文摘
在当今竞争日益激烈的市场,消费者通常必须面对大量的产品与不同的设计但拥有相同的使用。因此,制造商是吸引消费者的一个重要问题,通过特殊设计的产品。本文旨在面向消费者的推荐产品,方法的改进,提出了一种对日本传统工艺推荐系统基于面向目标的模糊和本体工程方法。具体地说,面向目标的模糊方法用于测量的健身选择属性到一个特定的对象。两个聚合模型介绍了处理多属性评价和排名;四个排名方法还研究了获得一个推荐列表。测试排名聚合模型和方法,推荐系统开发和测试进行了比较。
1。介绍
如今,产品的设计和营销越来越重要,由于消费者将更多地关注他们的情感或情绪的产品,不仅产品的质量。在当今竞争日益激烈的市场,消费者通常必须面对大量的产品与不同的设计但拥有相同的使用(1]。因此,它是一个重要的问题对于制造商来说,吸引消费者通过特殊设计的产品。因为消费者接受产品质量的默契是适当的(消费者无法知道质量之前购买的产品),他们通常专注于他们的主观感受的产品时,他们选择的产品,因此,设计已经成为产品的质量一样重要(2]。因此有必要进一步发展面向消费者的方法推荐产品;这种方法侧重于满足消费者的需求。这个问题受到越来越多的关注研究的面向消费者的设计和Kansei工程自1970年代。Kansei工程、发明的Nagamachi广岛大学的1970年代,定义为“翻译技术的消费者对产品的感觉和形象为设计元素”(3),已被证明是有效的和成功的方法在许多领域(4,5),如汽车、家电、办公设备、化妆品、食物和饮料,包装,建筑产品,和其他行业6]。Kansei这个词表达了人的主观感受产品的内在知觉现象学使用所有感官,查看、听觉、触摸、嗅和其他方式(5]。Kansei-related研究,数据收集的最常见的方法是语义微分(SD)方法,它使用一组形容词和对象要求评价者来表达他们的感觉这些话(5,7- - - - - -10Kansei-engineering],个性化,fuzzy-theory-based方法提高了作为一个有效的解决方案,已被用于许多领域,如医学、工业(11,12]。
许多研究Kansei工程或其他面向消费者的决策技术已经使用在许多决策支持领域(2),甚至在商业产品和传统工艺品。这些问题进行了研究,以有利于市场营销或推荐的目的(13),尤其是在电子商务14]。
当消费者表达他们的要求采购产品时,他们通常有一个多属性表达式;这意味着一个聚合模型的属性匹配的消费者的需求成为一个重要组成部分。我们可以假设消费者的需求是一个实体,我们可以使用Kansei词汇选择消费者描述实体,所以它将成为一个本体论问题。(借用哲学本体在这里理解为一个词来描述匹配的词和概念在计算机科学;更准确地说,它有时被称为本体论工程。另一方面,Kansei工程也连接到另一个叫做现象学哲学的一部分,意思是感知世界作为一个整体,所有感官。)消费者的需求会那么解释为消费者的本体论。
在这篇文章中,我们将集中于日本传统工艺的评估,和消费者的个性化需求的本体论概要描述了消费者;多属性的一些聚合模型方面和一些排名方法也将讨论,包括他们的比较。
为了提出一个有效的模糊靶向性Kansei评价和多属性聚合模型,因为它是在研究Kansei工程,进行的一个实验研究首先通过SD方法(15[]或其修改7- - - - - -10]。在这样的过程中,大约60名志愿者聚集评估30传统工艺,对工艺和Kansei数据库。这个数据库是本文的起点,一个模糊的靶向性个性化方法单一Kansei词将提议,和单一Kansei词选择消费者的满意度会被测量。接下来,根据消费者的需求资料,两个聚合模型和四个排名方法将多属性方面定义,并推荐排名会给消费者。最后,推荐系统作为电子商务系统开发,并比较不同的聚合模型和评级方法的效率将会进行。
2。模糊面向目标的决策
