發(fā)布時(shí)間：2020-10-21 04:21

　　 電子商務(wù)系統(tǒng)中,搜索已經(jīng)難以滿足用戶的日常使用需要時(shí),用戶需要新的方法來獲得自己心儀的商品。電子商務(wù)推薦系統(tǒng)能幫助用戶在海量商品或品牌中找到用戶需要的,構(gòu)建了一座直接溝通用戶和商品或品牌的橋梁。構(gòu)建電子商務(wù)推薦系統(tǒng)需要對(duì)數(shù)據(jù)進(jìn)行充分的分析,發(fā)現(xiàn)其中對(duì)推薦系統(tǒng)構(gòu)建有用的特征,保證設(shè)計(jì)的推薦系統(tǒng)的有效性。但是,目前的相關(guān)研究對(duì)數(shù)據(jù)的分析都只關(guān)注了簡(jiǎn)單的用戶行為變化,沒有關(guān)注不同行為之間隨時(shí)間的相互影響和演化。電子商務(wù)推薦系統(tǒng)的另一個(gè)問題是隨著新用戶和新商品的大量涌入,數(shù)據(jù)的稀疏性比較大,在構(gòu)建基于用戶相似性的協(xié)同過濾系統(tǒng)時(shí),難以尋找相似的用戶。本文對(duì)電子商務(wù)的推薦系統(tǒng)進(jìn)行了研究,并且根據(jù)上述提出的問題,進(jìn)行了以下幾部分工作:1)本文對(duì)一個(gè)真實(shí)的電商數(shù)據(jù)集進(jìn)行了細(xì)粒度的時(shí)變相關(guān)分析。將用戶的品牌購(gòu)買傾向作為分析中心,通過對(duì)不同時(shí)變行為的細(xì)粒度分析,發(fā)現(xiàn)不同行為在品牌購(gòu)買時(shí)的演化和互相影響,以及不同用戶在品牌購(gòu)買時(shí)的特性。用戶在電商平臺(tái)上的行為可分為三種,包括點(diǎn)擊行為、收藏行為和購(gòu)買行為。每一種行為都能反映一定的用戶購(gòu)買傾向。同時(shí),用戶的屬性數(shù)據(jù)同樣能夠影響用戶的品牌購(gòu)買,如對(duì)于一個(gè)用戶群主要為年輕女性的品牌,一個(gè)中年男性購(gòu)買的可能性就比較低。這些分析能夠幫助更好地理解用戶的購(gòu)買傾向。2)其次,根據(jù)上述的分析結(jié)果,提出了一個(gè)基于時(shí)變特征的品牌購(gòu)買預(yù)測(cè)模型。本文通過對(duì)用戶行為數(shù)據(jù)和用戶屬性數(shù)據(jù)進(jìn)行特征提取,得到了用戶時(shí)變特征、用戶屬性特征以及品牌屬性特征。并通過促銷活動(dòng)購(gòu)買預(yù)測(cè)和日常購(gòu)買預(yù)測(cè)兩個(gè)場(chǎng)景下的實(shí)驗(yàn),驗(yàn)證了時(shí)變特征對(duì)購(gòu)買預(yù)測(cè)的有效性。同時(shí)兩個(gè)場(chǎng)景下不同特征的不同重要性,反映了用戶消費(fèi)心理的不同。3)最后,本文設(shè)計(jì)了一個(gè)基于融合相似度的品牌推薦算法。品牌推薦基于協(xié)同過濾算法,從用戶的相似性角度出發(fā),通過設(shè)計(jì)多維的特征,計(jì)算兩個(gè)用戶間在多個(gè)維度上的相似度。篩選出了不同的兩組數(shù)據(jù),根據(jù)選擇的分類器訓(xùn)練了兩個(gè)模型,相似度預(yù)測(cè)結(jié)合了兩個(gè)模型的結(jié)果得到。實(shí)驗(yàn)通過對(duì)隨機(jī)抽取了一部分用戶,驗(yàn)證了算法具有一定的新奇性,同時(shí)對(duì)比傳統(tǒng)的協(xié)同過濾,提高了一定的準(zhǔn)確性。
【學(xué)位單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.3
【部分圖文】：

