结构方程模型与人工神经网络结合的用户感知建模方法

2019-08-07褚学宁

上海交通大学学报 2019年7期

颜波，褚学宁, 张磊

(上海交通大学机械与动力工程学院，上海 200240)

用户感知是用户使用产品过程中产生的特有体验，用户通常会用舒适、喜欢、满意等意象形容词来描述对产品使用的感受和体会[1].如果设计师能够对用户感知的影响因素及其相互关系有深入的理解，将有助于设计出更符合用户需求和体验更好的产品.用户感知属于心理学范畴，难以准确直接测量，但可以通过多个测量指标间接量化研究[1].过去有关用户感知方面的研究主要是应用Logistic和Probit等回归分析方法[2-3]，关联规则分析和聚类分析等数据挖掘方法[4-5]，以及支持向量机和人工神经网络(ANN)等网络建模方法[6-7]来建立单一用户感知与测量指标之间的影响关系模型.但是，这些方法无法描述用户多个感知之间的因果关系和影响路径.

结构方程模型(SEM)能同时处理多个因变量，容许自变量和因变量都含有测量误差，特别适合社会学、心理学研究中涉及到的不能准确、直接测量的多个变量之间影响关系的分析问题，因此利用SEM不仅可以获得用户感知的主要测量指标，而且可以获得用户多个感知之间的因果关系和影响路径.孙逸文等[8]以手机为案例研究了功能疲劳对用户资产的影响，利用SEM建立了用户期望、感知、功能疲劳、满意度和购买意愿之间因果关系的路径模型.Xiong等[9]利用SEM探讨了项目参与者的表现如何影响承包商的项目满意度，建立了用户的目标明确性、施工风险管理以及相互尊重和信任等对满意度影响的路径模型.Ghosh等[10]运用SEM将用户多个感知及其相互关系映射到网络中形成因果模型，以休闲鞋用户感知建模为例进行了验证.虽然SEM方法在许多领域得到了广泛应用，但其变量之间线性关系的假设也制约了其应用的深度.用户感知是一种主观感受和心理状态的变化过程[1]，国内外研究表明，产品质量特性和用户满意度之间存在着非线性关系[11-12].近些年一些学者在SEM中加入变量的二次项和交互项来表达变量之间的非线性[13-14]，但模型过于复杂，参数估计困难、计算量大、稳定性差，实际中难以应用.

人工神经网络模型不仅可以表达变量之间的非线性关系，而且具有自学习能力，能够自动调节网络节点间的连接权重来拟合变量间的关系，但其拓扑结构主要是根据经验来确定，并且神经元之间往往采用全连接，模型对输入输出变量及神经元之间的影响路径和影响程度缺乏解释.如果将ANN与SEM相结合，用SEM确定用户感知之间的因果关系，并转换为ANN模型的拓扑结构，再利用ANN模型的非线性映射能力和自学习能力来拟合多个感知之间的因果关系，既解决了SEM的线性和参数难以估计问题，也使得ANN模型拓扑结构的建立变得有据可依.为此，本文提出了一种SEM与ANN相结合的用户感知建模方法.SEM-ANN模型是一种结构化的神经网络模型，不仅能够解释各个网络节点之间的因果关系和影响程度，而且利用神经网络的非线性拟合能力提高了用户感知模型的拟合优度，能更加准确定量地表达用户感知之间的相互关系和影响用户感知的因素.

图1 SEM和ANN结合的用户感知建模过程Fig.1 The process of user perception modeling based on SEM and ANN

1 用户感知模型

图1所示为SEM和ANN结合的用户感知建模过程.图中：包括基于SEM的用户感知建模和基于SEM-ANN的用户感知建模2个阶段：

(1) 首先，根据过去对用户感知的研究以及工程师和设计师的经验，提出用户感知模型的假设，包括用户多个感知之间的相互关系以及每个用户感知的测量指标；然后，根据用户感知的测量指标设计调查问卷，如通过多个问卷项量化用户对舒适性的感知，收集处理问卷信息；最后，使用SEM作为参数估计和假设检验技术，得到用户多个感知之间的影响路径以及影响每个用户感知的主要测量指标.

