Ｂ２Ｃ电子商务中的消费者决策支持系统(2)
2014-11-16 01:00
导读：决策支持系统通常包括一些题目，通过用户对这些题目的回答来发现最适适用户的选项。这就涉及到题目的设计，数据存储及检索两方面的内容。这两个方
决策支持系统通常包括一些题目，通过用户对这些题目的回答来发现最适适用户的选项。这就涉及到题目的设计，数据存储及检索两方面的内容。这两个方面是互相联系，互相制约的，其核心和关键是数据存储和检索技术的发展。
1.1 题目设计
过往的题目设计通常包括一些冗长的，一步到位式的题目，它对应着数据检索和存储中基于案例的推理（Case-Based Reasoning，CBR）技术，通过用户对这些题目的回答来搜索数据库并进行推荐，但这并不能使用户感到满足。目前的题目设计致力于通过最小的题目集来实现这一目标。此外，用户对于其需求通常只有一个含糊的观点，因此，一箭中的策略显然是不理想的，必须采用一个多阶段的检索过程：首先，通过最初的信息来检索第一个候选集，然后用一些题目来削减上次得到的子集，直到获得易处理的候选集为止。在每一个阶段所提出的题目最好能在最大程度上在该点上区分出候选集中的案例，因此，用户在每一个阶段的回答都会影响所提题目的顺序。
1.2 数据的存储及检索
近年来，由于支持大容量数据的有效存储和检索技术——数据仓库（data warehouse）和联机分析处理（online analytical processing, OLAP）产品的实用性大大增强，决策支持系统中数据库的使用也飞速增长。数据仓库是用于决策支持的企业历史数据的在线知识库，而OLAP则是使用户能够有效的从数据仓库中检索数据的一种技术[7]。
1.2.1 基于案例的推理（CBR）
为了帮助分析家关注重要数据并作出更好的决策，最早由Shanker在1982年发表的《Dynamic Memory》中，提出了基于案例的推理思想，并由其学生经过多年的工作逐渐发展起来，是人工智能中新崛起的一项重要推理技术。它与类比推理相类似，但又不完全等同于类比推理。它在很大程度上符合专家迅速、正确的求解新题目的过程[8]。其核心思想是：人们以前对该类题目的求解经验——案例，是按一定的组织方式存储在案例库中的，当用户输进待求解的新题目时，系统首先从案例库中寻找这种案例或者近似于这种案例的案例。假如找到的案例与待求解的案例的描述完全一致，则将这些案例对题目的解输出。否则，根据对待求解题目的描述，对检索出来的案例进行修改，以产生一个符合题目求解要求的解并将其输出；同时将这个题目的求解作为一个新的案例再存储到案例库中。因此，在以后进行系统求解时，就可以利用案例库中所有已知的案例，而不必每次都从头开始。 1.2.2 渐进案例推理（incremental case-based reasoning technique, I-CBR）
（转载自科教范文网http://fw.nseac.com） Cunningham和Smyth（1994）将错误诊断领域发展并应用起来的渐进案例推理技术应用于决策支持系统的特征选择，它是对基于案例的推理的发展，是多次的基于案例的推理。该技术并不要求首先获得对所有目标元素的描述，而是通过询问用户一些焦点题目逐渐建立这一描述。
渐进案例推理技术使用获得的信息来寻找最能够区别目前的集合中的所有案例的特征，该信息是有分类的，从而能够鉴定每一个特定特征的区分力。但数据仓库中存储的通常是未分类数据，因此，Doyle和Cunningham以为，需要使用另一种度量衡来应用多阶段检索技术，或者对未分类数据首先进行聚类分析，然后再运用渐进案例推理技术进行丈量[9]。
固然基于案例的推理是丈量产品的相似性的最流行的方法，但是也遭到了一些批评。Lee以为，固然该方法能够找出与用户需要最相似的产品，但却忽视了产品的适宜性，从而把一些低质量的商品推荐给消费者。为了解决这一题目，就需要采用多属性决策方法（multi-attribute decision- *** method）同步考虑消费者需求和产品质量[10]。
2 决策支持系统的方法研究
正如前文所述，用户在进进网上购物界面时，通常对其需求只有一个模糊的概念，因此，网上购物商店不仅需要提供丰富的商品或可以商量的价格，而且其信息呈现的方式还要能吸引用户，增强其购物敏感性。基于这一考虑，Shoji和Hori提出了一种网上购物中推动用户观念清楚化的交互作用方法——S-Conart（concept articulator for shoppers），致力于建立一个消费者在其进行网上购物时能有效促进其作出决策的交互作用系统，并用该系统做出一系列评估实验来检验在建立该系统时所使用的方法在促进购买观念清楚度上的有效性 [11]。
