基于 BP 神经网络的用户九型人格模型构建

文章基本信息

本文原题为《基于 BP 神经网络的用户九型人格模型构建》，作者黄荣、陈垲冰、岳青、刘兴林、吴明芬（五邑大学智能制造学部、经济管理学院，广东江门 529020），原载《计算机与现代化》2019 年第 3 期（总第 283 期）第 1–8 页；文章编号 1006-2475(2019)03-0001-08，DOI 10.3969/j.issn.1006-2475.2019.03.001；中图分类号 TP391，文献标识码 A；收稿日期 2018-11-22，修回日期 2018-12-14；基金项目为广东省教育厅重大项目（2014KZDXM055）、广东省科技厅项目（2016A070708002、2015A070706001、2014A070708005）、广东省教育厅研究生教育创新计划资助项目（2016SFKC_42、YJS-SFKC-14-05、YJS-PYJD-17-03）与教育部「云数融合、科教创新」基金资助项目（2017B02101）。

作者简介：黄荣（1994—），女，辽宁法库人，硕士研究生，研究方向为智能信息处理（E-mail：1060085634@qq.com）；陈垲冰（1994—），女，广东雷州人，硕士研究生，研究方向为智能信息处理；岳青（1994—），女，安徽合肥人，硕士研究生，研究方向为电子商务；刘兴林（1976—），男，副教授，博士，研究方向为大数据与智能推荐；吴明芬（1964—），女，江苏常熟人，教授，硕士生导师，研究方向为粗糙集与模糊集理论及其应用、智能信息处理。

本文为转载，非译本。正文照录原刊，未作删节；标点依本站体例，段落按语义划分；公式按原式重排，符号与上下标一仍其旧。图 1 为本站重绘；图 2、图 3 原刊只有曲线、未附数据，本站按 400 dpi 页面图逐列描出折点后重绘，峰谷位置已与原图叠图核对，供读者辨形，精确数值仍以原刊为准。表 1 至表 6 依原表重排，数字照录。原文用字、算式有存疑处一律保留，另于文末「编者注」逐条说明。

摘要：随着电子商务的发展，对于用户消费行为及用户人格的研究越来越普遍，但人格分类以艾森克人格特质理论和大五人格居多，并且在分析用户消费行为时，没有将消费行为学和用户人格特征相结合。本文提出基于 BP 神经网络的用户九型人格模型，该模型首先利用消费行为学提取消费行为的维度对用户购物日志进行用户消费维度分析，再对消费行为维度进行九型人格分析，最后利用 BP 神经网络对用户进行九型人格分类。本文采用天池大数据提供的用户 6 个月购物日志对该模型进行测试并验证了其可行性。

关键词：九型人格；BP 神经网络；消费行为学；用户人格模型

0　引　言

随着网络的不断发展，网络购物成为了人们生活当中的一部分，而针对网上购物的用户人格模型构建较少，故本文主要针对消费者网上购物行为进行用户人格分析。常用的人格分类有艾森克人格特质理论、大五人格、九型人格等。

郝玉琢［1］通过研究大学生网络购物者人格特质、网络消费决策风格和网购成瘾三者之间的关系，证明了艾森克人格特质理论中的内外倾能够正向预测完美高质量、娱乐享乐和新奇流行 3 个因子，神经质能够正向预测娱乐享乐、新奇流行、决策困扰和习惯忠诚，精神质对完美高质量维度起到负向预测的作用，掩饰性与新奇流行呈负相关，正向预测决策困扰。Bellamy 等［2］通过对 81 名服装、纺织品和销售专业的本科生的研究证明了大五人格中的外倾性和神经质对个人的存在感和个人对网上购物的态度之间的关系有着最强烈的影响。这些学者在证明人格特质和网络购物行为之间的关系时，存在以下共同点：1) 数据获取方式为问卷调查，由于被试者可能不愿意透露他们的真实想法和动机，因此研究结果存在较强的主观性；2) 在分析用户消费行为特征时没有与人格特质及消费行为学相结合，而且对于人格特质探讨大多是艾森克人格特质和大五人格，对其他人格特质探讨甚少，例如九型人格。九型人格比艾森克人格特质和大五人格更为灵活、开放，它能够描述人一生的各个阶段，无论该阶段是向好的方向发展还是向坏的方向发展。因此本文首先利用消费行为学提取的消费行为维度对客观数据用户购物日志进行用户消费分析，再利用提取的消费行为维度和九型人格特征对用户进行用户九型人格分类。