(2) 首先，根据影响用户感知的主要测量指标和影响路径构建ANN模型的拓扑结构，建立结构化的人工神经网络模型；然后，采用BP(Back Propagation)算法训练模型中各网络节点间的连接权重，实现了用户感知建模；最后，利用方均根误差(RMSE)和判定系数(R2)评价模型的性能.

2 基于SEM的用户感知模型

本文首先根据SEM得到影响用户感知的主要因素和用户感知之间的相互关系.以智能手机为例，根据技术接受模型(TAM)[15]以及工程师和设计师的经验提出用户感知模型的假设，如图2所示.该模型因具体产品和使用场景的不同而不同.外源潜在变量和内生潜在变量代表关于用户感知的心理结构，潜在变量一般不能直接测量得到，需要通过一个或多个测量变量间接量化.

图2 智能手机用户感知模型的假设Fig.2 The hypothetical of smartphone user perception model

SEM由测量模型和结构模型2部分组成，利用SEM能够将测量指标与用户感知以及用户感知之间的相互关系联系起来.测量模型描述是用户感知和测量指标之间的关系，利用验证性因子分析(CFA)可以检验用户感知和各测量指标关系的密切程度，通过对因子载荷大小的考量和显著性检验可以为测量指标的删除提供依据，减轻结构模型建模阶段的工作量.结构模型显示了用户多个感知之间的因果关系，在产品设计中，用户感知可以在用户需求中形成，或者代表设计师感兴趣的用户心理结构，用户感知之间的关系通常由设计师定义，需要不断迭代修改，对提出的多个模型进行测试直到收敛到一个最佳模型为止.因此在SEM-ANN模型中，利用SEM来检验设计师提出的关于用户感知之间相互关系的假设，得到影响用户的感知的主要测量指标和影响路径，以此作为构建人工神经网络模型拓扑结构的依据.

3 基于SEM-ANN的用户感知模型

目前人工神经网络模型的拓扑结构主要是根据经验来确定，并且神经元之间往往采用全连接，这种模型对输入输出变量之间的影响路径和影响程度缺乏解释.本文将SEM结构作为神经网络拓扑结构的设计依据，其中，根据SEM中潜在变量的个数及相互关系确定隐含层神经元的个数及隐含层层数；测量变量和潜在变量的关系以及潜在变量之间的影响路径则对应神经元之间的连接方式.因此，这种结构化的神经网络模型能够解释输入输出变量及神经元之间的影响路径和影响程度.

3.1 SEM-ANN用户感知模型的拓扑结构

SEM-ANN模型神经网络的拓扑结构由SEM因果分析的结果确定，如图3所示.与传统的ANN模型不同，通过SEM-ANN模型可以清楚地分析输入变量对输出变量的影响路径和影响程度.输入节点的个数由外源测量变量的个数确定，假定存在I个外源测量变量，用xi表示外源测量变量的输入(i=1，2，…，I).隐含层层数和隐含层神经元个数由外源潜在变量和内生潜在变量的个数确定，假定存在B个外源潜在变量和N个内生潜在变量，分别用ξb(b=1，2，…，B)和ηn(n=1，2，…，N)表示.输出神经元的个数由内生测量变量的个数确定，假定存在O个内生测量变量，用yo表示内生测量变量的输出(o=1，2，…，O).网络之间的连接方式根据测量变量与潜在变量以及潜在变量之间的相互作用关系连接而成，各网络节点之间的连接权重与SEM中的因子载荷和路径系数相对应，根据神经网络模型的拓扑结构确定输入层网络节点和隐含层神经元节点之间的连接权重为B×I维向量，定义为Win；隐含层神经元节点之间的连接权重为N×(B+N)维向量，定义为Whidden；隐含层神经元节点与输出层神经元节点之间的连接权重为O×N维向量，定义为Wout.神经网络中每个神经元都包含一个非线性的激活函数，本文设定所有神经元的激活函数均为Sigmoid函数.