基于用戶行為時(shí)變特征的電商網(wǎng)站品牌推薦研究的品牌，更加符合他們的需求。2 點(diǎn)擊行為分析點(diǎn)擊行為在一定程度上能夠反映用戶的心理。數(shù)量上來說，點(diǎn)擊行為數(shù)在三為中最多，占總行為記錄的 88%左右。購(gòu)買前后的點(diǎn)擊行為能夠解釋用戶對(duì)品牌偏好的形成和變化。通過對(duì)數(shù)據(jù)進(jìn)析，發(fā)現(xiàn) 7%~15%的用戶在購(gòu)買前七天會(huì)對(duì)品牌有點(diǎn)擊。這說明用戶的興趣早已形成，只是用戶仍在猶豫是否購(gòu)買。識(shí)別這樣的“猶豫用戶”能夠幫助設(shè)計(jì)針對(duì)性的營(yíng)銷策略，比如對(duì)一個(gè)用戶在一段時(shí)間內(nèi)多次點(diǎn)擊某個(gè)品牌的，卻一直沒有購(gòu)買這個(gè)品牌的商品，就可以對(duì)他推送一些優(yōu)惠券，促使他購(gòu)?fù)瑫r(shí)，在購(gòu)買品牌后的七天內(nèi)，11%~20%的用戶仍然會(huì)點(diǎn)擊品牌。這可能是在關(guān)注降價(jià)信息，或是仍對(duì)品牌的其他商品抱有興趣。對(duì)仍抱有興趣的用戶推薦品牌，可能會(huì)使他繼續(xù)購(gòu)買該品牌的商品，帶來較好的銷售效果。

些用戶在發(fā)生購(gòu)買前，通過點(diǎn)擊或者通過一些“打包購(gòu)買”的方式。上述“直接購(gòu)買”的用戶，在完整的用戶品牌購(gòu)買軌跡中，每一個(gè)一種行為時(shí)，都有一個(gè)對(duì)應(yīng)的轉(zhuǎn)化率。本文隨機(jī)選擇了兩千個(gè)左右，對(duì)它們點(diǎn)擊到收藏、收藏到購(gòu)買兩種行為轉(zhuǎn)化率進(jìn)行分析，分析 不同行為到購(gòu)買的轉(zhuǎn)化率所示，其中 x 軸是將品牌 id 連續(xù)化生成是對(duì)應(yīng)的兩種轉(zhuǎn)化率。左圖為點(diǎn)擊到收藏的轉(zhuǎn)化率，右圖為收藏到。從圖中可以看出，點(diǎn)擊到收藏的轉(zhuǎn)化率較低，大多數(shù)分布在 0~藏到購(gòu)買的轉(zhuǎn)化率相對(duì)較高，主要分布在 0.1~1 之間。對(duì)于兩種轉(zhuǎn)化它們的皮爾遜相關(guān)系數(shù)為 0.12，說明了兩種轉(zhuǎn)化之間存在著較弱的于某個(gè)品牌而言，對(duì)于它的點(diǎn)擊能更多地轉(zhuǎn)化為收藏時(shí)，這些收藏化為購(gòu)買。因此，對(duì)于一個(gè)品牌被用戶購(gòu)買的傾向而言，如果這個(gè)收藏的轉(zhuǎn)化率較高，而這個(gè)用戶點(diǎn)擊過這個(gè)品牌的商品，那么此時(shí)一定可能購(gòu)買這個(gè)品牌相關(guān)的商品。

圖 3.4 用戶在收藏到購(gòu)買的時(shí)間間隔.2.4 購(gòu)買行為分析購(gòu)買行為可以被視作用戶對(duì)品牌的一種認(rèn)可，尤其是重復(fù)購(gòu)買。重復(fù)購(gòu)買的戶比例累計(jì)分布函數(shù)（Cumulative Distribution Function，CDF）如圖 3.5 品牌中復(fù)購(gòu)買過的用戶的比例、不同購(gòu)買次數(shù)用戶所占比例所示。從圖中可以看出，于 50%的品牌而言，重復(fù)購(gòu)買過的用戶在 10%以下；且 80%的品牌的重復(fù)購(gòu)買戶在 20%以下。本文不同購(gòu)買次數(shù)的用戶在所有購(gòu)買過的用戶中所占的比例，現(xiàn)分布呈明顯的冪律分布。這兩個(gè)發(fā)現(xiàn)都說明了重復(fù)購(gòu)買用戶通常較少，大多用戶對(duì)于某個(gè)品牌只購(gòu)買一次。00.050.10.151 10 19例比時(shí)間間隔
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張騰;何豐;陳新德;趙小龍;;個(gè)性化推薦中標(biāo)簽系統(tǒng)的建設(shè)[J];福建電腦;2018年07期

