基于神经网络的产品服务质量评价模型研究

姬晓飞，魏振钢，石 硕，林喜军，宋 祥

（中国海洋大学 信息科学与工程学部，青岛 266000）

0 引言

生产制造型向服务制造型转变已成为制造业企业的转型的新动态，产品服务质量的优劣直接和产品市场占有率，企业品牌，乃至与发展前景息息相关[1]。针对已有工作缺少围绕产品服务生命周期优化服务价值链协同工作研究的不足，提出基于神经网络的产品服务质量评价模型，从产品定位层面为优化服务价值链组织结构提供方向，作为面向核心制造企业及其协作企业群，开展产品服务协同与优化研究的基础[2]。依据评价产品定位方案，提升企业内外协作能力，形成新的产品市场竞争优势[3]。因此，进行面向产品的服务质量评价具有实际的研究意义。

近年来，对产品服务质量评价的研究始终是当前评估模型领域的研究热点。文献[4]基于灰色系统理论，研究城市公共交通服务质量的综合评价；文献[5]通过相邻两层元素隶属关系构建阶梯模糊层次模型，研究网络业务性能评价模型，解决了因专家偏倚不同而导致层次分析法（AHP）评价指标体系存在主观性的问题；文献[6]使用惯性权重自适应的粒子群优化算法（PSO）优化支持向量机（SVM）模型，实现对待评价样本的电能质量综合评价。产品服务质量的评价存在影响因素多、定性与定量数据交叉，数据融合难的问题[7]。虽然已经有众多学者提出了诸如灰色系统理论、云模型、AHP、SVM等多种评价模型，目前研究模型存在对专家经验依赖性强，忽略对数据特征本身隐含信息挖掘的问题，不能相对客观处理离散型定性指标向定量指标的转换[8]。针对研究背景和目前的研究现状，结合离散型汽车评测数据集，提出基于神经网络的产品服务质量评价模型，较好解决了上述问题，以高准确率实现对产品服务质量的多等级划分。

1 汽车产品服务质量模型

通过分析UCI汽车测评数据集的特点，进行数据预处理，运用算法，构建面向产品服务质量的神经网络评价模型，以挖掘评价数据信息，实现对产品层面的服务质量进行评价。

1.1 神经网络模型结构的确定

依据神经网络在产品服务质量评价模型中应用的经验，本研究模型采用两层隐含层的三层网络结构[9]。由于数据具有离散型特征，因此采用one-hot编码进行数据预处理，输入层有21个神经元，分别对应汽车的购买价格，维护价格，车门数量，载客量，后备箱容量，安全性六个属性的one-hot编码处理信号。输出层为4个神经元，对应汽车服务质量评价的四个等级，分别是很好，好，可接受，不可接受四个层次。结合隐含层神经元个数确定公式并通过反复验证与比较，确定各个隐含层神经元个数为8个。由于数据集的特征差异小，为了防止过拟合，采用L2正则化优化网络模型，λ为正则化系数，经过多次调试，最终确定正则化系数为1×105，学习率为0.006。该模型神经网络模型拓扑结构如图1所示。

图1 神经网络拓扑结构

1.2 模型训练算法及步骤

本文网络输入表示为向量X=(x1，x2，…，xn)，n对应输入层神经元的个数。激活函数选用双曲正切S形函数，也叫双极性Sigmoid函数，，其中，θ为该函数的斜率参数。样本集逐层经过隐含层及激活函数处理获得各层输出。然后，将神经网络模型所得的预测结果和标签值做差，采用均方误差作为此网络误差传播算法的性能指标，得到此次预测误差yK=σ(y(k-1)W(k))，再将误差依据式(1)、式(2)、式(3)从后向前进行反向传播，逐层更新权重。

其中，k=(1，…，K)，K代表神经网络的层数，y表示样本的实际标签向量，yk为第k层神经网络的输出，σ表示激活函数，h(x)=σ`(x)，W(k)表示从k-1层到k层的权重，η是学习率。直到满足设定误差范围，训练结束。

2 仿真实验

2.1 数据处理

仿真实验使用UCI上的开源汽车测评数据集，该数据集一共有1728条数据，包含4种汽车服务质量评价等级，各等级占比情况如图2所示。每条数据有六个特征属性，属性取值为数值型和定性描述的离散型混合数据，依据数据集的离散型特征，为了使非偏序属性取值不具有偏序性，并且使其到圆点等距。采用one-hot编码方式进行数据预处理，将离散的属性取值扩展到欧式空间中的某个点，特征之间的距离计算适用于模型算法处理。汽车评测数据集编码后的特征，可以看作连续型特征进行合理处理[10]。

图2 数据等级占比图

2.2 模型结果与分析

图3 训练误差曲线图

图4 汽车服务质量等级实际值与预测值

将汽车测评数据集的1728条数据按照3：7分为两组，取其中1210条作为训练数据集，在神经网络上进行训练，学习率为0.006。通过one-hot编码处理过的数据信号通过输入层，隐含层，输出层前向传播获得汽车服务质量评价等级结果，利用损失函数计算预测等级与实际等级的之间的误差，再从后向前逐层反向传播选用Adam优化器更新权重参数和偏置参数，对各个节点的权重进行调整，多次迭代，缩小误差，使得预测值更加接近真实值，同时采用正则化方法避免过拟合。最后通过500次迭代训练，模型趋于稳定，训练误差loss曲线如下图3所示。选取518条数据作为测试数据集，对产品服务质量评价模型进行测试，通过神经网络模型预测得到汽车服务质量评价等级与实际数据等级的拟合情况，如图4所示。

依据上述图示信息，本神经网络模型在训练阶段收敛速度快且误差精度高，其最优和平均误差具有收敛一致性，从而提高了收敛的可靠性，模型准确率可达95.38%，进行对比实验分析，模型准确率对比情况如表1所示。证明同等情况下本产品服务质量评价模型优于逻辑回归，KNN，SVM等传统质量评价模型，因此，基于神经网络的服务质量评价模型有较好的应用和研究前景。

表1 模型准确率对比

3 结语

为了面向产品进行服务质量评价，提出一种基于神经网络的产品服务质量评价模型，通过仿真实验对比分析，该模型在训练阶段收敛速度快且误差精度高，能够应对产品质量服务评价中具有复杂性，模糊性，随机性的实际应用场景，验证了本神经网络模型研究的可行性与实用性。依据最终的评价结果可以帮助企业从产品层面提高服务质量，优化产品定位，对不同产品服务质量级别的产品实现差异化管理，优化服务价值链，提升企业产品市场占有率。该模型在实际应用中信息处理效率高，在质量评价领域有较大的研究价值及应用前景。