曾慶龍++宋雨屏++杜進(jìn)

摘? 要：有一種服務(wù)沖突來源于服務(wù)質(zhì)量屬性間的彼此矛盾，即某個質(zhì)量屬性的改善同時可能會導(dǎo)致另一屬性的性能下降，從而成為了提高服務(wù)質(zhì)量的障礙。本文借鑒TRIZ沖突矩陣的思路構(gòu)建了這類服務(wù)沖突矩陣，并利用BP神經(jīng)網(wǎng)絡(luò)，把服務(wù)沖突矩陣變換為一個以服務(wù)參數(shù)為輸入層，沖突解決原理為輸出層，并包含一個隱含層的三層BP神經(jīng)網(wǎng)絡(luò)沖突消解模型。并以服務(wù)領(lǐng)域已解決的沖突問題為樣本，對該模型進(jìn)行了訓(xùn)練和檢驗，運行結(jié)果驗證了該網(wǎng)絡(luò)的可行性。

關(guān)鍵詞：服務(wù)沖突;TRIZ;沖突矩陣;BP網(wǎng)絡(luò)

服務(wù)業(yè)的快速發(fā)展和人們生活水平的提高，使得服務(wù)質(zhì)量成為企業(yè)在劇烈的市場競爭中取勝的關(guān)鍵因素。然而，目前很多服務(wù)企業(yè)的服務(wù)質(zhì)量水平還遠(yuǎn)低于人們的期望。雖然企業(yè)在努力提高其服務(wù)質(zhì)量，然而由于服務(wù)質(zhì)量往往是由多個屬性來共同刻畫，人們努力改善服務(wù)的某方面的質(zhì)量屬性的同時卻有可能降低了其另一方面的質(zhì)量屬性，這種現(xiàn)象被稱為服務(wù)沖突 [1]。例如，對于網(wǎng)絡(luò)在線游戲，游戲提供商需每周關(guān)閉游戲服務(wù)器維護(hù)系統(tǒng)，而這就必須強(qiáng)迫玩家與服務(wù)器連接中斷，在這種情況下，要想保持顧客滿意度，游戲提供商就要在保證在“等待時間”不變的情況下，提高產(chǎn)品的“易維修性”。因此，對于服務(wù)這項無形的“產(chǎn)品”，它內(nèi)部屬性之間的矛盾也是影響服務(wù)質(zhì)量提高的重大障礙。

如何解決這種服務(wù)沖突，傳統(tǒng)的是采用妥協(xié)、折中的方式，但這些方法只能避開矛盾，并沒有解決矛盾。G.S.Altshuler等提出的TRIZ的沖突解決矩陣就是專門解決產(chǎn)品內(nèi)部矛盾的比較成熟的方法，它能夠解決工程領(lǐng)域產(chǎn)品之間的大部分矛盾[2]。本文借鑒TRIZ中沖突矩陣的思路，構(gòu)建了一個基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型。該模型允許企業(yè)根據(jù)實際情況增加新的參數(shù)及沖突解決方案，更針對性的解決服務(wù)企業(yè)沖突問題。

一、TRIZ理論及其在服務(wù)領(lǐng)域的應(yīng)用

（一）TRIZ理論。TRIZ是俄文發(fā)明問題解決理論的縮寫。前蘇聯(lián)G.S. Altshuler等研究人員在分析研究世界各國250萬件專利的基礎(chǔ)上、花費1500個人年的時間提出的包括ARIZ算法、物質(zhì)--場分析法、沖突矩陣、預(yù)測、效應(yīng)庫等系列的TRIZ方法。其中沖突矩陣是TRIZ的核心工具之一，它由39個工程參數(shù)和40個發(fā)明原理構(gòu)成。矩陣的行和列分別為39個改善和惡化的工程參數(shù)，矩陣元素Xi，j為第i個改善的參數(shù)和第j個惡化的參數(shù)所構(gòu)成的沖突所對應(yīng)的發(fā)明原理。TRIZ沖突矩陣是個對稱矩陣，即Xi，j與Xj，i相同，Xi，i為空。表1為沖突矩陣示意圖。

