CN108595575B - 具有非确定性的多源用户体验数据聚合方法 - Google Patents
具有非确定性的多源用户体验数据聚合方法 Download PDFInfo
- Publication number
- CN108595575B CN108595575B CN201810339948.8A CN201810339948A CN108595575B CN 108595575 B CN108595575 B CN 108595575B CN 201810339948 A CN201810339948 A CN 201810339948A CN 108595575 B CN108595575 B CN 108595575B
- Authority
- CN
- China
- Prior art keywords
- user experience
- aggregation
- intuitive fuzzy
- fuzzy number
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种具有非确定性的多源用户体验数据聚合方法,包括:S1)针对具有非确定性的多源用户体验数据,将其统一转换为直觉模糊数,在不丢失不确定性信息的前提下,实现多源数据的格式统一;S2)利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合;S3)将聚合得到的直觉模糊数转换为[0,1]区间内的实数,完成多源用户体验数据的有效聚合。本发明在不丢失不确定性信息的前提下,能够将具有不确定性的用户体验信息与其它的用户体验信息进行有效聚合,实现对工业产品多源的用户体验信息的综合量化评估,帮助改进产品质量和服务。
Description
【技术领域】
本发明涉及多源、异构的用户体验数据融合与集成领域,特别涉及一种具有非确定性的多源用户体验数据聚合方法。
【背景技术】
互联网时代,用户体验成为新的生产力。许多企业纷纷构建了自己独具特色的用户体验管理体系,以提高产品质量和服务。一般情况下,用户体验数据来源主要有三种:第一类是关于产品质量的相关用户体验数据,来自传统企业信息化范围,主要包含确定性信息;第二类是关于价格的用户体验数据,主要指产品在市场的销售价格及其用户满意度等一系列用户体验数据,包含大量不确定性信息;第三类是与产品服务等相关的用户体验数据,包括物流、售后服务、在线咨询等一系列用户体验数据,也包含大量不确定性信息。在大部分用户体验数据中,常常包含用户的主观感受、评价等信息,它们常常以不确定性信息的形式出现,这些信息对改善企业产品,提高产品的市场亲和力有着非常重要的作用。然而这些多源且类型多样的用户体验数据,由于包含大量不确定性信息,将它们聚合在一起形成对产品的用户体验信息的综合量化评估,将是一件很困难的事。多源数据聚合是数据集成的一种重要方式,在实际应用中常常被采用,也可用于用户体验数据的分析、处理。传统的多源、异构数据聚合方法存在的问题是,在进行数据格式的同构化时,常常将数据包含的不确定性信息丢失。而在用户体验数据中,大量数据将包含不确定性信息,因此将会造成大量有用信息的丢失,导致聚合结果与被聚合数据之间存在较大差异,对聚合结果的正确性造成影响。本发明提出的方法,可以在不丢失不确定性信息的前提下,将具有不确定性的用户体验信息与其它各类用户体验信息进行有效聚合,实现对产品的用户体验信息的综合量化评估,便于对产品的用户体验信息进行排序和管理。
【发明内容】
本发明的目的在于提供一种具有非确定性的多源用户体验数据聚合方法,以实现确定性和非确定性用户体验数据的有效聚合,从而可以对产品的用户体验信息进行量化评估。
为达到上述目的,本发明通过以下技术方案予以实现:
具有非确定性的多源用户体验数据聚合方法,包括如下步骤:
S1)将数据集中的多源用户体验数据统一转换为直觉模糊数;
S2)利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合;
S3)聚合得到的直觉模糊数转换为[0,1]区间内的实数,完成多源用户体验数据的有效聚合。
本发明的进一步改进在于,步骤S1)中将数据集中的多源用户体验数据统一转换为直觉模糊数,具体包括:
首先,对于非确定性用户体验数据x,如果其表示形式是直觉模糊数(u(x),v(x)),其中0≤u(x)≤1是隶属度,表示用户从正面给出的对某商品的满意度,0≤v(x)≤1是非隶属度,表示用户从反面给出的对某商品的不满意度,u(x)+v(x)≤1,则x不需要转换;如果其表示形式是(a(x),π(x)),其中a(x)表示用户对某商品的总体满意度,π(x)∈[0,1]表示其不确定性,则采用如下的公式将其转换为直觉模糊数:
其中,suf(x),inf(x)分别表示x的上确界和下确界。
其次,对于确定性用户体验数据x,如果该数据与用户体验满意度正相关,采用如下的公式将其转换为直觉模糊数:
如果确定性用户体验数据x与用户体验满意度负相关,采用如下的公式将其转换为直觉模糊数:
本发明的进一步改进在于,步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,具体包括:
