CN112270568B - 面向隐藏信息的社交电商平台营销活动下单率预测方法 - Google Patents

面向隐藏信息的社交电商平台营销活动下单率预测方法 Download PDF

Info

Publication number
CN112270568B
CN112270568B CN202011205811.7A CN202011205811A CN112270568B CN 112270568 B CN112270568 B CN 112270568B CN 202011205811 A CN202011205811 A CN 202011205811A CN 112270568 B CN112270568 B CN 112270568B
Authority
CN
China
Prior art keywords
user
marketing
hidden
influence
social
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011205811.7A
Other languages
English (en)
Other versions
CN112270568A (zh
Inventor
黄梦阳
肖云鹏
李暾
王佐成
李茜
刘红
贾朝龙
刘宴兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011205811.7A priority Critical patent/CN112270568B/zh
Publication of CN112270568A publication Critical patent/CN112270568A/zh
Application granted granted Critical
Publication of CN112270568B publication Critical patent/CN112270568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于互联网应用技术领域，涉及电商平台营销数据分析，尤其涉及一种面向隐藏信息的社交电商平台营销活动下单率预测方法；所述方法包括提取出用户对营销活动下单行为的全部内部属性特征以及营销活动对用户下单行为的部分外部属性特征；并计算出用户的内部影响力，按照知识学习方法计算出用户的外部影响力以及用户的隐藏信息网络；采用压缩交互网络获取用户的隐特征，将隐特征填入隐藏信息网络中，利用卷积神经网络计算出用户的隐藏影响力；将三种影响力输入到全连接神经网络中，预测得到所述营销活动下用户参与下单行为的概率；本发明刻画了用户实体和营销活动实体之间的关系，能够获取实体间的隐藏关系，增强了下单率预测的准确率。

Description

面向隐藏信息的社交电商平台营销活动下单率预测方法
技术领域
本发明属于互联网应用技术领域，涉及电商平台营销数据分析，尤其涉及一种面向隐藏信息的社交电商平台营销活动下单率预测方法。
背景技术
近年来，互联网在快速发展和普及，人们的生活也逐渐进入信息化时代，其中电子商务平台更是与现代生活不可分离。互联网技术在充分发挥信息化的优势同时也面临着信息爆炸问题，例如电商平台在特殊时期(618、双十一等促销活动期间)业务数据会剧烈增长。海量的信息数据冗余在电商平台中，这些无人问津的数据中往往拥有着隐藏价值。所以，如何平台中的海量数据，如何从中摄取到对用户对平台有用的信息成为了电商平台的关注点。
与此同时，营销活动在企业参与市场竞争、获取相对竞争优势的过程中扮演着重要角色。电商平台一直以来都致力于策划各种营销活动来迅速提高企业品牌或是销量的增长，策划优质的营销活动更有利于平台吸引消费者行为来达成盈利。在这样的背景下，对电商平台营销数据分析的研究具有明显的现实意义和应用价值，电商平台通过掌握用户行为规律和营销活动下单量的增减趋势，可以策划出更适宜的营销方案来为平台盈利。
近年来，研究者们针对用户兴趣和行为规律，商品特性和营销趋势等方面进行了大量的研究，主要是基于协同过滤算法、传统机器学习算法和深度学习算法。基于协同过滤算法的预测模型的基本思想来源于我们的日常生活，用户常常被身边好友的购买选择而变化自己的购物导向，也会根据物品的相似度来对应自身的兴趣偏好，还会因为其他用户对商品的评分高低来判断性价比的高低，协同过滤算法以用户为中心，通过前面三个方面向外扩散兴趣群，从而发现用户的兴趣点。基于传统机器学习算法的预测模型主要是提取影响用户的行为特征、商品信息特征，将问题转化为分类或回归问题，传统机器学习算法具有处理海量数据和不平衡数据的优势，适用于处理电商平台中用户-商品复杂关系带来的问题。