本文我们将介绍一种方法,它可以测量消费者的个人偏好产品为了找到这产品能满足他/她的味道最好。首先,我们需要确定产品的属性和属性的显示测量方法得到一个共同理解的产品平均客户;然后,为一个特定的属性选择个体消费者,包括属性的水平或目标,我们需要找到一种方法来描述产品如何满足消费者的个人偏好这些选择;换句话说,我们需要衡量一个特定的,个人消费者的偏好。
2.1。测量产品的属性
我们将在本文描述Kansei数据和上下文数据的面向消费者的评价问题对传统工艺(细节,请参阅[16- - - - - -18])。让我们表示的特定的工艺(产品)的集合,一个有限集,让我们表示的基数。有两种类型的数据摘要:Kansei数据和上下文数据。Kansei数据用于描述消费者对于传统工艺的感情,他们是由成对的形容词特征;上下文数据用于描述应用程序的情况下,他们是由成对的短语(见表1)。
让(1) 选择Kansei属性的设置,(2) 是选择的设置上下文属性。
属性由一对Kansei词:和指的是左Kansei词和右Kansei属性,。我们表示Kansei属性的设置。属性由一对上下文的话:和意思是左侧上下文词和右上下文属性,。我们表示设置上下文属性,我们也可以表示所有属性的集合,在那里, 。
然后我们使用语义微分方法做一个调查问卷来收集Kansei数据和上下文数据。我们使用分方法问卷调查。具体来说,左侧词的搭配Kansei属性,我们附上点1,另一边的配对Kansei属性,我们附上点 ;在这种情况下,。让我们表示分规模的 在哪里意味着级别的属性。如果,然后会有7的水平描述成对的属性,然后和。
问卷给评估者来表达他们的情感评估;我们表示评价者的集合,。具体地说,对于一个特定的对象,评估者给他/她是在每个Kansei属性和环境属性;因此我们表示评估者的标志到属性的和属性可以Kansei属性或上下文属性。在这里。然后我们可以表示评价者的分布,给出了
2.2。规范消费者的个人偏好
数据库时,我们可以用它来描述一个对象如何满足普通消费者的偏好。让我们表示作为一组个体消费者的要求;在这里。假设我们专注于一个选定的属性。假设消费者的目标可以表示为。如何计算的满足目标,提出了一种模糊靶向性个性化方法在Nakamori [19]。在这里我们将使用这个想法和做一些修改。首先,我们可以知道可能一般的感觉评估所有评估者和评价者的分布的感觉。我们表示评价者感受对象的平均值的属性,我们表示这些感觉的标准差。相应的公式如下:
根据和 ,我们可以做一个三角形隶属函数表示为,描述数据的分布,是一个正数。(在本研究中,我们设置了正数,使三角形隶属函数的形状是合理的;具体来说,形状应符合的规模水平。)我们表示这个三角形隶属函数 ,在那里。我们可以定义一个函数测量不同的健身价值水平;可以被认为是消费者的目标,公式如下:
当消费者设定目标,我们可以用和三角形隶属函数 计算适应度值,并给出的公式
一个例子是显示在图1,健身价值图中的点的高度。
为每个属性(一般情况下,我们使用一个Kansei属性作为一个例子,),对同一对象的不同评估者可能有不同的感觉。这意味着一些评价者可能标志着属性在区,但其他人可能标记区域。因此,当我们计算健身一个特定对象的一个属性值,我们应该成对属性划分为两个单独的部分,我们称之为左部分(区)和右部分(区域)。我们表示系数的意义当它是在左边的部分;相对来说,意味着意义系数时是在正确的部分。给出的公式如下:
这两个系数解释双方的意义;换句话说,他们可以测量的分布从评价者的评价数据。这个函数应调整如下:
在这里的目标是选择Kansei属性。和是呈三角形隶属度函数,平均值和标准偏差包含在这两个三角形隶属度函数被修改。具体来说,我们只使用一个双属性的评价数据的计算。如果消费者的目标设置在左双属性的一部分,我们可以用(8)计算适应度值;相应地,如果目标设置在正确的配对属性的一部分,那么我们就可以使用(9)这样做。
