面向在線用戶消費(fèi)行為理解的數(shù)據(jù)挖掘方法研究.pdf

1、近年來隨著IT產(chǎn)業(yè)的迅猛發(fā)展，特別是（移動(dòng)）互聯(lián)網(wǎng)及在線社交網(wǎng)絡(luò)的普及，人類傳統(tǒng)的生活社交方式和消費(fèi)購物模式從線下轉(zhuǎn)移到線上。億萬在線用戶的消費(fèi)行為記錄蘊(yùn)藏著巨大的科學(xué)及市場價(jià)值。對在線用戶消費(fèi)行為進(jìn)行研究對引爆互聯(lián)網(wǎng)經(jīng)濟(jì)、為互聯(lián)網(wǎng)服務(wù)提供商制定商業(yè)戰(zhàn)略、提升用戶滿意度有著重要意義。因此如何利用數(shù)據(jù)挖掘技術(shù)對在線用戶消費(fèi)行為進(jìn)行理解成為計(jì)算機(jī)學(xué)科及相關(guān)交叉學(xué)科的研究熱點(diǎn)。然而已有的在線用戶消費(fèi)理解算法面臨著數(shù)據(jù)源稀疏異構(gòu)、消費(fèi)決策復(fù)雜性

2、及多學(xué)科交叉等挑戰(zhàn)。為此，本文以不同類型產(chǎn)品為實(shí)例，提出利用數(shù)據(jù)挖掘技術(shù)，結(jié)合心理學(xué)、社會(huì)學(xué)、營銷學(xué)等交叉學(xué)科知識(shí)，設(shè)計(jì)建模方法，實(shí)現(xiàn)對在線用戶消費(fèi)行為的理解。本文工作與貢獻(xiàn)可以概括如下:
　　首先，提出基于用戶興趣建模的消費(fèi)行為理解模型，構(gòu)建消費(fèi)產(chǎn)品推薦算法。基于協(xié)同過濾的推薦算法的基本假設(shè)是用戶消費(fèi)行為受到自身興趣愛好驅(qū)動(dòng)，因此用戶興趣建模是推薦系統(tǒng)的核心問題。為解決用戶興趣建模中消費(fèi)數(shù)據(jù)的高稀疏性及冷啟動(dòng)問題，本文提出二層的

3、協(xié)同過濾框架NHPMF。NHPMF根據(jù)用戶生成的標(biāo)簽信息，將標(biāo)簽鄰居關(guān)系引入到矩陣分解模型中，實(shí)現(xiàn)基于協(xié)同過濾的兩類主要算法（局部鄰居模型和全局矩陣分解模型）的互補(bǔ)優(yōu)勢。實(shí)驗(yàn)結(jié)果表明該方法可以顯著提高推薦系統(tǒng)的精確度。另一方面，針對傳統(tǒng)的用戶興趣建模的推薦算法以提高精準(zhǔn)度為目標(biāo)而導(dǎo)致的推薦結(jié)果同質(zhì)性較高、缺乏多樣性的問題，本章還從用戶滿意度出發(fā)，提出面向多樣性的用戶興趣建模及推薦框架REC。具體而言，REC框架中設(shè)計(jì)覆蓋度指標(biāo)衡量傳統(tǒng)推

4、薦中無法測量的集合整體效用。在該覆蓋度標(biāo)下，實(shí)現(xiàn)了高效的算法同時(shí)優(yōu)化推薦過程中的精確度和覆蓋度。三個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，REC模型無需任何額外知識(shí)，可以在不損失精準(zhǔn)度的條件下提高推薦結(jié)果的多樣性。
　　其次，提出社交網(wǎng)絡(luò)情境下用戶消費(fèi)行為建模及預(yù)測方法。社交媒體下用戶消費(fèi)行為的一個(gè)典型特征是信息的傳播性導(dǎo)致鏈接用戶之間的行為相關(guān)性。本文借鑒交叉學(xué)科對用戶消費(fèi)行為的研究，提出社交情境下預(yù)測用戶消費(fèi)行為的三大主要因素:用戶自身

5、興趣、社交同質(zhì)性及社交影響力理論。設(shè)計(jì)了社交圖下的有監(jiān)督學(xué)習(xí)模型SHIP，自動(dòng)衡量這三類因素對用戶消費(fèi)行為的貢獻(xiàn)。在實(shí)驗(yàn)階段通過跟蹤用戶發(fā)送的微博信息，收集了大規(guī)模網(wǎng)絡(luò)用戶的手機(jī)消費(fèi)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明提出的SHIP模型在預(yù)測用戶智能手機(jī)使用任務(wù)上的優(yōu)越性。另一方面，針對相關(guān)工作利用二元數(shù)據(jù)（消費(fèi)或者沒有消費(fèi)）刻畫用戶消費(fèi)產(chǎn)品的缺陷，進(jìn)一步提出了產(chǎn)品使用率的概念追蹤用戶對產(chǎn)品偏好的時(shí)序變化，設(shè)計(jì)產(chǎn)品使用率決策函數(shù)整合不同因素對用戶產(chǎn)品使用

6、率的影響。并根據(jù)用戶自身決策的復(fù)雜性，提出了非個(gè)性化及個(gè)性化權(quán)重區(qū)分用戶之間的差異性。實(shí)驗(yàn)表明，與基準(zhǔn)算法相比，提出的相關(guān)模型在用戶產(chǎn)品使用率預(yù)測上有著優(yōu)異表現(xiàn)。
　　最后，提出社交服務(wù)平臺(tái)下的用戶-產(chǎn)品的消費(fèi)行為及用戶-用戶的社交行為共同演化分析模型。事實(shí)上，社會(huì)學(xué)的社交影響力理論與同質(zhì)性理論表明用戶的消費(fèi)行為與社交鏈接行為相互影響，共同導(dǎo)致了社交服務(wù)平臺(tái)隨時(shí)間的演變。為此，本章設(shè)計(jì)一種聯(lián)合建模算法EJP，通過隱向量模型構(gòu)架用戶