九型人格能够描述人一生的各个阶段，但用户购物日志包含用户 6 个月的数据，无法确定用户这 6 个月处在同一个阶段，即无法确定用户人格组合中基本类型和翼型，因此用户九型人格的计算方法应采用不确定性推理方法。对于概念不确定性推理方法的研究主要集中在 2 个方向，分别是模型方法和控制方法，其中模型方法是将不确定的属性对应于某种标准，设计不确定推理算法，建立推理模型；控制方法是通过识别不确定的属性特征，采用相应的控制策略来减少不确定特征对推理的影响［3］。

BP 神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，其具有复杂模式和进行联想、推理记忆的能力，而且结构简单、工作状态稳定、易于实现，因此被广泛应用于分类识别等领域［4］，BP 神经网络所具有的特点能满足推理用户消费过程分析的要求。

1　九型人格分析

九型人格包含 9 种人格，Risso 等人［5］根据人格特质为 9 种人格分别命名为 1 号改革者、2 号助人者、3 号成就者、4 号个人主义者、5 号探索者、6 号忠诚者、7 号热情者、8 号挑战者和 9 号和平缔造者。「九型人格」的图表是一颗九角星，亦称为九柱图，如图 1 所示。在图中有 2 种连接方式，一是直线，二是弧线。人格之间特殊的直线连接方式有着重要的心理学意义，每一类型之间的连线标志着每一人格类型的整合方向和解离方向，整合方向的逆序即为解离方向。九型人格的整合和解离方向说明了九型人格不是静态的而是动态的，可以解释人的心理成长过程以及人格退化过程，这是九型人格与其他人格分类模式最大的不同之处。相邻人格之间的弧线表示了 2 个人格之间互为翼型，如 1 号人格和 9 号人格之间的弧线，若 1 号人格为基本类型，则 9 号人格为 1 号人格的翼型，若 9 号人格为基本类型，则 1 号人格为 9 号人格的翼型。翼型是基本类型的补充，是总体人格的「第二面」。需要注意的是具有相同人格组合的人们存在的差异，这些差异可部分归因于基本类型和翼型两者所占比例的不同，如一类是基本类型和翼型人的比例分别是 51% 和 49%，即这类人的翼型相对于基本类型的比例十分高，对基本类型影响较多；另一类是基本类型和翼型人的比例分别是 90% 和 10%，即这类人的翼型相对于基本类型的比例十分低，对基本类型影响较少［5］。这个差异的原因是后期做用户人格分类的重要依据。

每个人的人格类型在不同阶段下可以用基本类型 P₁、基本类型转化方向 P₂、翼型 P₃ 及翼型转化方向 P₄ 的组合来表示，即每个人的各阶段人格组合为 P₁P₂P₃P₄，其中翼型转化方向与基本类型的转化方向一致，即若基本类型的转化方向为整合方向，则翼型的转化方向为整合方向。例如一个人的当前阶段的基本类型 P₁ 为 1，基本类型的转化方向为整合方向，翼型 P₃ 为 2，那么根据图 1 可知，P₂ 为 7，P₄ 为 4，则人格组合 P₁P₂P₃P₄ 为 1724。

