文摘
客户消费行为的预测显示属性,个人喜好和内在的法律。组织可以受益于进一步了解客户需求和业务的欲望通过监控客户端行为提供更精确的收购建议,提高利率。客户的经济学,买家分组,和产品质量是只有少数的为数众多的变量,影响客户的行为。必须解决的关键问题是如何过滤出有用的信息从这些大量的数据来预测客户的行为。客户消费行为的预测和分析一个先进的定量研究过程中,我们提出了多目标进化算法,显著提高消费行为预测的准确性。收集的数据集最初基于消费者偏好和行为作为整个预测模型的基本信息。Min-max正常化作为组件的数据的预处理消除冗余和多余的数据。Word2vec模型用于特征提取,提高了蚁群优化(BACO)是用来选择最好的特性。利用提出的多目标进化算法(MOEA)预测。建议系统的性能评估和度量与更成熟的方法。 The findings demonstrate that the suggested MOEA technique performs well than the traditional ML, XGB, AI, and HNB algorithm methods in terms of accuracy (95 percent), quality of prediction (97 percent), precision (99 percent), recall (93 percent), - - - - - -分数(98%),预测时间(50秒)。因此,结果表明,回归模型是可持续的。建议消费行为预测系统已经证明了它的效率提高盈利能力。
1。介绍
许多商业网站在互联网上提供一个丰富的数据情况下,连接,和态度。理解客户的行为可能是有用的在分析消费者特征,产品之间的交互和其他话题。因此,构建消费结构基于数据不同的消费者的购买行为是一个非常有用的研究主题。进行消费行为预测、信息提取和用户影响力分析,各种各样的技术,包括文本挖掘,统计理论、关联分析和可视化工作。通过评估电子商务平台的行为数据,预测提取用户的消费偏好和行为习惯和计算完成预期未来支付行为的可能性。预测结果包括产品申请建议,放置广告,和其他东西(郭et al。1])。预测显示了消费者消费行为特征,个人的选择,和潜在的约束。通过观察消费者的行为,企业可以获得更大的洞察客户需求和公司的愿望,这将帮助他们,做更准确的建议,增加市场的条款。只有少数的许多影响消费者行为的因素包括产品质量,买家群体,经济学和客户。嗯,如何从这些海量的数据中提取相关数据来预测客户的行为是需要解决的主要问题。消费行为的预测成功增加了消费者行为的预测效果是用于公司增长预测和分析使用复杂的定量研究方法。它是用来过滤出有用的信息从这些海量数据预测(田et al。(2])。
在真实的应用程序中,不平衡数据分类问题更加困难。客户从事在线业务通过浏览和寻找类似的物品进行家务像采购或其他连接在电脑仲介环境中活动。统一和一致的客户需求、动机、行为和回忆的购买选择。可能潜在链接几个客户行为可能开采的通信网络,并可以达到预测的目的。消费者的采用预测策略是快速和高效的识别和细分消费群体。也让它更容易映射这些团体之间的差异和对比客户行为在其他市场(李等。[3])。业务已经成为人们消费的主要方式之一,在日常生活中,严格监控计算机互联网的进步和互联网服务的快速增长。怎么样,value-extract从大量的用户行为消费数据,与此同时,最新一期(Mody和Bhoosreddy [4])。这对许多企业仍然是一个挑战,特别是当涉及到有效地分析和预测用户行为,创建客户信息、用户分类基于类似的行动,并提供个性化的营销和产品建议。
图1描述了应用程序的消费行为的预测。在回答上述问题,电子商务正在经历这执行视觉分析的许多因素影响客户的购买决策。使得相关企业量身定制的建议和提高运营利润从实用的角度来看是很重要的。它使用一个逻辑模型来预测用户的购买行为的影响完全理解业务(肖和通5])。个人迫切必要的调整自己的消费行为更负责提供安全、健康的生活环境对未来几代人由于加速生物多样性丧失、经济改革和相关的危机。尽管研究已经证明,个人购买商品和使用服务周围的栖息地可以更新,管理或堆肥,似乎大多数人仍然认为经济很大程度上是相关的创建和消费商品。促进循环经济的转型,必须改变目前的消费文化与消费预测(加戈(6])。
