CN104063429A - 电子商务中用户行为的预测方法 - Google Patents

Abstract

本发明的一种电子商务中用户行为的预测方法属于电子商务和数据处理技术领域。该预测方法包括如下步骤：S1，将用户在电商系统中的行为全部记录到电商系统的数据库中；S2，将数据库中的原始数据经过数据挖掘处理，进而得到知识库；S3，根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View；S4，当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保存到数据源数据库和电商系统的数据库中。通过基于MVC概率的剪枝算法得出用户可能的下一步选择预测，进而给电商和用户提供电商购物指导。

Description

电子商务中用户行为的预测方法

技术领域

本发明涉及电子商务和数据处理技术领域，尤其涉及一种电子商务中用户行为的预测方法。

背景技术

近几十年来，由于互联网的兴起，很多网站、公司内部已经积累了大量的数据，但是计算机收集和存储数据的能力远远超过从数据中分析、总结和提取知识的能力。面对海量的数据人们希望计算机能自动智能地分析并抽取出其中蕴涵的知识和信息，因为人们深深认识到，日积月累的数据中蕴藏着宝贵的信息，而这些宝贵的信息对于商业发展、科学研究或制定政策，具有显著的经济效益或社会效益，由此数据挖掘得到诸多企业的重视。

数据挖掘融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，数据挖掘能对庞杂的数据进行科学的梳理和细分，从中发现潜在的价值规律从而使其市场潜力被最大程度地释放并带来显著的经济效益。

数据挖掘的三大支柱技术是：数据库技术、人工智能技术和概率与数理统计。

数据挖掘包括不同的分析方法，如分类(Classification)、估值(Estimation)、预言(Prediction)、相关性分组或关联规则(Affinity groupingor association rules)、聚集(Clustering)以及描述和可视化(Descriptionand Visualization)。

Alpha-beta剪枝是博弈树搜索中最常用的方法，该方法可以有效地减少搜索过程中生成的节点数，提高搜索效率。而基于概率的剪枝算法，在估值函数高度稳定的假设基础上，可以有效地提高搜索效率。

目前在大型电商网站中，用户的购买行为预测是非常薄弱的，网站的分类导航，推荐商品等等是通过固定样式展示给所有用户，而没有做到个性化的导航排列，精准的商品推荐。然而电商发展到现阶段，精准的广告、精准商品推荐，精准的分类导航成为了趋势，亿万级的用户不再只是群体需求，而是个性化的需求。因此用户购买行为的预测要做精准化，用户每一个点击行为、浏览行为、停留时间都会对下一个页面有实质的参考意义。

所以，在电子商务中精准预测用户行为对于电商来说的意义重大。

发明内容

为了解决上述技术问题，本发明的目的是提供一种电子商务中用户行为的预测方法，本发明的预测方法是利用概率Alpha-beta剪枝技术，并通过MVC固有的优势，根据分析出来的结果向用户输出个性化的页面，进而为电商和消费者提供有效的指导。

本发明的目的是通过以下技术方案实现的：

一种电子商务中用户行为的预测方法，包括如下步骤：

S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在电商系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为；

S2，将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库中，将数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库；

S3，根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View；

S4，当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保存到数据源数据库和电商系统的数据库中；

S5，重复步骤S1至S4。

用户在网上购物选择的时候，用户下一页面的选择和排列，永远是未知的，需要通过用户的点击行为作分析处理，加以计算并输出，这与传统博弈是一致的。用户每一个动作相当于下的每一步棋，电商系统的目标是用户最终得到符合自己的产品，并完成购买行为，因此在用户行为预测的数据挖掘中加入博弈理念，能高效准确地使得用户到达目的地，达到双赢的局面。因此，Alpha-beta剪枝在博弈树中的优势可以在此得到充分的利用。

因此，本发明是利用概率Alpha-beta剪枝技术，而估值函数是一系列的行为预测算法，此预测算法是基于数据挖掘出来的数据来做预测的，并通过MVC固有的优势，根据分析出来的结果向用户输出个性化的页面，进而为消费者提供有效的指导。

附图说明

图1为本发明的流程框图；

图2为本发明步骤S2的数据挖掘流程框图；

图3为本发明步骤S3的剪枝算法流程框图；

图4为本发明的整体架构及流程图；

图5为数据挖掘流程图；

图6为概率Alpha-beta剪枝过程树状图。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细说明：

如图1、图2、图3、图4、图5和图6所示，本发明的一种电子商务中用户行为的预测方法是基于MVC及Alpha-beta剪枝算法对数据挖掘出来的知识进行动态的判断方法。