表1 沖突解決矩陣

（二）TRIZ在服務(wù)中的應(yīng)用。TRIZ用獨特的沖突矩陣來分析問題。在技術(shù)領(lǐng)域，沖突相對而言更清晰和更易于察覺。盡管服務(wù)產(chǎn)品不同于實體產(chǎn)品，沖突卻不可避免地存在著，與技術(shù)領(lǐng)域不同的是，服務(wù)沖突更無形、更抽象[3]。例如，“標(biāo)準(zhǔn)化和顧客定制化”、“差異化和專一化”、“概括信息和詳細(xì)信息”、“安全性和透明度”等等都是服務(wù)企業(yè)常見的沖突問題。

Berry和Lampo（2000）通過對大量服務(wù)案例的分析得出結(jié)論，可以由五種典型的方式來重新設(shè)計服務(wù)。它們是：自服務(wù)、直接服務(wù)、預(yù)先服務(wù)、捆綁服務(wù)、“有形”服務(wù)?？梢钥闯?，這五種服務(wù)設(shè)計模式和TRIZ40條發(fā)明創(chuàng)造原理中的某些原理非常類似。如自服務(wù)，對應(yīng)原理-25自服務(wù)：使一物體通過附加功能產(chǎn)生自己服務(wù)于自己的功能;直接服務(wù)對應(yīng)原理-2分離：將一個物體的“干擾”部分分離出去;預(yù)先服務(wù)對應(yīng)原理-10預(yù)操作：在操作開始前，使物體局部或全部產(chǎn)生所需的變化;捆綁服務(wù)對應(yīng)原理-5合并：在空間上將相似的物體連接在一起，使其完成并行的操作;“有形”服務(wù)對應(yīng)原理-15動態(tài)化：使一個物體在操作的每個階段自動調(diào)整，以達(dá)到優(yōu)化的性能。

二、服務(wù)沖突矩陣的構(gòu)建

（一）服務(wù)參數(shù)的提取。由于服務(wù)具有主觀、互動、抽象的特點，并且具有與實體產(chǎn)品不同的特征（無形性、異質(zhì)性、顧客參與、服務(wù)生產(chǎn)與消費同時等），因此，對于服務(wù)領(lǐng)域不能用TRIZ通用的工程參數(shù)來描述沖突。這里要做的是找出適用于服務(wù)領(lǐng)域的類似工程參數(shù)的服務(wù)屬性。關(guān)于服務(wù)屬性的選取，這里作必要的說明。

首先，通過分析借鑒其他學(xué)者對相關(guān)問題的研究。Brady和Cronin（2001）等學(xué)者研究提出了服務(wù)質(zhì)量的三因素模型，認(rèn)為服務(wù)質(zhì)量由交互質(zhì)量、實體環(huán)境質(zhì)量和結(jié)果質(zhì)量三個維度組成。Parasuraman，Zeithaml對幾類不同的服務(wù)進(jìn)行研究人士影響服務(wù)質(zhì)量的有：可靠性、響應(yīng)性、勝任力、接近性、禮貌性、溝通性、信賴性、安全性、了解性和有形性。梁文賓（2005）[3]在前人研究的基礎(chǔ)上整理出了旅游業(yè)的21個服務(wù)屬性并把這些屬性與TRIZ的工程參數(shù)進(jìn)行了配適。其次，由于服務(wù)屬性有行業(yè)特點，不同的服務(wù)行業(yè)，服務(wù)屬性可能有所不同，各個屬性的重要性也會存在差異。因此，這里只給出一個一般的參考指標(biāo)，實際應(yīng)用時依據(jù)行業(yè)特點再作些調(diào)整。具體的服務(wù)參數(shù)如表2所示。

表2? 服務(wù)參數(shù)指標(biāo)體系

注：資料整理來源于文獻(xiàn)

（二）服務(wù)沖突矩陣的構(gòu)建。根據(jù)上面的21個服務(wù)參數(shù)，建立21*21服務(wù)沖突矩陣。其中矩陣行所代表的參數(shù)是需要改善的一方，列所描述的參數(shù)為可能引起惡化的一方。在沖突矩陣中，除了主對角線外，行與列的交叉點可能構(gòu)成一對沖突，表3為服務(wù)沖突矩陣示意圖。