2 王小菁;;淺談?dòng)脩舢嬒竦膭?chuàng)生與應(yīng)用[J];現(xiàn)代交際;2018年14期

3 盧艷蘭;;大數(shù)據(jù)背景下圖書館用戶行為特征研究[J];大眾科技;2018年10期

4 邵云蛟;占曉云;吳屏;;互聯(lián)網(wǎng)用戶行為的分析方法探討[J];數(shù)字技術(shù)與應(yīng)用;2016年11期

5 段婷婷;高仲合;郭文健;;基于用戶行為的實(shí)時(shí)影響力算法[J];電子技術(shù);2016年12期

6 吳清強(qiáng);鮑彬彬;;用戶行為可靠性評(píng)價(jià)綜合框架[J];數(shù)字圖書館論壇;2017年05期

7 武笑宇;辛向陽;;勸導(dǎo)用戶行為改變的游戲化設(shè)計(jì)應(yīng)用[J];包裝工程;2017年20期

8 李良;田立勤;李君建;;云計(jì)算環(huán)境下用戶行為的認(rèn)證與預(yù)測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2016年06期

9 林宏鴻;;基于用戶行為體驗(yàn)的自平衡車設(shè)計(jì)淺析[J];藝術(shù)品鑒;2017年04期

10 ;大數(shù)據(jù)與創(chuàng)業(yè)[J];大眾科學(xué);2017年04期

相關(guān)博士學(xué)位論文 前10條

1 田野;基于屬性加密的隱私保護(hù)與用戶行為信任研究[D];太原理工大學(xué);2018年

2 陳亞睿;云計(jì)算環(huán)境下用戶行為認(rèn)證與安全控制研究[D];北京科技大學(xué);2012年

3 郭喆;基于用戶行為的無線通信網(wǎng)絡(luò)綜合優(yōu)化研究[D];華中科技大學(xué);2011年

4 張亞楠;基于用戶行為的信任感知推薦方法研究[D];哈爾濱工程大學(xué);2014年

5 陽德青;面向社會(huì)網(wǎng)絡(luò)的用戶行為挖掘與應(yīng)用研究[D];復(fù)旦大學(xué);2013年

6 楊悅;基于網(wǎng)絡(luò)用戶行為的搜索排行榜研究[D];北京交通大學(xué);2013年

7 易蘭麗;基于人類動(dòng)力學(xué)的微博用戶行為統(tǒng)計(jì)特征分析與建模研究[D];北京郵電大學(xué);2012年

8 肖云鵬;在線社會(huì)網(wǎng)絡(luò)用戶行為模型與應(yīng)用算法研究[D];北京郵電大學(xué);2013年

9 向峰;基于移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)的用戶行為與城市感知研究[D];華中科技大學(xué);2014年

10 馮勰;面向協(xié)作學(xué)習(xí)的社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)分析與用戶行為建模[D];吉林大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 董云琪;基于用戶行為時(shí)變特征的電商網(wǎng)站品牌推薦研究[D];湖南大學(xué);2018年

2 陳琳;知識(shí)付費(fèi)的用戶行為研究[D];湖南大學(xué);2018年

3 唐海會(huì);智能家居中基于改進(jìn)CBS算法的用戶行為預(yù)測(cè)算法研究與實(shí)現(xiàn)[D];湖南大學(xué);2018年

4 邱維;基于用戶行為的自救型消防產(chǎn)品體驗(yàn)設(shè)計(jì)研究[D];湖北工業(yè)大學(xué);2018年

5 馮康;基于用戶行為的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];安徽理工大學(xué);2018年

6 范俊廣;基于用戶行為的日志分析系統(tǒng)的研究[D];吉林大學(xué);2018年

7 道如那;基于文本與用戶行為挖掘的虛假評(píng)論識(shí)別研究[D];內(nèi)蒙古大學(xué);2018年

8 薛曉辰;基于用戶行為的英文輸入引擎的設(shè)計(jì)與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2017年

9 成雙;基于用戶行為的身份盜用攻擊檢測(cè)技術(shù)研究[D];戰(zhàn)略支援部隊(duì)信息工程大學(xué);2018年

10 姜宇;智慧校園隱式用戶行為數(shù)據(jù)挖掘與研究[D];湖南大學(xué);2017年

本文編號(hào)：2849633