如图1、图2和图3所示，该电子商务中用户行为的预测方法，包括如下步骤：

S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在电商系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为。

其中，所述的用户浏览行为包括：浏览路径记录，每一个页面停留时间，返回上一页面记录，置顶行为，广告导航点击和推荐商品点击；所述的用户购买行为包括：订单详情的记录；所述的用户购物车行为包括：购物车商品记录，成功转化购买记录和商品停留时长。

用户在电商系统中的各种行为，包括：用户浏览行为、用户的购买行为、用户的购物车行为，全部记录到电商系统的数据库当中，以便为分析提供基础数据。

S2，将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库中，将数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库。

将电商系统数据库中的用户行为原始数据同时保存到数据源数据库中，为了有效保护数据的安全，同时，数据源数据库仅保存和处理用户行为数据，效率更高。也可以将电商系统数据库与数据源数据库设为一个。

如图2和图5所示，步骤S2中所述的数据挖掘处理包括如下步骤：

S21，通过预处理算法得到数据仓库，所述的预处理算法包括数据清理，数据集成，数据变换和数据归约。其中，数据清理包括消除噪音，即清除相互矛盾、不一致的数据；数据集成包括将多种数据源进行组合；数据变换包括把数据转换为适合下一步数据挖掘算法能识别的数据；数据归约包括根据挖掘算法，优化数据结构，得到数据仓库，该数据仓库为可直接进行数据挖掘的数据库。

S22，根据数据仓库的数据，运用数据挖掘算法得到知识库，所述的数据挖掘算法包括分类算法、聚类算法、关联规则分析和估值预言算法。其中，分类算法及聚类算法是前置算法，用户辅助后面算法的使用；关联规则分析可分析出推荐商品的成功概率；估值预言算法用于分析用户下一个路径的预测，并为每个链接计算出用户成功购买的概率。

通过数据挖掘算法，对电商系统中用户的行为作出分析，得到知识库，这里的知识库包括：群体知识库、用户个性化相关的用户知识库，即用户个性化知识库。

步骤S2中所述的知识库包括群体知识库和用户个性化知识库，其中，所述的群体知识库是关于本电商系统中所有相关用户的共性分析数据，是所有相关用户的行为预测知识库，所述的相关用户是指对本电商系统中所有的用户进行分类，包括根据性别、年龄阶段、区域、等级、购买总额或浏览时长的分类；所述的用户个性化知识库是关于每个用户的行为分析数据，是对每个用户的个性化行为预测知识库。

S3，根据知识库，计算得出一系列链接的成功概率。即建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View；

如图3和图6所示，步骤S3中的剪枝算法包括如下步骤：

S31，剪枝函数的估值函数实现，函数中读取知识库中每个链接的成功概率。根据知识库(包括群体知识库、用户个性化知识库)，会得出一系列链接的的成功概率。在知识库中，每一个链接是一个知识实体，而附加在此知识实体上会有一个成功概率，每个知识实体会在两个数据库中存在，其中，把知识实体(链接)设为L，群体知识库中关于L的成功概率为Q_L，采信度为B_Q，用户个性化知识库中关于L的成功概率为S_L，采信度为B_S，链接的成功率为O_i，因此得到以下公式：

O_L＝B_Q*Q_L+B_S*S_L

其中，B_Q+B_S＝1；

S32，博弈树的生成，整个博弈树只分为三层，上一层是下一层链接的最大值M_L与平均值P_L的加权和，其中最大值的权值为R_M，平均值的权值为R_P，得到公式如下：

O_L+1＝R_M*M_L+R_p*P_L

其中，R_M+R_p＝1

$M_L=\mathrm{Max}\left(O_L\right),P_L={\mathrm{\Σ}}_{i=0}^n{O}_{\mathrm{Li}}/n.$

S4，当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保存到数据源数据库和电商系统的数据库中；

S5，重复步骤S1至S4的处理。

MVC决策模块建立及基本原理：

其中，MVC全名是Model View Controller，是模型(model)-视图(view)-控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。MVC被独特的发展起来用于映射传统的输入、处理和输出功能在一个逻辑的图形化用户界面的结构中。

Controller根据剪枝算法，得到下一个链接的成功率排序(从高往低)把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View。

当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，重复上面的处理，并保存到系统数据库中(成为数据源)。

考虑到用户体验问题，系统响应速度有可能因为剪枝算法导致性能下降，因此对上N次的浏览行为不会及时计入到知识库中，而在系统空闲时或者定时运行一遍数据挖掘流程，更新知识库。

