基于网购用户隐性行为特征的个性化推荐研究

第1章 绪 论

1.1 研究背景和意义
1.1.1 研究背景
随着电子商务的蓬勃发展，人们的生活方式和消费习惯发生了重大改变。“双十一”自2009年电商初尝至今，年年展开，规模越来越大，2013年更是成为名副其实的网购狂欢节，据调查显示，2012 年双 11 淘宝总销售额 191 亿元，2013 年总销售额为350.18亿元，同比增长 1.8 倍，2014 年总销售额更是突破 500亿元，网络购物已被大众所接受。互联网的出现和普及方便了用户的生活，满足了用户对信息的需求，但由于网络的快速发展也带来网络信息的大幅增长，使得用户不得不面对信息选择问题，从而对信息的使用效率降低，即所谓的信息超载(information overload)问题。另一方面，目前产品同质化趋势越来越明显，通过产品来细分市场，以此创造企业的竞争优势显得较为困难。因此，企业应从以往的以产品为中心的模式向以客户为中心的模式转移，改变自己的营销策略，将用户按其行为或特征模式的相似性细分市场，专注于个性化服务，从而增强自身的竞争优势。
而且，由于电子商务发展不断完善，商家在网上提供大量的商品种类和数量，为用户带来了商品选购问题。在网购情况下，用户通过计算机屏幕选购自己感兴趣的商品，用户既不愿意花费太多时间漫无边际的寻找商品，也不能像在实体店那样检查商品的质量。因此，用户很希望电子商务网站能够模拟销售人员，向用户提供商品信息和建议，帮助用户决定应该买什么产品，也就是推荐系统[1]。由此可见，及时有效地发现用户的消费偏好，帮助用户在众多产品中实现更好的产品选择，减少用户搜索时间，提高用户决策质量具有十分重要的意义。
近年来，数据挖掘技术的迅速发展为知识发现做出巨大贡献。数据挖掘是从大量的数据中提取新颖的、有效的、具有潜在价值并能被人理解的模式处理过程，是一种强大的知识获取工具。将数据挖掘技术应用于电子商务推荐系统(recommendersystem in E-commerce),通过收集和分析用户信息来学习用户的兴趣和行为，从而针对不同用户进行相应信息筛选，提高产品转化率，增强用户的满意度，更好地满足用户的个性化需求。目前，通过数据挖掘分析用户的兴趣爱好，推荐符合用户个性化需求的产品已成为电子商务中关联营销的一个研究重点。

1.2 国内外研究现状
根据本文所要研究的内容，将国内外研究现状分别从数据挖掘技术、个性化推荐技术和网络营销策略三个方面进行阐述和分析。1.2.1 国外研究现状
1.2.1.1 数据挖掘技术
(1)数据挖掘。 1989 年，在美国底特律召开的第十一届国际联合人工智能学术会议上首次用“数据库中的知识发现”(KDD：Knowledge Discovery in Databases)来命名一种新的知识获取技术。随着参与 KDD 讨论会人员的不断增加， KDD 国际会议发展成为年会。许多国际会议也将 KDD 列为讨论的专题，1993 年 IEEE 的《Knowledge and Data Engineering》率先出版了KDD 专刊，继而创办了国际性的学术刊物《Data Mining and Knowledge Discovery》。数据挖掘(Data Mining)是一门涉及统计、数据库、可视化、人工智能等学科在内的交叉性学科，是知识发现的核心部分，其概念在 1995年美国计算机年会(ACM)上被提出。
经过多年不断努力，数据挖掘技术的研究已经取得了丰硕成果，不仅在学术领域受到极大关注，在商业领域也有了较大的发展。例如，IBM 的Almaden 实验室所进行的 Quest 项目是数据挖掘领域中的佼佼者。另外，美国斯坦福大学开发的DBMiner 挖掘系统、加拿大 Simon Fraser 大学的 Jiawei Han 等在该领域也作出了巨大贡献。在实际应用中，美国西部电信公司通过利用销售关联软件，改善了销售活动状况，提高了企业投资回报，是数据挖掘的一个成功典型。
(2)关联规则。 关联规则(Association Rules)挖掘发现大量数据中项集(Itemset)之间有趣的关联或相关联系，是数据挖掘研究的一个重要内容。Agrawal 等人于 1993年首先提出关联规则挖掘问题,其最初目的是从事务数据库中发现有关顾客购买行为方面的知识，一个典型例子是购物篮分析问题。
关联规则的经典算法 Apriori 算法一直是数据挖掘研究中的一个重要课题，该算法的一个重要定理是“任何频繁模式的子模式必定也是频繁的”，由此可推出此算法将产生大量的频繁候选集。随后为提高挖掘效率，提出了很多新的算法，例如降低内存需求的 Partition 算法等。以及为解决 Apriori 算法由于多次重复扫描而带来的I/O代价过高，许多学者在该算法的基础上进行探讨，提出的 Sampling 算法、FP-tree 算法 等都是对关联规则挖掘的扩充。

