CN113421146A - 一种用户网购行为预测推荐方法及系统 - Google Patents

Abstract

本发明提出一种用户网购行为预测推荐方法及系统，解决了当前用户网购行为推荐的过程复杂且运行速度慢的问题，包括观测用户信息、特征工程处理、采集商品特征标签、分析用户兴趣偏好与商品特征标签的关系、构建因果结构、用户行为分析、预测用户网络购物行为、呈现推荐内容的步骤，基于因果规则对用户的社交行为和购物行为进行系统分析，能够充分获取用户的兴趣偏好，且不需要复杂的训练方法，过程较简单，使得用户在购物时，即使面对庞大复杂的网络，在用户端首页能看到精简的推荐购物内容。

Description

一种用户网购行为预测推荐方法及系统

技术领域

本发明涉及数据挖掘及网购服务的技术领域，更具体地，涉及一种用户网购行为预测推荐方法及系统。

背景技术

随着互联网的普及，网络购物的优点更加突出，日益成为一种重要的购物形式，当前人们生活节奏越来越快，基于传统的网购方式给人们快速获取信息造成障碍。若要克服信息利用效率低下、时效性差、操作难度大的缺点，就需要研究如何快速有效的获取和预测用户的兴趣偏好并采取高效、便捷的推送技术将用户感兴趣的内容资源及时呈现给用户，从而改善用户体验。

用户的社交行为为用户兴趣偏好和行为模式的分析提供了大量的有用数据，社交网络不仅把用户间不可观测的。社交网络不仅把用户间不可观测的现实人际关系搬到了网络上，还搭建了全新的信息分享平台，2019年9月17日，中国发明专利(公开号CN110245984A)中公开了一种基于因果推断的网络购物行为分析方法和系统，该方案即是基于用户的社交行为，考虑社交行为数据信息体量巨大，数据类型繁杂，存在大量没有作用的噪声特征的问题，根据因果推断模型进行特征选择，因果推断模型利用FCI算法对因果模型进行结构学习，根据输出的网络结构剔除冗余特征，再利用xgboost模型训练网络购物行为分析模型，输出模型结果，该方案可以去除无用的特征，减少噪声特征的干扰，提高用户购物行为的准确度，侧重于减少噪声特征的干扰，因此整个过程需要依赖算法和神经网络模型训练，较复杂且运行速度慢。

发明内容

为解决当前用户网购行为推荐的过程复杂且运行速度慢的问题，本发明提出一种用户网购行为预测推荐方法及系统，不需要依赖复杂算法和神经网络模型，即使面对庞大复杂的网络，也可以对用户网购行为实现预测及优化精简推荐。

