柳保燕 仝青山 雷鳳君

摘 要： 網(wǎng)上購物越來越成為大眾的消費方式，其中C2C經(jīng)營模式下會出現(xiàn)同種商品在不同店鋪進行銷售的情況，用戶很難根據(jù)繁雜的數(shù)據(jù)得到商品的實際信息，這可以通過對不同店鋪的同種商品在多種指標(biāo)下進行綜合評價來解決。研究了在C2C模式下根據(jù)店鋪評價和商品信息對商品可購買度作出評價，鑒于綜合評價是一個受多因素影響的評價，因此采用灰色關(guān)聯(lián)分析法來評價商品的可購買度。所提出的針對可夠買度的評價模型及其算法具有實用價值。

關(guān)鍵詞： 網(wǎng)上購物； 灰關(guān)聯(lián)評價方法； 評價模型； 店鋪評價； C2C； 購買度

中圖分類號：TP399 文獻標(biāo)志碼：A 文章編號：1006-8228（2013）05-25-03

Purchase degree evaluation model of C2C goods based on grey relation

Liu Baoyan， Tong Qingshan， Lei Fengjun

（China University of Mining &Technology， Beijing 100083， China）

Abstract： Online shopping has become a more and more popular consumption mode. The situation that the same goods are sold in different shop will appear under C2C management mode. It is difficult for customer to judge according to the complicated information， which can be solved by comprehensive evaluation for different stores. This paper will be in C2C mode according to the shop score and commodity information for goods can buy a degree evaluation， In view of multiple factors influencing evaluation， grey relational evaluation is applied. The results show that the purchase degree evaluation model and its algorithm has very practical significance.

Key words： online shopping； grey relational evaluation method； evaluation model； shop score； C2C； purchase degree

0 引言

在網(wǎng)絡(luò)購物越來越普及的今天，如何有效地購物成為消費者的一個難題，比如在淘寶網(wǎng)（C2C購物模式）上，顧客可以根據(jù)站內(nèi)搜索或者產(chǎn)品分類導(dǎo)航功能，找到需求的商品。通常情況下，在商品展示頁面上會呈現(xiàn)給顧客很多相同的商品而店鋪不同的情形，此情形下，如何挑選出比較滿意的商品，對于顧客來說就是一件比較費時的事。在目前的C2C購物平臺上，已經(jīng)提供了很多供顧客選擇的購物方式，比如顧客可以根據(jù)商品的銷量、價格，或是商家的信譽進行查詢，但是單一的指標(biāo)還不足以綜合衡量這件商品的可購買度。因此，一種新的個性化服務(wù)需求是第三方亟待解決的問題。根據(jù)網(wǎng)絡(luò)購物受多因素和因素不確定性和模糊性的影響，本文采用灰關(guān)聯(lián)評價方法，對同種商品不同商家的商品可購買度進行評價，最終提供給用戶一種新的購物推薦方式。

1 研究現(xiàn)狀

現(xiàn)有大多數(shù)C2C網(wǎng)站上的評價規(guī)則是既有信用評分也有店鋪評分，信用評價的目的是讓消費者能夠監(jiān)督賣家。信用評價體系經(jīng)過多年的運營后，實質(zhì)上成為了“店鋪品牌”的評判標(biāo)準(zhǔn)。為了更準(zhǔn)確地對店鋪作出評價，從而更好地保護消費者利益，在評價體系里設(shè)置了店鋪評分，增加了對物流、服務(wù)態(tài)度等項進行評分。店鋪評分的誕生，對賣家進行更多維度的評價，給了買家更多維度的參考[1]。

目前關(guān)于電子商務(wù)網(wǎng)站的信用評價模型也有很多，宋光興、楊德禮[2]分析了電子商務(wù)環(huán)境下建立信任困難的原因；熊于寧[3]探討了C2C電子商務(wù)模式中信任建立方面存在的問題；曾小春、王曼[4]用賣方信息、買方信息、交易和制度四個維度構(gòu)建了C2C信任體系；何清泉、鄒運梅[5]運用交易對手的信用度和交易次數(shù)、交易金額來計算被評用戶的信用加權(quán)平均分和信用度。