图3 基于SEM的人工神经网络模型Fig.3 The artificial neural network model based on SEM

3.2 SEM-ANN用户感知模型训练

假定输入的样本X=[X1X2…Xp]，每一个样本所对应的输入为外源测量变量的取值Xp=[xp1xp2…xpI](p=1，2，…，P)，期望输出为内生测量变量的实际取值Dp=[dp1dp2…dpo].对输入和期望输出向量进行标准化处理，对Win、Whidden和Wout进行权重初始化后，利用BP算法训练模型中各网络节点间的连接权重.BP算法分2个阶段执行：

(1) 正向传递阶段.输入信息从输入层经隐含层逐层计算各网络节点的输出值，最终得到模型的输出为Yp=[yp1yp2…ypo].

(2) 反向传播阶段.根据模型输出与期望输出计算总的输出误差，输出误差逐层向前传播算出各隐含层神经元的误差，运用Delta学习规则不断调节网络的连接权重，从而实现网络误差的最小化.

3.3 SEM-ANN用户感知模型评价

为了定量地说明SEM-ANN用户感知模型的有效性，随机选择原始样本的80%作为训练数据，20%作为测试数据，使用训练数据训练得到模型中各网络节点之间的连接权重，然后利用测试数据评价模型的性能.本文选用2种性能评价指标，方均根误差RMSE和判定系数R2，RMSE越接近于0表示模型的预测精度越高，R2越趋近于1表示模型的拟合程度越好，计算公式分别为

(1)

(2)

(3)

4 案例研究

4.1 实验方案和数据收集

智能手机发展迅速，作为最具代表性的人机交互式产品，更加重视用户的使用体验和感受，因此本文采用手机作为案例研究对象来证明所提出方法的有效性.在本案例研究中，所考虑的用户感知包括设计和品牌吸引力、用户对流畅性的感知、对续航的感知、对功能的感知、用户使用体验以及满意度，用户感知之间的假设关系已经在第2节中给出.该研究中问卷调查使用问卷星平台(https://www.wjx.cn/jq/15616784.aspx)完成，每个用户感知测量指标的问卷选项采用Likert 7级量表的形式，选项 1～7分别代表非常不同意～非常同意，选项题目设置力求言简意赅、语义清晰、内容完备.为了获取实验用户，主要在校园内发放问卷，同时也在微信、QQ等社交网络上发布问卷以获取校园之外更多的用户，最终共收集到了182份问卷，有效问卷168份.本文中SEM的计算使用SPSS-Amos21软件完成，SEM-ANN模型的训练使用Python3.6语言编写完成.

4.2 基于SEM的用户感知模型分析

4.2.1用户感知的测量模型分析 SEM检验的前提是输入数据服从正态分布，将不满足条件的调查问卷数据使用Box-Cox变换技术转化为正态分布后，建立测量模型对用户感知的影响因素进行CFA检验.从模型中剔除因子载荷较小且没有通过显著性检验的测量指标，再次对模型进行CFA检验，当所有测量指标都是显著的且因子载荷大致良好时进行结构模型分析.

4.2.2用户感知的结构模型分析利用测量模型分析了测量指标与用户感知的关系后，紧接着利用结构模型分析用户感知之间的相互关系.基于SEM的用户感知模型最终的拟合结果如图4所示.图中：i1～i22为相应用户感知的具体测量指标，设计和品牌吸引力的测量指标i4因未通过测量模型分析而被剔除；e1～e22为测量模型的误差项；e01～e02为结构模型的残差项.

本文首先根据模型可以得到临界比(CR)值，然后算出CR值所对应的显著性概率P值.如果P<0.05，则表示影响关系是显著的.用户感知之间标准化的路径系数值如表1所示.常用的模型拟合指数拟合值如表2所示.