表3? 服務(wù)沖突矩陣

注：服務(wù)參數(shù)與工程參數(shù)的配適參考文獻(xiàn)[2]。

服務(wù)沖突矩陣的應(yīng)用過程為：根據(jù)實際存在的沖突，在22個服務(wù)參數(shù)中，確定需要改善及防治惡化的參數(shù)，在矩陣中找到其對應(yīng)得行與列。例如，對于網(wǎng)絡(luò)在線游戲，游戲提供商需要每周關(guān)閉游戲服務(wù)器維護(hù)系統(tǒng)，在這種情況下，要想保持顧客滿意度，游戲提供商就要保證在“等待時間X14”不變的情況下，提高產(chǎn)品的“易維修性X17”，即行17與列14。其解決原理為有原理1-分割、原理10-預(yù)操作、原理-25自服務(wù)。原理1的具體解決方案為把維修分成幾個部分進(jìn)行，對游戲分部分獨立維修，這樣，當(dāng)我們在部分維修的時候玩家也可以繼續(xù)玩。具體40條解決原理見表4。endprint

表4? 發(fā)明原理在服務(wù)中的實例

注：資料整理來源于文獻(xiàn)

該服務(wù)沖突矩陣參數(shù)是根據(jù)TRIZ沖突矩陣中的工程參數(shù)配適出來的，對于服務(wù)“產(chǎn)品”可能具有而實體產(chǎn)品卻不具有的功能參數(shù)，該矩陣就無法描述。為更加全面的解決服務(wù)沖突問題，本文把建立一個基于BP神經(jīng)網(wǎng)絡(luò)的沖突消解模型，在模型中，企業(yè)能根據(jù)自身情況添加新的輸入或輸出節(jié)點數(shù)也就是增加新的參數(shù)或解決原理，來解決本企業(yè)的沖突問題。

三、基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型

人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，是對人腦信息處理功能的模擬和延伸。目前，在神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，BP網(wǎng)絡(luò)是最成熟、應(yīng)用最廣的一種前饋神經(jīng)網(wǎng)絡(luò)，它主要用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮。其結(jié)構(gòu)由一個輸入層、一個或多個隱含層、一個輸出層組成，各層由若干個神經(jīng)元（節(jié)點）構(gòu)成，每一個節(jié)點的輸出值與輸入值得關(guān)系由作用函數(shù)和閥值決定，神經(jīng)元可以實現(xiàn)輸入和輸出之間的任意非線性映射。

（一）BP網(wǎng)絡(luò)模型的構(gòu)建。（1）網(wǎng)絡(luò)層數(shù)的配置。根據(jù)輸入和輸出的要求，選擇網(wǎng)絡(luò)的隱含層是非常重要的。理論分析證明，具有單隱層的前饋網(wǎng)可以映射所有連續(xù)函數(shù)。因此，本文選用三層BP神經(jīng)網(wǎng)絡(luò)，即由一個輸入層，一個隱含層和一個輸出層組成。（2）網(wǎng)絡(luò)輸入節(jié)點數(shù)的確定。由沖突矩陣可以看出，每個沖突既包括一對工程參數(shù)，又表明參數(shù)的改善與惡化情況。若直接按沖突矩陣來設(shè)置輸入節(jié)點數(shù)，則需要21*21-21=402個輸入節(jié)點;若僅用21個節(jié)點，又不能確定改善與惡化的服務(wù)參數(shù)，故引入一個判斷輸入節(jié)點X22.當(dāng)其為0時，表示Xi改善，Xj惡化（Xi、Xj均為1，且i

傳遞函數(shù)：隱含層中的神經(jīng)元和輸出層神經(jīng)元均采用正切S型傳遞函數(shù)（tansig）。學(xué)習(xí)周期：預(yù)設(shè)為1000個。學(xué)習(xí)目標(biāo)：總均方誤差MSE小于誤差限1e-2。學(xué)習(xí)算法：選用有彈回的BP算法。初始連接權(quán)值和閥值：利用Matlab的函數(shù)init（）產(chǎn)生初始連接權(quán)值和閥值。Init（）采用nguyen-widrow初始化算法。