上述文獻的研究各有側(cè)重，同時對我們問題的解決也有很大幫助。首先，對于評價指標(biāo)的選取問題，結(jié)合我們的研究目的，我們選擇了店鋪信用度和價格來作為一級評價指標(biāo)。其次，目前店鋪評價的衡量指標(biāo)是商品質(zhì)量，物流質(zhì)量，服務(wù)質(zhì)量[6]，因此將這三個指標(biāo)作為二級評價指標(biāo)（見圖1）。最后，由于這些指標(biāo)是與交易時間、交易金額和交易對象的信用度有關(guān)的[5]，我們將這三個二級評價指標(biāo)的原始評價值進行時間、金額、交易對象信用的加權(quán)處理，得到新的評價值，因此這些新的評價值更接近真實評價。新的評價值作為層次灰關(guān)聯(lián)評價方法的原始值。

2 C2C網(wǎng)購商品可購買度的評價模型

綜合評價一個商品的可購買度，既要看在架商品本身所具有的屬性，也要看店鋪的信用度。在架商品的屬性是及時性的，而商鋪的信用度是經(jīng)過長時間積累的，某次的信用度是不能正確反映店鋪的綜合信用度的，因此需要綜合考慮店鋪信用度。目前C2C的信用度集結(jié)模式是簡單的相加，這種方式既沒有考慮時間對信用的影響，也沒有考慮交易價格和評價者信用的影響，因此該模型中我們將這些因素考慮在內(nèi)。雖然也已經(jīng)有研究提出把這些因素考慮在內(nèi)，但是其算法流程一般是根據(jù)質(zhì)量、服務(wù)、物流相對于信用的權(quán)重計算每次交易的信用度，最后再根據(jù)每次的信用度做時間上的加權(quán)計算，得到店鋪綜合信用度[5]，但是這種方法既不能真實反映每次評價值的真實性，也不能很好地反應(yīng)店鋪信用在各個指標(biāo)上綜合評價能力。

2.1 評價模型

⑴ 指標(biāo)的選取

我們的評價模型的指標(biāo)選取如圖1所示。

[目標(biāo)＼&一級指標(biāo)＼&二級指標(biāo)＼&商品可購買度（C）＼&商鋪的信用度（A1）＼&商品質(zhì)量 （B1）＼&物流（B2）＼&服務(wù)（B3）＼&商品價格（A2）＼&＼&]

圖1 商品可購買度的影響因素

⑵ 指標(biāo)值的預(yù)處理

計算質(zhì)量，物流，服務(wù)指標(biāo)在時間，金額，買家信用加權(quán)下截止到當(dāng)前的評價值TN。

⑴

⑵

其中，Rm表示對應(yīng)于時刻tm（某年某月）的指標(biāo)評價值，r表示第i此交易時評價者的原始評價值，Ii表示金額權(quán)重系數(shù)，Ei示評價者信用權(quán)重系數(shù)，TN表示截止到當(dāng)前的綜合指標(biāo)評價值，σ表示時間權(quán)重系數(shù)。

⑶ 評價方法的選取[7]

本論文采用多層次灰關(guān)聯(lián)評價方法，該方法用灰色關(guān)聯(lián)度來描述各比較序列與最優(yōu)參考序列之間的關(guān)聯(lián)度，然后依據(jù)關(guān)聯(lián)的大小來對評價對象進行比較、排序。根據(jù)我們的評價模型，我們既可以用更接近真實的評價值來計算，也可以看到某段時期內(nèi)店鋪在各個指標(biāo)上的綜合值。

2.2 指標(biāo)值的預(yù)處理

2.2.1 評價者權(quán)重系數(shù)的確定[8]

為防止一些不良消費者的惡意評價，在構(gòu)建評價模型時以評價者自己的信用水平為權(quán)重來表示其評價對被評價者的總影響，一個用戶評價的商品數(shù)量夠多，說明是一個非常有經(jīng)驗的用戶，因此，其用戶信用度可以用他對商品的評價數(shù)目來反映：

其中，nu表示用戶u所評價過的資源數(shù)目，A為一個常數(shù)，稱作懲罰數(shù)目，一般取50。當(dāng)nu=A時權(quán)重為1。

2.2.2 交易金額權(quán)重系數(shù)的確定[9]

大量的事實證明，當(dāng)網(wǎng)上交易金額較大時，買賣雙方的評價都比較謹慎客觀，因此把交易金額作為每次交易的評價值權(quán)重。其確定方法可以規(guī)定如下：100元以下的權(quán)重設(shè)為0.1，100-500元的權(quán)重設(shè)為0.2，500-1000元的設(shè)為0.3，1000-2000元的設(shè)為0.4，以此類推。

