推荐星级：
- 1
- 2
- 3
- 4
- 5
结构方程模型与人工神经网络结合的用户感知建模方法
资料介绍
针对现有研究方法难以描述用户使用产品过程中会产生的多种感知之间的非线性关系和影响路径而导致用户感知建模不够真实准确的问题,提出了一种结构方程模型(SEM)与人工神经网络(ANN)相结合的用户感知建模方法.该方法首先利用SEM确定用户感知之间的因果关系和影响用户感知的主要因素;然后将SEM分析的结果转换为ANN模型的拓扑结构,建立结构化的神经网络模型,利用BP(Back Propagation)算法训练模型得到各网络节点间的连接权重,实现了用户感知建模;最后以智能手机用户感知建模为例验证了方法的有效性.分析结果表明,SEM-ANN模型具有良好的拟合优度和可解释性,并能准确地定量表达用户感知之间的相互关系和影响用户感知的因素.
部分文件列表
| 文件名 | 大小 |
| 结构方程模型与人工神经网络结合的用户感知建模方法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）上 海 交 通 大 学 学 报
第
卷 第
期
７
５３
Ｖｏｌ．５３Ｎｏ．７
ꢀ
ꢀ
年
月
ꢀ ２０１９
ꢀ
７
ꢀ ꢀ
ＪＯＵＲＮＡＬＯＦＳＨＡＮＧＨＡＩＪＩＡＯＴＯＮＧ ＵＮＩＶＥＲＳＩＴＹ
ꢀ
Ｊｕｌ．２０１９
ꢀ ꢀ
ꢀ
ꢀ
：
（ ）
１００６２４６７２０１９０７０８３００８
－
：
ＤＯＩ １０．１６１８３ ．ｃｎｋｉ．ｓｔｕ．２０１９．０７．００９
ｊｊ
／
ｊ
文章编号
ꢀꢀ
－
－
结构方程模型与人工神经网络结合的
用户感知建模方法
，
，
张 磊
ꢀ ꢀ
颜 波
ꢀ
褚学宁
ꢀ
（ ，
上海交通大学 机械与动力工程学院 上海
）
２００２４０
：
要 针对现有研究方法难以描述用户使用产品过程中会产生的多种感知之间的非线性关系和
摘
ꢀ
，
影响路径而导致用户感知建模不够真实准确的问题 提出了一种结构方程模型
（ ）
与人工神经
ＳＥＭ
（
ＡＮＮ
）
相结合的用户感知建模方法 该方法首先利用
．
网络
确定用户感知之间的因果关系和
ＳＥＭ
；
影响用户感知的主要因素 然后将
，
模型的拓扑结构 建立结构化的
分析的结果转换为
ＳＥＭ
ＡＮＮ
，
神经网络模型 利用
（
）
算法训练模型得到各网络节点间的连接权重 实现了用
ＢＰ ＢａｃｋＰｒｏａａｔｉｏｎ
ｐｇ
，
ꢀ
；
户感知建模 最后以智能手机用户感知建模为例验证了方法的有效性 分析结果表明
．
，
ＳＥＭ ＡＮＮ
－
，
模型具有良好的拟合优度和可解释性 并能准确地定量表达用户感知之间的相互关系和影响用户
感知的因素
．
： ； ； ；
关键词 产品设计 用户感知 用户体验 结构方程模型
；
ＢＰ
；
神经网络 智能手机
：
：
Ａ
中图分类号
文献标志码
ＴＢ４７２
ꢀ ꢀꢀꢀ
ＵｓｅｒＰｅｒｃｅｔｉｏｎＭｏｄｅｌｉｎ ｂ Ｃｏｍｂｉｎｉｎ ＳｔｒｕｃｔｕｒａｌＥｕａｔｉｏｎ
ꢀ
ｑ
ꢀ
ꢀ
ｐ
ｇ ｙ
ꢀ ꢀ
ｇ
ꢀ
ＭｏｄｅｌａｎｄＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ
ꢀ ꢀ ꢀ ꢀ
，
ＹＡＮ Ｂｏ ＣＨＵＸｕｅｎｉｎ
ꢀ
，
ＺＨＡＮＧＬｅｉ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
（
，
ｇ
，
ｙ
，
）
ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｉｎｅｅｒｉｎ ＳｈａｎｈａｉＪｉａｏＴｏｎ Ｕｎｉｖｅｒｓｉｔ Ｓｈａｎｈａｉ２００２４０ Ｃｈｉｎａ