对待聚合的N个表示为直觉模糊数αi=(u(xi),v(xi)),i=1,2,...,N的用户体验数据,将u(xi),v(xi)简记为ui,vi,依据ui进行升序排序;如果u[i]表示U=(u1,u2,…,uN)中第i个小的数,那么按升序排序后的向量表示为U[]=(u[1],u[2],…,u[N]),进而排序后的N个直觉模糊数表示为[(u[1],v[1]),(u[2],v[2]),…,(u[N],v[N])],其中v[i]与u[i]相对应。
本发明的进一步改进在于,步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,具体包括:
对排序后的N个直觉模糊数的隶属度利用有序加权平均三角余模函数进行聚合,具体表示为:
本发明的进一步改进在于,步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,具体包括:
对排序后的N个直觉模糊数的非隶属度利用有序加权平均三角模函数进行聚合,具体表示为:
本发明的进一步改进在于,步骤S3)中将聚合得到的直觉模糊数转换为[0,1]区间内的实数,具体包括:
其次,若聚合结果为γ=(μγ,vγ),那么聚合结果用如下的公式转换为[0,1]区间内的实数:
a(γ)即为聚合得到的群体用户对某商品体验信息的综合满意度。
相对于现有技术,本发明具有以下有益效果:本发明在不丢失不确定性信息的前提下,实现多源用户体验数据中具有不确定性的信息与其它确定的用户体验数据的有效聚合,从而可以进行产品的用户体验信息的量化评估,得到对产品的用户体验满意度等。
【附图说明】
图1为本发明具有非确定性的多源用户体验数据聚合方法的整体流程图。
【具体实施方式】
以下结合附图详细说明本发明具有非确定性的多源用户体验数据聚合方法的实施方式。
参见图1,本发明具有非确定性的多源用户体验数据聚合方法,包括以下步骤:
S1)将数据集中的多源用户体验数据统一转换为直觉模糊数;
S2)利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合;
S3)聚合得到的直觉模糊数转换为[0,1]区间内的实数,完成多源用户体验数据的有效聚合。
具体来讲,步骤S1)中将数据集中的多源用户体验数据统一转换为直觉模糊数,包括:
首先,对于非确定性用户体验数据x,如果其表示形式是直觉模糊数(u(x),v(x)),其中0≤u(x)≤1是隶属度,表示用户从正面给出的对某商品的满意度,0≤v(x)≤1是非隶属度,表示用户从反面给出的对某商品的不满意度,u(x)+v(x)≤1,则x不需要转换;如果其表示形式是(a(x),π(x)),其中a(x)表示用户对某商品的总体满意度,π(x)∈[0,1]表示其不确定性,则采用如下的公式将其转换为直觉模糊数:
其中,suf(x),inf(x)分别表示x的上确界和下确界。
其次,对于确定性用户体验数据x,如果该数据与用户体验满意度正相关,采用如下的公式将其转换为直觉模糊数:
如果确定性用户体验数据x与用户体验满意度负相关,采用如下的公式将其转换为直觉模糊数:
这样进行数据转换的优点是,对确定性用户体验数据,并未实际增加其不确定性。
例如,x1=3表示产品展示的满意度,是确定性数据,其取值的上下确界分别是1和5(分别对应一星和五星),那么
x2=(1,0.2)是不确定性数据,是用户对产品售后服务的评价(一颗星,非常不满意),其中不确定性表示为0.2,如果其确定性信息的取值范围为[1,5],那么v(x2)=1-0.25-0.2=0.55,转换后的直觉模糊数表示为(0.25,0.55);
x3=(0.15,0.7)也是不确定性数据,是用户对产品物流的评价,满意度0.15,不满意度0.7,是一个直觉模糊数,不需要进行数据转换。
具体来讲,步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,包括以下内容:
对待聚合的N个表示为直觉模糊数αi=(u(xi),v(xi)),i=1,2,...,N的用户体验数据,将u(xi),v(xi)简记为ui,vi,依据ui进行升序排序;如果u[i]表示U=(u1,u2,…,uN)中第i个小的数,那么按升序排序后的向量表示为U[]=(u[1],u[2],…,u[N]),进而排序后的N个直觉模糊数表示为[(u[1],v[1]),(u[2],v[2]),…,(u[N],v[N])],其中v[i]与u[i]相对应。
例如,y1=(0.4805,0.5195),y2=(0.2407,0.7593),y3=(0.7402,0.2597),y4=(0.6103,0.3896)是四个用户体验信息转换后的直觉模糊数,依据其隶属度升序排序后的结果为:
[(0.2407,0.7593),(0.4805,0.5195),(0.6103,0.3896),(0.7402,0.2597)]
具体来讲,步骤S2中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,包括以下内容:
对排序后的N个直觉模糊数的隶属度利用有序加权平均三角余模函数进行聚合,具体表示为:
例如,对前述四个排序后的直觉模糊数,如果它们的权重相等,则其隶属度利用有序加权平均三角余模函数进行聚合计算的过程如下:
S(0.2407)×0.25+S(0.2407,0.4805)×0.25+S(0.2407,0.4805,0.6103)×0.25
+S(0.2407,0.4805,0.6103,0.7402)×0.25