2.2.3 時間權(quán)重系數(shù)的確定

其中，Δtj表示時刻t到時刻tj所持續(xù)的月份，Δtj/12為時刻tj對應(yīng)的月份的權(quán)重，Yk為年份對應(yīng)的權(quán)重。tN-12·1表示距tN一年前的時刻（某年某月），tN-12·2表示距tN兩年前的時刻，依此類推。

計算Δtj時使用的時刻t的計算方法為：若tj處于tN-12·1和tN之間，則t=tN-12·1；若tj處于tN-12·2和tN-12·1之間，則t=tN-12·2；同理，取t=tN-12·3…。

Yk的計算方法為：當(dāng)tj處于tN-12·1和tN之間時，取Y0==1；當(dāng)tj處于tN-12·2和tN-12·1之間時，取；以此類推，…。

2.3 灰關(guān)聯(lián)綜合評價方法

灰色綜合評價法[10]是一種定性與定量分析結(jié)合的綜合評價方法。用灰色單層次綜合評判模型進行n個方案優(yōu)劣的比較，其具體算法描述如下。

假設(shè)系統(tǒng)是由m個指標(biāo)（因素）構(gòu)成單層次系統(tǒng)。若系統(tǒng)有n個方案，則第i個方案的m個指標(biāo)構(gòu)成數(shù)列，Xik=[Xi1，Xi2，…，Xim]，（i=1，2，…，n；k=1，2，…，m），n個方案的原始指標(biāo)構(gòu)成矩陣Xnm。

⑴ 確定最優(yōu)指標(biāo)集（X0k）

設(shè)X0k=[X01，X02，…，X0m] 式中：X0k（k=1，2，…，m）為第k個指標(biāo)在諸方案的最優(yōu)值。在指標(biāo)中，如某一指標(biāo)取大值為好，則取該指標(biāo)在各方案的最大值，如取最小值為好，則取各方案中最小值。

⑵ 指標(biāo)值的規(guī)范化處理

由于指標(biāo)相互之間通常具有不同的量綱和數(shù)量級，不能直接進行比較，因此需要對原始指標(biāo)值進行規(guī)范化處理。用下式進行規(guī)范化處理：

⑶ 計算關(guān)聯(lián)度系數(shù)

將規(guī)范化處理后的最優(yōu)指標(biāo)集{λ0k}作為參考數(shù)列，經(jīng)規(guī)范處理后各方案的指標(biāo)值{λik}作為被比較數(shù)列，則可用下述關(guān)聯(lián)系數(shù)公式分別求得第i個方案第k個指標(biāo)與第k個最優(yōu)指標(biāo)的關(guān)聯(lián)系數(shù)，記：

則

該式中，ρ為分辨率系數(shù)ρ∈[0，1]，引入它是為了減少極值對計算的影響。在實際應(yīng)用中，一般取ρ≤0.5。進一步求得關(guān)聯(lián)系數(shù)矩陣E。

該式中，i（k）=（i=1，2，…，n；k=1，2，…，m）為第i種方案第k種指標(biāo)與第k個最優(yōu)指標(biāo)的關(guān)聯(lián)系數(shù)。

⑷ 建立灰色單層次評價模型

數(shù)學(xué)模型：R=P×E

該式中，R為n個方案綜合評價結(jié)果矩陣。P為m個評價指標(biāo)的權(quán)重分配矩陣，應(yīng)滿足。各個指標(biāo)的權(quán)重可以由層次分析法（AHP 法）[11]來確定。

第i個方案的綜合評判結(jié)果即關(guān)聯(lián)度ri，可由下式求得

2.4 綜合評價

多層次灰關(guān)聯(lián)評價是以單層次灰關(guān)聯(lián)評價為基礎(chǔ)的。具體方法為：先將第三層指標(biāo)運用單層次灰關(guān)聯(lián)評價方法得到店鋪信用度評價結(jié)果C；然后將C作為第二層次的指標(biāo)矩陣中的一個列向量，進行第二層的單層次灰關(guān)聯(lián)綜合評估，得到評判結(jié)果D；比較D中各元素的大小，其值越大，表明相應(yīng)商品的綜合評價指數(shù)越高。