第2章 相关概念和理论基础

互联网的飞速发展，电子商务中信息超载问题愈发严重，而且商品同质化趋势的显著，都迫切要求商家改变自己的经营策略，专注于个性化服务，以用户的行为或特征细分市场。个性化推荐作为网络营销策略的一种，是提高电子商务交叉销售能力(cross-selling)，解决信息超载问题的有力武器。数据挖掘算法是个性化推荐研究的重要工具，能够从大数据中挖掘出具有潜在价值的有效信息，拥有很强的知识获取能力。所以，将数据挖掘技术应用到电子商务中进行数据挖掘分析，能有效提高个性化服务质量。本章将对数据挖掘技术和个性化推荐领域的相关理论进行阐述。

2.1 数据挖掘技术
2.1.1 数据挖掘的定义及流程
数据挖掘可以发现大数据库中潜在的、规律性的有效信息，是一门融合、渗透多门学科的交叉性学科，是数据分析的有效手段，是数据库中知识发现(KnowledgeDiscover in Database,KDD)的关键步骤。角度不同，数据挖掘的定义有所不同，一般分为数据挖掘的技术定义和数据挖掘的商业定义，详细定义如图2-1 所示。

数据挖掘是一个过程，主要由确定目标、准备数据、挖掘数据、评估模型和解释结果六个部分组成。其中确定目标是基础，准备数据是前提，数据挖掘是关键，评估模型是必要，解释结果是重点。
然而数据挖掘的六个组成部分并不是必须的，在不同背景下，上述过程也会有所不同，这主要取决于数据挖掘的目标、数据的可用性和数据结构 3 个方面。但是数据预处理和结果解释是非常重要的两个环节，是所有数据挖掘技术项目中都应该具备的。本文数据挖掘过程主要从数据清理与集成、数据选择和变换、知识分析、评估与表示四个方面介绍，具体如图2-2 所示。


2.2 网络营销
互联网技术的快速发展，电子商务成为企业生存的必要方式，网络营销是企业营销活动的重要形式。网络营销是信息技术不断发展、企业环境日渐复杂、商业务模式不断变化、消费者诉求日新月异等诸多因素共同作用下的产物。
2.2.1 网络营销定义
网络营销起源于美国，是指在网络上展开的营销活动，这里所说的网络不仅指Internet，也可以是一些其他类型的网络，如增值网(VAN)等。
斯坦福大学教授沃德.汉森认为网络营销是营销、技术和经济相互作用的结果。之后有关网络营销的研究如雨后春笋般涌现，但每位学者对网络营销的定义各不相同。国内学者黄敏学认为，网络营销是在互联网上进行的营销活动，与传统营销的目的相同，都是进行产品的直销，但营销的方式有所不同；凌守兴等认为网络营销是企业整体战略组成部分，是为实现企业总体经营目标而进行的一系列网络营销活动。虽然关于网络营销的定义尚未完全统一，但网络营销的实质仍是营销，是指在网络环境的基础上，个人或组织提供并与他人交换有价值产品或服务，以实现总体经营目标的一种新的营销活动。
网络营销是对传统营销的继承和发展，二者都是为满足个体或组织的发展需求而服务的，但也存在不同，网络营销拥有自己的独有的特点：(1)多媒体性，互联网可以传输文字、声音、图像等多种媒体形式的信息，从而为营销活动的开展提供了广阔的创造性和能动性；(2)跨时空性，由于互联网不受时间和空间的约束，因此网络营销可以随时随地提供全球性的营销服务，这点是传统营销所不能比拟的；(3)交互性，互联网的实时互动性，可以以较低成本搜集顾客意见与顾客交流，提高了顾客的参与性，使得营销策略更具有针对性和有效性；(4)高效性，网络营销不仅可以帮助企业更好地适应市场需求，及时根据市场变化调整自己营销策略，还能帮助顾客更全面、透明的了解商家最新动态，提高其购物效率和准确率。