=(0.2407+0.6464+0.9012+0.9846)×0.25=0.6932
具体来讲,步骤S2中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,包括以下内容:
对排序后的N个直觉模糊数的非隶属度利用有序加权平均三角模函数进行聚合,具体表示为:
例如,同样对前述四个排序后的直觉模糊数,如果它们的权重相等,则其非隶属度利用有序加权平均三角模函数进行聚合计算的过程如下:
T(0.7593)×0.25+T(0.7593,0.5195)×0.25+T(0.7593,0.5195,0.3896)×0.25
+T(0.7593,0.5195,0.3896,0.2597)×0.25
=(0.7593+0.3536+0.0988+0.0154)×0.25=0.3068
具体来讲,步骤S3中将聚合得到的直觉模糊数转换为[0,1]区间内的实数,实现对产品的用户体验信息的量化评估,包括以下内容:
其次,若聚合结果为γ=(μγ,vγ),那么聚合结果用如下的公式转换为[0,1]区间内的实数:
Claims (1)
1.具有非确定性的多源用户体验数据聚合方法,其特征在于,包括如下步骤:
S1)采集具有非确定性的多源用户体验数据,获得数据集;将数据集中的多源用户体验数据统一转换为直觉模糊数;
S2)利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合;
S3)聚合得到的直觉模糊数转换为[0,1]区间内的实数,完成多源用户体验数据的有效聚合;
步骤S1)中将数据集中的多源用户体验数据统一转换为直觉模糊数,具体包括:
首先,对于非确定性用户体验数据x,如果其表示形式是直觉模糊数(u(x),v(x)),其中0≤u(x)≤1是隶属度,表示用户从正面给出的对某商品的满意度,0≤v(x)≤1是非隶属度,表示用户从反面给出的对某商品的不满意度,u(x)+v(x)≤1,则x不需要转换;如果其表示形式是(a(x),π(x)),其中a(x)表示用户对某商品的总体满意度,π(x)∈[0,1]表示其不确定性,则采用如下的公式将其转换为直觉模糊数:
其中,suf(x),inf(x)分别表示x的上确界和下确界;
其次,对于确定性用户体验数据x,如果该数据与用户体验满意度正相关,采用如下的公式将其转换为直觉模糊数:
如果确定性用户体验数据x与用户体验满意度负相关,采用如下的公式将其转换为直觉模糊数:
步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,具体包括:
对待聚合的N个表示为直觉模糊数αi=(u(xi),v(xi)),i=1,2,…,N的用户体验数据,将u(xi),v(xi)简记为ui,vi,依据ui进行升序排序;如果u[i]表示U=(u1,u2,…,uN)中第i个小的数,那么按升序排序后的向量表示为U[]=(u[1],u[2],…,u[N]),进而排序后的N个直觉模糊数表示为[(u[1],v[1]),(u[2],v[2]),…,(u[N],v[N])],其中v[i]与u[i]相对应;
步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,具体包括:
对排序后的N个直觉模糊数的隶属度利用有序加权平均三角余模函数进行聚合,具体表示为:
步骤S2)中利用有序加权平均的直觉模糊数聚合函数,实现对表示为直觉模糊数的用户体验信息的有效聚合,具体包括:
对排序后的N个直觉模糊数的非隶属度利用有序加权平均三角模函数进行聚合,具体表示为:
步骤S3)中将聚合得到的直觉模糊数转换为[0,1]区间内的实数,具体包括:
其次,若聚合结果为γ=(μγ,vγ),那么聚合结果用如下的公式转换为[0,1]区间内的实数:
a(γ)即为聚合得到的群体用户对某商品体验信息的综合满意度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810339948.8A CN108595575B (zh) | 2018-04-16 | 2018-04-16 | 具有非确定性的多源用户体验数据聚合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810339948.8A CN108595575B (zh) | 2018-04-16 | 2018-04-16 | 具有非确定性的多源用户体验数据聚合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595575A CN108595575A (zh) | 2018-09-28 |
CN108595575B true CN108595575B (zh) | 2021-11-02 |
Family
ID=63622776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810339948.8A Active CN108595575B (zh) | 2018-04-16 | 2018-04-16 | 具有非确定性的多源用户体验数据聚合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595575B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102149171A (zh) * | 2011-04-01 | 2011-08-10 | 北京邮电大学 | 一种基于融合的异构无线接入网络的网络选择方法及装置 |
