梁芹生
广东嘉应学院 心理健康教育与咨询中心,广东 梅州 514015
基于层次分析法和深度学习的用户心理体验评价研究
梁芹生
广东嘉应学院 心理健康教育与咨询中心,广东 梅州 514015
为克服目前用户心理体验评价指标不够全面的缺陷,本文运用层次分析法建立用户心理体验评价的层次结构模型,运用深度置信网络(DBN)进行用户心理体验评价。研究结果表明,与BP、SVM和ELM相比较,DBN具有更高的评价精度。
层次分析法;深度学习;用户心理体验;评价
用户心理体验是指用户在接受服务的过程中,用户产生和建立的一种整体的和主观上的心理感受[1]。研究用户心理体验有助于分析用户的习惯和需求等方面的信息,根据用户心理的共性特点和不同的应用背景深度细化用户服务,最大限度地满足用户的服务满意程序。针对当前用户心理体验研究缺乏用户心理体验评价指标的缺点,运用层次分析法建立用户心理体验的评价指标模型,在此基础上运用深度学习进行用户心理体验评价。研究结果表明,深度置信网络(depth belief network,DBN)具有更高的预测精度,可以克服其他方法的不足,为用户心理体验评价提供新的研究方法和研究方向,效果较好。
层次分析法[2](analytic hierarchy process,AHP)适合那些难于完全定量分析的问题,是一种针对较为复杂和模糊的问题进行决策的简单方法。其算法流程如下:
1.1 建立递阶层次结构模型
一般分三个层次,分别为目标层、准则层和要素层,如图1所示为用户心理体验的层次结构模型图。
图1 用户心理体验层次结构模型Fig.1 Hierarchy model for user psychological experience
1.2 构建判断矩阵
通过两两比较法,根据各评价指标的相对优劣顺序,构建出评价指标的判断矩阵;对于n个评价指标,其权重比较判断矩阵可表示为:
1.3 计算各评价的权重
1.4 一致性检验
在AHP中,一致性检验判断指标如公式(2)所示:
式中,λmax表示判断矩阵A的最大特征值;nA表示判断矩阵A的阶数。
深度置信网络[3]是一种深层的神经网络,其主要由无监督的预训练阶段和有监督的反向传播阶段两个阶段组成。在无监督的预训练阶段,DBN被预训练作为初始权重;在有监督的反向传播阶段,调整整个网络的误差,保证网络的优化效果。
DBN一般由若干层受限玻尔兹曼机(Restricted boltzmann machine,RBM)分级叠加而成的深度网络,其结构示意图如图2所示。RBM是一种由可见层和隐层组成的两层神经网络。图2中,RBMθ1最先被训练,并且RBMθ1的隐层被当作RBMθ2的输入,之后RBMθ2被训练,依次类推。
图2 深度置信网络结构Fig.2 Depth belief network structure
3.1 RBM基本模型
若一个RBM由n个可见单元和m个隐单元组成,其中v、h分别表示可见单元和隐单元的状态,则系统的能量可由公式(3)表示:
其中,b、c分别表示可见层和隐层的偏置;W表示可见层与隐层的连接权重。
当参数θ={W,b,c}取值确定时,系统联合概率分布可由公式(4)表示[4]:
其中,Z(θ)表示归一化因子。
对于实际问题,输入数据v的对数似然函数P(v/θ)可由公式(5)表示:
当给定可见节点的状态为v时,第j个隐层节点的激活概率可由公式(6)表示:
由于RBM的对称性,可见节点的激活概率可由公式(7)表示:
为了求解参数θ={W,b,c},可以最大化RBM在训练集上的对数似然函数求解出参数θ={W,b,c},其表达式如公式(8)所示:
假设z为DBN输入数据,h,v分别表示隐层和可见层向量;b,c分别表示可见层和隐层的偏置;W表示可见层与隐层的连接权重,e表示学习速率,参数θ={W,b,c}的求解流程如下:
(1)设置迭代次数Iter,随机初始化模型参数;
(2)将输入数据z赋值给可见层向量v,令v=z;
(3)根据公式(6)和公式(7)计算h0,v1,h1的状态值,其中,激活函数σ=1/1+exp(-x);
(4)根据公式(9)更新参数θ={W,b,c};
(5)若t≥Iter,则训练终止;反之,将θt-1赋值给θt,跳转到步骤(3),重新训练。
为实现用户心理体验准确评价,将用户心理体验表示为A,其表示用户心理体验的好坏程度[6],其评价流程如图3所示:基于AHP和DBN的用户心理体验流程如下:
图3 用户心理体验评价流程Fig.3 User psychological experience evaluation process
(1)通过AHP分析法计算出各评价指标的权重和实际得分;
(2)用户心理体验数据归一化;
(3)划分用户心理体验数据集,分为训练数据集和测试数据集;
(4)建立DBN模型;
对于训练数据集,将用户心理体验各评价指标的权重作为DBN的输入,用户心理体验的实际得分作为DBN的输出,通过DBN训练,建立DBN预测模型;
(5)DBN预测。
针对测试数据集,将测试数据集的用户心理体验各评价指标的权重输入DBN预测模型进行用户心理体验实际得分预测,并与实际值进行对比。