3所示。聚合模型基于本体论结构
消费者可以选择产品的一些属性和设置这些属性的重要性系数来描述他/她的需求在这个推荐系统。因此,我们不得不面对这种情况,消费者的偏好包括几个属性的产品;换句话说,我们面临着一个多属性的要求,我们需要整合多属性的选择来获得一个标量测量消费者的偏好。
正如我们上面所讨论的,有两种属性来描述一个产品:Kansei属性和环境属性。Kansei属性通常是形容词词所表达的;他们通常用来描述一个消费者的情感对象。这些情感通常有一个模糊的大自然为人类描述;例如,“有点”或“非常”可以表达Kansei词的程度。相应地,上下文属性通常表达的产品的目的使用或用户的特征。他们通常包括一些短语,他们不同于Kansei属性。一个上下文属性对消费者通常有一个明确的意义。例如,对于一个上下文属性“老年人”,我们不能一定程度来描述该属性设置为我们的要求,这就意味着我们要为老年人产品。根据这些特征的上下文属性,我们可以使用一个本体论结构来描述:具体地说,我们可以使用上下文属性subrequirement实体(选择上下文属性),我们使用Kansei属性来描述这些subrequirement实体。 Then we could integrate these subrequirement entities as consumer’s personal requirements.
当我们使用Kansei属性来描述subrequirement实体(选择上下文属性),应考虑它们之间的关系。有4的可能性当消费者面对给定的关系如下。(1)他们想要自由决定根据他们的偏好的关系。(2)他们想使用相同的关系不同Kansei属性,并不想调整它们。(3)他们接受系统的计算关系,并不想调整它们。(4)他们一定程度上接受由系统计算的关系,但在一定范围内可以调整的关系。在这个范围内,个人品味和属性之间的相关性规则都可以考虑。
在这项研究中,我们将关注第四的可能性,我们将讨论它在接下来的部分。
这个推荐系统的概述图所示2。该系统分为4部分:接口,规范模块,聚合模块和数据库。消费者可以选择属性和设置界面和重要性系数的水平来描述他/她的要求;规范模块可以测量所选属性的满意度;聚合模块可以聚合所选属性和消费者提出建议列表。
正如我们上面所讨论的,我们将使用一些结果的本体论工程;具体来说,我们将消费者的需求分成几个subrequirement实体,每个实体我们将使用Kansei属性来描述它。在这里,我们将提出两种模型的聚合subrequirement实体。
3.1。消费者靶向性聚合模型
考虑到作为消费者的要求,意味着需求和上下文意味着Kansei需求, 。我们已经计算出对象满足所选的属性分开,然后我们将使用一个方法聚合他们看到的对象如何满足消费者的偏好。这里我们使用一个本体论结构来描述消费者的偏好。具体来说,我们专注于上下文属性,使用所选Kansei属性来描述它们。我们使用所选Kansei属性集描述选择上下文属性。这是一些扩大上下文属性,或者我们可以说它是一个大的概念,然后我们表示它,在那里,是放大的设置上下文属性。
当我们使用Kansei属性来描述上下文属性,我们应该知道如何重要Kansei属性上下文属性。我们表示之间的重要性系数和,我们可以使用属性的相关系数平均值(见(3))来描述一个可能的强度的关系。一般来说,我们定义之间的相关系数Kansei属性和上下文属性,我们假设以下。如果,然后有一个完全正相关。如果,然后有一定程度的正相关。如果,那么就没有相关性。如果,然后有一个负相关。
