CN106600039A - 一种电商商品消息推送优化方法 - Google Patents

Abstract

一种电商商品消息推送优化方法，先根据消费习惯将用户分类到相应的消费群体中，通过大数据技术获取基本满足消费者需求的多种商品和该消费群体中影响消费者购买行为的因素，然后将该消费群体中影响消费者购买行为的因素进行分析，判断每种因素影响的高低程度，进而构建分析模型，然后计算每种因素对每种商品影响的权重大小，再计算每种商品满足消费者需求的权重大小，最后根据影响权重选择影响权重最高的商品进行推送。本发明能能够满足不同消费者需要。

Description

一种电商商品消息推送优化方法

技术领域

本发明涉及一种互联网、电商应用、大数据处理、运筹学、计算机应用领域，尤其涉及的是一种基于电商商品消息推送优化方法。

背景技术

随着计算机信息技术快速演变与互联网1.0向2.0不断纵深，以虚拟经济为依托的电子商务正在逐步走上历史舞台，发展成为我国新兴产业的中间力量。信息经济时代，电子商务对经济发展的影响呈现出明显的“乘数效应”，带动我国传统经济领域的二次腾飞，为广大毕业新青年创造大量就业机会，为实现我国GDP的快速稳定增长起到至关的推动作用。可以说，电子商务正在发挥着越来越重要的基础设施平台作用，汇聚了海量生产信息、交易信息与消费者信息，深刻改变着消费行为、企业形态与社会价值创造方式，对我国经济的深远意义远远超过工业时代。

然而，目前电子商务的发展现状可以用一个词来形容——“冰火两重天”，一方面是电子商务企业大张旗鼓转型扩张，如火如荼加速前进的繁荣景象：腾讯投入巨资涉足电商领域，投入10亿美元巨资构建新一代“B2C+优质商户开放电商平台”；eBay卷土重来，优先发展基于中国市场的跨国B2C贸易业务；京东商城打破融资记录，第三轮巨额融资超过1.5亿美元。与此相对应地，则是媒体频频爆料，电子商务企业业绩下滑、裁员缩支、股价大跌、亏损倒闭，总而言之经营状况十分堪忧。

90后一代作为一个正在不断崛起的消费群体，他们的消费观念民、消费权力、消费意识、消费话语正在深刻影响着企业的市场营销策略。如何深刻地解读他们的消费心理，把握时代潮流发展趋势，这对于任何一家企业抢占未来市场都具有非常重要的意义。

电商的发展归根结底还是要促进消费者在其平台上的消费的能力提升。消费者的购买行为是在特定的情境下完成的。在传统的零售商业情况下，消费者购买决策的做出是和销售现场的环境密切相关。销售人员的态度、说服工作、销售现场的氛围及销售刺激会对消费者的购买行为产生影响，消费者经常在销售现场就做出了购买与否的决定，消费行为存在一定程度的冲动性。然而，在互联网上，购物网站难以达到销售现场的刺激效果，也没有推销员的说服，购买商品的压力也没有了，所以电商商品推送的功能在刺激消费者购买欲望起到了至关重要的作用。要想消费者的消费能力的提升就是要把握其消费心理，通过推送满足消费者需求的商品，能够极大化的刺激消费者的购买欲望，促进消费。

向消费者提供商品的消息推送是大部分电商采用提升消费者购买欲望的方式之一，然而现阶段大部分电商采用的是根据消费者浏览商品的历史情况或者同类商品的简单联系来给用户推送信息，这种方式造成了推送消息的单一化，无法综合考虑多种用户信息来给用户推送最佳商品消息，从而无法达到所期望的推送效果。

因此，现有的电商商品消息推送方式在选择推送商品方面存在不足，需要改进。

发明内容

为了解决现有电商商品消息推送方法在选择推送商品方面中存在的不足，本发明根据消费习惯将用户分类到相应的消费群体中，然后将该消费群体中影响消费者购买行为的因素进行分析，进而构建分析模型，最终确定最优的推送商品，从而提供一种能够满足不同消费者需要的电商商品消息推送优化方法。