5.1 数据来源
为证明本文算法的有效性,用户心理体验数据来源于[5]https://www.sojump.com/2017/,共收集141组数据,将数据划分为训练数据和测试数据,其中训练数据97组,测试数据44组。
5.2 判断矩阵
结合用户心理体验层次结构模型,其权重判断矩阵如表1和表2所示:
表1 有用性判断矩阵Table 1 Judgment matrix for usefulness
表2 易用性判断矩阵Table 2 Judgment matrix for usability
5.3 评价指标
为评价本文算法的用户心理体验评价效果,选择选择平均绝对百分比误差(Mean absolute percentage error,MAPE)、平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)作为评价指标[6,7]:
式中,yi表示得分实际值,表示得分预测值,N表示测试数据集的数量。
5.4 实证结果
DBN深度网络的参数设置如下:输入神经元数量6,输出神经元1,隐藏层4层,其神经元个数分别为[20 30 20 10],学习率为1,其预测结果如图4和图5所示。
图4 DBN训练结果Fig.4 DBN training results
图5 DBN测试结果Fig.5 DBN testing results
为进一步证明本文算法进行用户心理体验评价的有效性和可靠性,将DBN和BP、SVM、ELM比较,比较结果如表3所示:
表3 评价结果对比Table 3 Comparison of evaluation results
由表3用户心理评价结果对比可知,在RMSE、MAE和MAPE上,本文算法DBN优于BP、SVM和ELM,从而证明本文算法DBN进行用户心理体验的优越性和可靠性。
对于目前用户心理体验评价评价因素缺乏的特点,运用层次分析法建立用户心理体验的评价指标模型,在此基础上运用深度学习进行用户心理体验评价。研究结果表明,通过与BP、SVM和ELM对比可知,在RMSE、MAE和MAPE上,DBN具有更高的评价精度。
[1]林 一,陈 靖,刘 越,等.基于心智模型的虚拟现实与增强现实混合式移动导览系统的用户体验设计[J].计算机学报,2015,38(2):408-422
[2]吴 极,刘 超,夏 浩.模糊层次分析法在评价体系建模中的应用与修正[J].统计与决策,2015(20):77-79
[3]刘 璇.传播心理学视角下的中国社交网络(SNS)用户心理体验研究[D].杭州:浙江大学,2010
[4]李小青.基于用户心理研究的用户体验设计[J].情报科学,2010(5):763-767
[5]吴茜媛,张云强,郑庆华,等.e-Learning用户心理体验量化评价研究[J].西安交通大学学报,2012,46(12):109-115
[6]胡珍苗,程 岩,崔华玉.在线内容用户服务升级意愿研究:基于增值体验的心理惯性视角[J].管理评论,2016,28(11):116-128
[7]邱明涛,王仕超,张凯茜,等.基于心理学的国内化妆品网站用户体验的提升与改善研究[J].中国电子商务,2014(12):48-49
Study of the Evaluation of UserPsychological Experience Basedon Analytic HierarchyProcess and Deep Learning
LIANG Qin-sheng
Psychological Educating and Consulting Center of Guangdong Jiaying University,Meizhou514015,China
In order to overcome the defect of current user psychological experience evaluation index,this paper applied analytic hierarchy process to establish the hierarchical structure model and used the depth confidence network(DBN)to evaluate user psychological experience.Results showed DBN had higher evaluation accuracy compared with BP,SVM and ELM.
Analytic hierarchy process;deep learning;user psychological experience;evaluation
G808.16
A
1000-2324(2017)04-0611-05
2016-11-09
2016-12-22
广东省教育厅高校思想政治课题:基于大数据视野下的心理健康教育工作机制研究(2017GXSZ066)
梁芹生(1970-),男,硕士,副教授.主要研究方向为心理学.E-mail:lqsmz@jyu.edu.cn