从这些定义,我们可以映射的重要性系数的相关系数。具体来说,当Kansei属性之间的关联效应和上下文属性很重要,这意味着Kansei属性来描述上下文属性是很重要的。相应地,如果Kansei属性和上下文属性之间的关联效应不显著,也似乎是负相关效应,然后Kansei属性不适合描述上下文属性。我们假设Kansei属性不适合描述上下文属性时相关系数小于0.2,然后我们Kansei属性的重要性系数设置上下文属性为0。如果他们的相关系数大于0.2,我们假设之间存在线性关系的重要性系数和相关系数:段所描述的线性关系是AB在图3。国开行组合行指示一个合理的上限使用者设定的重要性系数;因此我们将它定义为上层推荐转换线的调整范围,定义为满足消费者的个人需求,消费者可以在一定程度上调整系数的重要性。这个范围是定义在某种意义上客观地考虑从数据库中获得的相关系数。所表达的范围的下限是复合线出租车:具体地说,如果相关系数大于0.2,那么我们假设线段AB为重要性系数定义了一个合理的下限设定的消费者。总之,如果相关系数小于−0.2,然后我们重要性系数设置为0;如果相关系数大于0.8,那么我们设置的重要性系数的上限为1;如果相关系数的范围,那么我们假设有限制的重要性系数设定的消费者,所表达的线性相关系数和重要性系数之间的关系。阴影区域在图的垂直线3表示可能的重要性系数,可以选择的范围的消费者;作为合理的起点,我们可以建议消费者这些范围的中间值,表示在图3折线。
因此,消费者可以设置他们的首选Kansei属性的重要性在一定上下文属性,我们表示。我们定义 和建议降低变换函数和上转换功能(见图3),分别,我们定义 作为中间值函数,我们建议消费者作为起始值,详细如下:
根据和(10),我们可以定义在(11)。调整的重要性系数的方程可以使阴影图的一部分3作为
扩大后的上下文属性健身的对象可以通过计算
在这里和的目标是选择上下文属性和Kansei属性。
因为它是图所示4,每个选择上下文属性可以被视为一个subrequirement实体,对于每个subentity,我们使用所有选定Kansei属性来描述它根据重要性系数和相关系数。
那么我们应该总看到的对象如何满足消费者的偏好。对于每个选定的上下文属性,消费者还可以设置的重要性系数描述上下文属性的重要性他/她的偏好。我们表示了。
如果我们假设所有选定的上下文属性模糊逻辑关系””,那么这意味着所有上下文属性没有区别的重要性,然后聚合模型如下:
如果我们假设模糊逻辑关系”和“规定所有上下文属性,那么它意味着消费者希望每个选定的上下文属性满足他/她的要求,然后聚合模型如下:
为选定的上下文的话,可能会有一些很小的健身价值对象,这将使最终分数。看不见的,所以我们将介绍另外两个排名的方法来解决这个问题。这两个方法遵循基本标准和补偿标准。的补偿标准意味着一个较大的值的标准将会补偿一个小,是某种加权平均的方法;的基本标准意味着所有的标准应该有相当大的值,它是某种形式的参考点方法(RPM)这是提出Wierzbicki et al。20.]。首先,我们应该计算统计均值的平均健康对于一个给定的选择所有对象上下文属性: 在哪里在计算(12),是对象的数量。然后我们可以定义补偿标准和基本标准如下: 在哪里也计算(12)和系数ε> 0 (17)表示之间的妥协解释选择上下文属性之间的关系作为一个模糊逻辑”和“操作和解释它们作为补偿标准。
3.2。一种间接聚合模型使用一个原型系统PrOnto的想法
