基于用户浏览行为的兴趣识别管理模型.PDFVIP

研究论文 基于用户浏览行为的兴趣识别管理模型* 刘洪伟 1 高鸿铭 1 陈 丽 2 詹明君 1 梁周扬 1 1(广东工业大学管理学院 广州 510520) 2(广东青年职业学院 广州 510507) 摘要: 【目的】了解用户在线购物中的兴趣需求变化有利于个性化推荐。本文提出结合用户浏览行为分析的隐 式动态兴趣识别和管理模型。【方法】通过三阶段实验构造用户点击流数据, 以天猫和淘宝网页功能键为数据粒 度对页面分类, 再采用 Bisecting K-means 聚类算法进行兴趣状态挖掘, 最后总结归纳兴趣与行为的特征映射。 【结果】用户隐式兴趣存在 4 种状态: 关注、理解信息、态度和购买意图, 在态度和购买意图状态下, 更倾向于 产生购买; 在不同状态的浏览路径特征有所差异。【局限】未添加网页广告促销等非结构化数据进行分析。 【结论】从实时动态兴趣的角度, 对购物决策中兴趣的状态进行验证挖掘, 拓展动态兴趣研究; 为电商网站管理 用户行为提供了一个实现动态个性化推荐的视角。 关键词: 隐式兴趣 点击流 Bisecting K-means 算法 分类号: TP391.4 F713.8 DOI : 10.11925/infotech.2096-3467.2017.0886 是过于偏重推荐的商品与以往购买的商品之间的关 1 引 言 联度, 而后者则注重大众购买的相关性。为了弥补两 如何提高在线购买转化率, 对于学术界和商业 者缺陷, 学者们提出了混合算法[6-8] 。例如, 天猫是中 界都是一项热门且艰巨的任务。而其中个性化推荐被 国最大的B2C 电商之一。天猫假设那些拥有类似购 认为是最有效的方法之一。个性化推荐服务最重要的 买记录的用户之间存在相近的兴趣, 除了通过用户 原则是学习、追踪、甚至预测用户的兴趣和行为, 模 历史购买行为推荐相似的商品, 也通过购买了同样 拟销售人员帮助用户完成选择商品和决策的过程, 商品的其他用户的购买记录进行商品推荐。目前整 为用户定制独特的个性化商品和服务[1] 。传统上认为 个推荐引导的成交量基本占到20%[9] 。然而在线浏览 用户的兴趣和浏览偏好在一段时间内是相对稳态的, 时, 用户的兴趣是不断变化的且具有波动性, 会随时 当前许多电商网站都是在此前提下, 通过分析用户 间逐渐衰减[10], 或者在受到外部信息刺激时会作出 历史信息来提供个性化定制信息或推荐服务[2] 。目前 调节[4] 。 推荐系统大致可以分为三种: 基于内容过滤、基于协 如同 Rana 等指出, 传统推荐算法无法与用户兴 同过滤、以及两者混合的系统[3] 。基于内容过滤, 实 趣和偏好改变的速度保持一致, 动态捕获用户潜在 质是一种文本挖掘技术, 通过构建一个由用户自己 兴趣的推荐算法的研究显得尤为重要[3] 。本文提出一 评分的兴趣文档进行推荐[4] 。协同过滤算法则是被认 个模型, 能够系统地描述用户在线购物时的隐式兴 为比较有效的且应用最广的推荐系统关键技术之一, 趣, 识别出用户当前的兴趣状态, 并且以此从兴趣角 以用户购买的相似性为原理进行推荐[5] 。前者的缺陷 度预测出用户下一步的浏览路径。 通讯作者: 陈丽, ORCID: 0000-0002-8348-1377, E-mail: 173404946@ 。 *本文系国家自然科学基金资助项目“ 电子商务交互式决策助手对用户购物决策行为的影响与演化研究”(项目编号: 和 广东工业大学研究生创新项目“基于双元创新活动的顾客参与对口碑推荐的影响研究”(项目编号: 2017YJSCX034)的研究成果之一。 74 数据分析与知识发现