基于Web使用挖掘的客戶發(fā)現(xiàn)研究.pdf

1、隨著網(wǎng)絡的普及，以及相對于傳統(tǒng)商務模式具有的無可比擬的便捷性，電子商務得到了飛速的發(fā)展。但是，由于電子商務網(wǎng)站中的海量的信息，用戶很難瞬間定位到自己想要的商品。而對于商家而言，怎樣發(fā)現(xiàn)客戶，并留住來訪的用戶也是一個熱點問題。
　　 web使用挖掘的出現(xiàn)在一定程度上解決了上述的難題，許多學者提出并實現(xiàn)了基于web使用挖掘的個性化推薦系統(tǒng)，其能夠大大提高用戶的滿意度。但是，對于新的來訪用戶，要判別其是否為潛在的消費客戶，并為其制定對

2、應的投放策略，還沒有引起足夠的關注。本文就是利用web使用挖掘技術，提取出了用戶的模擬相似矩陣來存儲用戶與用戶間的興趣相似度，利用智能仿生算法中的蟻群算法來進行相似興趣度用戶的聚類，并在聚類的基礎上，利用人工神經(jīng)網(wǎng)絡算法進行建模，判斷客戶的購買意向，進行客戶發(fā)現(xiàn)的研究，為web營銷提供策略。
　　 由于客戶購買興趣不同，導致瀏覽具有不同的瀏覽特性。為了解決不同客戶間的訪問差異，首先要將客戶分成具有若干訪問特性的訪問群體。本文采用

3、蟻群算法來對客戶進行分類。蟻群算法是模擬螞蟻的群體行為而設計出的一類智能仿生算法，應用領域非常廣泛，如聚類，模式識別等。本文系統(tǒng)研究了基于化學識別的蟻群聚類算法，并對其進行改進，提出了新的基于平均相似度的類解機制，使聚類質(zhì)量較差的類別重新打散后再聚，并且引入了增量式聚類的思想，即根據(jù)新的訪問數(shù)據(jù)來更新原有的用戶聚類模式。與原來的蟻群聚類算法相比而言，該改進蟻群聚類算法具有更快的訓練速度，以及更高的聚類準確度。
　　 在增量式聚類

4、算法的聚類結果基礎之上，應用了基于BP神經(jīng)網(wǎng)絡來進行客戶購買可能的預測，實現(xiàn)潛在客戶的發(fā)現(xiàn)。由于用戶的訪問具有多變性，很難直接用線性或非線性的關系來表達，所以采用了復雜，隱式的BP神經(jīng)網(wǎng)絡。同一類別下的用戶基本具有相同的訪問習慣，在基于聚類基礎上的預測，能得到更高的準確率。隨著時間的推移，用戶的集體訪問習慣會有一定的變遷，本文又引入了基于增量式的聚類，能夠不斷更新用戶的聚類特點和訪問習慣，能夠提高對時間遷移的容錯率，提高潛在用戶識別的精

5、準率。
　　 本文采集了某B2C網(wǎng)站一個月的用戶訪問數(shù)據(jù)，分別設計了實驗來驗證改進蟻群算法及BP神經(jīng)網(wǎng)絡預測模型的效果。關于增量式改進蟻群算法的驗證是通過比較原蟻群算法和改進蟻群算法在個性化推薦時的準確率來評價改進蟻群算法的效果。實驗結果表明，改進蟻群算法在數(shù)據(jù)動態(tài)增加的情況下，聚類結果更穩(wěn)定。且從我們實驗得出的推薦準確率看，明顯高于原蟻群算法。從時間開銷看，改進蟻群算法也明顯節(jié)省了開銷，提高了效率，尤其當數(shù)據(jù)是動態(tài)海量增加的情