第3章 网络营销现状及个性化推荐设想......................22
3.1 电子商务网络营销现状及存在问题........................22
3.1.1 电子商务网络营销现状..........................22
第4章 RBCPR模型的个性化推荐体系构建...................32
4.1RBCPR模型构建.........................32
第5章 RBCPR模型的个性化推荐营销策略...................44
5.1RBCPR模型的实例分析.................44

第5章 RBCPR模型的个性化推荐营销策略

电子商务作为目前发展的主流，越来越多的个人、组织、企业关注电子商务的发展，并转战电子商务市场。在激烈的电商市场竞争中，网络营销策略的选取至关重要，商家不仅要从产品管理、网站设计、网站服务、沟通渠道等改善自己的营销策略，更要关注和改善个性化推荐营销策略的发展。个性化推荐技术是解决信息爆炸问题的有效工具，作为目前研究的热点，电子商务的个性化服务能提高产品转化率，提高网站有效流量增加点击率，能有效地改善营销策略，增强用户的忠诚度。RBCPR模型以虚拟个体关联、行为关联和情景关联为依托，构建的基于用户隐性行为特征的多源关联推荐模型，本章主要从用户定位、产品关联和网页关联制定营销策略。

5.1RBCPR模型的实例分析
5.1.1数据来源
童装市场作为三大潜力市场之一有巨大的开拓潜力，发展前景良好。目前我国儿童数量接近3 亿，且每年都还增加 2-3 万的新生儿，因此我国具有庞大的消费群体，童装市场拥有很大的发展潜力。
据统计，2012年童装销售额为 1000亿元，2013年已经达到1300亿元，2014年一季度高达400 亿元，全年有望突破 1700亿元。童装产业的产值以每年 25%-30%增长率增加，远高于成人服装，吸引了众多竞争者来分割这块蛋糕。也因此，必然导致电子商务中童装市场竞争的激烈。根据淘宝网、天猫后台数据库，童装在全行业1688采购指数中排名靠前，未来很长一段时间市场需求旺盛。随着童装市场发展日渐成熟，消费者对童装的需求已由过去满足基本生活的经济实用型向美观、潮流、个性化转型，这也就使得童装市场竞争越发激烈。而且，童装与其他服装种类不同，它是以儿童为消费群体，以七八十代年轻父母为购买群体的双重主体。

结 论

电子商务的蓬勃发展，信息超载问题愈发严重，传统搜索已不能满足用户的个性化需求。数据挖掘技术能从海量数据中挖掘出潜在的有价值的信息，是解决信息超载问题的有效手段。将数据挖掘技术应用于个性化推荐中，不仅能帮助用户从海量数据中挑选符合其消费需求的信息或服务，减少用户搜索时间，满足用户的个性化需求，还能提高电商商家的经济效益，提升营销决策质量。
本文通过对电子商务网络营销现状的分析，结合数据挖掘中关联算法的研究，提出一种改进的加权关联规则算法，在综合考虑用户个体、行为、情景关联的基础上，构建基于用户隐性行为特征的个性化推荐模型，并通过实例数据挖掘验证了该算法的准确性；另外结合对实例数据的挖掘，提出更具有针对性的营销策略，旨在进一步提高个性化服务质量，满足用户个性化需求。
通过对数据挖掘技术和个性化推荐技术的研究，本文得出以下结论：
(1)目前个性化推荐服务大多以用户显性行为特征为主，造成商家数据资源的浪费。在电子商务购物中，商家不仅能获得用户的历史购买记录、评价记录等显性数据，还能获取用户历史浏览查询记录、网页链接、时间等隐性行为数据。只通过用户显性行为进行数据挖掘分析，不能动态地反映用户需求偏好，降低关联产品的推荐质量。
(2)基于数据挖掘技术的关联规则挖掘算法存在不足。传统挖掘算法忽略了不同项目的重要程度和频繁程度问题，容易造成组合爆炸或丢失那些出现频率较低但影响较大的元素，导致挖掘信息的有效性降低，造成人财物的浪费。
(3)电子商务中信息爆炸问题严重，个性化推荐策略的研究较少。与实体商店不同，电子商务中拥有成千上万商品，用户在没有销售人员的帮助下，只通过计算机屏幕完成整个购物流程。虽然为模拟商店销售人员减少用户搜索时间，个性化推荐系统和算法的研究较多，但改善个性化服务的网络营销策略研究还存在很大空间。
参考文献（略）