發(fā)布時間：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,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)需要對數(shù)據(jù)進行充分的分析,發(fā)現(xiàn)其中對推薦系統(tǒng)構(gòu)建有用的特征,保證設(shè)計的推薦系統(tǒng)的有效性。但是,目前的相關(guān)研究對數(shù)據(jù)的分析都只關(guān)注了簡單的用戶行為變化,沒有關(guān)注不同行為之間隨時間的相互影響和演化。電子商務(wù)推薦系統(tǒng)的另一個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,難以尋找相似的用戶。本文對電子商務(wù)的推薦系統(tǒng)進行了研究,并且根據(jù)上述提出的問題,進行了以下幾部分工作:1)本文對一個真實的電商數(shù)據(jù)集進行了細(xì)粒度的時變相關(guān)分析。將用戶的品牌購買傾向作為分析中心,通過對不同時變行為的細(xì)粒度分析,發(fā)現(xiàn)不同行為在品牌購買時的演化和互相影響,以及不同用戶在品牌購買時的特性。用戶在電商平臺上的行為可分為三種,包括點擊行為、收藏行為和購買行為。每一種行為都能反映一定的用戶購買傾向。同時,用戶的屬性數(shù)據(jù)同樣能夠影響用戶的品牌購買,如對于一個用戶群主要為年輕女性的品牌,一個中年男性購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買傾向。2)其次,根據(jù)上述的分析結(jié)果,提出了一個基于時變特征的品牌購買預(yù)測模型。本文通過對用戶行為數(shù)據(jù)和用戶屬性數(shù)據(jù)進行特征提取,得到了用戶時變特征、用戶屬性特征以及品牌屬性特征。并通過促銷活動購買預(yù)測和日常購買預(yù)測兩個場景下的實驗,驗證了時變特征對購買預(yù)測的有效性。同時兩個場景下不同特征的不同重要性,反映了用戶消費心理的不同。3)最后,本文設(shè)計了一個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)計多維的特征,計算兩個用戶間在多個維度上的相似度。篩選出了不同的兩組數(shù)據(jù),根據(jù)選擇的分類器訓(xùn)練了兩個模型,相似度預(yù)測結(jié)合了兩個模型的結(jié)果得到。實驗通過對隨機抽取了一部分用戶,驗證了算法具有一定的新奇性,同時對比傳統(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 點擊行為分析點擊行為在一定程度上能夠反映用戶的心理。數(shù)量上來說，點擊行為數(shù)在三為中最多，占總行為記錄的 88%左右。購買前后的點擊行為能夠解釋用戶對品牌偏好的形成和變化。通過對數(shù)據(jù)進析，發(fā)現(xiàn) 7%~15%的用戶在購買前七天會對品牌有點擊。這說明用戶的興趣早已形成，只是用戶仍在猶豫是否購買。識別這樣的“猶豫用戶”能夠幫助設(shè)計針對性的營銷策略，比如對一個用戶在一段時間內(nèi)多次點擊某個品牌的，卻一直沒有購買這個品牌的商品，就可以對他推送一些優(yōu)惠券，促使他購?fù)瑫r，在購買品牌后的七天內(nèi)，11%~20%的用戶仍然會點擊品牌。這可能是在關(guān)注降價信息，或是仍對品牌的其他商品抱有興趣。對仍抱有興趣的用戶推薦品牌，可能會使他繼續(xù)購買該品牌的商品，帶來較好的銷售效果。

些用戶在發(fā)生購買前，通過點擊或者通過一些“打包購買”的方式。上述“直接購買”的用戶，在完整的用戶品牌購買軌跡中，每一個一種行為時，都有一個對應(yīng)的轉(zhuǎn)化率。本文隨機選擇了兩千個左右，對它們點擊到收藏、收藏到購買兩種行為轉(zhuǎn)化率進行分析，分析 不同行為到購買的轉(zhuǎn)化率所示，其中 x 軸是將品牌 id 連續(xù)化生成是對應(yīng)的兩種轉(zhuǎn)化率。左圖為點擊到收藏的轉(zhuǎn)化率，右圖為收藏到。從圖中可以看出，點擊到收藏的轉(zhuǎn)化率較低，大多數(shù)分布在 0~藏到購買的轉(zhuǎn)化率相對較高，主要分布在 0.1~1 之間。對于兩種轉(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品牌而言，對于它的點擊能更多地轉(zhuǎn)化為收藏時，這些收藏化為購買。因此，對于一個品牌被用戶購買的傾向而言，如果這個收藏的轉(zhuǎn)化率較高，而這個用戶點擊過這個品牌的商品，那么此時一定可能購買這個品牌相關(guān)的商品。

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

相關(guān)期刊論文 前10條

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

2 王小菁;;淺談用戶畫像的創(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;;基于用戶行為的實時影響力算法[J];電子技術(shù);2016年12期

6 吳清強;鮑彬彬;;用戶行為可靠性評價綜合框架[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)計應(yīng)用[J];包裝工程;2017年20期

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

9 林宏鴻;;基于用戶行為體驗的自平衡車設(shè)計淺析[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;基于人類動力學(xué)的微博用戶行為統(tǒng)計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;知識付費的用戶行為研究[D];湖南大學(xué);2018年

3 唐海會;智能家居中基于改進CBS算法的用戶行為預(yù)測算法研究與實現(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)品體驗設(shè)計研究[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)計與實現(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論識別研究[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)計與實現(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技術(shù)研究[D];戰(zhàn)略支援部隊信息工程大學(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：2849633