根据九型人格［5-7］的文献归纳出 9 种人格类型的主要特征，如表 1 所示。

2　基于 BP 神经网络的用户九型人格模型构建

基于 BP 神经网络的用户九型人格模型是本文的核心部分，该模型主要分为 2 个步骤。1) 基于用户购物日志的用户消费行为分析。利用消费行为学提取的维度对用户的购物日志进行用户消费行为分析，再对维度进行消费特征提取，最后用模糊 C-均值聚类算法对用户消费维度进行聚类。2) 基于消费行为分析的九型人格分析。利用消费行为学对九型人格进行消费行为维度分析后，对用户进行九型人格分类。

2.1　基于购物日志的用户消费行为分析

本文选取天池大数据的 IJCAI-15 Competition 数据，该数据是匿名用户的 6 个月购物信息，其中包括用户个人信息及用户购物日志表。用户个人信息包含用户 ID、年龄区间段以及性别。用户购物日志包含用户 ID、商品 ID、商品类别 ID、品牌 ID、商店 ID、采取行动的时间以及行动类型，其中行动类型包括浏览、加入购物车、购买以及收藏。本文根据 IJCAI-15 Competition 数据从商品个性、商品品牌、商品类别、商品店铺、用户购物时间等信息进行用户消费行为分析。依据有关消费行为学［8-11］的文献和用户购物日志数据总结出 5 个消费行为维度，分别是商品个性度、品牌倾向度、商店忠诚度、冲动性购买程度和网络购物成瘾度。下面对这 5 个维度进行消费特征分析。

1) 商品个性度。曹旭平等［10］在《消费者行为学》中提到用户对商品的判断需从 3 个方面考察：1) 商品的物理或实体属性，如颜色、价格等；2) 商品的功能属性，如衣服的质量、是否掉色等；3) 商品的个性，如定制商品。在网络购物中商品的功能属性和实体属性需要通过购买过该商品的用户评价信息才能分辨，且用户购物日志不包含用户评价信息，因此，用户的商品个性度仅考虑商品的个性，即考虑用户购买的商品是否为新潮商品、DIY 商品、定制商品、具有新功能的商品或者具有独特性或差异性的商品。

2) 品牌倾向度，亦可理解为重复购买程度［11］。基于用户购物日志数据及文献［12］，可将其定义为消费者重复购买的程度、浏览程度、加入购物车程度以及收藏程度。一般表现为对品牌类型以及品牌商品个性的关注［13］，其中品牌类型包括奢侈品、高档品、中档品以及低档品，品牌商品个性即品牌旗下的商品是否有个性。

3) 商店忠诚度。黄益国［14］根据用户网络购物的年龄、用户在 NALA 专业彩妆护肤名店（后面简称 NL 店）购买次数、收藏 NL 店的用户数量、用户一年内在 NL 店购买次数、用户每次平均消费金额以及用户最近一次购买 NL 店商品的评价记录对用户对于 NL 店的忠诚度进行分类。但用户对商店 S 的忠诚，是用户在购买某些类型的商品时与其他商店比更愿意在商店 S 购买。因此，根据用户购物日志数据，商店忠诚度在黄益国采用的特征的基础上进行修改，并增添用户在购买商店 S 的商品之前与其他店铺对比的次数。因此，商店忠诚度的特征包括第一次浏览到购买时间内浏览、收藏及购买其他商店同类商品的数量、第一次浏览到购买时间内将其他商店同类商品加入购物车的数量、第一次购买后浏览、收藏及购买该店商品的次数和第一次购买后将该商店商品加入购物车的次数。

4) 冲动性购买程度，与时间压力相关。低时间压力下的用户有充足的时间了解商品的相关信息，如商品购买及收藏人数［15］、商品所属品牌知名度［16］、商品外观设计［17］等信息，若用户仍选择立即购买或者浏览及收藏商品次数过少就购买某件商品，则说明用户冲动性购买程度强烈，反之用户浏览及收藏次数过多，则说明冲动性购买程度越弱。高时间压力下用户对商品信息了解不充分，用户性别及年龄对用户冲动性购买程度起重要作用，即用户性别为女，年龄在 35 岁之前，其冲动性购买程度较强［18］。因此冲动性购买程度的主要特征包括时间压力、商品购买及收藏人数、商品所属品牌知名度、商品外观设计和用户性别及年龄。

