好的相机”归入“相机”类）。

4.将模糊的候选属性（例如，“昂贵”）转化为明确的候选属性（价格）。

This is Christmas night, whether you're in a snowy winter night or under the starry sky. I wish you are around by the people you loved, having a bottle of your favorite wine, get slightly drunk and be happy from your heart. Merry Christmas!

5.合并同义词（例如，“蓄电池”和“电池”）。

4.血矛线虫病。捻转血矛线虫宿主的感染主要在温暖季节，在温暖季节血矛线虫病发生较多，本次呈慢性经过, 直至动物死亡。

6.消除那些频度很低的候选属性（例如，频度小于1%）。

7.用属性集合对汇总的正面评价与负面评价进行编码。

依据以上数据预处理步骤得到有10个属性的1200条评论数据结果如表2所示。

学校各职能科室与教学教辅部门较多，资产分散存放于各校区和各个部门是各学校目前资产管理过程当中最大的难题，为了能够更加有效地解决这个难题，需要制定分配工作人员及其管理工作人员所拥有的权限，可以在高校的资产管理过程当中按照各个部门与级别为各部门当中相关工作人员分配不同类型层次的账号与密码。通过进行管理权限身份的设置安排，保证各部门当中每名工作人员都能在自身所管辖的范围之内进行资产管理与查询等操作。通过这种方式的安排，可以在确保资料信息自身安全的同时确保管理的严谨度，全面加强了资产管理过程当中的适用性与灵活性[4]。

 

表2 数据预处理结果

  

注意：“pro”表示正面评价，“con”表示负面评价，“mv”表示缺失评价

 

评论 产品属性U u1 u2 u3 u4 u5 u6 u7 u8 u9 u10总分A con pro con pro con pro pro con pro pro 42 B pro mv con mv con pro pro con pro 33 C pro mv pro pro mv pro pro con pro con 34 D con pro pro pro con pro pro pro pro pro 5…………………………………1200 D pro pro pro pro mv pro pro pro pro pro 51

然后，这些广泛分布的评论文本、评分等级等大量信息碎片预处理结果存入ERP数据库后，自主开发的自动一致性系统将以上编码后的客户偏好数据进一步规范化、合并与封装为能对多种产品进行综合评价的80个不同的、独立的信息粒度，其中，每个信息粒度均分别包含有对4个产品的评论内容。因此，每个信息粒度可看作等同于一个用户分别对4个产品的进行评论。自主开发的自动一致性系统定义每个信息粒度表示为相应虚拟个体决策专家，并自动生成个体专家的初始权重，再将已定义生成的80个体决策专家进行分组并生成各组的初始权重，分组统计的结果可从ERP数据库中查询获得，表3所示。

因此，如上依据客户偏好数据挖掘客户总偏好的过程可转化为本文提出的有80个专家参与的自动大型群决策问题。限于篇幅，省略以上信息粒度封装及统计分组的详细过程。

 

表3 从ERP数据库中查询获得的80个虚拟个体决策专家及分组信息

  

yEX 1 E1 32 E2 83 E3 84 E4 105 E5 106 E6 107 E7 88 E8 109 E9 710 E10 6

3.2 大群客户偏好一致性计算过程及结果

基于ACMLGD的自动群一致性过程与选择，即大群客户偏好一致性计算过程设计如下：

第一步：确定大群决策的标准与初始方案

将产品主要属性作为标准，确定的相关指标及初始方案集表4所示。

 

表4 基于标准 U={u1，u2，u3，u4，u5，u6，u7，u8，u9，u10}及相关指标 UA={aij}（i=1，2，...，10，j=1，2，3，4）方案集 A={a1，a2，a3，a4}

  