图4 基于SEM的用户感知模型的拟合结果Fig.4 The fitting results of user perception model based on SEM

表1 用户感知之间标准化的路径系数值
Tab.1 The standardized path coefficients between user perceptions

影响路径参数估计值CRP用户使用体验←用户对流畅性的感知0.5145.281<0.001用户使用体验←用户对续航的感知0.3903.805<0.001用户使用体验←用户对功能的感知0.2242.557 0.011用户满意度 ←用户使用体验0.6528.105<0.001用户满意度 ←设计和品牌吸引力0.5035.631<0.001

表2 基于SEM的用户感知模型的拟合指数Tab.2 The fit index of user perception model based on SEM

由表1和2可知，首先用户感知之间的关系都是显著的，然后检验模型的整体拟合指数、绝对拟合指数和λ2/df=1.090<2，并且接近于1，说明样本协方差矩阵和估计的协方差矩阵相似程度很大，RMSEA=0.023<0.05，GFI=0.901>0.9，符合标准；相对拟合指数IFI=0.986>0.9，CFI=0.986>0.9，符合标准；简约拟合指数PNFI=0.750>0.5，PGFI=0.718>0.5，符合标准，说明文章设定的模型较简约并具有较好的拟合度.综上，表明模型的拟合效果较好，通过SEM确定了用户多个感知之间的影响路径以及影响每个用户感知的主要因素.

4.3 SEM-ANN用户感知模型分析

根据4.2节分析的结果确定神经网络模型的拓扑结构，建立结构化的神经网络模型，如图5所示.

利用Python编写BP神经网络训练模型参数，其中134条样本作为训练数据，34条样本作为测试数据，对输入和输出数据进行标准化处理后进行模型训练，学习率设置为 0.1，学习次数设置为 2 000 次，当达到学习次数时结束网络训练.利用训练好的模型对测试数据进行测试，计算模型输出的方均根误差RMSE和判定系数R2，结果如表3所示.

图5 基于SEM-ANN的用户感知模型Fig.5 The user perception model based on SEM-ANN

表3 SEM-ANN用户感知模型的评价结果

Tab.3 The evaluation results of user perception model based on SEM-ANN

测量指标用户使用体验i16i17i18i19用户满意度i20i21i22RMSE0.0740.1100.0690.0520.0610.1780.044R20.6420.6970.7250.6860.7730.6550.749

由表3可得，测试数据中各个测量指标的RMSE均较小，都在 0.1 左右，最大误差也都小于 0.2，说明在迭代学习了 2 000 次之后，模型取得了较好的收敛效果，同时各个测量指标的R2都大于 0.5，说明模型的拟合效果较好.

4.4 结果分析与讨论

4.4.1用户感知模型的拟合优度分析判定系数R2表示内生潜在变量对内生测量变量的解释程度，R2越趋近于1表示模型的拟合程度越好，比较SEM和ANN-SEM模型用户使用体验和满意度测量指标的R2值，结果如表4所示.

表4 用户使用体验和满意度测量指标的R2值

Tab.4 TheR2of measurements for user experience and satisfaction

用户感知模型用户使用体验i16i17i18i19用户满意度i20i21i22SEM0.5970.6220.6540.6450.7410.6060.697SEM-ANN0.6420.6970.7250.6860.7730.6550.749

由表4可得，本文提出的SEM-ANN模型的拟合优度明显优于SEM，将SEM引入ANN后，不仅提高了ANN模型的可解释性，而且利用ANN强大的非线性拟合能力使得模型的拟合优度有所提高.

4.4.2用户感知之间的影响程度分析用户感知之间的效应值反映了各用户感知之间相互影响的程度，路径系数以及神经元之间连接权重归一化后的结果如表5所示.