随着电商平台数据量的不断扩大和深度学习技术的逐渐成熟，神经网络、深度学习等非线性模型逐步成为营销数据分析预测模型的主流选择。Gan等人(Gan M,Xiao K.R-RNN:Extracting user recent behavior sequence for click-through rateprediction[J].IEEE Access,2019,7:111767-111777.)提出了一种新的基于用户兴趣表示的深度神经网络，该网络通过一种新的神经网络结构强调了最近的点击通过行为，这种关注机制帮助捕获用户的主要兴趣和用户兴趣的变化趋势。
但是，综合当前电商平台营销数据已有的研究情况，发现在营销活动下单率预测上仍存在一些挑战:
1.异构实体间的关系复杂多样。电商平台下用户和营销活动间关系的复杂多样，给模型对实体间隐藏关系的表示带来了困难。
2.原始特征的粗糙表达。原始特征仅仅是真实特征分布在低维空间的映射，不足以描述真实分布，影响了模型的对用户潜在行为的学习能力。
3.营销活动的动态性。营销活动的发展趋势会因为时间和营销活动奖励机制等因素而变化，如何更真实地刻画营销活动发展过程显然是个问题。
发明内容
针对以上挑战，本发明提出了一种面向隐藏信息的社交电商平台营销活动下单率预测方法，引入电商平台中丰富的隐藏信息，不仅可以有效地预测出面向电商平台营销活动时用户的下单率即营销活动的下单率，还能够分析出多种隐藏因素对营销活动发展趋势的影响。
本发明通过以下技术方案解决上述技术问题：
一种面向隐藏信息的社交电商平台营销活动下单率预测方法，所述预测方法包括：
从数据集中提取出用户对营销活动下单行为的全部内部属性特征以及营销活动对用户下单行为的部分外部属性特征；并根据内部属性特征计算出用户的内部影响力；
采用知识表示学习算法将用户和营销活动的实体向量化，得到向量化用户集合；
对所述向量化用户集合降维，计算出另一部分外部属性特征中即社交电商平台的带动力，并与其余部分的外部属性特征一起计算出用户的外部影响力；
将用户实体嵌入到低维稠密向量空间中，得到隐藏信息网络；
采用压缩交互网络获取用户的隐特征，将所述隐特征填入所述隐藏信息网络中对应的用户节点生成营销活动用户信息图像，并叠加不同时刻的营销活动用户信息图像；
采用卷积神经网络对叠加后的营销活动用户信息图像进行处理，得到用户的隐藏影响力；
将内部影响力、外部影响力以及隐藏影响力输入到全连接神经网络中，预测得到所述营销活动下用户参与下单行为的概率。
本发明的有益效果：
本发明聚焦于用户与用户、用户与营销活动的隐藏关系以及社交电商平台中的隐特征，结合用户自身特征、营销活动原有信息以及深度神经网络的自学习能力，可以分别计算出用户的内部影响力、外部影响力和隐藏影响力；根据这些影响力特征可更精确的预测电商平台营销活动的下单量变化趋势。此外，该预测模型不仅有助于分析电商平台中消费群体行为变化中的科学规律，还可以应用于电商平台掌握营销活动的发展趋势，策划更适宜的营销方案获得良好的经济效益。
附图说明
图1本发明的一种面向隐藏信息的社交电商平台营销活动下单率预测方法流程图；
图2本发明表示隐藏信息的结构示意图；
图3本发明压缩交互网络示意图；
图4本发明每一层交互网络示意图；
图5本发明所采用的网络模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前在对用户的经过营销活动后进行下单预测的时候，一般是基于待预测用户距离当前一定时间段内通过社交电商平台下单的具体情况来实现的。这会造成如下几个问题：单一用户的历史下单的数据基础量过少，无法基于这些较少的数据对用户的下单转化率进行较为准确的预测；其一、异构实体间的关系复杂多样。电商平台下用户和营销活动间关系的复杂多样，给模型对实体间隐藏关系的表示带来了困难。其二、原始特征的粗糙表达。原始特征仅仅是真实特征分布在低维空间的映射，不足以描述真实分布，影响了模型的对用户潜在行为的学习能力。另外、营销活动的动态性。营销活动的发展趋势会因为时间和营销活动奖励机制等因素而变化，如何更真实地刻画营销活动发展过程显然是个问题。基于此，本申请提供的一种面向隐藏信息的社交电商平台营销活动下单率预测方法，可以提升对用户下单转化率预测的准确性，并且降低计算资源。
图1示出了本发明的一种面向隐藏信息的社交电商平台营销活动下单率预测方法流程图；参照如图1所示，所述预测方法可以包括以下步骤：
101、从数据集中提取出用户对营销活动下单行为的全部内部属性特征以及营销活动对用户下单行为的部分外部属性特征；并根据内部属性特征计算出用户的内部影响力；
在具体实现时，这些数据集可以通过社交网络平台的公共API或直接下载现有数据源；这些数据集也可以直接从社交电商平台提供的数据库中实时查询；这些数据集可以是社交电商平台提供数据库中的实时营销数据；这里需要获取的是营销活动在其生命周期内的交互情况(如浏览、收藏、添加购物车、下单和退款等)，和与该营销活动有交互行为的用户历史行为数据。营销活动参与情况需要得到的是营销活动交互的时间、交互用户的基本信息和该营销活动的基本信息；营销活动交互者的历史行为包括该用户历史上交互的营销活动信息。并对数据进行预处理。