（二）網(wǎng)絡(luò)樣本的設(shè)計。網(wǎng)絡(luò)的樣本來自于服務(wù)領(lǐng)域已解決的問題。本文選取30個沖突案例作為數(shù)據(jù)樣本集，其中25個作為訓(xùn)練樣本，5個作為測試樣本。

對于每一個樣本案例，首先要將問題抽象對應(yīng)為沖突矩陣中某一特定的沖突，解決的方法抽象對應(yīng)為40條沖突解決原理中的一條。如，解決旅行社的“行前解約”問題給旅客帶來的不滿，需要顧及個別差異，若顧及個別差異就可能會拖延處理問題的時間。這樣，需要改善的屬性是“彈性”，而需維持不受影響的屬性為“服務(wù)補(bǔ)救能力”。最終的解決方案是先將團(tuán)員們分成獨立個體，再派專人單獨與旅客們針對其需要迅速解決問題，采用的原則是分割。按表5的過程就得到了一組學(xué)習(xí)樣本。

表5? 獲取學(xué)習(xí)樣本

（三）運行結(jié)果及分析。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線如圖1所示。從圖中可以看出，網(wǎng)絡(luò)訓(xùn)練到617步時訓(xùn)練誤差達(dá)到期望誤差，收斂效果良好。因此，網(wǎng)絡(luò)選擇的隱含層節(jié)點數(shù)，學(xué)習(xí)函數(shù)等網(wǎng)絡(luò)參數(shù)比較適合。

圖1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線

依據(jù)學(xué)習(xí)好的網(wǎng)絡(luò)，只要將實際問題依據(jù)表5抽象化以后輸入到網(wǎng)絡(luò)中，就能得到相應(yīng)的沖突解決原理。表6為測試樣本的實際輸出與理論輸出的對照表，從表中可以看出樣本的實際輸出與理論輸出很接近，誤差很小，驗證了該網(wǎng)絡(luò)的可行性。

表6? 測試樣本輸出對照表

結(jié)論：本文從服務(wù)“產(chǎn)品”內(nèi)部矛盾影響服務(wù)質(zhì)量的角度，借鑒TRIZ沖突矩陣的思路，在構(gòu)建服務(wù)沖突矩陣的基礎(chǔ)上，建立了基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型。該模型不僅能解決原有的服務(wù)沖突問題，還允許企業(yè)添加新的參數(shù)和解決方案，增加新的實例，建立適合自己的網(wǎng)絡(luò)沖突模型。然而，由于BP神經(jīng)網(wǎng)絡(luò)自身的局限，使得該模型在實際應(yīng)用中也存在一些問題。例如，網(wǎng)絡(luò)的穩(wěn)定性和可塑性較差，當(dāng)它遇到一個新模式時，會將已有的權(quán)值和閥值打亂，導(dǎo)致學(xué)習(xí)好的模式信息丟失。另外，隱含層的神經(jīng)元個數(shù)設(shè)置多少合適，少量的學(xué)習(xí)樣本結(jié)果是否具有一般性應(yīng)用等問題，還需進(jìn)一步研究。

參考文獻(xiàn)：

[1] 檀潤華，王慶禹等. 發(fā)明問題解決理論：TRIZ—TRIZ過程、工具及發(fā)展趨勢[J].《機(jī)械設(shè)計》2001.7.

[2] 梁文賓. 基于QFD與TRIZ的服務(wù)創(chuàng)新方法研究. 博士學(xué)位論文.2005.endprint

表4? 發(fā)明原理在服務(wù)中的實例

注：資料整理來源于文獻(xiàn)

該服務(wù)沖突矩陣參數(shù)是根據(jù)TRIZ沖突矩陣中的工程參數(shù)配適出來的，對于服務(wù)“產(chǎn)品”可能具有而實體產(chǎn)品卻不具有的功能參數(shù)，該矩陣就無法描述。為更加全面的解決服務(wù)沖突問題，本文把建立一個基于BP神經(jīng)網(wǎng)絡(luò)的沖突消解模型，在模型中，企業(yè)能根據(jù)自身情況添加新的輸入或輸出節(jié)點數(shù)也就是增加新的參數(shù)或解決原理，來解決本企業(yè)的沖突問題。

