基于二元语义的国产化妆品网购消费需求偏好研究

高映婷

[提要] 针对消费者网购化妆品的需求偏好问题，采用二元语义方法，对网络消费者的评价信息进行分类集结处理，并应用PGSA方法求出最优信息的集结点，从而得到消费者对化妆品的需求。通过实证研究表明：该方法具有有效性和可行性。

关键词：网络消费；需求；二元语义；信息集结；PGSA

基金项目：2016年度江苏省普通高校学术学位研究生科研创新计划项目（编号：KYZZ16-0304）

中图分类号：C934 文献标识码：A

收录日期：2017年5月27日

一、引言

近年来，依托庞大的市场规模和日益提高的居民生活水平，中国的化妆品市场已经成为世界最大的市场之一。据国家统计局公布的2015年社会消费品零售数据，国内化妆品市场的零售额高达2，049亿元，同比增长8.8%。与此同时，随着互联网技术不断发展，大多数消费者购买化妆品的方式也从传统的实体店购买转变为新型的网络商店购买，网购已经成为人们日常购买化妆品的主要方式。

消费者在购买产品时，趋向于已消费用户的体验或口碑。对在线口碑的研究最早可以追溯到1997年，Stauss从管理和营销的角度来探讨在线口碑对企业发展的影响。Chevalier以亚马逊网站为例，指出书籍的评价越高，其总销售数量会随之上升。Liu在对电影票房与在线口碑关系的研究中指出，电影票房与在线口碑的数量成正比。付深将ELM模型应用于研究网络口碑对消费者购买决策的影响。周耿等运用多元回归分析方法进行实证研究，提出网站可信度、感知风险对口碑效应的调节作用。在线评价是在线口碑的细分与发展，随着电子商务的发展，在线评价逐渐成为影响消费者网络购买决策的重要因素。Nan Hu以评论者质量、曝光度，产品范围、上市时间作为在线客户评论主要的四大影响因素，并发现信誉较好的评论者的评论对消费者购买产品的影响更大。周晶晶从评论的数量、评论者的资信度、评论内容的质量和评论的效价四个方面，实证验证了在线客户评论对消费者间接和直接两种影响。赵冬通过双因素模型和在线客户评论影响力的影响因素模型，指出正面评论对消费者的购买决策起到正向影响。王真真实证研究得出：对旅游者而言，在线评论的内容质量、评论者的威望度、评论的时效性、评论的数量和形式、评论者特征及评论的倾向性对旅游者购买决策具有显著性的影响。

文献多从实证角度出发，以评论者自身、评论数量、评论的好坏等来研究消费者购买决策，几乎没有从在线评价的内容来探讨消费者的购买需求偏好，来让化妆品企业把握消费者的需求，从而实行科学的需求管理。本文将从消费者入手，准确判断与精准把握消费者购买化妆品的需求偏好以及购买偏好。通过收集网络评价数据，并通过二元语义将其量化表示，再利用模拟植物生长算法对各类群体的需求信息进行集结，从而了解各类人群购买化妆品的需求，实现消费者的购买决策的分析和预测，为化妆品企业生产产品提供了信息参考和指导。

二、研究方法

（一）消费者决策偏好集结点

定义1：给定平面上p个消费者的决策偏好点：e1，e2，…，ep（p≥2）若平面上存在一点e*（x，y）满足：

D=minee=min（+…+） （1）

则称e*为p个消费者的最优集结点。图1中，e1，e2，…，ep（p≥2）代表了消费者个体的决策偏好点；而e*点则代表了消费者群体的决策意愿。通过求解（1）式，找出e*（x，y）坐标，就可以获取群体决策点。由定义1可知，e*（x，y）也是消费者的最优集结点。（图1）

（二）二元语义及其算子。二元语义基于符号转移的概念，是指通过二元组（sk，ak）来表示对某方案（或准则）的评价信息，其中S为一个由奇数个元素构成的语言评价集，sk为S={s0，s1，…sT}中的第k个元素，S中的元素个数T+1称作语言评价集的粒度。例如，一个粒度为7的语言评价集S可以描述为：S={s0：极差，s1：很差，s2：差，s3：一般，s4：好，s5：很好，s6：极好}，其中ak表示符号转移值，表示与评价信息（sk，ak）与S中sk的偏差，ak取值范围[-0.5，0.5）。

S具有如下性質：（1）有序性：当i≥j时，si≥sj；（2）存在逆运算算子：neg（si）=sj，其中j=T-i；（3）极大化和极小化运算：当si≥sj时，有max（si，sj）=si；min{si，sj}=si。

定义2：若sk∈S是一个语言短语，则其相应的二元语义形式可由函数△得到，即：

△：S→S×[-0.5，0.5）

△（sk）=（sk，0） （2）

定义3：设评价集S={s0，s1，…sT}，？字∈[0，T]是由语言信息集S集结所得到的实数，？字对应的二元语义形式可由函数△得到：

△：[0，T]→S×[-0.5，0.5）

△（？字）=Sk，k=round（？字）a=？字-k，a∈[-0.5，0.5） （3）

定义4：设（sk，ak）是一个二元语义，其中，sk是S中的第k个元素，ak∈[-0.5，0.5），则存在一个逆函数△-1，使得其转化为相应的实数？字∈[0，T]：