CN102402690A (zh) * | 2011-09-28 | 2012-04-04 | 南京师范大学 | 基于直觉模糊集成的数据分类方法与系统 |
CN102620047A (zh) * | 2012-03-31 | 2012-08-01 | 绍兴文理学院 | 一种液压阀的卡涩卡紧检测智能控制器 |
CN103077177A (zh) * | 2012-08-28 | 2013-05-01 | 华南理工大学 | 一种融合专家意见和用户偏好的Web服务模糊QoS选择方法 |
CN103345587A (zh) * | 2013-07-16 | 2013-10-09 | 深圳大学 | Ads-b监视数据与雷达航迹的直觉模糊关联方法、装置 |
CN103744850A (zh) * | 2013-10-14 | 2014-04-23 | 国家电网公司 | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 |
CN104112074A (zh) * | 2014-07-15 | 2014-10-22 | 西安交通大学 | 基于直觉模糊集的纳税人利益关联度评估方法 |
CN106779858A (zh) * | 2016-12-26 | 2017-05-31 | 西安理工大学 | 一种基于多维感性信息语义层次关联的产品分析方法 |
CN107015526A (zh) * | 2017-03-09 | 2017-08-04 | 厦门万久科技股份有限公司 | 基于直觉模糊多属性决策的智能数控系统风险评估方法 |
CN108197238A (zh) * | 2017-12-29 | 2018-06-22 | 金陵科技学院 | 一种复杂多源异构数据同化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7530110B2 (en) * | 2005-05-06 | 2009-05-05 | International Business Machines Corporation | System and method for fuzzy multi-level security |
CN105701342B (zh) * | 2016-01-12 | 2018-05-22 | 西北工业大学 | 基于代理的直觉模糊理论医疗诊断模型的构建方法及装置 |
-
2018
- 2018-04-16 CN CN201810339948.8A patent/CN108595575B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102149171A (zh) * | 2011-04-01 | 2011-08-10 | 北京邮电大学 | 一种基于融合的异构无线接入网络的网络选择方法及装置 |
CN102402690A (zh) * | 2011-09-28 | 2012-04-04 | 南京师范大学 | 基于直觉模糊集成的数据分类方法与系统 |
CN102620047A (zh) * | 2012-03-31 | 2012-08-01 | 绍兴文理学院 | 一种液压阀的卡涩卡紧检测智能控制器 |
CN103077177A (zh) * | 2012-08-28 | 2013-05-01 | 华南理工大学 | 一种融合专家意见和用户偏好的Web服务模糊QoS选择方法 |
CN103345587A (zh) * | 2013-07-16 | 2013-10-09 | 深圳大学 | Ads-b监视数据与雷达航迹的直觉模糊关联方法、装置 |
CN103744850A (zh) * | 2013-10-14 | 2014-04-23 | 国家电网公司 | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 |
CN104112074A (zh) * | 2014-07-15 | 2014-10-22 | 西安交通大学 | 基于直觉模糊集的纳税人利益关联度评估方法 |
CN106779858A (zh) * | 2016-12-26 | 2017-05-31 | 西安理工大学 | 一种基于多维感性信息语义层次关联的产品分析方法 |
CN107015526A (zh) * | 2017-03-09 | 2017-08-04 | 厦门万久科技股份有限公司 | 基于直觉模糊多属性决策的智能数控系统风险评估方法 |
CN108197238A (zh) * | 2017-12-29 | 2018-06-22 | 金陵科技学院 | 一种复杂多源异构数据同化方法 |
Non-Patent Citations (5)
Title |
---|
An intuitionistic fuzzy multi-attribute decision making model for the acceptance of genetically modified foods based on IFHA operator;Yuguang Wang et al.;《第28届中国控制与决策会议论文集》;20151015;5094-5097 * |
