基于用户行为时变特征的电商网站品牌推荐研究

发布时间：2020-10-21 04:21

　　 电子商务系统中,搜索已经难以满足用户的日常使用需要时,用户需要新的方法来获得自己心仪的商品。电子商务推荐系统能帮助用户在海量商品或品牌中找到用户需要的,构建了一座直接沟通用户和商品或品牌的桥梁。构建电子商务推荐系统需要对数据进行充分的分析,发现其中对推荐系统构建有用的特征,保证设计的推荐系统的有效性。但是,目前的相关研究对数据的分析都只关注了简单的用户行为变化,没有关注不同行为之间随时间的相互影响和演化。电子商务推荐系统的另一个问题是随着新用户和新商品的大量涌入,数据的稀疏性比较大,在构建基于用户相似性的协同过滤系统时,难以寻找相似的用户。本文对电子商务的推荐系统进行了研究,并且根据上述提出的问题,进行了以下几部分工作:1)本文对一个真实的电商数据集进行了细粒度的时变相关分析。将用户的品牌购买倾向作为分析中心,通过对不同时变行为的细粒度分析,发现不同行为在品牌购买时的演化和互相影响,以及不同用户在品牌购买时的特性。用户在电商平台上的行为可分为三种,包括点击行为、收藏行为和购买行为。每一种行为都能反映一定的用户购买倾向。同时,用户的属性数据同样能够影响用户的品牌购买,如对于一个用户群主要为年轻女性的品牌,一个中年男性购买的可能性就比较低。这些分析能够帮助更好地理解用户的购买倾向。2)其次,根据上述的分析结果,提出了一个基于时变特征的品牌购买预测模型。本文通过对用户行为数据和用户属性数据进行特征提取,得到了用户时变特征、用户属性特征以及品牌属性特征。并通过促销活动购买预测和日常购买预测两个场景下的实验,验证了时变特征对购买预测的有效性。同时两个场景下不同特征的不同重要性,反映了用户消费心理的不同。3)最后,本文设计了一个基于融合相似度的品牌推荐算法。品牌推荐基于协同过滤算法,从用户的相似性角度出发,通过设计多维的特征,计算两个用户间在多个维度上的相似度。筛选出了不同的两组数据,根据选择的分类器训练了两个模型,相似度预测结合了两个模型的结果得到。实验通过对随机抽取了一部分用户,验证了算法具有一定的新奇性,同时对比传统的协同过滤,提高了一定的准确性。
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.3
【部分图文】：

基于用户行为时变特征的电商网站品牌推荐研究的品牌，更加符合他们的需求。2 点击行为分析点击行为在一定程度上能够反映用户的心理。数量上来说，点击行为数在三为中最多，占总行为记录的 88%左右。购买前后的点击行为能够解释用户对品牌偏好的形成和变化。通过对数据进析，发现 7%~15%的用户在购买前七天会对品牌有点击。这说明用户的兴趣早已形成，只是用户仍在犹豫是否购买。识别这样的“犹豫用户”能够帮助设计针对性的营销策略，比如对一个用户在一段时间内多次点击某个品牌的，却一直没有购买这个品牌的商品，就可以对他推送一些优惠券，促使他购同时，在购买品牌后的七天内，11%~20%的用户仍然会点击品牌。这可能是在关注降价信息，或是仍对品牌的其他商品抱有兴趣。对仍抱有兴趣的用户推荐品牌，可能会使他继续购买该品牌的商品，带来较好的销售效果。

些用户在发生购买前，通过点击或者通过一些“打包购买”的方式。上述“直接购买”的用户，在完整的用户品牌购买轨迹中，每一个一种行为时，都有一个对应的转化率。本文随机选择了两千个左右，对它们点击到收藏、收藏到购买两种行为转化率进行分析，分析 不同行为到购买的转化率所示，其中 x 轴是将品牌 id 连续化生成是对应的两种转化率。左图为点击到收藏的转化率，右图为收藏到。从图中可以看出，点击到收藏的转化率较低，大多数分布在 0~藏到购买的转化率相对较高，主要分布在 0.1~1 之间。对于两种转化它们的皮尔逊相关系数为 0.12，说明了两种转化之间存在着较弱的于某个品牌而言，对于它的点击能更多地转化为收藏时，这些收藏化为购买。因此，对于一个品牌被用户购买的倾向而言，如果这个收藏的转化率较高，而这个用户点击过这个品牌的商品，那么此时一定可能购买这个品牌相关的商品。

