謝 鑫

(漳州職業(yè)技術(shù)學(xué)院)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的不斷進(jìn)步和發(fā)展，電子商務(wù)系統(tǒng)為商戶(hù)和客戶(hù)帶來(lái)了大量的信息，各種基于電子商務(wù)的個(gè)性化服務(wù)也開(kāi)始由此形成，線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘成為研究的熱點(diǎn)話題，相關(guān)專(zhuān)家也相繼展開(kāi)了研究.從線上電商用戶(hù)自身角度出發(fā)，用戶(hù)更加關(guān)心如何以更低的價(jià)格獲取最滿(mǎn)意的商品[1-2].從企業(yè)角度出發(fā)，企業(yè)更加關(guān)注如何增加收益，制定用戶(hù)滿(mǎn)意的銷(xiāo)售方案，同時(shí)對(duì)企業(yè)的潛在客戶(hù)進(jìn)行優(yōu)化.國(guó)內(nèi)相關(guān)專(zhuān)家也針對(duì)該方面的內(nèi)容進(jìn)行了大量的研究，例如屠守中等將矩陣分解和標(biāo)簽傳播算法兩者進(jìn)行結(jié)合，同時(shí)將用戶(hù)劃分為兩種類(lèi)型，對(duì)用戶(hù)的興趣進(jìn)行提取和計(jì)算，最終實(shí)現(xiàn)用戶(hù)興趣挖掘[3].秦永彬等通過(guò)二次single-pass不完全聚類(lèi)算法進(jìn)行將用戶(hù)微博劃分為多個(gè)不同的簇，同時(shí)將簇進(jìn)行合并，并且采用LDA模型進(jìn)行建模，引入時(shí)間因子，最終獲取用戶(hù)興趣，實(shí)現(xiàn)興趣挖掘[4].但是上述方法無(wú)法獲取準(zhǔn)確的挖掘結(jié)果，所以提出一種基于數(shù)據(jù)特征提取的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘方法.仿真實(shí)驗(yàn)結(jié)果表明，所提方法可以獲取高精度高效率的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘結(jié)果.

1 基于數(shù)據(jù)特征提取的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘方法

1.1 線上電商用戶(hù)潛在購(gòu)買(mǎi)力關(guān)聯(lián)特征提取

1.1.1 線上電商用戶(hù)訪問(wèn)數(shù)據(jù)融合

為了更好實(shí)現(xiàn)線上電商用戶(hù)購(gòu)買(mǎi)力挖掘[5-6]，需要優(yōu)先組建信息訪問(wèn)融合模型，由于類(lèi)內(nèi)數(shù)據(jù)一直處于分布不均勻的狀態(tài)，所以還需要進(jìn)一步組建多元數(shù)據(jù)融合跟蹤識(shí)別模型，進(jìn)而獲取電商用戶(hù)的模糊決策函數(shù)，如公式(1)所示：

μ(n)=β[1-exp(α|e(n))],|e(n)|2>K

(1)

式中，μ(n)代表模糊決策函數(shù)；K代表數(shù)據(jù)庫(kù)的檢測(cè)閾值；β代表數(shù)據(jù)庫(kù)的關(guān)聯(lián)度水平；e(n)代表數(shù)據(jù)庫(kù)的融合函數(shù)；α代表數(shù)據(jù)庫(kù)的分布式融合系數(shù).

1.1.2 電商用戶(hù)潛在購(gòu)買(mǎi)力分組檢測(cè)

構(gòu)建線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘的量化分析模型，同時(shí)還進(jìn)一步構(gòu)建分布式融合模型[7-8]，最終得到以下形式的統(tǒng)計(jì)函數(shù)F，如公式(2)所示：

(2)

式中，φ(xi)代表數(shù)據(jù)庫(kù)的約束指標(biāo)參量集；ξ(i)代表用戶(hù)訪問(wèn)數(shù)據(jù)集.粗糙向量機(jī)對(duì)應(yīng)的關(guān)聯(lián)規(guī)則分布G可以表示為公式(3)的形式：

(3)

式中，ω代表電商用戶(hù)訪問(wèn)數(shù)據(jù)庫(kù)的有限特征項(xiàng)集合；xi代表訪問(wèn)數(shù)據(jù)的類(lèi)數(shù)據(jù)集；r代表類(lèi)節(jié)點(diǎn)數(shù)量.