现有的前所未有的增长结构不会改变的综合资源行动计划,这仍将是纯粹的理论工具。虽然思想对可持续消费行为已经存在了一段时间,仍然需要更多的研究基本概念因为现象的复杂性和无数的理由。例如,有一项研究,调查的请求之间的关系的因素,而不仅仅是一个组件组合评估企业担忧能预测消费者行为(群等。7])。消费者行为在团体或组织而选择和获取服务,商品,经验,或创新来满足他们的需求和对买方和社会产生影响。企业竞争力是确保知识的条件下,变量和行为原因的客户(Ahmed et al。8])。深入检查市场细分和客户需求是必要的评估消费者行为对公司创造新的产品,新的信仰,社会心理学。后来公司必须采用可靠、高效和适应性的营销计划,确保收入和销售基于客户行为的分析。通过战略规划和基于目标细分市场目标的计算模型,它成功了。这个消费持久性组件集中在评估如何影响消费者行为的承诺和解决障碍值转换成行动(赵et al。9])。因此,我们提出了一个多目标进化算法,提高了预测的消费行为和减少现有技术的不足。
1.1。研究的贡献
(我)本研究为消费者提供了一种新颖的多目标进化算法的方法预测来提高业务增长(2)Min-max正常化用于预处理执行一系列程序修改或删除冗余数据(3)使用Word2Vec模型、最优数据特性可能会从非结构化数据中提取(iv)的度量模型与传统的预测技术研究和对比(v)这种方法纠正了现有技术的不足,极大地提高了商业客户行为的预测
其余部分的结构如下。相关的文献和所呈现的问题陈述的部分2。拟议的工作提供了部分的解释3。部分4结果和讨论。该论文的结论提出了部分5。
2。文献调查
舒克拉et al。10)利用监督和非监督机器学习算法进行调查相关消费行为的因果关系预测集成预测能力和解释能力时提供一个更全面的了解proenvironmental商业消费行为。无法获得确切数据滤波参数。陈等人。11]采用attitude-behavior-context (ABC)理论,构建一个方法论的方法发现消费者的知觉是否公司的有效性影响的收购产品。也看了部分中介的环保产品的利用率的心态以及评论审核技术和通信实现的影响。其不完整的消费统计数据可能会影响性能。刘等人。12)提出了一个基于位潜在时空特征提取方法的最佳学习行为。组织各种各样的行业继续创造新的消费者消费行为价值评估算法由于大数据和人工智能的发展增加获得客户的可能性的预测。这种形态在分类精度方面表现很差。Amasyali和El-Gohary13]提出的概念,基于机器学习的大数据技术处理数据和分析预测客户行为在社交媒体上。他说,社交媒体被广泛使用在我们的社区,目前。社交网络平台正被人们消费各种商品。数据预处理在机器学习为低增强的数据和预测的准确性。
VLN和Deeplakshmi14)提倡使用支持向量机基于机器学习来创建有效的预测消费者行为的系统。这些系统可以帮助企业提高他们的收入通过吸引新客户,留住现有的,和提高客户忠诚度。偶尔有针对性的分类可能重叠(Shahabaz和阿夫扎尔15])。王等人。16)提出了一个适应性强的解构主义方法基于回归原始测量值分解成一个模式序列和变异的集合,然后创建匹配直线回归模型预测消费行为模式序列的预测和展览的结果在特定测试的情况下在商业用户。如果有数据非线性相关性,线性回归模型执行不佳。Revati et al。17)建议采用高斯过程回归预测消费者行为集中负荷曲线预测的数据驱动的方法强调的好处模范自由环境,用于设置特定的需求反应计划接受激励喜欢钱。这个模态不能定位分组数据。马利克et al。18)促进了机器学习技术的使用和功能链接预测神经网络构建高效的系统客户multiresource云数据中心消耗。解决下,获得问题,获得的服务导致更高的费用和增加能源使用。multi-variety云资源使用的预测是一个困难的问题由于潜在的快速和不成比例的资源利用率的变化。它有非常低的准确性。
Najman et al。19使用GNG]提出神经网络寻找和探索客户购买行为的趋势。这将有助于营销人员充分理解客户的行为和为国际业务创建有针对性的战术。预测行为需要更多的时间。Chakladar et al。20.]使用健壮的长期短期记忆(LSTM)基于深层神经网络模型构建为消费者和消费者偏好,而可视化分类广告旨在提供一个主要贡献者的消费者行为,因为它给了指导方针后,消费者偏好浏览互联网广告。LSTMs容易激活的特定的初始化函数(李21])。Phyo et al。22]建议利用机器学习算法降低了错误率,被教导要创建计划投票回归量模型,这是必不可少的能源生产商为了满足所需数量的能源消费和供应之间的关系。数据集的分类利用这个模型更为复杂。
Asiri et al。23]采用多级随机森林预测消费者行为,这是一个至关重要的领域的行业决定多少费用为每个商品。公司的大部分利润直接相关的销售比例,这取决于不同的客户特点,包括消费者行为和市场竞争。可能过于缓慢和低效的方法真实的预测由于大量的树木。Subroto和Christianis24)建议使用多层感知器预测消费者行为分类评审为高或低额定使用相关的业务标准。拥有一个更好的理解客户的审查行为可能导致当事人采用有效的策略包括在这项研究中,如政策来管理用户评论通过维持高水平的客户满意度。调优的特性影响多层感知器(Salihu和Iyya [25])。Jupalle et al。26]提出的使用机器学习算法从互联网上收集评论,把他们分成五类高度积极有利的,平衡的,可怕的,严重的负在试图预测人们购物时的行为。大规模数据集需要机器学习为了训练数据集。