对于数据的预处理，通常获取的原始数据都是非结构化的，不能直接用于数据分析。通过简单的数据清洗可以使大部分非结构化数据结构化。例如，删除重复数据、清理无效信息等。
在电商平台中，用户对营销活动的下单行为受多方面因素影响，比如：用户的兴趣爱好、相似用户的参与活动行为和营销活动奖励机制对用户冲动消费的影响等等。基于此，本发明从内部属性和外部属性两个方面，提取影响用户行为的因子。
首先我们定义用户对营销活动下单行为的内部属性特征，全部的内部属性特征包括用户忠诚度和用户活动感知力。
用户忠诚度Loyal(ci)体现了其对电商平台的信任程度和满意程度，在面临营销活动时，用户的参与行为受其忠诚度的影响，本发明定义用户忠诚度为：
Loyal(ci)＝egmsNum(ci)-α×quitsNum(ci)
其中，Loyal(ci)表示用户ci对社交电商平台的忠诚度；quitsNum(ci)表示用户的退单数量，egmsNum(ci)表示用户参与营销活动的次数。用户的退单行为表现了其对某些活动的不满意，所以退单数量也就在一定程度上削弱了用户忠诚度，本发明定义了一个削弱系数α∈[0，1]来表现退单行为对用户忠诚度的削弱程度，本发明中优选α＝0.5。
对于用户活动感知力ActR(ci)，由用户的历史参与概率和用户近期登录概率共同体现，在一定程度上反映了新的营销活动出现时用户参与的概率，本发明定义用户活动感知力为：
Figure BDA0002757056810000061
其中，ActR(ci)表示用户ci对营销活动的感知力；history(ci)表示用户的历史浏览记录数量，login(ci)表示最近一次登录时间距离营销活动开始时间t1的天数差，loginave表示电商平台所有用户天数差的平均数。
对于全部的外部属性特征，本发明所定义的平台带动力、营销活动热度和营销奖励机制激励因子为本发明所采用的全部外部属性特征，而在步骤101中，本实施例只能获取营销活动热度和营销奖励机制激励因子这两个部分外部属性特征，另一部分外部属性特征即平台带动力将在步骤103时获取。
对于营销活动热度Fever(t)，营销活动在人群中的热度会随着时间的推移而发生变化，它的变化过程往往遵循元素的半衰期规律，营销活动下单量变化趋势也就随之受到不同程度的驱动，引入半衰期函数
Figure BDA0002757056810000062
本发明定义营销活动热度为：
Figure BDA0002757056810000063
其中，t表示当前时刻，t1表示营销活动开始时间(t≥t1)，cNum(t)和cNum(t-1)分别表示t时刻参与活动人数和上一时刻t-1参与活动人数，w为半衰期，本发明中w＝1000。
对于营销奖励机制激励因子Pro(ci)，当下社交电商平台的营销奖励机制花样百出，但最终大多落实在用户积分和各种优惠计算后的活动折扣。用户积分信息和用户历史折扣信息反映了用户通过营销奖励机制在电商平台上的收益值，收益值在无形中影响着用户参与营销活动时的心理权衡，常常是用户迈过参与营销活动边缘线的最后一击。所以本发明将用户的营销奖励机制收益值称作激励因子，并定义为：
Pro(ci)＝s(ci)+val×(1-dave(ci))
其中，Pro(ci)表示用户ci的营销奖励机制收益值；s(ci)表示用户ci的平台积分总额，val表示当前营销活动价值，dave(ci)表示用户ci的历史平均折扣。
102、采用知识表示学习算法将用户和营销活动的实体向量化，得到向量化用户集合；
知识表示学习算法是一种面向知识库中实体和关系的表示学习。通过将实体或关系投影到低维向量空间，能够实现对实体和关系的语义信息的表示，可以高效地计算实体、关系及其之间的复杂语义关联。这对知识库的构建、推理与应用均有重要意义；现有的知识表示学习算法常用于文本实体关系抽取等领域，本发明将用户和营销活动作为异构实体，通过知识表示学习算法来得到用户实体和营销活动实体之间的实体关系；将用户实体-实体关系-营销活动实体这个三元组向量化，并得到向量化用户集合；举个例子，某社交电商平台于2020年10月8日推广了营销活动A，用户B观看了营销活动A，并且采取了交互行为C，C可以包括浏览、下单、添加购物车、收藏等；那么就可以建立出A-C-B的三元组向量。
103、对所述向量化用户集合降维，计算出另一部分外部属性特征即社交电商平台的带动力，并与其余部分的外部属性特征一起计算出用户的外部影响力；
由于向量化用户集合是一个高维向量，所以需要对其进行降维操作；降维后，此时就可以按照当前用户与其他用户的相似度，参照其他用户的参与营销活动的行为，来估计出当前用户是否参与同一营销活动的行为。