三、基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型

人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，是對人腦信息處理功能的模擬和延伸。目前，在神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，BP網(wǎng)絡(luò)是最成熟、應(yīng)用最廣的一種前饋神經(jīng)網(wǎng)絡(luò)，它主要用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮。其結(jié)構(gòu)由一個輸入層、一個或多個隱含層、一個輸出層組成，各層由若干個神經(jīng)元（節(jié)點）構(gòu)成，每一個節(jié)點的輸出值與輸入值得關(guān)系由作用函數(shù)和閥值決定，神經(jīng)元可以實現(xiàn)輸入和輸出之間的任意非線性映射。

（一）BP網(wǎng)絡(luò)模型的構(gòu)建。（1）網(wǎng)絡(luò)層數(shù)的配置。根據(jù)輸入和輸出的要求，選擇網(wǎng)絡(luò)的隱含層是非常重要的。理論分析證明，具有單隱層的前饋網(wǎng)可以映射所有連續(xù)函數(shù)。因此，本文選用三層BP神經(jīng)網(wǎng)絡(luò)，即由一個輸入層，一個隱含層和一個輸出層組成。（2）網(wǎng)絡(luò)輸入節(jié)點數(shù)的確定。由沖突矩陣可以看出，每個沖突既包括一對工程參數(shù)，又表明參數(shù)的改善與惡化情況。若直接按沖突矩陣來設(shè)置輸入節(jié)點數(shù)，則需要21*21-21=402個輸入節(jié)點;若僅用21個節(jié)點，又不能確定改善與惡化的服務(wù)參數(shù)，故引入一個判斷輸入節(jié)點X22.當(dāng)其為0時，表示Xi改善，Xj惡化（Xi、Xj均為1，且i

傳遞函數(shù)：隱含層中的神經(jīng)元和輸出層神經(jīng)元均采用正切S型傳遞函數(shù)（tansig）。學(xué)習(xí)周期：預(yù)設(shè)為1000個。學(xué)習(xí)目標(biāo)：總均方誤差MSE小于誤差限1e-2。學(xué)習(xí)算法：選用有彈回的BP算法。初始連接權(quán)值和閥值：利用Matlab的函數(shù)init（）產(chǎn)生初始連接權(quán)值和閥值。Init（）采用nguyen-widrow初始化算法。

（二）網(wǎng)絡(luò)樣本的設(shè)計。網(wǎng)絡(luò)的樣本來自于服務(wù)領(lǐng)域已解決的問題。本文選取30個沖突案例作為數(shù)據(jù)樣本集，其中25個作為訓(xùn)練樣本，5個作為測試樣本。

對于每一個樣本案例，首先要將問題抽象對應(yīng)為沖突矩陣中某一特定的沖突，解決的方法抽象對應(yīng)為40條沖突解決原理中的一條。如，解決旅行社的“行前解約”問題給旅客帶來的不滿，需要顧及個別差異，若顧及個別差異就可能會拖延處理問題的時間。這樣，需要改善的屬性是“彈性”，而需維持不受影響的屬性為“服務(wù)補(bǔ)救能力”。最終的解決方案是先將團(tuán)員們分成獨立個體，再派專人單獨與旅客們針對其需要迅速解決問題，采用的原則是分割。按表5的過程就得到了一組學(xué)習(xí)樣本。

表5? 獲取學(xué)習(xí)樣本

（三）運行結(jié)果及分析。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線如圖1所示。從圖中可以看出，網(wǎng)絡(luò)訓(xùn)練到617步時訓(xùn)練誤差達(dá)到期望誤差，收斂效果良好。因此，網(wǎng)絡(luò)選擇的隱含層節(jié)點數(shù)，學(xué)習(xí)函數(shù)等網(wǎng)絡(luò)參數(shù)比較適合。