△-1：S×[-0.5，0.5）→[0，T]

△-1（sk，ak）=k+ak=？字 （4）

设（si，ai）和（sj，aj）为任意两个二元语义，两者之间的比较有如下规定：（1）若iaj，则（si，ai）>（sj，aj）。

下面给出区间二元语义的概念以及运算法则：

定义5：设（sk，ak）与（k，k）为两个二元语义sk， k∈S，ak，k∈[-0.5，0.5），且（sk，ak）≤（k，k），则称（sk，ak）=[（sk，ak），（k，k）]是一个区间二元语义。

定义6：设（sk，ak）和（st，at）为任意两个区间二元语义信息，则运算规则如下：

（1）当且仅当（sk，ak）=（st，at）和（k，k）=（t，t）成立时，（sk，ak）=（st，at）

（2）（sk，ak）+（st，at）=（△[△-1（sk，ak）+△-1（st，at）]，△[△-1（k，k）+△-1（t，t）]） （5）

三、基于模拟植物生长算法的最优集结点求解

模拟植物生长算法（PGSA）是由中国学者李彤教授于2005年创立的一种以植物向光性机理为启发式准则的智能优化算法。该算法是将优化问题的解空间当作植物的生长环境，将最优解当作光源，基于真实植物的向光性机理，建立枝叶在不同光线强度下向着阳光快速生长的演绎方式。该算法在其他领域，都有相应的成果，PGSA与其他智能算法相比而言，能够通过较短的时间和较快的速度寻找到最优解，同时PGSA无需编码、解码，对参数设置的依赖性较低。

（一）植物生长向光性的数学模型。在植物学中的形态素浓度理论的基础上建立枝叶在不同光线强度下向最优解的方向快速生长的动力模型，其模型主要思想为：假设一棵树有树干M和树枝m，M上有K个比树根环境条件好的生长点SM1，SM2，…SMK其对应的形态素浓度为PM1，PM2，…PMK；m上有q个比树根环境条件好的生长点Sm1，Sm2，…Smq，其对应的形态素浓度为Pm1，Pm2，…Pmq，则树干及树枝上的各生长点的形态素浓度可由以下公式计算：

P= （6）

P= （7）

式中，S0为树根所在点；f为生长点的环境函数，取值越小，环境条件越好，越有利于长出新枝。

由公式（8）可以看出一棵树上所有生长点的形态素浓度之和为1。

（P+P）=1 （8）

因此，k+q个生长点的形态素浓度确立以后，接下来如图2所示，随机生成一个[0，1]的数字作为下次生长的新生长点，在公式（6）和（7）的基础上加入新的生长点重新计算，如此反复执行，直到无新的生长点产生为止，见图2。（图2）

（二）基于模拟植物生长算法求解专家集结点。根据模拟植物生长算法，定义其相似性结构为在生长点按照东南西北这四个方向生长，不停产生新枝，设新枝的旋转角度α为90度，将枝干长度设定为l/1000，l为有界闭箱的长度。

P= （t=1，2，…v） （9）

步骤1：确定初始生长点e∈X，X为Rn中的有界闭箱，这些初始生长点为e有界闭箱内随机均匀的点；

步骤2：求解各生长点的生长概率；

步骤3：根据步骤2的结果建立各生长点在0～1区间内的概率，以随机数选择本次迭代生长点e；

步骤4：确定步长λ（一般取l/1000），生长点按照α=900的L-系统进行生长，用新的生长点替换e；

步骤5：如若不再产生新的生长点且达到预设的迭代次数，即得到最优集结点，则停止计算，否则转步骤2。

四、基于二元语义的群决策方法

针对消费者网购化妆品需求偏好问题，收集网络评价数据为：X={x1，x2，…xm}（m≥2）

消费者集为：E={e1，e2，…ep}（p≥2）

属性集：U={u1，u2，…un}（n≥2）

消费者群体zt对产品的语言评价矩阵：At=（aijt）m×n

将At=（aijt）m×n转化为二元语义决策矩阵At=（aijt，0）m×n，从而得到最优决策方案：

a a … aa a … a… … … …a a … a？陴（a，0） （a，0） … （a，0）（a，0） （a，0） … （a，0） … … … …（a，0） （a，0） … （a，0）

（一）决策偏差。假设各消费者无偏好（或偏好相同），根据消费者给出的决策矩阵，利用公式（4）计算每位消费者对指标的判断值与其他消费者对指标的偏差。设消费者zi对属性uj的判断与其他消费者对该属性的判斷的偏差为？渍ij：