为了达到上述技术效果，本发明的技术方案如下：

一种用户网购行为预测推荐方法，所述方法至少包括以下步骤：

S1.采集用户信息：通过数据挖掘，采集用户的社交行为和购物行为，以获取用户兴趣偏好特征并储存；

S2.分析用户兴趣偏好特征，将采集的用户信息提取特征向量，获取用户属性特征并对用户属性特征进行预处理，筛选出网购行为预测推荐所需的用户特征；

S3.采集商品特征标签，将商品按照其不同的特征标签进行分类并存储；

S4.以用户根据其兴趣偏好特征购买的商品作为母事件，以商品特征标签作为子事件，分析母事件与子事件之间的关系；

S5.根据母事件与子事件之间的关系，构建因果结构图，得到基于因果关系的规则，完成因果关系的挖掘；

S6.结合步骤S2～步骤S5的输出，分析用户的社交行为和购物行为，根据因果关系进行特征选择，构建用户网购行为预测推荐模型；

S7.根据用户网购物行为预测推荐模型，对用户的网络购物行为进行兴趣预测，生成推荐信息；

S8.推荐信息返回给用户端，用户端根据所述推荐信息向购物首页提供数据以供呈现用户购物推荐内容。

优选地，步骤S1中所述用户的社交行为包括用户的网络关注、评论、点赞、访问主页、写日志及传照片行为；用户的购物行为包括购买服装鞋帽、购买电子产品及购买日用百货。

优选地，步骤S2所述的对用户属性特征进行预处理的方法为特征工程处理法，以最大限度地从用户属性特征中提取特征以供后续使用。

优选地，步骤S6中分析用户的社交行为和购物行为时，还需对社交行为和购物行为进行优化。

优选地，对待优化的社交行为和购物行为进行赋值，生成N个个体行为数据，N个个体行为数据独立同分布，将N个个体行为数据样本作为输入，每个样本有M个随机变量作为观察变量，根据因果关系进行特征选择，具体过程为：

首先构造M个随机变量的全连接图，其次设置显著性水平为α，在显著性水平α下对M个随机变量中相邻两个变量执行条件独立性检验，若相邻两个变量存在条件独立性，则删除两个变量之间的边，剔除冗余关系，最终得到剔除冗余关系后最简单直接的因果关系，不需要复杂的算法进行结构学习。

优选地，在显著性水平α下对M个随机变量中相邻两个变量执行条件独立性检验的过程为：

设相邻两个变量为X、Y，给定变量Z，对Z分别进行X和Y的多元回归，然后分别对X和Y的残差进行相关性检验，得到偏相关系数

将偏相关系数

转换为高斯分布，进行计算：

设置信度水平为α，若：

则X非条件独立于Y；否则X条件独立于Y。

优选地，利用Z-Fisher将偏相关系数

转换为高斯分布。

优选地，在条件独立性检验中，若

即给定Z,X和Y非条件独立，则X-Z-Y三个变量指向表示为X→Z←Y；

M个随机变量中剩余变量之间的指向规则为：

当存在一个箭头X→Y的时候，将Y-Z的方向确定为Y→Z；

当存在一条链X→Z→Y的时候，将X-Y的方向确定为X→Y；

当存在两条链X→Z→Y和X→L→Y的时候，将X-Y的方向确定为X→Y；

最终输出M个随机变量节点的有向无环图DAG模型，有向无环图DAG模型作为用户网购行为预测推荐模型。

本发明还提出一种用户网购行为预测推荐系统，所述系统用于实现所述的用户网购行为预测推荐方法，包括：

购物社交数据采集模块，通过数据挖掘，采集用户的社交行为和购物行为，以获取用户兴趣偏好特征并储存；

预处理模块，用于分析用户兴趣偏好特征，将观测的用户信息提取特征向量，获取用户属性特征并对用户属性特征进行预处理，生成用户属性特征；

购物数据采集模块，采集商品特征标签，将商品按照其不同的特征标签进行分类并存储；

因果关系挖掘模块，以用户根据其兴趣偏好特征购买的商品作为母事件，以商品特征标签作为子事件，分析母事件与子事件之间的关系，根据母事件与子事件之间的关系，构建因果结构图，得到基于因果关系的规则，完成因果关系的挖掘；

特征选择及预测推荐模型构建模块，分析用户的社交行为和购物行为，根据因果关系进行特征选择，构建用户网购行为预测推荐模型；

预测推荐模块，根据用户网购物行为预测推荐模型，对用户的网络购物行为进行兴趣预测，生成推荐信息；

推荐呈现模块，将推荐信息返回给用户端，用户端根据所述推荐信息向购物首页提供数据以供呈现用户购物推荐内容。

优选地，所述的用户端包括电脑、手机及平板。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种用户网购行为预测推荐方法及系统，包括了因果关系挖掘、以及基于因果关系推断两个阶段。因果关系挖掘包括观测用户信息、特征工程处理、采集商品特征标签、分析用户兴趣偏好与商品特征标签的关系、构建因果结构图五个步骤；所述基于因果关系推断包括用户行为分析、预测用户网络购物行为、呈现推荐内容的步骤，基于因果规则对用户的社交行为和购物行为进行系统分析，能够充分获取用户的兴趣偏好，且不需要复杂的训练方法，过程较简单，使得用户在购物时，即使面对庞大复杂的网络，在用户端首页能看到精简的推荐购物内容。