ꢀ ꢀ ꢀ ｇ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
：
Ａｂｓｔｒａｃｔ Ｉｔｉｓｄｉｆｆｉｃｕｌｔｆｏｒｔｈｅｅｘｉｓｔｉｎ ｒｅｓｅａｒｃｈ ｍｅｔｈｏｄｓｔｏ ｄｅｓｃｒｉｂｅｔｈｅ ｎｏｎｌｉｎｅａｒｒｅｌａｔｉｏｎｓｈｉ ａｎｄ
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
’
ｉｎｆｌｕｅｎｃｅ ａｔｈａｍｏｎ ｔｈｅｕｓｅｒｓ ｍｕｌｔｉｌｅ ｅｒｃｅｔｉｏｎｃｏｎｓｔｒｕｃｔｓｄｕｒｉｎ ｔｈｅ ｒｏｄｕｃｔｕｓａｅ．Ｔｈｉｓｍａ ｌｅａｄ
ｐ ꢀｐ
ꢀｐ ꢀｐ ꢀ ｙ
ꢀ
ｇ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
，
ｔｈａｔｔｈｅｕｓｅｒ ｅｒｃｅｔｉｏｎ ｍｏｄｅｌｉｓｎｏｔｒｅａｌａｎｄａｃｃｕｒａｔｅｅｎｏｕｈ．Ｔｈｅｒｅｆｏｒｅ ａｎｅｗ ｍｅｔｈｏｄｃｏｍｂｉｎｉｎ
ꢀｐ ꢀ ꢀ
ｇ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
（
）
（
ｓｔｒｕｃｔｕｒａｌｅｕａｔｉｏｎｍｏｄｅｌ ＳＥＭ ｗｉｔｈａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ＡＮＮ ｉｓ ｒｏｏｓｅｄｆｏｒｕｓｅｒ ｅｒｃｅｔｉｏｎ
ꢀｑ ꢀｐ ｐ ꢀｐ
）
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
，
ｙ
，
ｍｏｄｅｌｉｎ ．Ｆｉｒｓｔｌ ｂａｓｅｄｏｎｔｈｅｒｅｓｕｌｔｓｏｆＳＥＭａｎａｌｓｉｓ ｍａｉｎｆａｃｔｏｒｓｔｈａｔｉｎｆｌｕｅｎｃｅｕｓｅｒ ｅｒｃｅｔｉｏｎａｎｄ
ꢀ ꢀ ꢀ ꢀ ꢀｐ
ｇ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
；
，
ｔｈｅｃａｕｓａｌｒｅｌａｔｉｏｎｓｈｉ ｂｅｔｗｅｅｎｕｓｅｒ ｅｒｃｅｔｉｏｎｃｏｎｓｔｒｕｃｔｓａｒｅｉｄｅｎｔｉｆｉｅｄ Ｔｈｅｎ ｔｈｅｒｅｓｕｌｔｏｆＳＥＭａｎａｌｓｉｓ
ꢀｐ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ｙ
，
ｉｓｃｏｎｖｅｒｔｅｄｔｏｔｈｅｔｏｏｌｏ ｏｆｔｈｅＡＮＮ ｍｏｄｅｌ ｓｏｔｈａｔａｓｔｒｕｃｔｕｒｅｄａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ｍｏｄｅｌｆｏｒ
ꢀ ꢀ ꢀ ｐ ｇｙ ꢀ ꢀꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｕｓｅｒ ｅｒｃｅｔｉｏｎｉｓｅｓｔａｂｌｉｓｈｅｄ ｉｎｏｒｄｅｒｔｏ ｅｔｔｈｅｃｏｎｎｅｃｔｉｏｎｗｅｉｈｔｓｂｅｔｗｅｅｎｔｈｅｎｅｔｗｏｒｋｎｏｄｅｓｔｈｅＢＰ
ꢀｐ ꢀ ꢀ ꢀ ꢀｇ ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
（
）
；
ｂａｃｋ ｒｏａａｔｉｏｎ ａｌｏｒｉｔｈｍｉｓｕｓｅｄｔｏｔｒａｉｎｔｈｅｍｏｄｅｌ Ｆｉｎａｌｌ ｔｈｅｖａｌｉｄｉｔ ｏｆｔｈｅ ｒｏｏｓｅｄｍｅｔｈｏｄｉｓ
ꢀｐ ｐｇ ꢀ ꢀ ꢀ ꢀ
ｙ ꢀ ꢀｐ ｐ
，