原型系统PrOnto开发的要求波兰研究项目在国家电信研究所,题为“下Generation-Technical Teleinformatic服务和网络、应用和市场方面”。该系统PrOnto是基于完全个性化的本体论概要文件的用户,它考虑了与不同的用户交互(见[20.])。如果我们使用的想法PrOnto系统某个用户定义概念通常有一组关键字来描述它,用户可以调整这些关键词的重要性系数,然后我们可以假设,在一定上下文属性,作为一个治疗概念,还有一组Kansei属性,作为一组关键字,一般可以描述它(我们可以称之为一组描述)。当我们想测量一个上下文属性的满意度,我们可以测量的相关Kansei属性,和个性化的消费者的愿望。具体地说,我们可以做一套Kansei属性,具有更高的相关性,上下文属性,而不是指定的上下文属性模糊方法,我们可以使用的健身价值的集合Kansei属性来描述上下文属性间接;至少有一个优势,我们可以详细区分不同的上下文的话,只因为而不是使用评价数据,还有许多其他Kansei属性可以显示他们之间的分歧。如果我们要考虑选择一个典型Kansei属性为subrequirement实体(选择上下文属性),那么我们就可以重置这副Kansei属性之间的相关系数和上下文属性。图5显示了图的一小部分4,表达subrequirement内部的实体。如图5,subrequirement实体可以被描述为一组Kansei属性相关性较高的实体。显然,消费者也可以重置相关系数在一定范围(见图3)。
算法类似于上面提到的方法我们有不同之处在于,如何计算的健身扩大上下文属性。我们只是用Kansei属性来描述扩大上下文属性在这个模型中,我们不会选择上下文属性的健身考虑到;原因是所有Kansei属性与特定上下文属性,有特殊的关系,我们可以使用Kansei属性有明显的关系,上下文属性来区分上下文属性。我们表示Kansei属性组,有显著的关系正如上面提到的,是选择Kansei属性集。然后呢是由
等式的右边第一部分的满意选择上下文属性描述计算的设置;等式的右边第二部分的满意度是额外选择Kansei属性,不包含在描述集合。
4所示。日本传统工艺的推荐系统
我们将介绍推荐系统是如何工作的在这一节中,包括案例研究对日本传统工艺。这个系统包含所有聚合模型和排名我们上面讨论的方法。
进行评估和比较,我们将使用一组样品“Kutani制品”测试排名聚合模型和方法。“Kutani制品”是一种传统工艺生产的方法;它有近400年的历史,在日本现在是一个非常重要的行业,不仅因为它的经济价值,还因为它的传统民族文化价值观。
样品我们使用组杯由传统方法,和为每个示例中,我们使用6对上下文词语和20对Kansei词来描述它。评估他们,我们有60志愿者参与。他们有一些问卷26双属性(包括6对上下文词语和20对Kansei字)。对于每个属性,有7度选择样本来描述你的感觉。问卷的一部分,如图6。
我们设定一个推荐系统的个性化的消费者的需求,根据我们得到的数据评估和个人消费者需求选择;这个程序可以推荐列表的杯子的数量对于消费者来说,可以帮助他们选择他们最喜欢的杯子(见图7)。
如图7,消费者应该选择一些上下文词语和他/她的重要性系数;消费者也需要选择一些Kansei单词和设置水平和重要性系数,然后这些描述的需求可以选择属性。的需求也将打印需求。下一步是设置聚合模型和排名的方法。我们有两个聚合模型(消费者靶向性模型和PrOnto-based模型)和四个排名方法(基于逻辑关系排序法”或“,排序法”和“基于逻辑关系,基本标准,和补偿标准)选择。在步骤3中,如果我们单击“计算”按钮,我们将看到在结果块(推荐列表杯子的照片图7)。
5。不同的聚合模型的评价和比较
在本节中,我们将评估推荐系统来测试不同的聚合模型和排名的方法。在这个评估中,我们有25名志愿者,让他们选择一些上下文属性和Kansei属性的描述他们的需求还需要设置水平和他们选择的属性的重要性,然后根据他们的选择,他们应该捡起的一个样本,他们最喜欢的。我们可以利用这些描述测试的推荐系统模型和更好的排名方法。