附图说明

图1表示本发明所提方案实现的框架图；

图2表示本发明实施例中提出的用户网购行为预测推荐方法的流程示意图；

图3表示本发明实施例中提出的用户网购行为预测推荐系统的结构图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；

对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。

附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例

考虑传统的网购方式给人们快速获取信息造成障碍的缺陷，本发明研究如何快速有效的获取和预测用户的兴趣偏好并采取高效、便捷的推送技术将用户感兴趣的内容资源及时呈现给用户，从而改善用户体验，并且不需要复杂的算法运行过程，本发明所提方案实现的框架图如图1所示。

参见图1，本发明所提方案包括了因果关系挖掘、以及基于因果关系推断两个阶段。因果关系挖掘包括观测用户信息、特征工程处理、采集商品特征标签、分析用户兴趣偏好与商品特征标签的关系、构建因果结构图五个步骤；所述基于因果关系推断包括用户行为分析、预测用户网络购物行为、呈现推荐内容的步骤。

下面针对图1所示的框架，具体进行说明：

在本实施例中，提出一种用户网购行为预测推荐方法，具体的流程示意图如图2所示，所述方法包括以下步骤：

S1.采集用户信息：通过数据挖掘，采集用户的社交行为和购物行为，以获取用户兴趣偏好特征并储存；

S2.分析用户兴趣偏好特征，将采集的用户信息提取特征向量，获取用户属性特征并对用户属性特征进行预处理，筛选出网购行为预测推荐所需的用户特征；

S3.采集商品特征标签，将商品按照其不同的特征标签进行分类并存储；

S4.以用户根据其兴趣偏好特征购买的商品作为母事件，以商品特征标签作为子事件，分析母事件与子事件之间的关系；

S5.根据母事件与子事件之间的关系，构建因果结构图，得到基于因果关系的规则，完成因果关系的挖掘；

S6.结合步骤S2～步骤S5的输出，分析用户的社交行为和购物行为，根据因果关系进行特征选择，构建用户网购行为预测推荐模型；

S7.根据用户网购物行为预测推荐模型，对用户的网络购物行为进行兴趣预测，生成推荐信息；

S8.推荐信息返回给用户端，用户端根据所述推荐信息向购物首页提供数据以供呈现用户购物推荐内容。

在本实施例中，用户的社交行为包括用户的网络关注、评论、点赞、访问主页、写日志及传照片行为；用户的购物行为包括购买服装鞋帽、购买电子产品及购买日用百货，基于大数据功能的强大性，通过数据挖掘，从而获取到用户兴趣偏好特征并储存。

步骤S2～S5的实现，以用户的社交行为和购物行为为基础，结合大数据理论，从而得出用户兴趣偏好特征与商品特征标签对应的因果规则，为后续进一步对用户网购行为的预测推荐做准备。

在本实施例中，步骤S2所述的对用户属性特征进行预处理的方法为特征工程处理法，以最大限度地从用户属性特征中提取特征以供后续使用，便于更好的找到趋势。步骤S6中分析用户的社交行为和购物行为时，还需对社交行为和购物行为进行优化，具体优化时，可采用人工智能等方法。

在本实施例中，对待优化的社交行为和购物行为进行赋值，生成N个个体行为数据，N个个体行为数据独立同分布，将N个个体行为数据样本作为输入，每个样本有M个随机变量作为观察变量，根据因果关系进行特征选择，具体过程为：

首先构造M个随机变量的全连接图，其次设置显著性水平为α，在显著性水平α下对M个随机变量中相邻两个变量执行条件独立性检验，若相邻两个变量存在条件独立性，则删除两个变量之间的边，剔除冗余关系，最终得到剔除冗余关系后最简单直接的因果关系，不需要复杂的算法进行结构学习。