标准a1（A）a1（B）a1（C）a1（D）u1:CPU频率 4核2.5GH 4核2.3GH 双核1.8GH 4核2.8GH u2:电池容量 3000 2500 1800 4300 u3：主屏像素 2600*1400 1920*1080 1136*640 1920*1080 u4:主屏尺寸 5.5 5.0 6.4 5.2 u5:主摄像头 双1300万 800万 1600万 500万u6：像素密度 534ppi 344ppi 326ppi 490ppi u7:运行内存 3G 2G 2G 3G u8:手机内存 16/32G 16/64G 16G 32/64G u9：支持4G 是 是 否 是u10:价格 3200元 2500元 1900元 3800元

（iii）通过加权集结算子将个体标准决策矩阵转化为子组Ey 群决策矩阵其中

（ix）通过加权集结算子将个体标准决策矩阵（i=1，2，...，10，j=1，2，…，4，y==80）转化为子组Ey（y=1，2，…，10）群决策矩阵

（i）10 个标准，U={u1，u2，u3，u4，u5，u6，u7，u8，u9，u10}及相应权重向量 w=（0.12，0.1，0.1，0.11，0.1，0.08，0.1，0.09，0.1，0.1）T。

（ii）查询ERP数据库可获得子组Ey（y=1，2，…，10）的初始权向量，λ =（0.1009，0.1115，0.0109，0.1032，0.1005，0.1219，0.1006，0.1054，0.1224，0.1227）T。

（iii）查询ERP数据库可获得子组Ey（y=1，2，…，10）中的专家数向量，X=（3，8，8，10，10，10，8，10，7，6）T。

（iv）方案集 A={a1，a2，a3，a4}由 80 个专家（xy）=80）进行评价。

（v）预设的专家评价等级集合，S={1，2，3，4，5}（1:最差的；5:最好的）。

（vi）c=0，η =0.5 与 β1= β2=0.5。

成品出库起始于营销中心的销售订单，仓储依据成品调拨单核对出库物料的品种、规格及数量进行核对，而质检科及三级站按照质量标准对出库物成品进行质量抽检，两方面检查通过后仓储对SAP中的销售订单做出库确认，并生成自身的成品出库单。

（vii）确定初始决策矩阵自主开发的一致性系统使用80条综合评价数据自动生成群决策所需的相应个体决策矩阵，这些决策矩阵数据存在ERP数据库中，自动一致性模型可根据需要使用这些决策矩阵。查询ERP数据库可得相应决策矩阵，如表5所示。

 

表5 初始决策矩阵y=1，2，3，4，5，6，7，8，9，10，k=1，2，…，xy， =80）

  

注意：其中 k=1，2，…，xy，y=2，xy=8，为了节省篇幅，其它初始决策矩阵说明省略。

 

eE2 k D eE2 E2 k U a1 a2 a3 a4 DE2 k k U a1 a2 a3 a4 u2 2 3 4 5u2 3 4 4 2 eE21 D eE2 E2 1 u3 5 2 3 3 u3 5 4 5 5 u4 3 2 5 5 u4 5 2 3 5 u5 2 4 4 5 u5 4 4 3 4 u6 5 2 3 3 u6 4 4 4 4 u7 3 5 4 5 u7 5 4 5 4 u8 2 3 4 5 u8 2 3 4 2 u9 5 2 3 3 u9 5 4 3 4 u10 3 2 5 5 u10 4 2 5 25 DE2 5 u2 3 5 5 5 u3 5 2 5 5 u3 5 4 5 2 u4 4 2 5 5 u4 4 2 3 5 u5 4 4 3 5 u5 5 3 3 5 u6 5 2 5 5 u6 3 5 3 3 u7 3 5 4 3 u7 1 4 5 4 u8 2 3 4 4 u8 2 3 4 2 u9 5 2 3 5 u9 5 2 3 4 u10 4 2 5 5 u10 4 2 5 2 u2 2 3 4 5 eE22 D eE2 E2 26 DE2 6 u2 2 3 4 5 u3 5 4 5 4 u3 5 4 5 2 u4 3 2 5 5 u4 5 2 3 5 u5 4 4 3 4 u5 2 4 5 4 u6 4 5 5 5 u6 4 5 5 3 u7 3 5 4 4 u7 5 4 5 5 u8 2 3 4 4 u8 2 3 4 5 u9 5 2 3 4 u9 5 2 3 4 u10 4 2 5 2 u10 4 2 5 2 u2 4 3 4 2 eE23 D eE2 E2 37 DE2 7 u2 4 4 4 2 u3 5 4 5 2 u3 5 4 5 2 u4 5 2 3 5 u4 5 2 5 5 u5 4 4 3 4 u5 5 4 3 2 u6 4 5 5 3 u6 3 5 3 2 u7 5 4 5 4 u7 3 4 5 4 u8 2 3 4 2 u8 4 3 5 2 u9 5 2 3 4 u9 4 2 3 4 u10 4 2 5 2 u10 4 2 5 2 u2 3 4 4 2 eE24 D eE2 E2 48 DE2 8