有30个咖啡杯在这个测试。推荐系统和消费者的特殊需求的描述,我们可以得到一个咖啡杯的推荐列表为每个时间的测试。比较这个列表和消费者最喜欢的咖啡杯,我们可以知道最喜欢的咖啡杯的位置在这个列表中。例如,如果消费者最喜欢的杯子的数量是23,这23号杯是在第三位置的列表,然后将其标记为3 (见表2;我们收集49项的数据评估25个志愿者)。根据标志,我们可以大致知道推荐结果的满意度;例如,如果一个表2是5,那么满意度是。
如表所示2,每一次的评估,有两种不同的聚合模型和4种不同的排序方法。首先,我们比较不同的聚合模型的满足感。具体地说,我们有不同的聚合模型的平均分数为每个项目的数据,然后使用t -测试分析了两个系列的数据找到对他们意味着是否存在差异;如果是这样,我们可以比较他们的手段,看哪个聚合模型是更好的(见表3)。
如表所示3平均值的两个聚合模型有显著差异的可能性(的价值 以及小于0.1),PrOnto-based聚合模型有更高的平均满意度;它也有一个较低的方差,这意味着PrOnto-based聚合模型更为高效和稳定。原因可能是,消费者通常专注于产品的主要属性(在这种情况下,主要应上下文属性)。主要的属性(上下文属性)被一群Kansei属性(描述组)PrOnto-based聚合模型,一些选择Kansei属性参与有关描述集团将不会再次描述组;相应地,主属性模糊方法计算了靶向性消费者靶向性聚合模型和所选Kansei属性分别计算。因此,当选择Kansei会发生重复计算属性有更高的相关性的主要属性。这将使主要的选择更容易受到Kansei属性消费者靶向性聚合模型。所有属性的评价数据表达的一般理解/感受对象,所以可能会有一些偏差,当我们使用它们来计算消费者的满意度。在PrOnto-based聚合模型上下文属性的满意度计算由描述组(一组Kansei属性相关性较高的上下文属性),而不是使用的评估数据上下文属性,这意味着我们用几块的满意度评价数据来衡量选择上下文属性,因此,可能平均偏差。这可能的原因PrOnto-based聚合模型更稳定。
该指数的稳定是必要的;如果模型不够稳定,那么,系统可以获得更高的满意度,和一些时间得到更低的。我们用方差来看到哪一个是更稳定的,但我们不能使用这个值稳定模型。根据上面的分析,我们可以说PrOnto-based聚合模型是更好的。然后在这种聚合模型,我们将比较不同的排名方法。
如表所示4的两种排序方法基本标准(ESS)和补偿标准(COM)有显著差异的排名方法基于逻辑操作”和“下的可能性95%。这意味着我们可以比较均值(满意度值计算平均值)的排名方法ESS基于逻辑操作的排名方法”和“(包括排名方法COM基于逻辑操作的排名方法”和“),看看哪一个更好。
我们可以看到的排名方法ESS,COM,基于逻辑算子的排名方法”或“有更高的平均比基于逻辑算符的方法满意吗”和“(见表5),但从上面的分析,我们只能说ESS和COM比排名方法基于逻辑算符”和“。根据每个排名方法的方差值(见表5),我们发现排名方法ESS方差较低;这意味着排名方法ESS会比其他的要稳定得多,所以我们可以说排名方法ESS比其他方法使用吗PrOnto-based聚合模型。
6。结论
我们已经讨论和测试两个多属性聚合模型和四个排名方法本文推荐的日本传统工艺问题;我们消费者个性化偏好的属性对象。我们也不同的聚合模型和排名方法相比使用我们已经开发出的推荐系统。据的分析比较,我们发现PrOnto-based聚合模型更为高效、稳定,在使用这种聚合模式下,这个排名的方法ESS结果在一个更好的性能。我们也指出一些问题,如一般理解和个人理解:之间的匹配问题,本文中使用的数据都是基于某种一般由一组志愿者理解评估和记录在系统数据库中,因此,当消费者设置他们的需求,他们会表达一些数据库和需求之间的偏差,消费者真正想要的。