社交网络背景下的数据驱动型消费者偏好研究

The research project on data-driven consumer preferences using social network is an advanced and exploratory new interdisciplinary subject, which is based on the studies of management, economics and information science involving the latest research results. This project has broad research background and numerous applications, and has significant value in both theory and applications. The main topics of this project are as follows: building the theoretical framework of consumer preferences in social network, developing the date-driven techniques and methods of consumer preferences, and proposing the extensions for related applications. The project will use text data and consumer behavior data to mainly study consumer behavior and consumer learning process. Following a technique plan that is “date-influencing factors-learning-preference”, this project will build a dynamic evolution model of consumer preference, then propose the methods of guiding consumer preference and building social network environment. These results not only have important research and practical value for related enterprises on activities including production and sales etc., but also appear to be significant for improving the theory and methods of consumer preference.

社交网络背景下的数据驱动型消费者偏好研究是根据目前国内外管理学、经济学和信息科学研究发展动态提炼出来的、具有前沿性和探索性的新的交叉学科课题。该课题不仅有广泛、大量的应用背景，而且具有丰富的理论研究意义和实际应用价值。项目的主要研究内容包括：建立社交网络背景下的消费者偏好理论框架，提出数据驱动型消费者偏好分析技术与方法，以及提出消费者偏好的应用型拓展研究方法。本项目将基于社交网络中的文本数据和消费者行为数据展开，以消费者行为和消费者学习为重点研究内容，按照“数据-影响因素-学习-偏好”的研究路线逐步深入，构建消费者偏好动态演化模型，开发数据驱动型消费者偏好动态演化算法，实现针对动态社交网络数据的消费者偏好时时分析，并给出引导消费者偏好和构建社交网络环境的策略。这些研究成果不仅对于进一步发展和完善消费者偏好理论和方法具有重要意义，对于各类相关企业的生产、销售等活动也有重要的研究和实践价值。

随着信息通讯技术的发展，消费者通过移动终端可以方便进行交流、购物、点评，同时产生了大量的数据。社交网络背景下的数据驱动型消费者偏好研究是在这样一个背景下提炼出来的具有前沿性和探索性的课题。研究内容包括：建立社交网络背景下的消费者偏好理论框架，提出数据驱动型消费者偏好分析技术与方法，以及提出消费者偏好的应用型拓展研究方法。我们完成了（1）对消费者偏好信息的界定、采集和处理；（2）将其转化为成对的比较偏好，提出了概率型-犹豫模糊集和概率型-犹豫模糊偏好用于问题建模，并给出一致性测度、一致性改进和排序算法；（3）提出了犹豫层次分析法可以对消费者群体偏好进行建模并给出一套排序流程和算法；（4）针对消费者产生的实时数据，我们提出了针对数据流的排序方法，提出了一系列的指标，包括期望序，概率序，自信因子等，并证明了其具有精确度高和快速收敛的特征；（5）由于犹豫偏好信息具有不确定性，我们提出了偏好信息排序的鲁棒优化方法，并给出了排序的满意性指标用于测度排序结果，在保证运算效率的同时又论证了结果的精度;（6）我们提出数据驱动型消费者偏好排序的方法，无需偏好信息的分布；（7）基于消费者产生的在线数据流，提出一种学习策略用于逼近消费者偏好，并证明该策略可以很好的逼近最优排序结果。以上结果可以用于“商务智能决策”，帮助各类电商平台、销售商、生产商提供决策支持。例如帮助平台向消费者推送消费者喜爱的商品和服务，帮助销售商细分市场，帮助生产商改进商品设计等等。