圖1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線

依據(jù)學(xué)習(xí)好的網(wǎng)絡(luò)，只要將實際問題依據(jù)表5抽象化以后輸入到網(wǎng)絡(luò)中，就能得到相應(yīng)的沖突解決原理。表6為測試樣本的實際輸出與理論輸出的對照表，從表中可以看出樣本的實際輸出與理論輸出很接近，誤差很小，驗證了該網(wǎng)絡(luò)的可行性。

表6? 測試樣本輸出對照表

結(jié)論：本文從服務(wù)“產(chǎn)品”內(nèi)部矛盾影響服務(wù)質(zhì)量的角度，借鑒TRIZ沖突矩陣的思路，在構(gòu)建服務(wù)沖突矩陣的基礎(chǔ)上，建立了基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型。該模型不僅能解決原有的服務(wù)沖突問題，還允許企業(yè)添加新的參數(shù)和解決方案，增加新的實例，建立適合自己的網(wǎng)絡(luò)沖突模型。然而，由于BP神經(jīng)網(wǎng)絡(luò)自身的局限，使得該模型在實際應(yīng)用中也存在一些問題。例如，網(wǎng)絡(luò)的穩(wěn)定性和可塑性較差，當(dāng)它遇到一個新模式時，會將已有的權(quán)值和閥值打亂，導(dǎo)致學(xué)習(xí)好的模式信息丟失。另外，隱含層的神經(jīng)元個數(shù)設(shè)置多少合適，少量的學(xué)習(xí)樣本結(jié)果是否具有一般性應(yīng)用等問題，還需進(jìn)一步研究。

參考文獻(xiàn)：

[1] 檀潤華，王慶禹等. 發(fā)明問題解決理論：TRIZ—TRIZ過程、工具及發(fā)展趨勢[J].《機(jī)械設(shè)計》2001.7.

[2] 梁文賓. 基于QFD與TRIZ的服務(wù)創(chuàng)新方法研究. 博士學(xué)位論文.2005.endprint

表4? 發(fā)明原理在服務(wù)中的實例

注：資料整理來源于文獻(xiàn)

該服務(wù)沖突矩陣參數(shù)是根據(jù)TRIZ沖突矩陣中的工程參數(shù)配適出來的，對于服務(wù)“產(chǎn)品”可能具有而實體產(chǎn)品卻不具有的功能參數(shù)，該矩陣就無法描述。為更加全面的解決服務(wù)沖突問題，本文把建立一個基于BP神經(jīng)網(wǎng)絡(luò)的沖突消解模型，在模型中，企業(yè)能根據(jù)自身情況添加新的輸入或輸出節(jié)點數(shù)也就是增加新的參數(shù)或解決原理，來解決本企業(yè)的沖突問題。

三、基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型

人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，是對人腦信息處理功能的模擬和延伸。目前，在神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，BP網(wǎng)絡(luò)是最成熟、應(yīng)用最廣的一種前饋神經(jīng)網(wǎng)絡(luò)，它主要用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮。其結(jié)構(gòu)由一個輸入層、一個或多個隱含層、一個輸出層組成，各層由若干個神經(jīng)元（節(jié)點）構(gòu)成，每一個節(jié)點的輸出值與輸入值得關(guān)系由作用函數(shù)和閥值決定，神經(jīng)元可以實現(xiàn)輸入和輸出之間的任意非線性映射。

（一）BP網(wǎng)絡(luò)模型的構(gòu)建。（1）網(wǎng)絡(luò)層數(shù)的配置。根據(jù)輸入和輸出的要求，選擇網(wǎng)絡(luò)的隱含層是非常重要的。理論分析證明，具有單隱層的前饋網(wǎng)可以映射所有連續(xù)函數(shù)。因此，本文選用三層BP神經(jīng)網(wǎng)絡(luò)，即由一個輸入層，一個隱含層和一個輸出層組成。（2）網(wǎng)絡(luò)輸入節(jié)點數(shù)的確定。由沖突矩陣可以看出，每個沖突既包括一對工程參數(shù)，又表明參數(shù)的改善與惡化情況。若直接按沖突矩陣來設(shè)置輸入節(jié)點數(shù)，則需要21*21-21=402個輸入節(jié)點;若僅用21個節(jié)點，又不能確定改善與惡化的服務(wù)參數(shù)，故引入一個判斷輸入節(jié)點X22.當(dāng)其為0時，表示Xi改善，Xj惡化（Xi、Xj均為1，且i

