支持向量机的电子商务用户购买行为检测.pdfVIP

第43卷第6期武夷学院学报灾燥造援43晕燥援6

圆园24年6月允韵哉砸晕粤蕴韵云宰哉再陨哉晕陨灾耘砸杂陨栽再Jun.圆园24

支持向量机的电子商务用户购买行为检测

周宓

渊泉州师范学院数学与计算机科学学院袁福建泉州362000冤

摘要院阐述数据挖掘中的支持向量机方法袁介绍客户关系管理(RFM)模型袁建立基于支持向量机的电子商务用户

购买行为检测模型袁并用该模型进行了电子商务用户购买行为检测实验遥结果表明院基于支持向量机的电子商务用户购

买行为检测方法可帮助商家进行用户购买行为检测袁为电子商务企业提供决策依据遥

关键词院客户关系管理曰电子商务用户曰用户购买行为曰支持向量机曰巴氏距离

中图分类号院TP18;TP274文献标志码院A文章编号院员远苑源原圆员园怨穴圆园24雪06原园070原园5

随着互联网的普及和信息技术的飞速发展袁新的购买行为模型的建立袁并对实验结果进行分析遥

商业模式应运而生遥电子商务作为一种全新的商业模

式进入人们的日常生活袁冲击着传统企业遥传统企业1基本理论

顺应发展趋势纷纷转型袁开启电子商务这一全新的商

务运营模式遥1.1支持向量机

电子商务企业和实体企业一样袁也需要进行客户支持向量机(supportvectormachine,SVM)是由瓦

管理袁从而更好地服务客户袁增加收益遥因此袁对用户普尼克渊V.N.Vapnik冤领导的研究小组在1963年提出

行为的预测对于电子商务企业来说十分重要遥的一种新的非常有潜力的分类技术遥它以结构风险最

用户行为是指用户在产品上产生的行为袁比如登小化原则为理论基础袁通过适当选择函数子集及该子

陆尧浏览商品尧加购物车尧收藏尧点赞尧分享尧视频完播尧集中的判别函数袁使学习机器的学习风险达到最小袁

划走视频等等遥在产品运营中袁如何及时准确的获得保证通过有限训练样本得到的小误差分类器袁对独立

用户对产品的反馈十分重要袁电商企业可以根据用户[1-2]

测试集的测试误差仍然较小遥它在解决小样本尧非

的反馈袁及时改进产品袁从而保持竞争优势遥线性及高维模式识别问题中表现出许多特有的优势袁

通过对用户产生的真实购物行为数据进行预处[3]

并被推广应用到函数拟合等其他机器学习问题中遥

理袁而后统计分析用户行为数据袁结合巴氏距离对用在生物信息学尧文本和手写识别等诸多领域中都取得

户行为相关的特征进行删选袁删除无关属性袁使得了成功的应用遥

SVM方法根据抽取出的属性建立的模型更适用于检支持向量机的基本模型是定义在特征空间上的

测问题遥采用了支持向量机的检测模型方法进行用户间隔最大的线性分类器遥它使用决策边界一次将数据

点分为两类袁其主要目标是找到此最优超平面袁使得

两类数据的间隔最大遥SVM分类函数形式上类似于一

收稿日期院2023-08-17

基金项目院福建省中青年教师教育科研项目渊科技类冤个神经网络袁输入是d维特征向量袁输出是中间节点

渊JAT210312冤遥的线性组合袁每个中间节点对应一个支持向量袁