文摘
为了减少客户的时间选择他们感兴趣的商品,提高采购效率,提高销售的成功率的商人,为企业创造更大的经济效益和商人,这个项目收集信息和数据的电子商务用户,使用神经网络模型来分析和挖掘数据特点和电子商务用户的购物记录。分析结果显示,用户基于电子商务的商品推荐系统利用数据挖掘技术实现。通过数据库技术的结合,生成的事务和浏览数据收集在电子商务交易的过程中。格式化和使用收集到的数据作为输入的数据挖掘。然后我使用数据挖掘技术,分析用户感兴趣的商品,使匹配根据类型的商品,推荐用户感兴趣的商品根据给定场景下建立了预测模型。结合模糊聚类的协同过滤算法,本文推荐用户感兴趣的产品,挖掘历史数据和商品信息。
1。介绍
电子商务的普及给人们的生活带来了巨大的方便。通过研究电子商务用户的行为特征,我们可以为用户提供高质量的服务,大大提高电子商务交易的成功率。因此,分析电子商务用户的行为数据的特征是一个关键的教训在当前电子商务领域(1]。电子商务是一种业务与信息网络技术手段实现交换商品的目的(2]。它是一个网络基于互联网、局域网、增值网络,和其他网络的形式,而不是传统的货币商品作为一种手段,一种电子交易,实现网络的价值交换,电子。由于电子商务交易模式的变换,交易面积广泛,表现出一种全球化的状态。电子商务市场规模的逐步扩大,它不仅为用户提供了一个广泛的商品,但也为用户提供了更丰富的选择3]。然而,面对这样的各种商品信息,用户如何快速、准确地选择他们所需要的商品也成为用户关注的话题和电子商务4,5]。为了减少时间选择客户感兴趣的商品,提高采购的效率,并改善业务销售成功率的企业和企业创造更大的经济效益这一主题通过电子商务的用户信息和数据收集,分析矿业电特性和购物记录,和用户数据,根据分析结果利用数据挖掘技术为用户推荐商品,用户产品推荐系统基于电子商务实现(6- - - - - -9]。
主要有两种形式的产品推荐,传统的推荐和个性化推荐,如图1(10]。常规的建议是比较常见的,这意味着商家显示某些主流特定产品推荐的位置,然后将类似产品(11]。例如,如果消费者购买空调的平台,系统会自动推荐的冰箱。个性化推荐是不同的。主要是分析消费者的购物习惯和需要产品作为主要的特点推荐指标。例如,消费者可以选择推荐选项,他们购买了其他产品,从而实现人性之间的关系和物理性质12]。最常见的产品推荐如下:猜你喜欢底部的主页,如购物车,购物后推荐其他产品你会感兴趣。不容易分析用户行为的巨大的电子商务用户组,所以它是非常必要的准确分析用户行为特征通过有效的数据分析方法在电子商务用户行为数据(13]。作为一个有效的数据挖掘方法,聚类分析已经无监督学习的特点,可以发现隐藏在大量不规则的行为模式和嘈杂的电子商务用户行为数据,显示隐藏的电子商务用户行为数据的特点,为人们提供理论支持的决定和判断。然而,传统的K聚类算法则有大量的计算的缺陷和长时间来获得最优解14]。
2。应用聚类算法的重要性
随着网络金融的发展,它给人们的生活带来了更多的方便,为电子商务的发展提供了更多的资金(15]。在电子商务贸易中,因为它以互联网为必要的交易媒介,买家和卖家可以实现transtemporal和跨地区的事务,而不是面对面的交易。电子商务的主要形式是在线购物,在线电子支付、网上交易商人之间的沟通,等,和相关的企业财务和综合服务活动已逐渐成为一个新的操作模式(16]。目前,电子商务的迅速崛起,电子商务活动在世界各地增加;相对大型的互联网公司已经建立了一个交易系统以电子商务为核心的平台。电子商务平台的建立会吸引更多的消费者,提高平台的数据库,为跨境整合奠定基础和合作的大型企业。因此,电子商务迅猛发展的今天,传统的ERP系统只能满足最基本的和简单的电子商务交易过程中。随着各种用户需求的增加和各种产品信息,它已成为越来越重要的推荐商品的基础上,传统的电子商务模式(17]。
电子商务市场的不断扩张带来了丰富和多样化的商品对消费者和电子领域也增加了商品的选择(18]。然而,随之而来的问题是,多元化产品影响消费者的眼睛,使他们无法使用有效时间快速选择他们所需要的产品。目前,最受欢迎的推荐算法主要包括以下几点:(1)基于产品内容的推荐算法。推荐方法主要分析产品属性来产生新上市的产品。然而,这种方法有一些有限的需求个性化发展。(2)算法主要基于商品知识:该算法系统需要分析消费者的知识水平和其他相关信息,同时,它还需要利用相关知识的特点和专业的产品,主要取决于消费者之间的信息交换状态和系统产品。(3)协同过滤的推荐算法主要用于(19]。最经典的一种推荐算法,改进传统的协同过滤推荐算法包括在线协调和离线过滤方法。目前,协同过滤仍然是最广泛使用的推荐算法和推荐领域发挥着极其重要的作用。为了减少客户的时间选择他们感兴趣的商品,提高采购效率,并改善业务销售的成功率,为企业创造更大的经济效益和企业,这一主题设计和实现了基于电子商务推荐系统用户商品(20.]。该系统不仅实现了电子商务的交易行为。此外,用户的偏好进行分析和挖掘消费者的行为,如检索、浏览和购物,从而实现产品的推荐给用户。
在这项研究中,用户感兴趣的商品是挖掘和分析了数据挖掘技术,根据商品的类型匹配。Fourthermore,改进传统的协同过滤推荐算法研究,和模糊c——(FCM)聚类和协同过滤算法结合到系统中。推荐算法选择最有趣的产品组根据一定的规则推荐替代产品。摘要模糊c均值聚类算法并进行数据处理。此外,配置建议执行方法作为工具进行消费者行为分析。最后,电子商务中的消费行为是通过大数据识别和分类。
3所示。建立预测模型
3.1。c均值聚类算法
模糊c均值聚类算法的工作原理图如图配置的推荐方法2,这是一个核心研究对象的方法。特殊的识别过程中为用户推荐产品在电子商务中基于计算由计算机生成的离散模型用于分析bybig数据。此外,并行集群和分布式聚类算法被应用于implemente计算集群(21]。数据分析过程经历了三个步骤:数据收集、数据分析和数据集成。为了为用户推荐产品在电子商务中,找到最合适的分析方法通过分析各种数据的方法(22]。目前,聚类分析,分析基于现有的组件相关联的数据,和分析基于数据之间的顺序关系。FCM分析、多元统计分析的一个分支和非监督模式识别的一个重要分支,是一种分组方法类似样品成一个类。FCM聚类算法是聚类分析的方法之一,也无监督学习的优势;特别是当集群的数量是已知的,这个方法对模式识别有很好的效果。当数据集的值X、聚类类别数C,和体重r(一般采用),FCM算法可用于确定最优模糊分类(23]。本文将大数据量集群技术是有效的。大数据集群技术的核心思想是解决计算复杂性和计算成本之间的关系,以及可伸缩性和速度。因此,大数据聚类算法的重点是提高可伸缩性和算法的执行速度的代价最小化聚类质量。并行集群和分布式聚类算法应用于本研究需要实现在计算机集群。多机集群的硬件架构图所示3。本研究介绍了功能性需求和非功能性需求。其中,功能需求主要包括系统的总体框架、各部分的需求分析的功能,用户的角色,而非功能需求包括网络系统性能的要求,应用系统的性能和数据的性能。与神经网络算法相比,聚类算法是一种无监督算法。因为它不需要训练集,算法简单、快速。此外,自适应聚类不需要提前设置一个特定的值,可以使聚类结果自适应(24,25]。
模糊C均值聚类算法将数据集划分为C子集,和相应的模糊划分矩阵U是生成的。cj是每个集群的中心,可以记录吗c,μ,j是第i个样本的隶属函数对应jth类。集群损失函数基于隶属函数所示下列方程(25]:
当迭代次数c,聚类中心向量的总和计算
输入类的聚类中心向量我k在迭代:
的结果在迭代
根据方程(4),Uij(b+ 1)被更新为uij(b+ 1),即 在哪里uij(b+ 1)是所需的输出。
3.2。仿真实验分析
根据机器学习算法的一般过程,首先,采用一维离散小波变换特征提取的数据和样本分为训练集和测试集,利用训练集FCM聚类算法的控制图模式识别训练,最后用测试集测试算法的准确性,根据图的具体技术路线4(26]。
形成两个新的个体,跨越的方法米th染色体y乔丹和nth染色体yn在位置j如下: 在哪里 是一个随机的数字。
为了提高人口的多样性、连续性和趋势模型
然后,突变型模型 在哪里d质量特性参数的观测值在制造过程。是系统控制质量特性参数的平均值。
自从FCM聚类算法不需要大量的训练样本,蒙特卡罗方法用于生成180个训练样本,符合要求的训练集的数量。用户对项目的评分向量ru的会员向量对应的特征项f我。
3.3。预测算法的属性
一个三层神经网络的输入层、隐藏层和输出层了(27]。这两个网络的输入层和输出层有一个节点。隐层的激活函数使用非线性函数的输入和输出数据。建立一个网络的隐层节点,以保证网络误差收敛到尽可能小的前提下,减少网络的训练时间,与此同时,为了避免网络样本的拟合现象,实验时间训练,调整网络参数,最后我们选择和使用150个节点的神经元在神经网络隐层结构设置。为了确保训练精度,网络的迭代的数量设置为500,和误差(MSE)收敛于0在训练。
作为一个经典数据挖掘聚类算法,c均值算法(28)是一个简单的和非常有效的算法(28]。摘要空间c均值算法的聚类算法在商品推荐系统分为四个步骤,利用经典的c均值算法如下。(1)首先,设置n用户和把这些N用户作为初始聚类中心。(2)计算其他用户,每个用户分配给集群中心集相似度最高的。(3)计算新生成的聚类,生成新的聚类中心根据用户对项目的评分。(4)重复上述2 - 3步骤,直到没有改变集群。
当用户产品研究基于电子商务推荐系统,本文采用FCM和协同过滤算法来加快数据的计算速度,减少实时响应时间,提高可伸缩性。因此,准确、精度和实时的推荐改进(见图5)
然后,保存最优解根据健身价值,记录最优解,并取代当地的解决方案与全球解决方案。最后,确定是否满足终止条件。如果不是,重复步骤3和步骤4。如果是这样的话,网络输出的最优权重和阈值(29日]。
个体适应度的计算公式F如下: 在哪里n网络的输出节点的数量,预期的输出我th节点的反向传播(BP)神经网络,是实际的输出我th节点,k是系数。
选择的概率每个单独的我是 在哪里个人的健身价值吗我,N是人群中个体的数量。
模拟计算的误差评价采用平均相对误差均方误差、平均绝对误差,即 在哪里是实际的价值,是预报值,样本数量是 。
研究了平均绝对误差(MAE)才是真正的值与实际值之间的绝对差值和预测的。平均相对误差(绝笔)平均绝对误差的平方绝对误差平方和的真正价值,用于测量预测值和真实值之间的偏差概率。此外,均方误差(MSE)的平方的真正价值的期望值之间的区别。这些值是用来测量数据的改变程度30.]。
4所示。信息的评价模型
接下来,FCM和协同过滤算法相结合的方法,详细介绍了个性化推荐过程,以促进体重分析用户感兴趣的商品,从历史数据挖掘和商品信息。数据处理模块主要处理用户数据和商品来自两个方面的数据。第一种数据是其他类型的产品用户浏览浏览某种产品时。在给定的推荐方案中,根据商品之间的分析和目标用户,用户感兴趣的商品是挖掘和分析了数据挖掘技术,根据商品的类型匹配。根据建立购买记忆功能,通过结合FCM和协同过滤算法,体重进行分析用户感兴趣的商品,从历史数据挖掘和商品信息(31日]。聚类分析是根据重量对商品进行分析结果、和个性化商品推荐。因此,个性化推荐的商品主要包括三个部分:类型匹配的货物,重量分析用户感兴趣的商品,和聚类分析的货物重量分析结果。
本研究主要介绍了设计的过程,用户基于电子商务的商品推荐系统。首先,系统的设计中采用的设计原则,介绍了的体系结构设计和功能设计,然后介绍了用户的商品推荐系统的每个部分(32]。最后,推荐系统的数据库设计说明和介绍。用户产品推荐系统的设计基于电子商务系统的实现提供了依据。
5。计算结果进行了分析和讨论
根据一定的规则,产品推荐模块选择产品目标用户最有可能替代产品集的建议感兴趣,这主要包括三个部分:推荐现场施工、重量分析和个性化产品推荐。方法本文信息熵的聚类分析方法,基于神经算法和聚类分析方法,分别用于聚类分析所选的12个数据集,和聚类准确性如图6。
从图可以看出7该方法的平均聚类精度高于其他两种方法。如图8本文展示了通过使用一个数值分析预测行为。这个例子提出本文也应用于解释选择的索引处理分配的权重。此外,还有对学习过程的影响与每个索引执行最终的预测结果。
基于近10000注册用户的数据在三年一个电子商务的网站,7418年至少有一次登录的用户和有购买记录被选中为研究对象进行数据分类验证数据集上使用C-FCM数据集和Minimax-FCM。经过初步统计分析用户的早期阶段,发现聚类数量和SSE相应的采购时间和采购数量的用户数据所示8和9分别。多维的过程中用户分析与大量的水平,选择c均值聚类簇可以控制的一个关键维度在降维的用户组。经典RFM模型的用户分类,最后购买时间R,即从最后的购买时间为当前时间间隔,是最重要的指标。在这篇文章中,总误差的总和R被选中来区分用户集群的集群数量。上次的索引处理,两个集群的数量10和100选为参考。集群的数量和相应SSE运行结果如图9。
每个集群电子商务子系统和表达子系统由多个指标变量。因此,有必要消除冗余索引变量通过灰色关联分析方法,并选择一个代表从每个集群索引变量。灰色关联分析的结果指标变量的电子商务子系统和灰色关联分析的结果指标变量表达子系统在本研究中所示。随着集群的增加价值,用户将更准确的分组,和集群中聚合的程度也将成为更高;也就是说,上交所将逐渐减少。当集群数量达到真正的价值,上交所将缓慢下降,成为稳定;细分就没有实际意义。从数据可以看出3和4这是家庭的数量K继续增加,当K值是大于4,上交所显著减少,基本上变得稳定。换句话说,当K= 4用于分析c均值算法,适用于当前用户的聚类分类的精度要求。两个特殊集群出现在c均值分析结果;每个集群只包含一个值,和购买金额4820元,分别为248和1352426元人民币。用户在这两个集群的数量很小,但从采购的角度来看,电子商务企业的用户是非常重要的,因此,电子商务企业需要投入更多的资源,维护的关键。其他两个集群包含大量用户,和最大的购买金额只有912380元。因此,可以再次执行c均值聚类分析的用户组采购金额小于一百万元,结果如图所示6。为了满足电子商务的要求企业合理分类的用户,应用上述理论和方法,分析结果后运行程序图所示10和11,分别。方法本文信息熵的聚类分析方法和基于神经网络算法的聚类分析方法,分别用于聚类分析所选的12个数据集,和聚类准确性如图2。可以看出,该方法的平均聚类精度高于其他两种方法。
6。Optimizatied算法基于模拟数据
c均值聚类分析的连续应用,一方面,识别数据中的奇异点但高度重视用户和,另一方面,使分类用户可控度和结构清晰。在每个集群用户分类特征如下表所示。在集群中0,用户购买数量和购买频率相关性非常低;即购买这样的用户数量的增加不会带来用户购买数量的增加,但是由电力企业单超过一百美元免费分配政策影响,这样用户价格敏感,购买频率特别低,和产品的数量需要增加低价值,指导这样的用户购买高价值产品的电子商务企业的营销策略,以提高用户的贡献。集群1中很少有用户,但是用户的购买数量是集群中的所有用户接近0,和它的购买频率和平均单量非常高。这是一个战略企业用户的电子商务,电子商务企业需要派专业人员保持与用户的关系。集群2的用户有很大的购买数量和购买频率更高,但平均单量不高。他们应该委员会电子商务企业、用户和电子商务企业需要发送技术人员提供技术指导或帮助。其他集群的用户也展示自己的特点、服务分配提供数据依据和精确营销的电子商务企业。
该方法的参数和性能的关系如图所示11,该方法的聚类精度最高,和基于遗传算法的聚类分析方法有更高的精度比基于信息熵。因此,在集群效率的比较分析中,该方法的聚类效率和基于遗传算法进行比较,结果如图所示12。因此,迭代过程的总时间提出了效率明显降低,具有显著的优势。(1)大多数用户购买产品通过主页和产品介绍页面,所以他们被排除在用户行为分类的特点。(2)用户群分类我的页的商品分类,商品销售,和其他功能所占的比例较低,而商品搜索和购物车的页面占很大比例。因此,类我可分为类型的搜索用户通过搜索页面搜索和购买商品。(3)类别II的用户组,用户行为分类的商品页面的比例明显高于其他页面,同时基本商品搜索页面或购物车页面,这表示,用户购买商品通过平台主页选择商品类型和选择他们的商品介绍页面。然后,他们将商品添加到购物车购买,商品在购物车中选择的顺序是一致的销售订单,在三个不同的类别,这个类别占50%以上,这一类的用户可以被定义为普通用户。(4)在三级页面用户行为的特殊销售比例最高,而其他页面比例较低,说明这个用户群体更多的关注为特殊的销售页面,用户可以定义为促销。收敛性研究预测数据如图13。
从表可以看出1和图12预言的均方误差的值,由c均值聚类算法对企业经济效益都显示逐步上升趋势后,采用不同的方法来集群对象的用户行为。本文的方法最重要的改进,和使用时间的延长,电子商务平台的经济效益更重要和有更大的应用价值。
互联网公司利用大数据技术来收集各种各样的关于客户的数据,并通过大数据分析建立系统的用户画像来描述用户抽象的整体信息,这样用户可以个性化推荐,精准营销和广告(33- - - - - -35]。当用户登录到该网站,系统可以预测用户的意图,然后找出商品库和推荐合适的产品给消费者。电子商务推荐支持大数据的核心是推动企业的业务用户需要这个业务大部分在正确的时间,正确的载体,以正确的方式。在互联网时代,用户的消费行为是容易在短时间内改变,那么大数据市场营销可以及时实现当用户的需求是最大的36]。因此,大数据和机器学习技术在电子商务可以实现一对一营销细分用户根据用户的兴趣和需要在特定的时间点和及时根据实时调整营销策略效果的反馈。
7所示。结论
摘要电子商务用户行为的聚类分类方法提出了基于组合优化来提高聚类分析电子商务用户行为的影响。结合BP神经网络算法和c均值算法,聚类分析的数据集上进行电子商务用户行为。基于组合优化理论、聚类分析实现电子商务的用户行为。实验验证,该方法可以获得高精度的聚类结果。格式化和使用收集到的数据作为输入的数据挖掘。通过用户的行为记录,分析潜在用户的喜欢,喜欢程度的商品和建立用户偏好模型。通过商品分析,商品相似,商品搭配,目标用户标签进行了分析。然后我使用数据挖掘技术,分析用户感兴趣的商品,使匹配根据类型的商品,推荐用户感兴趣的商品根据给定场景下建立购买记忆功能。最后,通过FCM和协同过滤算法的组合,推荐用户感兴趣的商品,从历史数据挖掘和商品信息。
本研究还简要讨论大数据在电子商务中的应用。大数据是如此广泛应用于电子商务,大数据的发展在未来将越来越快。此外,大数据的影响将会越来越深刻,对于电子商务来说,关注大数据不能减少。数据驱动的时代结合机器学习来了,和大数据肯定会成为一个巨大的能源在未来影响这个时代。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有已知的金融利益冲突或人际关系可能出现影响工作报告。