对于平台带动力Lead(ci，t)，营销活动开始后会有平台的其他用户cj参与该活动，本发明可以利用知识表示学习算法将平台的用户向量化，并使用余弦距离来衡量cj与当前用户ci的相似度。平台带动力，即相似度高的用户参与活动给当前用户参与行为带来的潜在动力，因此本发明定义t时刻的平台带动力为：
Figure BDA0002757056810000071
其中，Lead(ci，t)表示t时刻社交电商平台对用户ci的带动力；egm(cj，t)表示t时刻用户cj是否参与营销活动，取值1为参与，取值0为未参与；
Figure BDA0002757056810000081
部属于本发明所采用的知识表示学习算法通过学习后，将用户向量化表示后的用户向量集合
Figure BDA0002757056810000082
即
Figure BDA0002757056810000083
104、将用户实体嵌入到低维稠密向量空间中，得到隐藏信息网络；
在计算出平台带动力的同时，可以将用户实体嵌入到低维稠密向量空间中；如图2所示，t时刻，未下单用户和营销活动间没有直接的联系，利用TransH算法后，我们可以得到来自下单用户A、B对未下单用户的驱动力，这种驱动力映射了未下单用户与营销活动间的潜在联系。本发明可以利用Trans H算法，学习社交电商平台下用户实体和营销活动实体间的复杂关系，考虑将用户实体嵌入表示到向量空间中。在这个步骤中，将不同的用户实体和营销活动实体根据不同的实体关系映射到超平面上进行向量表示，根据超平面中的映射向量表示，以最小化用户实体与营销活动实体之间的距离为目标，目标函数的公式表示如下：
Figure BDA0002757056810000084
其中，(c，r，a)为用户实体-实体关系-营销活动实体三元组，S表示向量化用户集合的低维向量集合；(c′，r，a′)是负采样的三元组，S′表示负采样的低维向量集合；fr(c，a)表示社交电商平台中用户实体c加上关系r后与营销活动实体a间的距离，本发明定义用户实体-营销活动实体关系平面为Wr，并用wr来表示用户实体-营销活动实体关系平面的单位法向量，利用用户实体c和营销活动实体a在关系平面Wr上的投影c⊥和a⊥来计算这个距离：
Figure BDA0002757056810000085
用户实体c在关系平面单位法向量wr方向上的投影为：
Figure BDA0002757056810000086
根据用户实体c在关系平面法向量wr方向上的投影
Figure BDA0002757056810000087
我们可以知道用户实体c在用户-营销活动关系平面Wr上的投影为：
Figure BDA0002757056810000091
同理可以知道营销活动实体a在用户-营销活动关系平面Wr上的投影为：
Figure BDA0002757056810000092
于是，用户实体c加上关系r后与营销活动实体a间的距离fr(c，a)可进一步表示为：
Figure BDA0002757056810000093
本发明中，最小化用户实体与营销活动实体之间的距离时所对应的用户实体嵌入到低维稠密向量空间中，并形成隐藏信息网络。
105、采用压缩交互网络获取用户的隐特征，将所述隐特征填入所述隐藏信息网络中对应的用户节点生成营销活动用户信息图像，并叠加不同时刻的营销活动用户信息图像；
本实施例中，所述采用压缩交互网络获取用户的隐特征包括输入由全部内部属性特征和所述部分外部属性特征构成的原始特征向量矩阵；根据所述原始特征向量矩阵和前一层交互网络的隐藏状态计算出当前层的隐藏状态；对当前层的交互网络的隐藏状态通过卷积核将其所得到的三维张量的每一个截面做加权求和，得到该层的输出结果；将每一层的输出结果压缩到一维度，得到最终的隐特征。
考虑到平台带动力是基于知识表示学习算法所获取的，所以本发明未将其定义为基础的原始特征，本发明将用户忠诚度和用户活动感知力这两个内部属性特征以及营销活动热度和激励因子这两个外部属性特征作为基础的原始特征。
为了弥补手工提取的基本原始特征(包括上述的两个内部属性特征和两个外部属性特征)表达能力不足的问题，本发明还引入了营销活动本身的一些基本信息包括营销商品价格、营销商品折扣以及营销商品分类编号等；基于这些原始基本特征，本发明还另外引入压缩交互网络去学习多个特征之间的相互关系，挖掘丰富的隐特征，更真实地模拟现实销售场景中的驱动因素。
如图3所示，在压缩交互网络中，有多个隐藏层，每一层的输出都是根据前一隐藏层的输出和原始基本特征推算得出。如图4所示，每一层的交互网络的隐藏状态都是先由
Figure BDA0002757056810000101
计算得出一个Zk＝D×m×Hk-1的三维张量(立方体)，然后通过卷积核Wk，h对中间结果Zk的每一个截面做加权求和的运算得到输出结果Xk，第k层输出的计算公式如下：
Figure BDA0002757056810000102
其中X0∈Rm×D表示原始特征向量组成的矩阵，原始特征即为用户忠诚度Loyal(ci)、用户活动感知力ActR(ci)、平台带动力Lead(ci，t)和激励因子Pro(ci)这些与用户关联度大的特征以及营销活动的相关特征：价值、发行商、作者、分类编号等的总数，我们把每个原始特征向量的维度记为D；