本发明解决其技术问题采用的技术方法是：

一种基于电商商品消息推送优化方法，所述方法包括以下步骤：

A1、通过K近邻算法将目标用户进行分类，从而确定其消费习惯属于的消费群体；通过大数据处理初步得到满足用户需求的商品种类，以及可能影响该用户的购买行为的因素(如年龄、性别、购买能力、商品浏览历史和购买习惯等)，根据所属的消费群体得出以上因素在用户购买商品时所影响权重；

A2、建立层次分析结构模型

通过A1步骤得到的数据，构建层次分析模型，其中最上层为目标层Z，中间层为准则层C，最下层为方案层P；

从层次结构模型的准则层开始，对于影响上一层每个因素的同一层的各因素，按权重大小两两进行比较，构造比较矩阵A，直到最下层，

A＝(a_ij)_n×n (1)

其中，n为每层因素的数量，a_ij＞0且其中a_ij表示第i个因素与第j个因素比较的结果，由其重要程度取决，由重要性标度含义表确定；

A3、层次单排序及一致性检验

3.1、确定下层各因素与上层因素影响程度的过程，计算单排序权向量并做一致性检验，取最大特征值所对应归一化特征向量ω＝{ω₁,ω₂,…ω_n}，其中表示下层第i个元素对上层某因素影响程度的权重；

根据Aω＝λω求得最大特征值λ_max，并由式(2)计算一致性指标CI,

3.2、计算随机一致性指标RI，随机构造n个比较矩阵A₁,A₂,…,A_n，根据步骤3.1计算各比较矩阵的一致性指标，分别记做CI₁,CI₂,…,CI_n，则

其值由随机一致性指标表确定；

3.3、计算一致性比率CR

若满足A＜预设阈值，则认为A的不一致程度在允许范围之内，用归一化特征向量作为权向量，否则重新构造比较矩阵；

A4、计算总排序权向量并做一致性检验

按照步骤A3计算准则层C对目标层Z的层次单排序向量，设为c＝[c₁,c₂,…,c_n]，方案层P对准则层C中C_j的层次单排序，设为p＝[p_1j,p_2j,…,p_mj],(j＝1,2,…,n)，其中，c_n表示第n影响因素对目标层的层次单排序，p_mj表示第m商品对第j影响因素的层次单排序；

方案层P第i个商品对总目标的权重为

计算总排序一致性比率CR_total：

通过CR_total＜设定阈值，层次总排序通过一致性检验，则按照总排序权向量表示的结果进行决策，比较各商品对总目标的权重p_i，选择权重值最大的商品推送给用户，若CR_total≥设定阈值，则重新建立模型或构造那些一致性比率较大的比较矩阵。

本发明的技术构思为：先根据消费习惯将用户分类到相应的消费群体中，通过大数据技术获取基本满足消费者需求的多种商品和该消费群体中影响消费者购买行为的因素，然后将该消费群体中影响消费者购买行为的因素进行分析，判断每种因素影响的程度，进而构建分析模型，然后计算每种因素对每种商品影响的权重大小，再计算每种商品满足消费者需求的权重大小，最后选择权重最高的商品进行推送。

本发明的有益效果主要表现在：通过定性、定量的分析影响不同用户购买行为的各种因素，判断每种因素在用户购买时对其影响的权重大小，从而选择合理的商品信息推送给用户，从而有效解决了仅根据用户浏览历史选择推送商品的单一化的、盲目的推送的方式，大大提高了电商对于不同层次消费人员的购买意向的把握，有效提高了电商在运营中的核心竞争力。

附图说明

图1是电商商品消息推送优化方法的流程图。

图2是层次分析模型。

图3是重要性标度含义表。

图4是随机一致性指标RI对照表。

具体实施方式：

下面结合附图对本发明进一步描述。

参照图1～图4，一种电商商品消息推送优化方法，所述方法包括以下步骤：

A1、通过K近邻算法将目标用户进行分类，从而确定其消费习惯属于哪一类消费群体；通过大数据处理初步得到满足用户需求的商品种类，以及可能影响该用户的购买行为的因素，如年龄、性别、购买能力、商品浏览历史和购买习惯等,根据所属的消费群体得出以上因素在用户购买商品时所影响权重；