ｙ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｄｅｍｏｎｓｔｒａｔｅｄｂ ａｃａｓｅｓｔｕｄ ｏｆｓｍａｒｔ ｈｏｎｅｕｓｅｒ ｅｒｃｅｔｉｏｎｍｏｄｅｌｉｎ ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＳＥＭ
ꢀｙ ꢀ ꢀｐ ꢀｐ －
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ＡＮＮ ｍｏｄｅｌｗｉｔｈ ｏｏｄ ｏｏｄｎｅｓｓｏｆｆｉｔａｎｄｉｎｔｅｒｒｅｔａｂｉｌｉｔ ｃａｎｍｏｒｅａｃｃｕｒａｔｅｌ ａｎｄ ｕａｎｔｉｔａｔｉｖｅｌ ｅｘｒｅｓｓ
ꢀ ꢀ ꢀｇ ꢀｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｑ
ｐ
ｙ
ꢀ
ｙ
ꢀ
ｙ
ꢀ
ｐ
ｔｈｅｒｅｌａｔｉｏｎｓｈｉ ｂｅｔｗｅｅｎ ｕｓｅｒ ｅｒｃｅｔｉｏｎ ｃｏｎｓｔｒｕｃｔｓ ａｎｄ ｔｈｅｆａｃｔｏｒｓｔｈａｔｉｎｆｌｕｅｎｃｅ ｕｓｅｒ ｅｒｃｅｔｉｏｎ
ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ
ꢀ
ｐ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ｐ
ｃｏｎｓｔｒｕｃｔｓ．
：
收稿日期
２０１７１０１３
－ －
：
基金项目 国家自然科学基金资助项目
（
， ，
５１８７５３４５ ５１４７５２９０ ５１０７５２６１
）
：
颜
（
）， ， ， ，
男 云南省保山市人 硕士生 主要研究方向为智能化与数字化设计
．
作者简介
波
１９９３
ꢀ
－
：
通信作者 褚学宁
，
， 、 ，
男 教授 博士生导师
Ｅ ｍａｉｌ ｘｎｃｈｕ ｓｔｕ．ｅｄｕ．ｃｎ．
＠ ｊ
：
－
， ：
波 等 结构方程模型与人工神经网络结合的用户感知建模方法
颜
第
期
７
８３１
ꢀ
ꢀ
ꢀ
：
ｐ
；
；
；
Ｋｅ ｗｏｒｄｓ ｒｏｄｕｃｔｄｅｓｉｎ ｕｓｅｒ ｅｒｃｅｔｉｏｎ ｕｓｅｒｅｘｅｒｉｅｎｃｅ ｓｔｒｕｃｔｕｒａｌｅｕａｔｉｏｎｍｏｄｅｌ ＢＰｎｅｕｒａｌｎｅｔ
ꢀｐ ꢀ ｐ ꢀｑ －
；
ꢀ
ｇ
ｐ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
；
ｗｏｒｋ ｓｍａｒｔ ｈｏｎｅ
ꢀｐ
，
采用全连接 模型对输入输出变量及神经元之间的
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
影响路径 和 影 响 程 度 缺 乏 解 释 如 果 将
．
与
ＡＮＮ
［］
１
，
相结合 用
确定用户感知之间的因果关
ＳＥＭ
模型的拓扑结构 再利用
描述对产品使用的感受和体会
如果设计师能够
ＳＥＭ
．
，
系 并转换为
，
对用户感知的影响因素及其相 互关系 有 深入的理
ＡＮＮ
ＡＮＮ
，
解 将有助于设计出更符合用户需求和体验更好的
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
的线性和参数
，
产品 用户感知属 于心 理学 范畴 难以 准确 直接 测
．
ＳＥＭ
难以估计问题 也使得 模型拓扑结构的建立
ＡＮＮ
［］
１
，
，
量 但可以通过多个测量指标间接量化研究
有关用户 感 知 方 面 的 研 究 主 要 是 应 用
过去
．
，
变 得 有 据 可 依 为 此 本 文 提 出 了 一 种
．
与
ＳＥＭ
和
Ｌｏｉｓｔｉｃ
ｇ
［
］
２３
，
－
相结 合的 用户感知 建模 方法
模
．ＳＥＭ ＡＮＮ
－
ＡＮＮ
等回归分析方法
Ｐｒｏｂｉｔ
关联规则分析和聚类分
以及支持向量机和人工神经
［
］
４５
，
－
，
型是一种结构化的神经网络模型 不仅能够解释各
析等数据挖掘方法
［
］
６７
－
，
个网络节点之间的因果关系和影响程度 而且利用
（ ）
等网络建模方法
ＡＮＮ
网络
来建立单一用户感
神经网络的非线性拟合能力提高了用户感知模型的
，
知与测量指标之间的影响关系模型 但是 这些方法
．
，
拟合优度 能更加准确定量地表达用户感知之间的
无法描述用户多个感知之间的 因果 关系和 影响 路
相互关系和影响用户感知的因素
．
径
．
（
ＳＥＭ
）
，
结构方程模型
能同时处理多个因变量
用户感知模型
１
ꢀ
，
容许自变量和因变量都含有测量误差 特别适合社
图
所示为
和
结合的用户感知建
１
ＳＥＭ
ＡＮＮ
、 、
会学 心理学研究中涉及到的不能准确 直接测量的
：
模过程 图中 包括基于
．
的用户感知建模和基
ＳＥＭ
，
多个变量之间影响关系的分析问题 因此利用
ＳＥＭ
：
于
的用户感知建模 个阶段
２
ＳＥＭ ＡＮＮ
－
，
不仅可以获得用户感知的主要测量指标 而且可以
（） ，
首先 根据过去对用户感知的研究以及工
１
获得用户多个感知之间的因果关系和影响路径 孙
．
［］
８
逸文等 以手机为案例研究了功能疲劳对用户资产
， ，
程师和设计师的经验 提出用户感知模型的假设 包
，
的影响 利用
、 、
建立了 用户期 望 感知 功能疲
ＳＥＭ
、
劳 满意度和购买意 愿 之间 因果 关系的 路径 模型
．
［］
９
等
利用
探讨了项目参与者的表现如
Ｘｉｏｎ
ＳＥＭ
ｇ
，
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
［ ］
１０
度影响的路径模型
等
运用
将用户
ＳＥＭ
．Ｇｈｏｓｈ
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
．
，
方法在许多领域得到了广泛应用 但其变量之
ＳＥＭ
间线性关系的假设也制约了其应用的深度 用户感
．
［］
１
，
知是一种主观感受和心理状态的变化过程
国内
，
外研究表明 产品质量特性和用户满意度之间存在
［
］
１１１２
－
着非线性关系
近些 年一 些学者在
．
中加
ＳＥＭ
入变量的二次项和交互项来表达变量 之 间的非线
［
］
１３１４
，
－
，
、
、
性
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
图
和
结合的用户感知建模过程
ＡＮＮ
１ ＳＥＭ
ꢀ
， ，
线性关系 而且具有自学习能力 能够自动调节网络
Ｆｉ ．１ Ｔｈｅ ｒｏｃｅｓｓｏｆｕｓｅｒ ｅｒｃｅｔｉｏｎ ｍｏｄｅｌｉｎ ｂａｓｅｄｏｎ
ꢀ ꢀｐ ꢀ ꢀ ꢀｐ ꢀ ꢀ
ｐ ｇ
ｇ
ꢀ
，
节点间的连接权重来拟合变量间的关系 但其拓扑
ＳＥＭａｎｄＡＮＮ
ꢀ ꢀ
，
结构主要是根据经验来确定 并且神经元之间往往
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏5.00元 3天前
资料：YuToo墨水屏时钟
-
21ic小能手 打赏5.00元 3天前
资料：项目总结：触摸电源
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
资料：红外接收管批量测试验证板
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
全部评论(0)