在显著性水平α下对M个随机变量中相邻两个变量执行条件独立性检验的过程为：

设相邻两个变量为X、Y，给定变量Z，对Z分别进行X和Y的多元回归，然后分别对X和Y的残差进行相关性检验，得到偏相关系数

将偏相关系数

转换为高斯分布，进行计算：

设置信度水平为α，若：

则X非条件独立于Y；否则X条件独立于Y。

在本实施例中，利用Z-Fisher将偏相关系数

转换为高斯分布。

在条件独立性检验中，若

即给定Z,X和Y非条件独立，则X-Z-Y三个变量指向表示为X→Z←Y；

M个随机变量中剩余变量之间的指向规则为：

当存在一个箭头X→Y的时候，将Y-Z的方向确定为Y→Z；

当存在一条链X→Z→Y的时候，将X-Y的方向确定为X→Y；

当存在两条链X→Z→Y和X→L→Y的时候，将X-Y的方向确定为X→Y；

最终输出M个随机变量节点的有向无环图DAG模型，有向无环图DAG模型作为用户网购行为预测推荐模型。

如图3所示，本发明还提出一种用户网购行为预测推荐系统，所述系统用于实现所述的用户网购行为预测推荐方法，参见图3，所述系统包括：

购物社交数据采集模块，通过数据挖掘，采集用户的社交行为和购物行为，以获取用户兴趣偏好特征并储存；

预处理模块，用于分析用户兴趣偏好特征，将观测的用户信息提取特征向量，获取用户属性特征并对用户属性特征进行预处理，生成用户属性特征；

购物数据采集模块，采集商品特征标签，将商品按照其不同的特征标签进行分类并存储；

因果关系挖掘模块，以用户根据其兴趣偏好特征购买的商品作为母事件，以商品特征标签作为子事件，分析母事件与子事件之间的关系，根据母事件与子事件之间的关系，构建因果结构图，得到基于因果关系的规则，完成因果关系的挖掘；

特征选择及预测推荐模型构建模块，分析用户的社交行为和购物行为，根据因果关系进行特征选择，构建用户网购行为预测推荐模型；

预测推荐模块，根据用户网购物行为预测推荐模型，对用户的网络购物行为进行兴趣预测，生成推荐信息；

推荐呈现模块，将推荐信息返回给用户端，用户端根据所述推荐信息向购物首页提供数据以供呈现用户购物推荐内容。

在本实施例中，所述的用户端包括电脑、手机及平板，即所述的用户端为用户在进行网络购物时所使用的工具，可以为电脑、手机或平板，但不局限于所述的这些工具。

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种用户网购行为预测推荐方法，其特征在于，所述方法至少包括以下步骤：

S1.采集用户信息：通过数据挖掘，采集用户的社交行为和购物行为，以获取用户兴趣偏好特征并储存；

S2.分析用户兴趣偏好特征，将采集的用户信息提取特征向量，获取用户属性特征并对用户属性特征进行预处理，筛选出网购行为预测推荐所需的用户特征；

S3.采集商品特征标签，将商品按照其不同的特征标签进行分类并存储；

S4.以用户根据其兴趣偏好特征购买的商品作为母事件，以商品特征标签作为子事件，分析母事件与子事件之间的关系；

S5.根据母事件与子事件之间的关系，构建因果结构图，得到基于因果关系的规则，完成因果关系的挖掘；

S6.结合步骤S2～步骤S5的输出，分析用户的社交行为和购物行为，根据因果关系进行特征选择，构建用户网购行为预测推荐模型；

S7.根据用户网购物行为预测推荐模型，对用户的网络购物行为进行兴趣预测，生成推荐信息；

S8.推荐信息返回给用户端，用户端根据所述推荐信息向购物首页提供数据以供呈现用户购物推荐内容。

2.根据权利要求1所述的用户网购行为预测推荐方法，其特征在于，步骤S1中所述用户的社交行为包括用户的网络关注、评论、点赞、访问主页、写日志及传照片行为；用户的购物行为包括购买服装鞋帽、购买电子产品及购买日用百货。

