多属性决策

多属性决策（有限方案多目标决策），实现较好的数据预处理

• 由决策变量选择对应的决策形式

离散型 进行分析评价的目的是对方案进行排序连续型 从非劣解集中获取偏好解

• 数据预处理
  遵循非量纲化、归一化

• 属性值的定性等级
  最好、很好、好、较好、相当、较差、差、很差、最差
  采取序数标度，取0~10之间的整数
  

• 目标重要性判断的矩阵取值
  

• 最底层目标权重的计算
  复杂的多属性决策问题的目标往往具有层次结构，分两种：一种是树状结构，下层次的目标只与上一层目标中的一个相关联；另一种是网状结构，下层次的目标与上一层次的两个或者两个以上的目标相关联

基于模糊神经网络的在线评论效用分类过滤模型研究

但研究成果局限于仅可为在线
评论效用指标因素选取提供理论参考，并不能直接量化在线评论的可信度和评论效用。
在线评论质量评价方法方面，Jindal等采用过滤重复
评论和建立回归模型的方式对电子商务网站中针对品牌的评论、非可信评论和无实质内容的评论进行筛选，从而实现在线评论有用性的过滤识别；Liu等
通过建立支持向量机（Support Vector Machine，SVM）模型，从评论的主观性、信息量和可读性三个特征维度对在线评论质量进行有效区分；王
忠群等提出一种基于领域专家和商品特征概念树的在线商品评论深刻性度量模型，从而实现使用评论长度对在线商品评论深刻性的科学计量；聂卉采用文本内容分析技术，从多个特征维度提取评论内容特征指标，结合机器学习方法构建在线评论效用价值预测模型。孟美任等在深入分析在线中文商品评论特点的基础上，通过问卷调查可信度影响因素，选取发布者身份明确性、内容完整性、评论时效性以及情感平衡性四维属性，采用条件随机场(Conditional
Random Fields，CRFs)模型对在线评论效用进行等级分类。此类研究实现了在线评论效用的排序和分类，但大多将在线评论进行有用或无用的二维效用划分，使得有用评论数量依然庞大，评论的二维效用筛选无法实现可信度的有效区分，使消费者很难以较低的信息搜索成本快速获取高质量的在线评论信息。
综合以上文献，在线评论领域的研究还主要集中于对影响因素探讨及有用评论识别研究，对有用信息过滤研究中依然存在信息过载的现象，基于此，本文在过去研究的基础上，构建了一个应用模糊神经网络（Fuzzy Neural Network，FNN）进行预测在线评论效用的模型，对在线评论进行效用5分类研究

• 属性
  

• 本文从影响在线评论效用的高相关因素入手，构建基于
  模糊神经网络的在线商品评论效用模型，提出一种在线评论
  效用分类方法，通过亚马逊电子商务平台手机评论的实例验
  证，

• 属性指标量化分析
  采用5分量法，确定级别

• 分析相关系数
  采用Spearman秩相关系数进行分析，
  结果显示：评论长度、产品属性词、情感强度以及修饰词数量四个指标的显著性检验都达到95%以上，表明这四项指标与在线评论效用呈显著的正相关关系。对于剩下的两个指标，有用性投票和时效性的相关性都比较小，并且没有表现出明显的显著性。分析后去掉无显著相关的两项指标。

• 模糊神经网络
  模糊神经网络（Fuzzy Neural Network，FNN）是模糊技术与神经网络技术的有效融合，是基于模糊推理系统可以用多层级的前馈神经网络来表示的原理而结合在一起的，是将样本进行模糊化处理并不断量化为规则化形式的过程。此文使用多输入单输出(MISO)的FNN来搭建软测量模型。

• 实例分析

  1. 选定19名专家通过表4的在线评论效用评分标准将抓取的评论进行效用等级分类，取每条评论的平均值作为评判结果
     2.1 在线评论效用”的评价作为目
     标变量，评论长度、产品属性词、情感强度、修饰词数量分别
     记为（In1，In2，In3，In4），Ini与Y的取值为5个级别，记为1,2,
     3,4,5。根据表2的指标量化方式统计得到每条评论各个指
     标的量化值后
     2.2 利用 MATLAB2014a 构建模糊神经网络系
     统，从而得到模型中的参数。
     2.3 推理过程采用MATLAB工具箱的Mamdani方法进行训练，共构建推理规则625条.
     2.4 去模糊化采用重心法。采取自然语言规则形成建立推理规则，以（In1，In2，In3，In4）四个维度为推理前件，在线评论效用值为后件，建立模糊推理系统（FIS）。训练模型选择
     FNN模型，误差允许值为0.01
     2.5 模型结果分析
     对模糊神经网络模型的检验样本进行检验，采用准确率和均方误差来对在线评论效用模型进行试验评价。
     为了测试模糊神经网络的实验效果，将本文方法与BP
     神经网络进行对比评判。