（viii）通过公式（3）计算确定个体标准决策矩阵（i=1，2，...，10，j=1，2，…，4，y=为了节省篇幅，所有标准决策矩阵省略。

令表示80个体决策专家，并设置如下参数的初始值。

（x）通过加权集结算子将子组Ey（y=1，2，…，10）群决策矩阵y=1，2，…，10）转化为组E群决策矩阵D=（dij）m×n（i1，2，...，10，j=1，2，3，4，y=1，2，…，10）。

（xi）人工蜂群优化算法及一致性过程仿真结果表6-7所示。据问题实际情况，结合仿真结果，可确定个体决策专家的优化权重（i=1，2，...，10，（xy）=80）、子组群的优化权重（y=1，2，…，10）、一致性阀δ*及最大循环次数C*。其中，C*=300，δ*=0.2。

 

表6 人工蜂群优化算法及一致性过程仿真结果 C*，δ*与（y=1，2，...，10）

  

C* δ* λ*1λ*2 λ*3 λ*4 λ*5 λ*6 λ*7 λ*8 λ*9 λ*10360 0.1893 0.3212 0.1101 0.0103 0.1271 0.1108 0.0132 0.1012 0.0107 0.0842 0.1112240 0.2000 0.2202 0.1302 0.0552 0.1201 0.1055 0.0432 0.0908 0.0707 0.0822 0.0819180 0.2409 0.2032 0.1203 0.0672 0.1141 0.1205 0.0901 0.0618 0.0547 0.0649 0.1032

 

表7 人工蜂群优化算法及一致性过程仿真结果（i=1，2，...，10，j=1，2，3，4，y=1，2，…，10，k=1，2，…，xy，=80）

  

Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Y=7 Y=8 Y=9 Y=10 C*=380 δ*=0.1893 K=1 0.4563 0.1087 0.2303 0.1332 0.0939 0.1034 0.1254 0.0957 0.2006 0.3113 K=2 0.3412 0.1142 0.0991 0.1511 0.1653 0.1056 0.1515 0.0963 0.1212 0.0935 K=3 0.2025 0.1401 0.0924 0.1064 0.1104 0.1091 0.1224 0.0675 0.0989 0.1226 K=4 0.2002 0.0963 0.0835 0.0908 0.1214 0.0968 0.0917 0.1254 0.0894 K=5 0.1355 0.1103 0.0643 0.0906 0.1218 0.0985 0.0961 0.2213 0.1576 K=6 0.0945 0.1204 0.1467 0.0665 0.0803 0.1305 0.1033 0.0968 0.2256 K=7 0.1005 0.1201 0.0504 0.0765 0.0803 0.1327 0.1154 0.1358 K=8 0.1063 0.1311 0.0762 0.0709 0.0715 0.1422 0.1201 K=9 0.0895 0.1314 0.1079 0.0987 K=10 0.0987 0.1037 0.0987 0.1152 Total 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 C*=300 δ*=0.2000 K=1 0.4509 0.0951 0.0988 0.1408 0.0765 0.0821 0.1008 0.1009 0.1242 0.1257 K=2 0.3607 0.1032 0.1256 0.1023 0.1046 0.1123 0.1206 0.1244 0.1307 0.2115 K=3 0.1884 0.0978 0.1357 0.0915 0.0986 0.1024 0.0853 0.1003 0.1122 0.1268 K=4 0.1252 0.1418 0.1325 0.1221 0.0965 0.1425 0.0777 0.1331 0.1227 K=5 0.1481 0.1409 0.0873 0.1009 0.0992 0.0901 0.0983 0.1062 0.1786 K=6 0.0965 0.1267 0.1005 0.1204 0.1045 0.2005 0.1232 0.2504 0.2347 K=7 0.1287 0.0987 0.0721 0.1093 0.1108 0.1568 0.0927 0.1432 K=8 0.2054 0.1318 0.0602 0.0883 0.0883 0.1034 0.1045 K=9 0.1125 0.1245 0.1005 0.0991 K=10 0.1003 0.0548 0.1034 0.0789 Total 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 C*=180 δ*=0.2409 K=1 0.4443 0.0909 0.1056 0.1102 0.1209 0.1211 0.0881 0.1025 0.1453 0.2765 K=2 0.3781 0.0977 0.1335 0.0832 0.0854 0.0924 0.1337 0.0942 0.1284 0.1311 K=3 0.1776 0.1221 0.1009 0.1172 0.1004 0.1231 0.1005 0.0552 0.0943 0.1206 K=4 0.1801 0.1212 0.0881 0.1115 0.0902 0.1207 0.0852 0.1543 0.1205 K=5 0.1502 0.1058 0.1211 0.0658 0.0772 0.0786 0.0943 0.0987 0.1306 K=6 0.1018 0.1321 0.1036 0.1022 0.0835 0.1985 0.1202 0.2119 0.2207 K=7 0.1231 0.2007 0.1209 0.0983 0.1003 0.1445 0.0915 0.1671 K=8 0.1341 0.1002 0.1111 0.1453 0.1227 0.1354 0.0917 K=9 0.0725 0.0901 0.1231 0.0951 K=10 0.0721 0.0801 0.0664 0.1701 Total 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

第三步：自动一致性过程

 

通过公式（8），（9）及全局最优控制参数C*=1，2，...，10）计算ID（i=1，2，...，10，j=80）与SD（DEy（0）D（0））（y=1，2，...，10）。计算结果表8所示。

 

表8 ID =80）与SD（DE（y0）D（0））（y=1，2，...，10）的计算结果

  

（xy）=80）K=1 0.3278 0.3442 0.3564 0.4662 0.4561 0.4762 0.3667 0.4731 0.4763 0.4625 K=2 0.4091 0.3671 0.4336 0.4336 0.4348 0.3548 0.4651 0.4675 0.4476 0.4439 K=3 0.4002 0.4364 0.4356 0.4076 0.3587 0.4541 0.3663 0.4643 0.4854 0.5201 K=4 0.5168 0.4098 0.4875 0.4885 0.3776 0.4865 0.3367 0.3935 0.3604 K=5 0.4591 0.3321 0.5984 0.4761 0.3665 0.4236 0.3982 0.3762 0.3867 K=6 0.4876 0.4327 0.4328 0.3437 0.4442 0.3652 0.4357 0.3368 0.4601 K=7 0.3408 0.4332 0.4718 0.4908 0.3548 0.3409 0.3711 0.3765 K=8 0.562 0.3447 0.4638 0.4818 0.3961 0.4051 0.4318 K=9 0.4381 0.3367 0.4632 0.4382 K=10 0.4167 0.3671 0.4219 0.4426 Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Y=7 Y=8 Y=9 Y=10 SD（DEy（0）D（0））（y=1，2，...，10）0.3332 0.3625 0.3265 0.3216 0.3826 0.3771 0.3504 0.3807 0.4001 0.3465 ID（DEy（0）kDEy（0））（i=1，2，...，10，j=1，2，3，4，y=1，2，...，10，k=1，2，…，xy，Σ10 y=1