A2、建立层次分析结构模型

通过A1步骤得到的数据按照图2建立层次分析模型，从层次结构模型的准则层开始，对于影响上一层每个因素的同一层诸因素，按权重大小两两进行比较，根据图3构造比较矩阵A：

A＝(a_ij)_n×n

其中，n为每层因素的个数，a_ij＞0且其中a_ij表示第i个因素与第j个因素比较的结果，由其重要程度取决，由重要性标度含义表确定；

A3、层次单排序及一致性检验

3.1、确定下层各因素与上层因素影响程度的过程，计算单排序权向量并做一致性检验，取最大特征值所对应归一化特征向量ω＝{ω₁,ω₂,…ω_n}，其中表示下层第i个元素对上层某因素影响程度的权重；

根据Aω＝λω求得最大特征值λ_max，并计算一致性指标CI，

3.2、计算随机一致性指标RI，随机构造n个比较矩阵A₁,A₂,…,A_n，根据步骤3.1计算各比较矩阵的一致性指标，分别记做CI₁,CI₂,…,CI_n，则

其值由随机一致性指标表确定；

3.3、计算一致性比率CR

若满足A＜0.1(预设阈值取0.1)，则认为A的不一致程度在允许范围之内，用归一化特征向量作为权向量，否则重新构造比较矩阵，

A4、计算总排序权向量并做一致性检验

按照步骤A3计算准则层C对目标层Z的层次单排序向量，设为c＝[c₁,c₂,…,c_n]，方案层P对准则层C中C_j的层次单排序，设为p＝[p_1j,p_2j,…,p_mj],(j＝1,2,…,n)，其中，c_n表示第n影响因素对目标层的层次单排序，p_mj表示第m商品对第j影响因素的层次单排序；

方案层P第i个商品对总目标的权重为

计算总排序一致性比率CR_total:

通过CR_total＜0.1(设定阈值取0.1)，层次总排序通过一致性检验，则按照总排序权向量表示的结果进行决策，比较各商品对总目标的权重p_i，选择权重值最大的商品推送给用户，若CR_total≥0.1，则重新建立模型或构造那些一致性比率CR较大的比较矩阵。

参照图1-4，本实例中，以某电商商品消息推送为例，一种电商商品消息推送优化方法，包括以下步骤：

A1、通过K近邻算法将目标用户进行分类，从而确定其消费习惯属于哪一类消费群体；通过数据处理方式初步得到满足用户需求的商品种类(本实例中设为A、B、C三种商品)，同时获取可影响该用户的购买行为信息，如性别、购买能力、商品浏览历史、购买习惯(本实例以这四种因素为例，分别用x₁,x₂x₃,x₄表示)；

A2、建立层次分析模型

通过A1步骤得到的数据按照图2建立层次分析模型，从层次结构模型的准则层开始，对于影响上一层每个因素的同一层诸因素，按权重大小两两进行比较，根据图3构造比较矩阵A：

A3、层次单排序及一致性检验

确定下层各因素与上层因素影响程度的过程，计算单排序权向量并做一致性检验(本实例以计算A矩阵为例)，

由于不满足条件求其特征向量对应的再大特征值λ_max，本实例中通过求和法进行求解，步骤如下：

1)将A按列归一化后得

2)将按行求和

3)将归一化可得特征向量为c＝[0.389 0.153 0.069 0.389]^T，

4)求特征向量c对应的最大特征值

计算一致性指标由图4确定RI＝0.89

计算一致性比率满足一致性要求

A4、计算总排序权向量并做一致性检验

按照步骤A3，同理可得判断矩阵C₁的层次单排序向量、特征值和一致性比率分别为p₁＝[0.106 0.260 0.633]^T，λ_max＝3.039，CR＝0.033<0.1，判断矩阵C₂的层次单排序向量、特征值和一致性比率分别为p₂＝[0.6 0.2 0.2]^T，λ_max＝3，CR＝0<0.1，判断矩阵C₃的层次单排序向量、特征值和一致性比率分别为p₃＝[0.639 0.274 0.087]^T，λ_max＝3.054，CR＝0.047<0.1，判断矩阵C₄的层次单排序向量、特征值和一致性比率分别为p₄＝[0.087 0.2740.639]^T，λ_max＝3.054，CR＝0.047<0.1；

方案层P第i个因素对总目标的权重为则商品A对总目标的权重为0.389×0.106+0.153×0.6+0.069×0.639+0.389×0.087＝0.211，商品B对总目标的权重为0.26×0.389+0.2×0.153+0.274×0.069+0.274×0.389＝0.257，商品C对总目标的权重为0.633×0.389+0.2×0.153+0.087×0.069+0.639×0.389＝0.531即方案层P对总目标的权向量为[0.211 0.257 0.531]，由此可知向该用户推送商品C。

以上阐述的是本发明给出的一个实施例表现出来的优良优化效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。

Claims (1)

1.一种基于电商商品消息推送优化方法，其特征在于：所述方法包括以下步骤：

A1、通过K近邻算法将目标用户进行分类，从而确定其消费习惯属于的消费群体；通过大数据处理初步得到满足用户需求的商品种类，以及可能影响该用户的购买行为的因素，根据所属的消费群体得出以上因素在用户购买商品时所影响权重；

A2、建立层次分析结构模型

通过A1步骤得到的数据，构建层次分析模型，其中最上层为目标层Z，中间层为准则层C，最下层为方案层P；

从层次结构模型的准则层开始，对于影响上一层每个因素的同一层的各因素，按权重大小两两进行比较，构造比较矩阵A，直到最下层，

A＝(a_ij)_n×n (1)

其中，n为每层因素的数量，a_ij＞0且i,j＝1,2,…,n，其中a_ij表示第i个因素与第j个因素比较的结果，由其重要程度取决，由重要性标度含义表确定；

A3、层次单排序及一致性检验

3.1、确定下层各因素与上层因素影响程度的过程，计算单排序权向量并做一致性检验，取最大特征值所对应归一化特征向量ω＝{ω₁,ω₂,…ω_n}，其中ω_i,i＝1,2,n,表示下层第i个元素对上层某因素影响程度的权重；

根据Aω＝λω求得最大特征值λ_max，并由式(2)计算一致性指标CI,

$CI=\frac{{\mathrm{\&lambda;}}_{max}-n}{n-1}---\left(2\right)$

3.2、计算随机一致性指标RI，随机构造n个比较矩阵A₁,A₂,…,A_n，根据步骤3.1计算各比较矩阵的一致性指标，分别记做CI₁,CI₂,…,CI_n，则

$RI=\frac{{\mathrm{CI}}_1+{\mathrm{CI}}_2+...+{\mathrm{CI}}_n}{n}---\left(3\right)$

其值由随机一致性指标表确定；

3.3、计算一致性比率CR

$CR=\frac{CI}{RI}<0.1---\left(4\right)$

若满足A＜预设阈值，则认为A的不一致程度在允许范围之内，用归一化特征向量作为权向量，否则重新构造比较矩阵；

A4、计算总排序权向量并做一致性检验

按照步骤A3计算准则层C对目标层Z的层次单排序向量，设为c＝[c₁,c₂,…,c_n]，方案层P对准则层C中C_j的层次单排序，设为p＝[p_1j,p_2j,…,p_mj],(j＝1,2,…,n)，其中，c_n表示第n影响因素对目标层的层次单排序，p_mj表示第m商品对第j影响因素的层次单排序；

方案层P第i个商品对总目标的权重为

计算总排序一致性比率CR_total：

${\mathrm{CR}}_{total}=\frac{c_1{\mathrm{CI}}_1+c_2{\mathrm{CI}}_2+...+c_n{\mathrm{CI}}_n}{c_1{\mathrm{RI}}_1+c_2{\mathrm{RI}}_2+...c_n{\mathrm{RI}}_n}---\left(5\right)$

通过CR_total＜设定阈值，层次总排序通过一致性检验，则按照总排序权向量表示的结果进行决策，比较各商品对总目标的权重p_i，选择权重值最大的商品推送给用户，若CR_total≥设定阈值，则重新建立模型或构造那些一致性比率较大的比较矩阵。