1.1.3關(guān)聯(lián)特征提取

將全新形成的樣本加入到原始訓(xùn)練集中，為了后期獲取更加準(zhǔn)確的挖掘結(jié)果，結(jié)合粗糙集匹配方法[9-10]，獲取數(shù)據(jù)挖掘?qū)?yōu)需要滿(mǎn)足的約束條件：

(4)

分析合成樣本和相鄰父節(jié)點(diǎn)之間的關(guān)系，以此為依據(jù)，獲取訪問(wèn)數(shù)據(jù)集對(duì)應(yīng)的模糊聚類(lèi)函數(shù).同時(shí)根據(jù)模糊聚類(lèi)函數(shù)，可以獲取最優(yōu)解向量融合方式，同時(shí)計(jì)算線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘的平均值H，如公式(5)所示：

(5)

式中，σ代表數(shù)據(jù)挖掘結(jié)果的方差.

通過(guò)以上分析，對(duì)線上電商用戶(hù)的潛在購(gòu)買(mǎi)力進(jìn)行關(guān)聯(lián)特征提取[11-12](如圖1所示)，具體的計(jì)算式為：

圖1 線上電商用戶(hù)潛在購(gòu)買(mǎi)力關(guān)聯(lián)特征提取流程圖

(6)

式中，J代表線上電商用戶(hù)潛在購(gòu)買(mǎi)力的關(guān)聯(lián)特征提取結(jié)果.

1.2 線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘

設(shè)定共對(duì)N個(gè)線上電商用戶(hù)進(jìn)行潛在購(gòu)買(mǎi)力挖掘，每個(gè)用戶(hù)的潛在購(gòu)買(mǎi)能力并不是固定的，所以可以通過(guò)以下矩陣Ft對(duì)用戶(hù)的行為特征進(jìn)行描述：

(7)

式中，hi,j代表線上電商用戶(hù)的潛在購(gòu)買(mǎi)特征.

對(duì)于觀測(cè)的線上電商用戶(hù)而言，可以獲取線上電商用戶(hù)潛在購(gòu)買(mǎi)力，具體計(jì)算式如下：

(8)

式中，HDii代表線上電商用戶(hù)潛在購(gòu)買(mǎi)力計(jì)算結(jié)果；ωij代表用戶(hù)在t時(shí)間段的購(gòu)買(mǎi)能力；hij代表用戶(hù)在t時(shí)間段的權(quán)重取值.

選取合適的閾值，可以對(duì)線上用戶(hù)的線上電商用戶(hù)潛在購(gòu)買(mǎi)力進(jìn)行等級(jí)劃分，具體的計(jì)算式為：

(9)

式中，HSij代表線上電商用戶(hù)潛在購(gòu)買(mǎi)力劃分結(jié)果.

在對(duì)線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘過(guò)程中，需要設(shè)定多個(gè)參數(shù)，不同參數(shù)的取值是完全不同的.需要借助熵權(quán)決策法對(duì)提取到的特征進(jìn)行計(jì)算，進(jìn)而選取合適的權(quán)重取值，詳細(xì)的操作步驟如下所示：

(1)在實(shí)際問(wèn)題中，需要優(yōu)先組建m個(gè)樣本n個(gè)評(píng)價(jià)指標(biāo)的判斷矩陣R，具體如公式(10)所示.

(10)

(2)將判斷矩陣進(jìn)行歸一化處理，進(jìn)而獲取以下形式的歸一化矩陣B，如公式(11)所示：

(11)

(3)通過(guò)熵的定義，可以確定特征向量對(duì)應(yīng)的熵值為：

(12)

式中，hx、hy和hz分別代表不同的參數(shù).

針對(duì)自然對(duì)數(shù)而言，需要設(shè)定熵的定義，假設(shè)不符合實(shí)際情況，則需要借助以下公式進(jìn)行計(jì)算：

(13)

式中，fij代表第i個(gè)特征值對(duì)應(yīng)的熵值.

(4)計(jì)算不同線上電商用戶(hù)潛在購(gòu)買(mǎi)力關(guān)聯(lián)特征對(duì)應(yīng)的權(quán)重值，如公式(14)所示：

(14)

式中，ωi代表綜合熵值.

通過(guò)熵值計(jì)算結(jié)果選擇合適的權(quán)值，同時(shí)計(jì)算不同線上電商用戶(hù)的潛在購(gòu)買(mǎi)力[14-15]，通過(guò)購(gòu)買(mǎi)能力進(jìn)行等級(jí)劃分，最終實(shí)現(xiàn)電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘.

2 仿真實(shí)驗(yàn)

為了驗(yàn)證所提基于數(shù)據(jù)特征提取的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘方法的應(yīng)用性能，需要進(jìn)行仿真實(shí)驗(yàn)測(cè)試分析.通過(guò)相關(guān)參數(shù)設(shè)定，獲取線上電商用戶(hù)數(shù)據(jù)分布情況，如圖2所示.

圖2 線上電商用戶(hù)數(shù)據(jù)分布情況

采用圖3對(duì)所提方法的收斂性能進(jìn)行測(cè)試：

分析圖3中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法具有較好的收斂性能.

圖3 線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘的收斂性能測(cè)試結(jié)果

為了進(jìn)一步驗(yàn)證所提方法的性能，以下實(shí)驗(yàn)測(cè)試將召回率作為測(cè)試指標(biāo).其中，當(dāng)召回率的取值在95%以上，則說(shuō)明其具有比較好的挖掘能力.詳細(xì)的實(shí)驗(yàn)測(cè)試結(jié)果如圖4所示.

分析圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法具有較高的召回率，充分說(shuō)明所提方法可以獲取比較滿(mǎn)意的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘結(jié)果.

圖4 召回率測(cè)試結(jié)果分析

以下對(duì)線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘精度進(jìn)行測(cè)試，重點(diǎn)對(duì)使用所提方法前后的挖掘精度進(jìn)行測(cè)試分析，測(cè)試結(jié)果見(jiàn)表1．

表1 使用所提方法前后的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘精度測(cè)試結(jié)果分析

分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知，在使用所提方法進(jìn)行線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘后，挖掘精度相比之前得到有效提升，全面驗(yàn)證了所提方法的優(yōu)越性.

以下對(duì)實(shí)驗(yàn)測(cè)試進(jìn)一步分析所提方法的挖掘效率變化情況，選取傳統(tǒng)方法作為對(duì)比方法，詳細(xì)的實(shí)驗(yàn)測(cè)試結(jié)果如圖5所示.

分析圖5中的實(shí)驗(yàn)數(shù)據(jù)可知，隨著測(cè)試樣本數(shù)量的持續(xù)增加，傳統(tǒng)方法的挖掘效率呈直線下降趨勢(shì).而所提方法的挖掘效率則處于比較穩(wěn)定的狀態(tài)，充分說(shuō)明所提方法可以以更快的速度完成線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘.

圖5 不同方法的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘效率對(duì)比

利用表2給出使用所提方法前后的挖掘成本變化情況.

表2 使用所提方法前后的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘成本測(cè)試結(jié)果分析

分析表2中的實(shí)驗(yàn)數(shù)據(jù)可知，在使用所提方法進(jìn)行線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘后，挖掘成本相比之前得到有效降低，有效驗(yàn)證了所提方法的優(yōu)越性.

3 結(jié)束語(yǔ)

網(wǎng)絡(luò)技術(shù)以及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，線上電子商務(wù)中的線上電商用戶(hù)潛在購(gòu)買(mǎi)力數(shù)據(jù)必將得到更好的挖掘處理，同時(shí)數(shù)據(jù)中隱藏的價(jià)值也將得到更加充分的利用.從數(shù)據(jù)特征挖掘的角度出發(fā)，提出一種基于數(shù)據(jù)特征提取的線上電商用戶(hù)潛在購(gòu)買(mǎi)力挖掘方法.所提方法可以準(zhǔn)確挖掘用戶(hù)的潛在購(gòu)買(mǎi)能力，還能夠有效提升挖掘效率，以更低的成本完成挖掘，同時(shí)可以為商務(wù)決策提供有效的數(shù)據(jù)支持，全面推進(jìn)電子商務(wù)的發(fā)展.