由于对任意i=1，2，...，10，j=1，2，3，4，y=1，有因此，令c=c+1，进一步计算与SD（DEy（0）D（0））（y=1，2，...，10）。经过288次迭代后，计算结果表9所示。

 

表9 =80）与SD（DE（y0）D（0））（y=1，2，...，10）的计算结果

  

（xy）=80）K=1 0.1001 0.1019 0.1024 0.1009 0.1031 0.1029 0.1054 0.1003 0.1003 0.1001 K=2 0.1021 0.1016 0.1012 0.1008 0.1030 0.1015 0.1046 0.1005 0.1000 0.1005 K=3 0.1016 0.1017 0.1009 0.1007 0.1007 0.1027 0.1030 0.1002 0.1006 0.1005 K=4 0.1012 0.1016 0.1006 0.1008 0.1009 0.1009 0.1004 0.1013 0.1004 K=5 0.1015 0.1006 0.1004 0.1004 0.1008 0.1007 0.1005 0.1019 0.1007 K=6 0.1000 0.1009 0.1008 0.1005 0.1028 0.1044 0.1002 0.1009 0.1002 K=7 0.1001 0.1024 0.1007 0.1003 0.1038 0.1007 0.1003 0.1007 K=8 0.1009 0.1022 0.1006 0.1030 0.1009 0.1035 0.1005 K=9 0.1004 0.1009 0.1041 0.1002 K=10 0.1008 0.1004 0.1038 0.1004 Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Y=7 Y=8 Y=9 Y=10 SD（DEy（288）D（288））（y=1，2，...，10）0.0978 0.0980 0.0975 0.0990 0.0968 0.0960 0.0943 0.0993 0.0986 0.0990 ID（DEy（288）kDEy（288））（i=1，2，...，10，j=1，2，3，4，y=1，2，...，10，k=1，2，…，xy，Σ10 y=1

由于对任意i=1，2，...，10，j=1，2，3，4，y=1，Ey（288））+SD（DEy（288）D（288））＜0.2，因此，群决策矩阵D（288）=（）10×4是全局一致性可接受的决策矩阵，表10所示。

 

表10 全局一致性可接受的决策矩阵D（288）=（）10×4

  

a1 a2 a3 a4 u1 0.6321 0.5587 0.4536 0.4472 u2 0.4453 0.6780 0.6522 0.5437 u3 0.5469 0.4329 0.6668 0.4678 u4 0.4821 0.4728 0.4270 0.6543 u5 0.4682 0.5673 0.5799 0.4479 u6 0.5776 0.5648 0.7504 0.5876 u7 0.6558 0.6798 0.6572 0.6783 u8 0.4095 0.4687 0.4657 0.4758 u9 0.5896 0.8076 0.7654 0.5437 u10 0.5762 0.4453 0.6543 0.7870

第四步：选择最优方案

（i）采用公式（23）对一致性群决策矩阵 D（288）=（D（288）ij）10×4（i=1，2，...，10，j=1，2，3，4）的第j列进行汇总，得到方案aj（j=1，2，3，4）总的评价值D（288）j（j=1，2，3，4），计算结果表11 所示。

 

表11 方案aj（j=1，2，3，4）总的评价值j=1，2，3，4）

  

aj a1 a2 a3 a4 D（288）jD（288）1D（288）2D（288）3D（288）4总的评价值 5.3833 5.6759 6.0725 5.6333排序 4 2 1 3

（ii）依据评价值（j=1，2，...，n）对方案aj（j=1，2，...，n）进行排序，然后，选择最优方案。由于 a3＞ a2＞ a4＞ a1，因此，a3是最优方案（产品 3是最优的）。即，产品3是在阀值水平δ=0.2条件，一致性水平大于0.8（一致性=1-0.2=0.8），迭代次数c≤288的条件最优方案。也就说，产品3是基于2015年4月-2016年4月的1，500条有关4个主流品牌手机客户偏好数据挖掘发现，估计有80%以上的客户可能偏爱的手机产品。