Figure BDA0002757056810000103
表示神经网络中第k层输出的矩阵，该层的特征数为Hk，H0＝m；
Figure BDA0002757056810000104
为卷积核，用于得到下一层k层的隐藏状态；
Figure BDA0002757056810000109
表示哈达玛积，计算过程是两个向量或者矩阵对应元素相乘，假设
Figure BDA0002757056810000105
则有：
Figure BDA0002757056810000106
如图4所示，采用压缩交互网络进行挖掘的结果并不只是最后一层的计算结果，而是使用了每一层的计算结果。先将每一层的计算结果Xk中的每列向量压缩到一维度，第i列向量压缩的计算公式如下：
Figure BDA0002757056810000107
每一层的输出即为：
Figure BDA0002757056810000108
然后把每一层的输出拼接起来作为最终的输出结果，它表现了模型将基本特征泛化后的用户行为信息，本发明将其记作Hdt+1(ci)：
Hdt+1(ci)＝[p1，p2，...，pk]
将上述得到的隐藏信息网络作为平台用户阵列，将用户泛化行为填入对应的用户点中，叠加不同时刻构建出营销活动用户信息图像。
可以理解的是，本发明的面向隐藏信息的社交电商平台营销活动下单率预测方法也是一种基于动态迭代机制(有时间切片)的预测方法，所以本发明叠加了不同时刻构建出营销活动用户信息图像，能够预测出用户的下单趋势。
106、采用卷积神经网络对叠加后的营销活动用户信息图像进行处理，得到用户的隐藏影响力；
将包含不同时间切片的营销活动用户信息图像输入到卷积神经网络中，所述卷积神经网络将输出用户的隐藏影响力，表示为：
fim(ci)＝Pool(Conv(Pool(Conv(Imgau))))
其中，fim(ci)表示用户ci的隐藏影响力；Imgau为营销活动用户信息图像，Conv为卷积运算，Pool为最大池化运算。
107、将内部影响力、外部影响力以及隐藏影响力输入到全连接神经网络中，预测得到所述营销活动下用户参与下单行为的概率。
本发明认为营销活动中用户的下单行为不仅与用户自身内部因素有关，还与外部因素有关。于是本发明分别从用户忠诚度、用户活动感知力两个方面构建用户的内部影响力fin(ci)，从平台带动力、营销活动热度和激励因子三个方面构建平台的外部影响力fout(ci)，具体如下：
fin(ci)＝Loyal(ci)×ActR(ci)
fout(ci)＝Lead(ci，t)×Fever(t)×Pro(ci)
本发明将用户ci的这两个内部和外部影响力以及隐藏影响力共同输入到全连接神经网络中，对用户ci的下单行为进行预测；将下单预测任务定义为一个二分类任务，并将下单行为由个体到群体，进而分析营销活动下单量变化趋势。全连接神经网络将会预测出在所述营销活动下用户ci参与下单行为的概率。
在这个全连接神经网络的预测模型中，本发明使用激活函数Softmax将输出表示为用户是否下单的概率值，神经网络输出的两个节点分别代表下单和未下单，每个节点的激活函数定义如下所示：
Figure BDA0002757056810000121
营销活动下单率预测模型最终的输出值Z＝P(o，u|ci)表示用户ci下单和未下单两种类别的概率，值Z越大则认为用户ci属于该类，具体定义如下所示：
Figure BDA0002757056810000122
然而我们发现在电商平台中，营销数据会出现负样本的数量远大于正样本的情况，各个类别样本数量的不平衡会导致我们的分类模型严重偏向数量多的一类。在二分类问题中通常使用交叉熵损失函数，为了解决正负样本数不平衡带来的问题，我们在下面重新定义损失函数，使用给较少的类别加权的方法：
L(X，y)＝-ω+·ylogp(Y＝1|X)-ω-·(1-y)logp(Y＝0|X)
其中，用户参与下单行为即正样本的权为
Figure BDA0002757056810000123
用户未参与下单行为即负样本的权为
Figure BDA0002757056810000124
|P|和|N|分别是样本中用户参与下单行为和用户未参与下单行为的数量；p(Y＝1|X)表示输出为用户参与下单的概率，p(Y＝0|X)表示输出为用户未参与下单行为的概率，y表示样本的类别，y＝1或y＝0。