3.根据权利要求1所述的用户网购行为预测推荐方法，其特征在于，步骤S2所述的对用户属性特征进行预处理的方法为特征工程处理法。

4.根据权利要求1所述的用户网购行为预测推荐方法，其特征在于，步骤S6中分析用户的社交行为和购物行为时，还需对社交行为和购物行为进行优化。

5.根据权利要求4所述的用户网购行为预测推荐方法，其特征在于，对待优化的社交行为和购物行为进行赋值，生成N个个体行为数据，N个个体行为数据独立同分布，将N个个体行为数据样本作为输入，每个样本有M个随机变量作为观察变量，根据因果关系进行特征选择，具体过程为：

首先构造M个随机变量的全连接图，其次设置显著性水平为α，在显著性水平α下对M个随机变量中相邻两个变量执行条件独立性检验，若相邻两个变量存在条件独立性，则删除两个变量之间的边，剔除冗余关系，最终得到剔除冗余关系后最简单直接的因果关系。

6.根据权利要求5所述的用户网购行为预测推荐方法，其特征在于，在显著性水平α下对M个随机变量中相邻两个变量执行条件独立性检验的过程为：

设相邻两个变量为X、Y，给定变量Z，对Z分别进行X和Y的多元回归，然后分别对X和Y的残差进行相关性检验，得到偏相关系数

将偏相关系数

转换为高斯分布，进行计算：

设置信度水平为α，若：

则X非条件独立于Y；否则X条件独立于Y。

7.根据权利要求6所述的用户网购行为预测推荐方法，其特征在于，利用Z-Fisher将偏相关系数

转换为高斯分布。

8.根据权利要求7所述的用户网购行为预测推荐方法，其特征在于，在条件独立性检验中，若

即给定Z,X和Y非条件独立，则X-Z-Y三个变量指向表示为X→Z←Y；

M个随机变量中剩余变量之间的指向规则为：

当存在一个箭头X→Y的时候，将Y-Z的方向确定为Y→Z；

当存在一条链X→Z→Y的时候，将X-Y的方向确定为X→Y；

当存在两条链X→Z→Y和X→L→Y的时候，将X-Y的方向确定为X→Y；

最终输出M个随机变量节点的有向无环图DAG模型，有向无环图DAG模型作为用户网购行为预测推荐模型。

9.一种用户网购行为预测推荐系统，其特征在于，所述系统用于实现权利要求1～8任意一项所述的用户网购行为预测推荐方法，包括：

购物社交数据采集模块，通过数据挖掘，采集用户的社交行为和购物行为，以获取用户兴趣偏好特征并储存；

预处理模块，用于分析用户兴趣偏好特征，将观测的用户信息提取特征向量，获取用户属性特征并对用户属性特征进行预处理，筛选出网购行为预测推荐所需的用户特征；

购物数据采集模块，采集商品特征标签，将商品按照其不同的特征标签进行分类并存储；

因果关系挖掘模块，以用户根据其兴趣偏好特征购买的商品作为母事件，以商品特征标签作为子事件，分析母事件与子事件之间的关系，根据母事件与子事件之间的关系，构建因果结构图，得到基于因果关系的规则，完成因果关系的挖掘；

特征选择及预测推荐模型构建模块，分析用户的社交行为和购物行为，根据因果关系进行特征选择，构建用户网购行为预测推荐模型；

预测推荐模块，根据用户网购物行为预测推荐模型，对用户的网络购物行为进行兴趣预测，生成推荐信息；

推荐呈现模块，将推荐信息返回给用户端，用户端根据所述推荐信息向购物首页提供数据以供呈现用户购物推荐内容。

10.根据权利要求9所述的用户网购行为预测推荐系统，其特征在于，所述的用户端包括电脑、手机及平板。

Images