傳遞函數(shù)：隱含層中的神經(jīng)元和輸出層神經(jīng)元均采用正切S型傳遞函數(shù)（tansig）。學(xué)習(xí)周期：預(yù)設(shè)為1000個。學(xué)習(xí)目標(biāo)：總均方誤差MSE小于誤差限1e-2。學(xué)習(xí)算法：選用有彈回的BP算法。初始連接權(quán)值和閥值：利用Matlab的函數(shù)init（）產(chǎn)生初始連接權(quán)值和閥值。Init（）采用nguyen-widrow初始化算法。

（二）網(wǎng)絡(luò)樣本的設(shè)計。網(wǎng)絡(luò)的樣本來自于服務(wù)領(lǐng)域已解決的問題。本文選取30個沖突案例作為數(shù)據(jù)樣本集，其中25個作為訓(xùn)練樣本，5個作為測試樣本。

對于每一個樣本案例，首先要將問題抽象對應(yīng)為沖突矩陣中某一特定的沖突，解決的方法抽象對應(yīng)為40條沖突解決原理中的一條。如，解決旅行社的“行前解約”問題給旅客帶來的不滿，需要顧及個別差異，若顧及個別差異就可能會拖延處理問題的時間。這樣，需要改善的屬性是“彈性”，而需維持不受影響的屬性為“服務(wù)補(bǔ)救能力”。最終的解決方案是先將團(tuán)員們分成獨立個體，再派專人單獨與旅客們針對其需要迅速解決問題，采用的原則是分割。按表5的過程就得到了一組學(xué)習(xí)樣本。

表5? 獲取學(xué)習(xí)樣本

（三）運行結(jié)果及分析。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線如圖1所示。從圖中可以看出，網(wǎng)絡(luò)訓(xùn)練到617步時訓(xùn)練誤差達(dá)到期望誤差，收斂效果良好。因此，網(wǎng)絡(luò)選擇的隱含層節(jié)點數(shù)，學(xué)習(xí)函數(shù)等網(wǎng)絡(luò)參數(shù)比較適合。

圖1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線

依據(jù)學(xué)習(xí)好的網(wǎng)絡(luò)，只要將實際問題依據(jù)表5抽象化以后輸入到網(wǎng)絡(luò)中，就能得到相應(yīng)的沖突解決原理。表6為測試樣本的實際輸出與理論輸出的對照表，從表中可以看出樣本的實際輸出與理論輸出很接近，誤差很小，驗證了該網(wǎng)絡(luò)的可行性。

表6? 測試樣本輸出對照表

結(jié)論：本文從服務(wù)“產(chǎn)品”內(nèi)部矛盾影響服務(wù)質(zhì)量的角度，借鑒TRIZ沖突矩陣的思路，在構(gòu)建服務(wù)沖突矩陣的基礎(chǔ)上，建立了基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型。該模型不僅能解決原有的服務(wù)沖突問題，還允許企業(yè)添加新的參數(shù)和解決方案，增加新的實例，建立適合自己的網(wǎng)絡(luò)沖突模型。然而，由于BP神經(jīng)網(wǎng)絡(luò)自身的局限，使得該模型在實際應(yīng)用中也存在一些問題。例如，網(wǎng)絡(luò)的穩(wěn)定性和可塑性較差，當(dāng)它遇到一個新模式時，會將已有的權(quán)值和閥值打亂，導(dǎo)致學(xué)習(xí)好的模式信息丟失。另外，隱含層的神經(jīng)元個數(shù)設(shè)置多少合適，少量的學(xué)習(xí)樣本結(jié)果是否具有一般性應(yīng)用等問題，還需進(jìn)一步研究。

參考文獻(xiàn)：

[1] 檀潤華，王慶禹等. 發(fā)明問題解決理論：TRIZ—TRIZ過程、工具及發(fā)展趨勢[J].《機(jī)械設(shè)計》2001.7.

[2] 梁文賓. 基于QFD與TRIZ的服務(wù)創(chuàng)新方法研究. 博士學(xué)位論文.2005.endprint