图5是本发明的网络结构图，可以看出，这个网络结构图中主要包括卷积神经网络CNN和全连接神经网络；对应卷积神经网络，本发明对卷积神经网络的输入信息的处理进行了改进，将隐特征填入到隐藏信息网络中，形成营销活动用户信息图像；并叠加出不同时刻的营销活动用户信息图像，采用卷积神经网络对叠加后的营销活动用户信息图像进行处理，得到用户的隐藏影响力；这个部分的结构，本发明称之为DE-CNN，这是一种简单的、基于动态迭代机制的营销活动-用户动态激励分析模型，能够有效的分析出用户的隐藏影响力，对于图5中剩下的网络结构图，则是全连接神经网络的相关结构。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种面向隐藏信息的社交电商平台营销活动下单率预测方法，其特征在于，所述方法包括以下步骤：
从数据集中提取出用户对营销活动下单行为的全部内部属性特征以及营销活动对用户下单行为的部分外部属性特征；并根据内部属性特征计算出用户的内部影响力；
采用知识表示学习算法将用户和营销活动的实体向量化，得到向量化用户集合；
对所述向量化用户集合降维，计算出另一部分外部属性特征即社交电商平台的带动力，并与其余部分的外部属性特征一起计算出用户的外部影响力；
将用户实体嵌入到低维稠密向量空间中，得到隐藏信息网络，也即是将不同的用户实体和营销活动实体根据不同的实体关系映射到超平面上进行向量表示，根据超平面中的映射向量表示，以最小化用户实体与营销活动实体之间的距离为目标，确定出用户实体，并将用户实体嵌入到低维稠密向量空间中，并形成隐藏信息网络；
采用压缩交互网络获取用户的隐特征，输入由全部内部属性特征和所述部分外部属性特征构成的原始特征向量矩阵；根据所述原始特征向量矩阵和前一层交互网络的隐藏状态计算出当前层的隐藏状态；对当前层的交互网络的隐藏状态通过卷积核将其所得到的三维张量的每一个截面做加权求和，得到该层的输出结果；将每一层的输出结果压缩到一维度，得到最终的隐特征；将所述隐特征填入所述隐藏信息网络中对应的用户节点生成营销活动用户信息图像，并叠加不同时刻的营销活动用户信息图像；
采用卷积神经网络对叠加后的营销活动用户信息图像进行处理，得到用户的隐藏影响力；
将内部影响力、外部影响力以及隐藏影响力输入到全连接神经网络中，预测得到所述营销活动下用户参与下单行为的概率。
2.根据权利要求1所述的一种面向隐藏信息的社交电商平台营销活动下单率预测方法，其特征在于，所述内部影响力的计算公式表示为：
fin(ci)＝Loyal(ci)×ActR(ci)
其中，fin(ci)表示用户ci的内部影响力；Loyal(ci)表示用户ci对社交电商平台的忠诚度；ActR(ci)表示用户ci对营销活动的感知力。
3.根据权利要求1所述的一种面向隐藏信息的社交电商平台营销活动下单率预测方法，其特征在于，所述外部影响力的计算公式表示为：
fout(ci)＝Lead(ci，t)×Fever(t)×Pro(ci)
其中，fout(ci)表示用户ci的外部影响力；Lead(ci，t)表示t时刻社交电商平台对用户ci的带动力；Fever(t)表示t时刻的营销活动热度；Pro(ci)表示用户ci的营销奖励机制收益值。
4.根据权利要求1所述的一种面向隐藏信息的社交电商平台营销活动下单率预测方法，其特征在于，所述原始特征向量矩阵还包括营销商品价格、营销商品折扣以及营销商品分类编号。
5.根据权利要求1所述的一种面向隐藏信息的社交电商平台营销活动下单率预测方法，其特征在于，所述采用卷积神经网络对叠加后的营销活动用户信息图像进行处理，得到用户的隐藏影响力包括：
fim(ci)＝Pool(Conv(Pool(Conv(Imgau))))
其中，fim(ci)表示用户ci的隐藏影响力；Imgau为营销活动用户信息图像，Conv为卷积运算，Pool为最大池化运算。
6.根据权利要求1所述的一种面向隐藏信息的社交电商平台营销活动下单率预测方法，其特征在于，所述全连接神经网络所采用的损失函数L(X，y)表示为：
L(X，y)＝-ω+·ylogp(Y＝1|X)-ω-·(1-y)logp(Y＝0|X)
其中，用户参与下单行为即正样本的权为
Figure FDA0003672423950000021
用户未参与下单行为即负样本的权为
Figure FDA0003672423950000022
|P|和|N|分别是样本中用户参与下单行为和用户未参与下单行为的数量；p(Y＝1|X)表示输出为用户参与下单的概率，p(Y＝0|X)表示输出为用户未参与下单行为的概率，y表示样本的类别，y＝1或y＝0。
CN202011205811.7A 2020-11-02 2020-11-02 面向隐藏信息的社交电商平台营销活动下单率预测方法 Active CN112270568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011205811.7A CN112270568B (zh) 2020-11-02 2020-11-02 面向隐藏信息的社交电商平台营销活动下单率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011205811.7A CN112270568B (zh) 2020-11-02 2020-11-02 面向隐藏信息的社交电商平台营销活动下单率预测方法