5) 网络购物成瘾度。其特征包括网络购物花费过度，过度使用网络购物对个体生理、心理和社会功能造成损害以及使个体体验到网络购物引起的快感，并产生依赖［19］。其中第一个特征描述的是用户网络购物成瘾的行为特征，其表现在时间、金钱乃至精力等方面，具有重复性、高频率等特点。并且网络购物成瘾度越高者占用的时间、金钱和精力越多，重复性越高［20］。因此网络购物成瘾度的特征包括用户每月浏览时间长度、用户每月购买时间长度、持续浏览时间长度、持续购买时间长度和每月购买商品类别数。

综上所述，用户购物日志数据的 5 个消费行为维度对应的消费特征汇总如表 2 所示。

品牌倾向度、商店忠诚度、冲动性购买程度和网络购物成瘾度需要分别划分出多个层次，并且用户购物日志中并没有相关标签，无法确定用户属于哪一个层次。因此本文采用无监督分类中的模糊 C-均值聚类算法（Fuzzy C-means Algorithm，FCM）分别对品牌倾向度、商店忠诚度、冲动性购买程度和网络购物成瘾度进行聚类。

依据文献［21-22］，给定数据集 X = {x₁, x₂, …, x_i, …, x_n}，X 表示所有用户的维度数据集，n 为用户总数，x_i = {y₁, y₂, …, y_j, …, y_l} 表示第 i 个用户维度的所有消费特征集，l 为用户维度消费特征空间点总数，y_j = (z₁, …, z_k, …, z_h) 表示第 i 个用户的第 j 个维度点，h 为消费特征总数，z_k 表示第 i 个用户的第 j 个维度的第 k 个消费特征，维度被划分的类数为 c，第 r 类的中心点为 center_r(r = 1, 2, …, c)，μ_r(y_j) 是第 j 个消费特征点对应第 r 类的隶属度，则基于隶属度函数的聚类损失函数为：

J_f = c∑r=1 n∑i=1 l∑j=1 [μ_r(y_j)]^m ‖ y_j − center_r ‖²　　(1)

其中，l∑j=1 μ_r(y_j) = 1，m 为加权指数，其最佳取值为 2。为使目标函数达到最小，聚类中心和隶属度的更新如下：

center_r = n∑j=1 μ_r(y_j)^m y_jn∑j=1 [μ_r(y_j)]^m　　(2)

μ_r(y_j) = ‖ y_j − center_r ‖^−2/(m−1)c∑s=1 ‖ y_j − center_s ‖^−2/(m−1)　　(3)

采用迭代的方法求解公式 (2) 和公式 (3)，直至聚类损失函数值变化很小时迭代停止，得到最优解。

FCM 算法的主要运行过程如下：

1) 初始化聚类类别数 c、迭代聚类损失函数变化最小值 ε、最大迭代次数 N 和聚类中心 center_r。

2) 根据当前聚类中心 center_r 和公式 (3) 计算隶属度函数 μ_r(y_j)。

3) 判断当前隶属度函数损失值的变化是否小于 ε，当前迭代次数是否小于 N，是则退出迭代，并输出聚类结果；否则，迭代继续，返回步骤 2，并利用当前隶属度函数 μ_r(y_j) 根据公式 (2) 重新计算各个聚类中心。

FCM 算法中，判定一个点是否属于某一类，取决于该点对哪个类中心点的隶属度最低，即每个维度的每类中心点为用户维度分类的主要依据。FCM 算法对 5 个维度的计算结果如表 3 所示，表中各维度的各类中心点命名规则为维度英文翻译首字母 + Center + 第几类，如 PCenter1 表示商品个性度第 1 类的中心点。