图 3.4 用户在收藏到购买的时间间隔.2.4 购买行为分析购买行为可以被视作用户对品牌的一种认可，尤其是重复购买。重复购买的户比例累计分布函数（Cumulative Distribution Function，CDF）如图 3.5 品牌中复购买过的用户的比例、不同购买次数用户所占比例所示。从图中可以看出，于 50%的品牌而言，重复购买过的用户在 10%以下；且 80%的品牌的重复购买户在 20%以下。本文不同购买次数的用户在所有购买过的用户中所占的比例，现分布呈明显的幂律分布。这两个发现都说明了重复购买用户通常较少，大多用户对于某个品牌只购买一次。00.050.10.151 10 19例比时间间隔
【相似文献】

相关期刊论文 前10条

1 张腾;何丰;陈新德;赵小龙;;个性化推荐中标签系统的建设[J];福建电脑;2018年07期

2 王小菁;;浅谈用户画像的创生与应用[J];现代交际;2018年14期

3 卢艳兰;;大数据背景下图书馆用户行为特征研究[J];大众科技;2018年10期

4 邵云蛟;占晓云;吴屏;;互联网用户行为的分析方法探讨[J];数字技术与应用;2016年11期

5 段婷婷;高仲合;郭文健;;基于用户行为的实时影响力算法[J];电子技术;2016年12期

6 吴清强;鲍彬彬;;用户行为可靠性评价综合框架[J];数字图书馆论坛;2017年05期

7 武笑宇;辛向阳;;劝导用户行为改变的游戏化设计应用[J];包装工程;2017年20期

8 李良;田立勤;李君建;;云计算环境下用户行为的认证与预测[J];计算机系统应用;2016年06期

9 林宏鸿;;基于用户行为体验的自平衡车设计浅析[J];艺术品鉴;2017年04期

10 ;大数据与创业[J];大众科学;2017年04期

相关博士学位论文 前10条

1 田野;基于属性加密的隐私保护与用户行为信任研究[D];太原理工大学;2018年

2 陈亚睿;云计算环境下用户行为认证与安全控制研究[D];北京科技大学;2012年

3 郭喆;基于用户行为的无线通信网络综合优化研究[D];华中科技大学;2011年

4 张亚楠;基于用户行为的信任感知推荐方法研究[D];哈尔滨工程大学;2014年

5 阳德青;面向社会网络的用户行为挖掘与应用研究[D];复旦大学;2013年

6 杨悦;基于网络用户行为的搜索排行榜研究[D];北京交通大学;2013年

7 易兰丽;基于人类动力学的微博用户行为统计特征分析与建模研究[D];北京邮电大学;2012年

8 肖云鹏;在线社会网络用户行为模型与应用算法研究[D];北京邮电大学;2013年

9 向峰;基于移动网络数据的用户行为与城市感知研究[D];华中科技大学;2014年

10 冯勰;面向协作学习的社会网络结构分析与用户行为建模[D];吉林大学;2016年

相关硕士学位论文 前10条

1 董云琪;基于用户行为时变特征的电商网站品牌推荐研究[D];湖南大学;2018年

2 陈琳;知识付费的用户行为研究[D];湖南大学;2018年

3 唐海会;智能家居中基于改进CBS算法的用户行为预测算法研究与实现[D];湖南大学;2018年

4 邱维;基于用户行为的自救型消防产品体验设计研究[D];湖北工业大学;2018年

5 冯康;基于用户行为的电影推荐系统的设计与实现[D];安徽理工大学;2018年

6 范俊广;基于用户行为的日志分析系统的研究[D];吉林大学;2018年

7 道如那;基于文本与用户行为挖掘的虚假评论识别研究[D];内蒙古大学;2018年

8 薛晓辰;基于用户行为的英文输入引擎的设计与实现[D];哈尔滨工业大学;2017年

9 成双;基于用户行为的身份盗用攻击检测技术研究[D];战略支援部队信息工程大学;2018年

10 姜宇;智慧校园隐式用户行为数据挖掘与研究[D];湖南大学;2017年

本文编号：2849633