？渍=△-1（e，0）-△-1（e，0）（j=1，2，…n） （10）

（二）决策过程

步骤1 根据公式（3）将各消费者的语言评价矩阵At=（aijt）m×n转化为二元语义矩阵At=[（aijt，0）]m×n。

步骤2 通过指标对消费者的评价信息进行分类，并用PGSA对各类消费的二元语义评价矩阵At=[（aijt，0）]m×n。

步骤3 计算每位消费者与同类其他消费者的评价偏差，并且各自加减得到区间二元语义矩阵A=[（ij，），（s，？琢）]m×n。

步骤4 通过公式（3）区间二元语义矩阵A= [（ij，），（s，？琢）]m×n转化为实数矩阵A=[（aij，b）]m×n，PGSA进行集结，得到最优集结矩阵A*=[（aij*，b*）]m×n。

步骤5 通过PGSA对实数矩阵A=[（aij，b）]m×n再次集结得到A*=[（aij*，b*）]m×n，并对结果进行排序和分析。

五、实例分析

针对消费者网购化妆品的需求偏好，本文收集京东百雀羚旗舰店中化妆品套装销售量第一的消费者评价数据，并选择价格、快递速度、补水保湿效果、品牌印象和整体效果这5个作为指标属性{u1，u2，u3，u4，u5}。根据粒度为5的语言评价集：S={S0：很差，S1：差，S2：一般，S3：好，S4：很好}，分别将收集的在线评价信息根据公式（3）转换成二元语义形式，并根据整体效果这个指标对消费者的在线评价进行分类，如表1～表4所示。（表1、表2、表3、表4）

通过公式（10）计算各个消费者的评价信息与同类别其他消费者的评价信息的偏差值，并自行加减；通过公式（3）将得到的数值转换成二元语义形式A=[（ij，），（，）]m×n，如表5～表8所示。（表5、表6、表7、表8）

通过PGSA对分类的群体分别进行集结，得到最优集结矩阵A*=[（aij*，b*）]m×n，如表9所示。（表9）

对最优集结矩阵再次进行集结，得到： u1=（1.67，2.33），u2=（1.58，2.42），u3=（1.24，2.74），u4=（1.5，2.5），u5=（2，2）或（3，3），即：u1=（s2，0.33），u2=（s2，0.42），u3=（s2，0.74），u4=（s2，0.5），u5=（s2，0）或（s3，0）；？渍1=0.33，？渍2=0.42，？渍3=0.74，？渍4=0.5，？渍5=0。

最后得到的结果是：？渍3>？渍4>？渍2>？渍1>？渍5

可以说，消费者对商品的价格比较满意，相对而言，补水保湿效果对所有消费者而言还是不太满意的。

六、结束语

本文针对消费者网购化妆品的需求偏好问题，在收集消费者在线评价数据的基础上，将语言评价信息转化为二元语义评价矩阵。然后，对所有的评价信息通过指标进行分类，计算每位消费者在各自分类内与其他消费者评价信息的偏差值，自行加减得到最新的二元语义评价矩阵。将矩阵中相对应的元素按属性指标，分别映射到二维坐标中，转化成消费者评价偏好点集。然后，再利用PGSA求解最優集结点。由逆映射的关系可知，该点的坐标即是达成所有消费者语言信息表达矩阵的集结元素。根据所求的最优集结点以及偏差值来分析消费者购买化妆品的需求。

主要参考文献：

[1]Chevalier，D.Mayzlin.The Effect of Word of Mouth on Sales：online Book Reviews[J].Journal of Marketing Research，2006.8.

[2]Liu.Y.Ward of mouth for movies：its dynamic and impact on box officerevenue[J].Journal of Marketing，2006.70.

[3]付深.网络口碑对消费者决策影响的实证研究[D].浙江大学硕士论文，2010.3（2）.

[4]周耿，易斯琦.在线口碑效应的影响因素及性别差异研究[J].广东商学院学报，2013.8.

[5]Nan Hu.Online Consumer Trust：A Multi-Dimensional Model[J].Journal of Electronic Commerce in Organizations，2008.2（3）.

[6]周晶晶.在线客户评论对消费者购买决策影响的实证研究[D].浙江大学硕士论文，2010.2（1）.

[7]赵冬.在线客户评论对消费者购买决策影响的实证研究[D].重庆工商大学硕士论文，2012.2（1）.

[8]王真真.中国旅游在线评论对旅游消费者购买决策影响的实证研究[D].北京第二外国语学院硕士论文，2012.

[9]卫贵武，林锐.基于二元语义多属性群决策的灰色关联分析法[J].系统工程与电子技术，2008.30（9）.

[10]Herrera F，Martinez L.A 2-Tuple fuzzy linguistic representation model for computing with words[J].IEEE Trans on Fuzzy Systems，2000.8（6）.

[11]Herrera F，Martinez L.A model based on 2-tuples Linguistic for dealing with multi-granularity hierarchical linguistic contexts in multi-expert decision-making[J].IEEE Trans on Systems，Man and Cybernetics.Part B：Cybernetics，2001.31（2）.

[12]李彤等.求解整数规划的一种仿生类全局优化算法——模拟植物生长算法[J].系统工程理论与实践，2005.25（1）.

[13]杨磊，刘义保，刘玉娟.基于模拟植物生长算法的钴源源棒的排列优化[J].核技术，2009.32（12）.

[14]李彤，王众托.模拟植物生长算法在设施选址问题中的应用[J].系统工程理论与实践，2008.28（12）.