为了后面计算方便，将 FCM 算法对 5 个维度的聚类结果以一个表的形式存储，表中包括用户 ID 及 5 个维度的所有类别，其中用户的某个维度的消费特征属于哪一类就在表格中对应的类名称所在行置 1，否则置 0，如用户 369118 的商品个性度为第 4 类，品牌的倾向度为第 1 类，商店忠诚度为第 5 类，冲动性购买程度为第 1 类，网络购物成瘾度为第 5 类，其存储形式如表 4 所示。

2.2　基于消费行为的用户九型人格分析

根据表 1 九型人格的主要特征和表 2 消费行为维度的消费特征，得到用户购物日志数据的 5 个维度各类对应的九型人格，如表 5 所示。

根据表 4 和表 5 交叉得到用户人格组合，具体计算方法如下：

设九种人格数据集 PT = {p₁, p₂, p₃, p₄, p₅, p₆, p₇, p₈, p₉}，p_i 表示用户第 i 个人格具有的数量，函数 index(p_i) 表示 p_i 在数据集 PT 的列数，即 index(p_i) = i，九型人格转化方向数据集 DT = {(1, 4, 7), (2, 8, 4), (3, 9, 6), (4, 2, 1), (5, 7, 8), (6, 3, 9), (7, 1, 5), (8, 5, 2), (9, 6, 3)}，表示九型人格转化方向，其中元素的第 1 列表示基本类型，第 2 列表示解离方向，第 3 列表示整合方向，例如元素 (1, 4, 7) 中 1 表示基本类型，4 表示解离方向，2 表示整合方向，函数 find(DT) = n 表示查找 DT 数据集中数值等于 n 的元素所在列，变量 temp1、temp2 表示临时值。

1) P₁ = index(max(PT))，若 P₁ 唯一则执行第 2 步，若 P₁ 为一维二列矩阵执行第 3 步，否则将当前用户删除，退出用户人格计算，返回用户人格组合为 0000;

2) P₂ = index(max(p_DT(P1,2), p_DT(P1,3)))，P₃ = index(max(p_P1−1, p_P1+1))，P₄ = DT(P₃, find(DT(P₁,:)) = P₂)，得到当前用户人格组合 P₁P₂P₃P₄;

3) 设 P₁ = {t₁, t₂}，若 t₂ − t₁ = ±1 或 t₁ = 1、t₂ = 9 或 t₁ = 9、t₂ = 1，即 t₁ 和 t₂ 为相邻人格，则执行第 4 步，否则执行第 5 步;

4) temp1 = {P_DT(t1,2), P_DT(t1,3), P_DT(t2,2), P_DT(t2,3)}，temp2 = {DT(t₁,2), DT(t₁,3), DT(t₂,2), DT(t₂,3)}，P₂ = temp2(index(max(temp1)))，如果 P₂ ≤ 2，则 P₁ = t₁，P₃ = t₂，P₄ = temp2(index(temp2(P₂)) + 2)，反之 P₁ = t₂，P₃ = t₁，P₄ = temp2(index(temp2(P₂)) − 2)，得到当前用户人格组合 P₁P₂P₃P₄;

5) temp1 = {p_t1−1, p_t1+1, p_t2−1, p_t2+1}，temp2 = {t₁−1, t₁+1, t₂−1, t₂+1}，P₃ = temp2(index(max(temp1)))，如果 P₃ ≤ 2，则 P₁ = t₁，否则 P₁ = t₂，P₂ = index(max(p_DT(P2), p_DT(P3)))，P₄ = DT(P₃, find(DT(P₁,:)) = P₂)，得到当前用户人格组合 P₁P₂P₃P₄。

2.3　基于 BP 神经网络的用户九型人格模型算法

基于 BP 神经网络的用户九型人格模型算法以用户消费维度聚类结果作为 BP 神经网络的输入，用户九型人格作为输出，求出 BP 神经网络各层权重。

设 E_ave 表示平均误差值，E_minave 表示最小平均误差值，η 表示学习效率，N 表示最大迭代次数，N2 表示隐层节点数，D 表示用户九型人格，X 表示用户消费维度聚类结果，O 表示计算出的用户九型人格。

Input: X、D、N2、N、E_minave 和 η。

Output: O、权重 iw 和权重 hw。

For n = 1 To N 且 E_ave > E_minave

Begin

1) 去除 X 的首行，并将该行赋值给 user_id，形成新的消费行为表 X;

2) 为权重数组 iw 和 hw 产生标准正态分布的随机矩阵;

3) 计算隐层第 n 代输入 v¹(n): v¹(n) = iw × X

4) 计算隐层第 n 代输出 y(n): y(n) = f(v¹(n))

其中激活函数 f 采用 Sigmoid 函数，即:

f(x) = 11 + e^−x

5) 计算输出层第 n 代输入 v²(n): v²(n) = hw × y(n)

6) 计算输出层第 n 代输出 O(n): O(n) = f(v²(n))

其中激活函数 f 亦采用 Sigmoid 函数;

7) 将输出 O(n) 的第一行替换为每条购物日志对应的用户 ID，并将首行记录赋给 temp 后，与 D 比较，并计算出两者的误差 e(n) 和平方误差的均值 E_ave，其中，

e(n) = D(n) − O(n)

E_ave = 1N1 N1∑i=1 N1∑j=1 E_ij(n)

E(n) = 12(e(n))^T × e(n)

8) 利用梯度下降法对权重 iw 和 hw 进行修改，即利用公式

ω(n + 1) = ω(n) + Δω = ω(n) − η ∂E(n)∂ω(n)

及文献［23-24］的 BP 神经网络梯度下降法的结果，可得出:

iw(n + 1) = iw(n) + ηe(n) × f(v²(n)) × iw(n) × f(v¹(n)) × (1 − f(v¹(n))) × X(n)

hw(n + 1) = hw(n) + ηe(n) × f(v²(n)) × (1 − f(v²(n))) × y(n)

9) 将 O(n) 的第一行替换为 temp;

end

10) 将 O(n) 的首行替换为 user_id，并赋值给 O;

11) 将权重 iw、权重 hw 及 O 输出成文档。

3　实验方案及结果分析

3.1　实验方案

3.1.1　实验数据预处理

实验采用天池大数据的 IJCAI-15 Competition 数据，该数据是匿名 424170 名用户的 6 个月购物信息，其中包括用户个人信息及用户购物日志表。用户个人信息包含用户 ID、年龄区间段以及性别。用户购物日志包含用户 ID、商品 ID、商品类别 ID、品牌 ID、商店 ID、采取行动的时间以及行动类型，其中行动类型包括浏览、加入购物车、购买以及收藏。由于数据集中没有品牌名称和商品个性，但数据提供了商品 ID 以及品牌 ID，实验通过该编号人工查找到相应的商品个性以及品牌名称并补充到数据集中。删除数据集中未找到商品个性或品牌名称的数据后，用户总数为 418582，由于实验的主体部分是由 BP 神经网络参数确定，并且为了计算人格组合的所有可能，用户人格训练数据为 418582 名用户中各基本人格类型等比例缩小的 3000 名用户，测试数据为 415582 名用户。

3.1.2　BP 神经网络参数确定实验

BP 神经网络各参数的初始值分别为:隐层节点数 N2 = 10、迭代次数 N = 1000000、最小误差 E_minave = 0.0001 和学习效率 η = 0.7。BP 神经网络参数的确定标准为计算时间快、用户九型人格计算误差值小和用户九型人格准确率高，因此需要确定隐层节点数 N2 以及学习效率 η 对计算时间、用户九型人格计算误差值和用户九型人格准确率的影响。各参数变更如下:1) 10 ≤ N2 ≤ 40［25］，N = 1000000，E_minave = 0.0001，η = 0.7，N2 的增量为 1; 2) N2 = 10，N = 1000000，E_minave = 0.0001，0.7 ≤ η ≤ 0.9，η 的增量为 0.01。实验结果如图 2 和图 3 所示。

根据训练实验结果图 2 和图 3，分析这 2 组实验的计算结果如下:

1) 隐层节点数确定。图 2(c) 中用户九型人格准确率最高的 N2 ∈ {11, 15, 24, 31, 35, 40}，图 2(b) 中用户九型人格计算误差值最低的 N2 ∈ {11, 13, 17, 18, 23}，取 2 个数据集的交集，即隐层节点数 N2 = 11。

2) 学习效率确定。图 3(c) 中用户九型人格准确率最高的 η ∈ {0.71, 0.74, 0.77, 0.86, 0.87}，图 3(b) 中用户九型人格计算误差值最低的 η ∈ {0.72, 0.75, 0.76, 0.81, 0.82, 0.86}，取 2 个数据集的交集，即学习效率 η = 0.86。

3.2　用户九型人格分类实验及结果分析

根据 3.1.2 节中得出的 BP 神经网络参数确定值可知，当 η = 0.86、N2 = 11 时，BP 神经网络九型人格准确率高，计算误差小，计算时间少。利用测试数据 415582 名用户进行用户人格分类实验参数证明，计算结果如表 6 所示。

如表 6 所示，测试数据计算平均误差值为 6.160954912767，误差值较高，这是因为通过 IW 和 HW 初始值计算的 E_ave 远大于 E_minave，或者迭代次数 N 过少。测试数据九型人格正确率为 0.661782752862，因此本文构建的模型是可行的和有效的。

4　结束语

本文首先基于用户购物日志分析了消费行为 5 个维度的消费特征，并对消费行为维度进行聚类，然后利用消费行为维度特征与九型人格特征结合对消费维度分类进行九型人格匹配，最后利用 BP 神经网络对用户消费维度聚类结果进行用户九型人格分类。本文的主要创新点在于利用九型人格与消费行为学对用户购物日志进行消费分析和利用客观数据以及 BP 神经网络对用户进行人格分类，实验结果表明，本文模型是可行的和有效的。但模型还存在以下不足:1) 数据不充分; 2) FCM 聚类计算时间长，聚类结果各类数值偏差较大; 3) 用户九型人格正确率低。因此后期准备采用网络爬虫技术重新抓取数据，数据的内容包括用户信息、用户浏览、购买、加入购物车或收藏的店铺信息、品牌信息及商品信息、用户商品评价信息等。FCM 聚类时间长，可能是初始各类中心偏离真正的聚类中心太远或数据空间密度不均。未来的研究工作将对 FCM 聚类中的各类中心进行改进，改进方法可参考基于密度和网格的初始化中心方法。用户九型人格正确率低是因为训练数据较少，后期将增加训练数据。

参考文献

编者注

〔1〕转载范围。本文正文照录原刊第 1–8 页，含摘要、关键词、四节正文与 25 条参考文献；原刊的英文标题、作者姓名拼音、英文摘要与英文关键词、页眉页脚、作者简介与基金项目注、中图分类号行已在「文章基本信息」中择要保留，不再逐字重复。原刊无附录。

〔2〕图 1 为本站重绘。原图是一颗九角星（九柱图）：圆周均布 1 至 9 九个点，内接三角形 3-6-9 与六边连线 1-4-2-8-5-7，图下另有两行文字标明「整合方向 1→7→5→8→2→4→1、9→3→6→9」与「解离方向 1→4→2→8→5→7→1、9→6→3→9」。重绘保留同一结构与同一朝向（9 在正上方，顺时针依次为 1、2、3…），线条与字号按网页阅读调整；原文图下的两行方向说明移入图注，以免缩小后不可读。

〔3〕图 2、图 3 为本站重绘，且是「描点重绘」而非「示意图」。原刊只给出六幅曲线（横轴分别为隐层节点数 10–40、学习效率 0.70–0.90），未附任何数据表。重绘办法：以 400 dpi 渲染原页，逐列取暗像素簇，按相邻两段直线拟合求交点，得到 31 个与 21 个折点，再按原图纵轴刻度（图 2 分别为 600–2000、6–11、0–0.4；图 3 分别为 650–950、6–8、0.1–0.4）换算。全部折点已用红圈叠回原图逐点核对，位置吻合。因此曲线形状可信，个别点因原图线宽与扫描精度约有 ±1% 的读数误差；引用具体数值时请以原刊为准。

〔4〕正文所列极值点有一处与曲线明显不合。原文称「图 2(c) 中用户九型人格准确率最高的 N2 ∈ {11, 15, 24, 31, 35, 40}」，而按图 2(c) 的曲线，N2 = 15 处恰是一个低谷（约 0.11），峰值除 11、24、31、35、40 之外还见于 17–19、34 等处；若正文无误，则疑为图 2(c) 的横轴刻度与正文所指数值错位（但图 2 三幅子图横轴同为 10–40、增量为 1，按理不该错位，故更可能是笔误）。其余各处——图 2(b) 误差最低的 N2 ∈ {11, 13, 17, 18, 23}、图 3(c) 准确率最高的 η ∈ {0.71, 0.74, 0.77, 0.86, 0.87}、图 3(b) 误差最低的 η ∈ {0.72, 0.75, 0.76, 0.81, 0.82, 0.86}——与重绘曲线大体相符。本站无从判定，故正文照录、图按原样重绘，读者参看。

〔5〕FCM 归属判据一句疑有笔误。原文作「判定一个点是否属于某一类，取决于该点对哪个类中心点的隶属度最低」。按模糊 C-均值聚类的定义，样本应归入隶属度最高的一类；且公式 (3) 中隶属度与距离成反比，距离越近隶属度越高。原文作「最低」，与算法定义相反，照录未改。

〔6〕BP 权重更新式照录，未按教科书改写。原刊输入层权重式作 iw(n+1) = iw(n) + ηe(n) × f(v²(n)) × iw(n) × f(v¹(n)) × (1 − f(v¹(n))) × X(n)，其中第三项为 iw(n)、且缺 (1 − f(v²(n))) 一项；按标准 BP 推导，此处应为隐层到输出层的权重 hw(n) 并补上该因子。又，E_ave 式的两个求和上限均写作 N1，而正文只定义了 N2（隐层节点数），未定义 N1。以上均照原式排印，不改。

〔7〕表 2 之后一段起句突兀。原刊该段自「品牌倾向度、商店忠诚度、冲动性购买程度和网络购物成瘾度需要分别划分出多个层次」起，主语前无「商品个性度可直接按有无判定，而」一类转折语，且首行缩进近五个字位，疑排版脱字。照录，仅在此提示，以免读者以为漏抄。

〔8〕用词与数字的不一致，一律照录。① 表 1、表 5 中「8 号领导型」「9 号调停型」，与正文及图 1 的「8 号挑战者」「9 号和平缔造者」并用；② 3.1.1 节「用户总数为 418582」，训练 3000 + 测试 415582 = 418582，自洽；③ 表 6 的准确率 0.661782752862 与 275025 ÷ 415582 ≈ 0.66177 相符，可互证；④ 3.2 节「进行用户人格分类实验参数证明」语句不顺，疑为「以验证参数」，照录。

〔9〕版式。原刊双栏排版，公式居中、编号右置，本文改为单栏；公式 (1)(2)(3) 与 BP 迭代各式按原符号重排，求和号上下限、绝对值符号、上标 T 与 −2/(m−1) 均一仍其旧。表 4 原为一行 21 列，网页上改为可横向滚动的窄表，列名与数值照录。

〔10〕版权说明。本文著作权归《计算机与现代化》编辑部及作者所有。本站转载仅供研究参考，不用于商业用途；如权利人认为不妥，请告知，当即撤下。