 

表12 产品3是基于2015年4月-2016年4月的1，500条有关4个主流品牌手机客户偏好数据挖掘发现，80%以上的客户偏爱的手机产品

  

标准a1（A）a2（B）a3（C）a4（D）u1:CPU频率 4核2.5GH 4核2.3GH 双核1.8GH 4核2.8GH u2:电池容量 3000 2500 1800 4300 u3：主屏像素 2600*1400 1920*1080 1136*640 1920*1080 u4:主屏尺寸 5.5 5.0 6.4 5.2 u5:主摄像头 双1300万 800万 1600万 500万u6：像素密度 534ppi 344ppi 326ppi 490ppi u7:运行内存 3G 2G 2G 3G u8:手机内存 16/32G 16/64G 16G 32/64G u9：支持4G 是 是 否 是u10:价格 3200元 2500元 1900元 3800元

第五步：结束。

3.3 结果讨论

ACMLGD模型在大量产品评论的客户意见中发现客户总体偏好的计算性能通常采用在有限时间内达到预定的一致性水平来衡量。因此，ACMLGD模型在大量产品评论的客户意见中发现客户总体偏好的敏感性分析与性能比较，一般研究达到预定义一致性水平的阀与循环次数对方案排序影响。在ACMLGD方法下，不同的预定义一致性水平阀与迭代循环次数对方案排序影响的计算结果表13所示。

 

表13 基于ACMLGD的一致性水平阀与迭代循环次数对方案排序影响

  

δ 迭代循环次数 方案排序0.80 51 a2＞a1＞a4＞a3 0.70 65 a2＞a3＞a1＞a4 0.60 86 a2＞a3＞a1＞a4 0.50 108 a2＞a3＞a1＞a4 0.40 136 a1＞a2＞a4＞a3 0.30 156 a1＞a2＞a4＞a3 0.20 288 a3＞a2＞a4＞a1 0.15 890 a3＞a2＞a4＞a1 0.10 1200 a3＞a2＞a4＞a1

从表13可知，不同一致性阀值δ水平条件，ACMLGD模型在大量产品评论的客户意见中发现客户总体偏好的计算结果。如果有高质量（一致性水一般平大于0.9，即δ≤0.1）及时间有限的客户总体偏好的计算需求，例如，在阀值的水平δ≤0.1条件，达到预定义一致性要求时，迭代次数仅为1200，因此，ACMLGD是低成本、快速地自动计算面向在线产品评论的大群客户偏好实用可行的方法。

4 结论

从广泛分布的评论文本、评分等级等大量信息碎片中计算大群客户总体偏好是非常耗时和昂贵的，目前有关客户偏好的相关研究文献尚未能提出有效方法解决如何在大量客户偏好的客户意见中低成本、快速地发现客户总体偏好。提出了一个通用的模型ACMLGD，用于低成本、快速地自动计算面向在线客户偏好的大群客户偏好。实验结果表明，ACMLGD模型在大量客户偏好的客户意见中发现客户总体偏好的计算性能较好。为在线客户偏好的大群客户偏好自动集结建模及应用提供了一种新的实用方法。进一步的研究工作将面向实际应用，把ACMLGD模型在大量客户偏好的客户意见中发现大群客户总体偏好计算方法应用于实际的ERP自动协同决策系统，支持企业相关战略及计划的决策。

参考文献

［1］CHEN Yu-bo，XIE Jin-hong.Online consumer review:word-ofmouth as anewelement of marketing communication mix［J］.M anagement Science，2008，54（3）:477—491.

［2］REINHOLD D，MICHAEL T.Estimating aggregateconsumer preferences from online product reviews［J］.Intern.J.of Research in Marketing，2010，27:293—307.