Publications (2)

Publication Number Publication Date
CN112270568A CN112270568A (zh) 2021-01-26
CN112270568B true CN112270568B (zh) 2022-07-12

Family

ID=74345042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011205811.7A Active CN112270568B (zh) 2020-11-02 2020-11-02 面向隐藏信息的社交电商平台营销活动下单率预测方法

Country Status (1)

Country Link
CN (1) CN112270568B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104704863A (zh) * 2012-10-04 2015-06-10 华为技术有限公司 用于智能移动伴侣的用户行为建模
CN105488216A (zh) * 2015-12-17 2016-04-13 上海中彦信息科技有限公司 基于隐式反馈协同过滤算法的推荐系统及方法
CN106651030A (zh) * 2016-12-21 2017-05-10 重庆邮电大学 一种改进的rbf神经网络热点话题用户参与行为预测方法
CN106651016A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 一种热点话题下动态预测用户行为的系统及方法
CN108648020A (zh) * 2018-05-15 2018-10-12 携程旅游信息技术（上海）有限公司 用户行为量化方法、系统、设备及存储介质
CN109450842A (zh) * 2018-09-06 2019-03-08 南京聚铭网络科技有限公司 一种基于神经网络的网络恶意行为识别方法
CN110149595A (zh) * 2019-05-10 2019-08-20 北京工业大学 一种基于hmm的异构网络用户行为预测方法
CN110619540A (zh) * 2019-08-13 2019-12-27 浙江工业大学 一种神经网络的点击流预估方法
US10581664B1 (en) * 2018-09-20 2020-03-03 Spirent Communications, Inc. Predicting subscriber experience based on QoE
CN111538761A (zh) * 2020-04-21 2020-08-14 中南大学 基于注意力机制的点击率预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104704863A (zh) * 2012-10-04 2015-06-10 华为技术有限公司 用于智能移动伴侣的用户行为建模
CN105488216A (zh) * 2015-12-17 2016-04-13 上海中彦信息科技有限公司 基于隐式反馈协同过滤算法的推荐系统及方法
CN106651016A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 一种热点话题下动态预测用户行为的系统及方法
CN106651030A (zh) * 2016-12-21 2017-05-10 重庆邮电大学 一种改进的rbf神经网络热点话题用户参与行为预测方法
CN108648020A (zh) * 2018-05-15 2018-10-12 携程旅游信息技术（上海）有限公司 用户行为量化方法、系统、设备及存储介质
CN109450842A (zh) * 2018-09-06 2019-03-08 南京聚铭网络科技有限公司 一种基于神经网络的网络恶意行为识别方法
US10581664B1 (en) * 2018-09-20 2020-03-03 Spirent Communications, Inc. Predicting subscriber experience based on QoE
CN110149595A (zh) * 2019-05-10 2019-08-20 北京工业大学 一种基于hmm的异构网络用户行为预测方法
CN110619540A (zh) * 2019-08-13 2019-12-27 浙江工业大学 一种神经网络的点击流预估方法
CN111538761A (zh) * 2020-04-21 2020-08-14 中南大学 基于注意力机制的点击率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems;Jianxun Lian等;《Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining》;20180823;第1754-1763页 *