3 評價算法

步驟1：輸入每次交易店鋪在商品質(zhì)量、服務(wù)質(zhì)量、物流質(zhì)量的原始評價值，計算每次的交易金額權(quán)重和評價者信用權(quán)重，根據(jù)公式⑴計算店鋪在某年某月的指標(biāo)評價值Rm。

步驟2：計算時間權(quán)重系數(shù)，根據(jù)公式⑵計算時間加權(quán)的各個指標(biāo)評價值TN。

步驟3：重復(fù)步驟1和2，計算n個商店的指標(biāo)評價值TN（B1）i、TN（B2）i、TN（B3）i，得到一個評價矩陣Xi=[TN（B1）i，TN（B2）i，TN（B3）i]T（i=1，2，…，n；k=1，2，3），i表示店鋪數(shù)量。

步驟4：用層次分析法得到二級指標(biāo)的相對權(quán)重和一級指標(biāo)的相對權(quán)重。

步驟5：運用單層次的灰關(guān)聯(lián)評價方法，得出n個店鋪的信用評價值。

步驟6：把價格和店鋪信用值構(gòu)成新的評價矩陣Xi=[A1i，A2i]T（i=1，2，…，n），再次運用單層次的灰關(guān)聯(lián)評價方法，得出n個店鋪該商品的可購買度值。購買度值大的店鋪，說明該店鋪的這種商品優(yōu)于購買度值小的其他店鋪。

4 結(jié)束語

建立商品可購買度的評價模型對于電子商務(wù)有實際意義。在此評價模型中，我們引入多層次的評價指標(biāo)，將指標(biāo)劃分為及時性的因素和非及時性的因素。對于非及時性因素我們考慮應(yīng)用時間加權(quán)處理；對于用戶評價的數(shù)據(jù)，我們也引入了用戶信用度和交易金額信用度來處理每次用戶的評價。經(jīng)過處理的評價值更接近真實性，提高了評價模型的準(zhǔn)確度。綜合評價模型對多指標(biāo)推薦算法[12，13]也有很好的借鑒價值。本文只從理論方面對商品的可購買度進行了探索研究，還缺乏對模型的實證分析。

參考文獻：

[1] 紅色成偉.淘寶網(wǎng)新的評價規(guī)則店鋪動態(tài)評[EB/OL].http：//blog.

sina.com.cn/s/blog_45c4b1ff0100c5lj.html，2009-02-15.

[2] 宋光興，楊德禮.電子商務(wù)中信任問題及信任建立途徑[J].科技進步

與對策，2004.11：129-131

[3] 熊于寧.電子商務(wù)C2C模式信任機制研究[J].中山大學(xué)學(xué)報論從，

2006.9：56-58

[4] 曾小春，王曼.電子商務(wù)的信任機制研究—針對不同模式的比較分析

[J].山西財經(jīng)大學(xué)學(xué)報，2007.2：57-63

[5] 何清泉，鄒運梅.C2C電子商務(wù)網(wǎng)站信用綜合評價[J].圖書情報工作，

2011.16：132-135

[6] 淘寶網(wǎng).店鋪評分的計分、修改的規(guī)則[EB/OL].http：//rule.taobao.

com/detail-95.htm？spm=0.0.0.76.1dMamX，2012-07-17.

[7] 蘇為華.多指標(biāo)綜合評價理論與方法問題研究[D].廈門大學(xué)博士學(xué)位

論文，2000.

[8] 吳彬.引入用戶權(quán)威性的分類協(xié)同過濾推薦算法的研究[J].焦作高等

專科學(xué)校學(xué)報，2008.24（1）：78-79

[9] 原娟娟.改進的C2C電子商務(wù)信用評價模型及算法研究[J].價值工

程，2010.34：149-150

[10] 杜棟，龐慶華，吳炎.現(xiàn)代綜合評價方法與案列精選[M].清華大學(xué)出

版社，2008.

[11] 韓中庚.數(shù)學(xué)建模方法及應(yīng)用[M].高等教育出版社，2005.

[12] 張付志，常俊風(fēng)，王棟.基于Widrow_Hoff神經(jīng)網(wǎng)絡(luò)的多指標(biāo)推薦算

法[J].模式識別與人工智能，2011.24（2）：233-242

[13] Yi Peng， Wenli Zhang， and Gang Kou. A Fuzzy MCDM Based

Approach for Hybrid Recommender systems[A].第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C]，2011.