随着互联网的快速发展,与人们的衣食住行密切相关的购物方式也从传统的线下购物逐渐向线上购物转变。消费者如何利用已有的信息筛选出自己满意的商品,成为电子商务模式下急需考虑的问题。在这种背景下,对消费者的在线购物行为进行研究,无论是对于消费者对商品的选择,还是商家对消费者心理的把握,都有重要的参考价值。当前消费者行为研究主要是对影响消费决策的因素进行研究,传统的研究中要么只考虑了单一要素的影响,或者对不同的数据源属性分开进行定量和定性处理。然而实际消费过程中,消费者是受多属性因素影响的,各属性值的表达方式也是不一致的。如何将这些不同类型的属性数据融合起来作为客观准确的评价指标,对消费者决策行为进行分析将是本文研究的重点。模糊集理论和D-S证据理论是处理不确定性问题的应用非常广泛的方法,模糊集可以很好的处理模糊语义值,而D-S证据理论不仅能综合不同数据源的冲突数据,对不同属性决策数据进行融合得到客观准确的决策。针对消费者在决策阶段的行为特征,本文将D-S证据理论和模糊集理论应用到在线备选商品的信息融合中,考虑多个因素的影响,帮助消费者进行决策。一、构建了一种基于模糊证据理论的在线备选商品评估分析的模型。查阅相关文献确定影响在线消费决策的主要因素,同时根据实际商品的特性,确定出影响消费者购买此类商品的商品属性,将主要因素和商品属性共同组成属性集作为在线备选商品的评估属性集;考虑到每个属性对消费决策的影响程度不同,用专家打分的方法获得属性的权重;针对某些非定量的属性值,融合了模糊集理论的知识先对数据进行了模糊化的处理,将不同的类型的数据转换成为同一量级的模糊集的形式,最终形成评价矩阵;最后应用证据理论将不同属性下商品的支持度作为对证据进行融合,计算出每个商品的效用偏好区间,根据判断规则获得备选商品的优先级序列。实验结果表明,对数据进行模糊处理,再用证据理论进行融合,可以获得与较为准确的商品评价。二、对基于模糊证据理论的分析模型进行优化。通过LDA对在线评论文本集进行处理,提炼出用户关注属性,利用LSTM模型进行情感分析,以在线评论中提取出的用户对各属性的满意度作为证据进行证据合成,合成的结果作为判断用户对商品满意的程度的依据。实验结果与上一模型进行对比,精确度更高。说明多个属性满意度进行融合,此方法能够最大化保留一致信息,减少冲突,打破用专家知识进行评估的主观性,利用客观数据为在线消费者决策提供真实、清晰的可用信息。