表5 SEM和SEM-ANN模型用户感知之间的效应值

Tab.5 The effect values between user perceptions based on SEM and SEM-ANN model

影响路径SEMSEM-ANN用户对流畅性的感知→用户使用体验0.4560.670用户对续航的感知→用户使用体验0.3460.134用户对功能的感知→用户使用体验0.1980.196用户使用体验→用户满意度0.5650.513设计和品牌吸引力→用户满意度0.4350.487

对比表5中SEM和SEM-ANN模型分析的结果，两者在影响程度的大小和排序上都存在一定差异.例如，在SEM中影响用户使用体验的因素从大到小依次是手机流畅性、续航能力和功能，而SEM-ANN模型的排序却是手机流畅性、功能和续航能力，并且流畅性对使用体验的重要程度要远远高于其他2个因素.分析用户的实际使用情况，手机流畅性的测量指标主要包括对ROM(Read Only Memory)、RAM(Random Access Memory)以及CPU(Central Processing Unit)的评价，根据Kano模型可以将用户的需求分为基本需求、期望需求和兴奋需求.基本需求是产品必须具有的功能或服务，目前手机需要存储的文件和安装的应用程序越来越多，并且用户经常会同时打开多个应用程序，因此ROM、RAM以及CPU的性能必须要能保证手机正常运行，否则将严重影响用户使用体验，属于基本需求的范畴.当满足用户的基本需求后，随着CPU等性能的提高用户的满意度会逐渐上升，进入期望需求阶段.但当CPU等性能提高到一定程度时，若产品不能提供其他意想不到的特性，仅依靠CPU等性能的提高，对使用体验的改善程度会逐渐降低，这时就需要通过改善手机的续航能力和增加新的功能来提高用户使用体验，满足用户的兴奋需求.因此，用户感知之间呈现出明显的非线性关系，这是使用SEM难以解释的.同时SEM-ANN模型分析的结果与目前手机市场的发展趋势相符，手机流畅性和功能是各大手机厂商努力做出产品差异化的主要方向.例如，基于Android系统华为开发了EMUI系统、小米开发了MIUI系统等，华为与徕卡合作推出后置双摄像头手机、苹果在最新一代iPhone中推出人脸解锁功能等，这些措施都是为了增强手机的流畅性和功能以给用户带来更好的使用体验.由此说明，利用SEM-ANN模型分析用户感知之间的影响关系更合理，因为其能更好地拟合变量之间的非线性关系，使得分析结果与实际情况更相符.

4.4.3用户感知的影响因素分析测量指标在用户感知中的相对重要度反映了测量指标对相应用户感知的影响程度，表明了SEM和SEM-ANN模型在解释用户感知与其测量指标之间关系的能力，因子载荷以及网络节点之间连接权重归一化后的结果如表6所示.

对比表6中SEM和SEM-ANN模型分析的结果，总体来看，两者在相对重要度的大小和排序上部分结果一致，但是也存在一定差异.例如，对于用户对流畅性的感知，SEM中4个测量指标的重要度差不多，但SEM-ANN模型中i7的重要度明显低于i5、i6和i8的重要度.因此，对于非参数化的ANN研究方法，结果并不一定会偏离理论，通过将SEM引入到ANN后，不仅提高了ANN模型中网络连接权值的可解释性，而且利用ANN模型的非线性拟合能力弥补了SEM方法的不足，使得分析的结果更接近实际情况.

表6 测量指标在用户感知中的相对重要度

Tab.6 The relative importance of measurements for user perception

潜在变量测量指标SEMSEM-ANN设计和品牌吸引力i10.3370.128i20.2990.345i30.3640.527用户对流畅性的感知i50.2660.260i60.2370.319i70.2520.123i80.2450.298用户对续航的感知i90.2310.431i100.2300.177i110.2500.070i120.2890.322用户对功能的感知i130.301 0.104 i140.350 0.742 i150.349 0.154 用户使用体验i160.2430.236i170.2490.194i180.2550.315i190.2530.255用户满意度i200.348 0.358 i210.315 0.336 i220.337 0.306