［3］ADNAN D，Fei S.Feature selection for sentiment analysis based on content and syntax models ［J］.Decision Support Systems，2012，277:56—65.

［4］HYE-JIN M，JONG C P.Identifying helpful reviews based on customer's mentions about experiences［J］.Expert Systems with Applications，2012，39:11830—11838.

［5］XU K Q，LIAO S Y，LI J X，et al.Mining comparative opinions from customer reviews for Competitive Intelligence［J］.Decision Support Systems，2011，50:743—754.

［6］XIAO Sheng-sheng，WEIChih-ping.Crowd intelligence:analyzing online product reviews for preference measurement［J］.Information&Management，2016，53（2）:169—182.

［7］ALAIN YEE LOONG C，LI B，NGAIEW T，et al.Predicting online product sales via online reviews，sentiments，and promotion strategies a big data architecture and neural network approach ［J］.International Journal of Operations&Production Management，2016，36（4）:358—369.

［8］YAN Zhi-jun，XING Mei-ming，ZHANG Dong-song.EXPRS:an extended pagerank method for product feature extraction from onlineconsumerreviews ［J］.Information & Management，2015，52（7）:850—858.

［9］CHEN Kun，GANG K，SHANG J.Visualizing market structure through online product reviews:integrate topic modeling，TOPSIS，and multi-dimensional scaling approaches ［J］.Electronic Commerce Research and Applications，2015，14(1):58—74.

［10］刘翔，ERP自动协同决策系统［J］.计算机工程与设计，2016，37（8）:2271—2276.

［11］ALONSO S，PERZE I J，CABRERIZO F J，et al.A fuzzy group decision making model for large groups of individuals[C]//Proceeding of IEEE International Conference on Fuzzy Systems，JejuIsland，SouthKorea，2009:643—648.

［12］CARVALHO G，VIVACQUA A S，SOUZA J M，et al.LaSca:a large scale group decision support system ［J］.J.Univers.Comput，2011，17（2）:261—275.

［13］PALlOMARES I，MARTINEZ F H，HERRA F.A consensus model to detect and manage non cooperative behaviors in large scale group decision making［J］.IEEE Trans.Fuzzy Syst，2014，22（3）:516—530.

［14］XU Xuan-hua，DU Zhi-jiao，CHEN Xiao-hong，et al.Consensus model for multi-criteria large-group emergency decision making considering non-cooperative behaviors and minority opinions［J］.Decision Support Systems，2015，70:150—160

［15］QUESADA F J，PALOMARES I，MARTINEZ L，et al.Managing experts behavior in large-scale consensus reaching processes with uninorm aggregation operators［J］.Applied Soft Computing，2015，35:873—887.

［16］BEN-ARIEH D，CHEN，Z F.Linguistic-labels aggregation and consensus measure for autocratic decision making using group recommendations［J］.IEEE Transactions on Systems，Man，and Cybernetics-Part A，2006，36:558—568.

［17］XU Ze-shui.An automatic approach to reaching consensus in multiple attribute group decision making ［J］.Computers&Industrial Engineering，2009，56:1369—1374.

［18］KARABOGA D，AKAY B.A comparative study of artificial bee colony optimization［J］.Applied Mathematics and Computation，2009，214:108—132.

［19］KARABOGA D，BASTURK B.On the performance of artificial bee colony （ABC）algorithm ［J］.Applied Mathematics and Computation，2008，8:687—697.

［20］EFE B.An integrated fuzzy multi criteria group decision making approach for ERP system selection［J］.Applied Soft Computing，2016，38:106—117.

［21］ZHANG Zhen，GUO Chong-hui.A note on “An automatic approach to reaching consensus in multiple attribute group decision making”［J/OL］.Technical Report，Institute of Systems Engineering，Dalian University of Technology，2011.http://idm.eu5.org/～zzhang/publications.html.

［22］刘翔.面向企业战略的ERP自动协同决策一致性系统［J］.计算技术与自动化，2016，35（2）:130—135.