三角直觉模糊广义有序加权平均算子及其在多属性群决策中的应用;林礼连 等;《萍乡高等专科学校学报》;20140615;第31卷(第3期);73-78 * |
基于Archimedean三角模的广义直觉模糊不确定语言变量集成方法;巩增泰;《山东大学学报(理学版)》;20121214;第48卷(第3期);53-63 * |
基于改进模糊熵的区间直觉模糊多属性决策;尹胜 等;《系统工程与电子技术》;20180224;第40卷(第5期);1079-1084 * |
应用直觉模糊熵权法评价医疗质量;陈庆伟;《数理医药学杂志》;20100815;第23卷(第4期);485-486 * |
Also Published As
Publication number | Publication date |
---|---|
CN108595575A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fung et al. | An intelligent hybrid system for customer requirements analysis and product attribute targets determination | |
US10409821B2 (en) | Search result ranking using machine learning | |
Lai et al. | Ranking of customer requirements in a competitive environment | |
Leung et al. | A collaborative filtering framework based on fuzzy association rules and multiple-level similarity | |
CN110796477A (zh) | 广告展示方法、装置、电子设备及可读存储介质 | |
CN111932336A (zh) | 一种基于长短期兴趣偏好的商品列表推荐方法 | |
CN109241366B (zh) | 一种基于多任务深度学习的混合推荐系统及其方法 | |
US20050128201A1 (en) | Method and system for system visualization | |
CN116562992B (zh) | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 | |
WO2023035506A1 (zh) | 一种融合了序列信息的特征组合推荐算法框架 | |
Cakmak et al. | Accurate Prediction of Advertisement Clicks based on Impression and Click-Through Rate using Extreme Gradient Boosting. | |
US20140257972A1 (en) | Method, computer readable medium and system for determining true scores for a plurality of touchpoint encounters | |
CN108595562B (zh) | 基于准确性判定的用户评价数据分析方法 | |
CN115186197A (zh) | 一种基于端到端双曲空间的用户推荐方法 | |
CN106294676A (zh) | 一种电子商务政务系统的数据检索方法 | |
CN113190751A (zh) | 一种融合关键词生成的推荐算法 | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及系统 | |
CN115495654A (zh) | 基于子空间投影神经网络的点击率预估方法和装置 | |
Amiri Sardai et al. | The effect of content marketing on Iranian handmade carpets demand’s with using the Data-grounded technique | |
CN108595575B (zh) | 具有非确定性的多源用户体验数据聚合方法 | |
Han et al. | Second-hand car price prediction based on a mixed-weighted regression model | |
CN116320626A (zh) | 一种计算电商直播热度的方法及系统 | |
CN113837847B (zh) | 基于异质多元关系融合的知识密集型服务推荐方法 | |
CN108074133A (zh) | 数据驱动的复杂模糊型商品品牌线索分派方法 | |
CN107679709A (zh) | 一种基于直觉模糊数和信誉传递的供应商选择方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |