基于随机控制的多属性偏好学习模型：稀疏评论场景下的消费者偏好分析

为解决消费者评论数据稀疏性导致的偏好分析难题，研究人员提出随机控制多属性偏好学习(SMPL)方法。该方法通过整合目标用户与参考用户的评论数据，采用随机控制过程估计缺失属性值，构建优化模型学习多属性权重。实验验证表明，SMPL在生成数据和真实推荐场景中均优于现有方法，为稀疏数据下的个性化服务提供新思路。

　　

在电子商务蓬勃发展的今天，消费者通过星级评分和文字评论表达对产品的多维评价。然而，这些评论往往只涉及部分产品属性，例如某消费者可能仅评论耳机的降噪功能而忽略舒适度，导致传统多属性决策(Multi-Attribute Decision Making, MADM)方法难以准确捕捉用户偏好。这种"数据稀疏性"问题严重制约了个性化推荐、产品优化的精准度，成为学界和业界的共同挑战。

针对这一难题，中国某高校的研究团队在《Expert Systems with Applications》发表创新性研究，提出随机控制多属性偏好学习(Stochastic-control Multi-attribute Preference Learning, SMPL)模型。该研究通过设计随机控制变量动态调节参考用户评论的利用程度，在保证计算效率的同时，有效解决了稀疏评论场景下的偏好学习问题。实验证明，该方法在模拟数据和真实餐厅推荐场景中均显著优于现有技术，为基于评论数据的精准营销开辟了新路径。

研究团队采用三项关键技术：首先基于情感分析提取评论中的属性值（1-5分制），其次构建含随机控制变量的优化模型平衡计算成本与精度，最后通过交叉验证评估模型在Ctrip.com餐厅数据上的推荐准确率。

文献回顾部分系统梳理了多属性效用理论(Multi-Attribute Utility Theory, MAUT)的两类应用场景：完整信息下的传统偏好学习与稀疏数据下的创新方法，为SMPL模型奠定理论基础。

方法学创新章节详细阐述了SMPL的三阶段架构：通过文本分析提取产品关键属性并计算情感分值；设计随机控制过程利用参考用户评论估计缺失属性值；构建加权优化模型学习目标用户的属性权重。其中控制变量η_k的引入实现了计算效率与精度的动态平衡。

实验验证显示，在模拟的五属性酒店评价数据中，SMPL的权重学习误差比基准方法降低23.7%。真实案例中，针对餐厅的location（位置）、service（服务）等五个属性，SMPL推荐准确率达到82.3%，显著高于协同过滤等传统方法。

讨论与结论强调该研究的双重价值：方法论层面，首次将随机控制引入偏好学习领域，为稀疏数据处理提供新范式；应用层面，其在中国最大旅游平台Ctrip.com数据上的成功验证，证实了在真实商业场景的适用性。作者Bin Zhu团队指出，未来可扩展至医疗健康等需要从非结构化文本中提取偏好的领域，但需注意不同语种的情感分析差异可能带来的影响。

这项研究获得国家自然科学基金（61503210）支持，其创新性在于突破"用户评论不完整"这一长期制约因素，通过算法设计巧妙实现了"从碎片化评价中还原完整偏好图谱"的目标，为大数据时代的精准服务提供了关键技术支撑。