面向在線用戶消費行為理解的數據挖掘方法研究.pdf

1、近年來隨著IT產業(yè)的迅猛發(fā)展，特別是（移動）互聯網及在線社交網絡的普及，人類傳統的生活社交方式和消費購物模式從線下轉移到線上。億萬在線用戶的消費行為記錄蘊藏著巨大的科學及市場價值。對在線用戶消費行為進行研究對引爆互聯網經濟、為互聯網服務提供商制定商業(yè)戰(zhàn)略、提升用戶滿意度有著重要意義。因此如何利用數據挖掘技術對在線用戶消費行為進行理解成為計算機學科及相關交叉學科的研究熱點。然而已有的在線用戶消費理解算法面臨著數據源稀疏異構、消費決策復雜性

2、及多學科交叉等挑戰(zhàn)。為此，本文以不同類型產品為實例，提出利用數據挖掘技術，結合心理學、社會學、營銷學等交叉學科知識，設計建模方法，實現對在線用戶消費行為的理解。本文工作與貢獻可以概括如下:
　　首先，提出基于用戶興趣建模的消費行為理解模型，構建消費產品推薦算法?；趨f同過濾的推薦算法的基本假設是用戶消費行為受到自身興趣愛好驅動，因此用戶興趣建模是推薦系統的核心問題。為解決用戶興趣建模中消費數據的高稀疏性及冷啟動問題，本文提出二層的

3、協同過濾框架NHPMF。NHPMF根據用戶生成的標簽信息，將標簽鄰居關系引入到矩陣分解模型中，實現基于協同過濾的兩類主要算法（局部鄰居模型和全局矩陣分解模型）的互補優(yōu)勢。實驗結果表明該方法可以顯著提高推薦系統的精確度。另一方面，針對傳統的用戶興趣建模的推薦算法以提高精準度為目標而導致的推薦結果同質性較高、缺乏多樣性的問題，本章還從用戶滿意度出發(fā)，提出面向多樣性的用戶興趣建模及推薦框架REC。具體而言，REC框架中設計覆蓋度指標衡量傳統推

4、薦中無法測量的集合整體效用。在該覆蓋度標下，實現了高效的算法同時優(yōu)化推薦過程中的精確度和覆蓋度。三個真實數據集上的實驗結果表明，REC模型無需任何額外知識，可以在不損失精準度的條件下提高推薦結果的多樣性。
　　其次，提出社交網絡情境下用戶消費行為建模及預測方法。社交媒體下用戶消費行為的一個典型特征是信息的傳播性導致鏈接用戶之間的行為相關性。本文借鑒交叉學科對用戶消費行為的研究，提出社交情境下預測用戶消費行為的三大主要因素:用戶自身

5、興趣、社交同質性及社交影響力理論。設計了社交圖下的有監(jiān)督學習模型SHIP，自動衡量這三類因素對用戶消費行為的貢獻。在實驗階段通過跟蹤用戶發(fā)送的微博信息，收集了大規(guī)模網絡用戶的手機消費數據。實驗結果表明提出的SHIP模型在預測用戶智能手機使用任務上的優(yōu)越性。另一方面，針對相關工作利用二元數據（消費或者沒有消費）刻畫用戶消費產品的缺陷，進一步提出了產品使用率的概念追蹤用戶對產品偏好的時序變化，設計產品使用率決策函數整合不同因素對用戶產品使用

6、率的影響。并根據用戶自身決策的復雜性，提出了非個性化及個性化權重區(qū)分用戶之間的差異性。實驗表明，與基準算法相比，提出的相關模型在用戶產品使用率預測上有著優(yōu)異表現。
　　最后，提出社交服務平臺下的用戶-產品的消費行為及用戶-用戶的社交行為共同演化分析模型。事實上，社會學的社交影響力理論與同質性理論表明用戶的消費行為與社交鏈接行為相互影響，共同導致了社交服務平臺隨時間的演變。為此，本章設計一種聯合建模算法EJP，通過隱向量模型構架用戶