实时竞价在展示广告中的应用研究及进展;刘梦娟等;《计算机学报》;20191112;第1810-1841页 *
电商平台营销活动影响力分析与趋势预测研究;黄梦阳;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20220315;第I138-222页 *

Also Published As

Publication number Publication date
CN112270568A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
Al-Gasawneh et al. The relationship between perceived destination image, social media interaction and travel intentions relating to Neom city
France et al. Marketing analytics: Methods, practice, implementation, and links to other fields
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
Albadvi et al. A hybrid recommendation technique based on product category attributes
Park et al. A Bayesian network approach to examining key success factors of mobile games
CN109034960B (zh) 一种基于用户节点嵌入的多属性推断的方法
Chang et al. Assessing users' product-specific knowledge for personalization in electronic commerce
Wang A survey of online advertising click-through rate prediction models
CN113781139B (zh) 物品推荐方法、物品推荐装置、设备和介质
CN112765475B (zh) 一种智慧旅游目标匹配方法
Li et al. Understanding and predicting users’ rating behavior: A cognitive perspective
CN113050931A (zh) 一种基于图注意力机制的符号网络链路预测方法
CN112053184B (zh) 推广信息投放方法、装置、电子设备以及存储介质
Dirsehan Managing Customer Experiences in an Omnichannel World: Melody of Online and Offline Environments in the Customer Journey
CN118096205A (zh) 一种基于多模态学习的电子商务营销智能决策方法及系统
WO2002079901A2 (en) Customer preference system
Lu Application of Artificial Intelligence Algorithms in Precision Marketing with Flow Data Analysis Models
Naim Neuromarketing as a Tool for Measuring Consumer Emotions for Games
CN112270568B (zh) 面向隐藏信息的社交电商平台营销活动下单率预测方法
CN117670464A (zh) 一种去除社交平台噪声交互信号的商品推荐方法
CN114329193B (zh) 基于时间感知兴趣演化的点击率预测方法
Leng et al. Geometric deep learning based recommender system and an interpretable decision support system
CN115222203A (zh) 风险识别方法以及装置
CN114519600A (zh) 一种融合相邻节点方差的图神经网络ctr预估算法
CN115293815A (zh) 一种基于用户商品兴趣的跨平台电商用户对齐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant