| 通过将这些指标量化，并确定权值。这样可以得到用户的忠诚度：
3、忠诚度的评价
在进行了行为忠诚度的计算和情感忠诚度的分类以后，可以进行品牌忠诚度的分析。品牌忠诚度是行为忠诚度和情感忠诚度的综合。
为了准确地评估某一个产品的客户忠诚度，定量化是最有力的手段，为了实现定化量评估，必须建立一个切实可靠可行的评分机制，对各个可观测评估指标进行标准化评分，给每一个可观测评估指标确定一个加权数，最后计算出客户的忠诚度得分。
(1)确定因素集合
因素A分为2个因素集合：X= {X1，X2}，Xn(n=1，2)分别表示用户的行为忠诚度和情感忠诚度的特征因素，即：X1={x1，x2，x3}，X2={x4，x5，x6 }
(2)建立权重集合与评价集合
X= {X1，X2}的权重分别为W1，W2，记为W={ W1，W2}。相应的，各子因素的指标权重记为：W1={w1，w2，w3}，W2={w4，w5，w6 }，
采用加法评价型专家评分法确定指标权重。选取几位专家的打分，将评价各指标项目所得的分值来表示评价结果可以得到如下的集合：W1=（0.26,0.08,0.16），W2=（0.07,0.14,0.29）。
设B={B1,B2,B3}为评价集合，Bn(n =1, 2, 3)表示第n个评价等级，其中B1，B2，B3分别表示指标的评语为“高”，“中”，“低”，也即客户忠诚度的高低。然后依照评语集合中的评价等级建立评判隶属矩阵，通过两级综合评判根据评判结果进行网络结果的优化，将每个客户的忠诚度L作为更新网络结构的变量Ln。
（二）更新贝叶斯网络学习结构
根据上面的分析，将用户忠诚度中评估指标的两部分：行为忠诚度和情感忠诚度来更新贝叶斯网络学习结构。
在数据集进行了一次的更新之后可以得到新的数据集，重新计算属性节点之间的互信息以及在类节点为父节点时的条件互信息，重新按照由大到小进行排序，构建新的最大权重跨度树，进而获得新的贝叶斯网络结构。
网络结构确定之后，需要进行进一步的参数学习。需要学习网络结构，只需要对其参数进行学习调整。
四、通过实验评估来更新贝叶斯网络
通过采集500个用户上网的数据记录及后续的一些数据，经过对数据的筛选，挑选出8种不同的商品记录。利用更新函数可以计算得到一个更新的贝叶斯网络结构如图1所示。
  
图1 更新的用户兴趣的贝叶斯网络图
根据用户张三、李四、王五的上网操作行为计算他们的后验概率如表2所示。
表2 三名用户的后验概率表
 |
手机 |
电脑 |
数码相机 |
名牌衣服 |
名牌鞋 |
家居用品 |
个人护理用品 |
汽车 |
| 张三 |
0.754 |
0.352 |
0.421 |
0.659 |
0.631 |
0.587 |
0.661 |
0.485 |
| 李四 |
0.532 |
0.687 |
0.689 |
0.528 |
0.324 |
0.441 |
0.714 |
0.537 |
| 王五 |
0.658 |
0.421 |
0.367 |
0.721 |
0.524 |
0.584 |
0.842 |
0.245 |
在表1中从经验推荐来看，选用n=0.657，可以预测张三、李四、王五三个用户的感兴趣的商品集合更新分别为{1，4，7}、{2，3，7}和{1，4，6}。
根据表1可以得到：张三的兴趣商品集更新为{(手机，0.754) ，(名牌衣服，0.659) ，(个人护理用品，0.661)}；李四的兴趣商品集为{（电脑，0.687），（数码相机，0.689），（个人护理用品，0.714）}；王五的兴趣商品集为{（手机，0.658），（名牌衣服，0.721），（个人护理用品，0.842）}。由此可见，更新网络后的结果与初始结果有一些差异，这些差异正是通过用户的忠诚度发现了用户的潜在兴趣。根据所得的新的Yre可以进一步计算兴趣度去。
根据这些数据信息，商家就可以为不同的用户提供网上的个性化信息服务和推荐用户喜爱的商品，提高企业网站的服务效率和服务质量了。
五、结束语
个性化信息服务就是为不同用户提供不同的服务，以满足不同用户的需求。随着网上消费产品的多元化，用户兴趣也在不断的变化，兴趣预测应该随着兴趣的变化不断的修改用户兴趣模型或者模型参数，以便进一步更新贝叶斯网络的学习结构。
[参考文献]
[1]董旭初，欧阳丹彤，刘大有.Bayesian网推理中的简化方法[J].吉林大学学报(理学版).2004,42(1):77-83.
[2]张剑飞.贝叶斯网络学习方法和算法研究[J]. ，东北师范大学.2005,5: 4-5.
[3]裴仰军.个性化服务中用户兴趣模型的研究[J].重庆大学.2005.4.1
[4]戴海宏.客户满意度和客户忠诚度在客户关系管理中的应用研究[D].山东大学.硕士论文.2005,5:52-55
[5]金琼.电信客户忠诚度的分析与预测[D].重庆大学，2005, 4, 17-190
[6]蒋萍，崔志明.智能搜索引擎中用户兴趣模型分析与研究[J].微电子学与计算机.2004，11
2/2 首页 上一页 1 2 |