具体架构和算法的实现如下：

(1)MVC架构的实现。把系统的设计模式建立为MVC设计模式，必要时选择开源的MVC架构，如SSH、MVC.NET等。为知识库建立相应的MODEL，为Alpha-beta剪枝设计相应的Service供Controller使用，建立多种多样的View，用户剪枝后返回的个性化页面使用。

(2)数据挖掘算法实现。

a.数据预处理算法包括：数据清理(消除噪音，即清除相互矛盾、不一致的数据)；数据集成(多种数据源进行组合)；数据变换(把数据转换为适合下一步数据挖掘算法能识别的数据)；数据归约(根据挖掘算法，优化数据结构)。

b.根据数据仓库的数据，运用数据挖掘算法得到知识库，这里的数据挖掘算法包括：分类算法、聚类算法、关联规则分析、估值预言算法。

c.通过数据挖掘算法，把电商系统中用户的行为作出分析，得到知识库，这里的知识库包括：群体知识库、用户个性化相关的用户知识库。

(3)实现剪枝函数。

a.剪枝函数的估值函数实现，函数中读取知识库中每个连接的成功概率。其中，知识实体(链接)设为L，群体知识库中关于L的成功概率为Q_L，采信度为B_Q，用户个性化知识库中关于L的成功概率为S_L，采信度为B_S，链接的成功率为O_i，因此得到以下公式：

O_L＝B_Q*Q_L+B_S*S_L

其中，B_Q+B_S＝1

b.博弈树的生成，整个博弈树只分为三层，上一层是下一层链接的最大值与平均值的加权和，其中最大值的权值为R_M，平均值的权值为R_P，公式如下：

O_L+1＝R_M*M_L+R_p*P_L

其中，R_M+R_p＝1

$M_L=\mathrm{Max}\left(O_L\right),P_L={\mathrm{\Σ}}_{i=0}^n{O}_{\mathrm{Li}}/n$

c.Controller根据剪枝算法，得到下一个链接的成功率排序(从高往低)把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View。

d.当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，重复上面的处理，并保存到系统数据库中(成为数据源)。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种电子商务中用户行为的预测方法，其特征在于，包括如下步骤：

S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在电商系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为；

S2，将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库中，将数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库；

S3，根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View；

S4，当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保存到数据源数据库和电商系统的数据库中。

2.根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，还包括步骤S5，所述的步骤S5重复步骤S1至S4。

3.根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，所述的用户浏览行为包括：浏览路径记录，每一个页面停留时间，返回上一页面记录，置顶行为，广告导航点击和推荐商品点击；所述的用户购买行为包括：订单详情的记录；所述的用户购物车行为包括：购物车商品记录，成功转化购买记录和商品停留时长。

4.根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，步骤S2中所述的数据挖掘处理包括如下步骤：

S21，通过预处理算法得到数据仓库，所述的预处理算法包括数据清理，数据集成，数据变换和数据归约；

S22，根据数据仓库的数据，运用数据挖掘算法得到知识库，所述的数据挖掘算法包括分类算法、聚类算法、关联规则分析和估值预言算法。

5.根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，步骤S2中所述的知识库包括群体知识库和用户个性化知识库，其中，所述的群体知识库是关于本电商系统中所有相关用户的共性分析数据，是所有相关用户的行为预测知识库，所述的相关用户是指对本电商系统中所有的用户进行分类，包括根据性别、年龄阶段、区域、等级、购买总额或浏览时长的分类；所述的用户个性化知识库是关于每个用户的行为分析数据，是对每个用户的个性化行为预测知识库。

6.根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，步骤S3中的剪枝算法包括如下步骤：

S31，剪枝函数的估值函数实现，函数中读取知识库中每个链接的成功概率。其中，链接设为L，群体知识库中关于L的成功概率为Q_L，采信度为B_Q，用户个性化知识库中关于L的成功概率为S_L，采信度为B_S，链接的成功率为O_i，因此得到以下公式：

O_L＝B_Q*Q_L+B_S*S_L

其中，B_Q+B_S＝1；

S32，博弈树的生成，整个博弈树只分为三层，上一层是下一层链接的最大值M_L与平均值P_L的加权和，其中最大值的权值为R_M，平均值的权值为R_P，得到公式如下：

O_L+1＝R_M*M_L+R_p*P_L

其中，R_M+R_p＝1

$M_L=\mathrm{Max}\left(O_L\right),P_L={\mathrm{\Σ}}_{i=0}^n{O}_{\mathrm{Li}}/n.$