Chaubey et al。27)推荐使用 - - - - - -最近的邻居(资讯)来预测消费者行为因为很多销售和服务型企业需要突出连接的客户机,同时引入新的产品,服务,和改良旧产品。他们必须专注于当前的客户在做这个。这些消费者的行为为企业提供数据如何推销他们的商品。而是低效率的计算。Sheoran和库马尔28]调查如何计划行为理论(“被用来理解可持续消费行为的多方面的角色使用描述性和分析方法和执行消费行为预测、信息提取和用户的影响分析。需要大量的时间和精力。小张和小王29日)开发了一个增强的森林深处战略预测消费者行为,这对公司增长是至关重要的。它是企业情报的最重要的元素之一。消费者的预测和评估提供信息业务应如何处理其劳动力,营运资金,资产和收入Maddikunta et al。30.]。把树时,它拥有完整的内存空间。表1显示现有的方法的列表。
现有方法的局限性无法执行在非线性数据的相关性,准确分类、数据过滤不足,可怜的功能优化,和更多的时间消耗。因此,上述过程不再是能够满足客户的实际需求的行为。因此,该激励来解决现有技术的缺点,大大提高预测消费者行为;我们提出了一种多目标进化算法。
2.1。问题陈述
预测显示消费者的消费行为特征,个人喜好,基本约束。企业可以更好地理解客户需求和公司目标通过监测消费行为。这将使他们能够提供更合理的建议,扩大他们的市场份额。几种预测模型的发展有几个缺陷的分类和预测消费者的行为。因此我们引入了多目标进化算法来解决现有技术的局限性,大大提高客户行为的预测。
3所示。提出的方法
成功的消费行为预测提高了预测消费者行为,提高企业盈利能力的价值。因此,我们提出了一个多目标进化算法和特征提取,Word2vec模型,提高了蚁群优化(BACO)用于选择最好的特性,提高预测的消费行为。图2描绘了拟议的工作流程,本节给出了一个全面的描述。
3.1。数据收集
网上收集的数据是利用QQ、电子邮件和微信来自中国消费者最多参加了一个网上购物狂欢节(OSC)在前面的三年。因此,安慰调查法收集信息从消费者生活在长春和吉林城市(n e中国),2和3线城市的社会市场利用率(在线网络)(DATA500)。然而,由于调查仅限于四个城市从一级市场群社会利用率,这是建议,他们还包含其他地理区域检查OSC的行为。初始数据收集357份问卷,然而,在300年消除无效的,有效的调查(84.03%)保持(刘et al。31日])。
3.2。使用Min-Max规范化数据预处理
数据预处理是第一阶段和调查至关重要,因为它对每个预测模型的有效性的数据完整性做出预测。低信息质量结果,使它不可能找到质量结果和需要数据分析预测数据变化。最流行的一种技术规范数据min-max正常化。每个功能的最低和最高价值都转换为0和1,分别,而其他值都转换为十进制在0和1之间。每个元素的完整的数据集是由一个值在0和1之间。
它建立了一个数据范围通过指定分母是最伟大和最低数量之间的差异。它是可行的,显示每个组件的值在0和1分子通过扣除每个y分量的最小值组件。是可行的附近建立一个大值“1”和一个较小的数量接近“2”的分子被扣除的最大值组件从每个组件,如方程所示(2)转移和反向min-max正常化。它包括转换测量值从一个到另一个规模,它可以更加复杂匹配修改值的后验分布。Min-max归一化分割数据值的范围,或最大和最小之间的距离,扣除最小值的数据点。
在哪里代表了最低,代表最高,表示最大和最小之间的区别
在哪里是分母的恒功率。
3.3。使用Word2Vec模型特征提取
特征提取是将非结构化数据转换成数值特征的过程,当原始数据收集必要的信息。与原始数据应用人工智能,计算机化特征提取使用专门的算法或神经网络自动从数据中提取特征,不需要人工输入。这种方法可能非常有用当试图迅速转型,从创建原始数据的人工智能系统。提取数据的特性,我们采用Word2Vec模型。Word2Vec模型在最初的创建过程。
使用这种方法,Word2Vec是两个不同的层,浅被训练的神经网络重建数据上下文在语言方面。消费数据语料库作为输入和提取一组向量作为Word2vec的输出。它巨大的语料库文本作为输入和输出向量空间,通常几百维度,每个不同的词语料库是给定一个匹配的向量。Word2vec方法的概率最大化猜测这个词的上下文或相邻的单词通过计算每个单词的矢量值和测量词汇之间的语义距离。它使用一个零识别特征数据的价值。值将改变语义上等价关系。
Word2Vec决定数据在每个文本之间的分离和垃圾邮件和火腿关键词。两个特征时创建单独的类添加这些值。组织数据表示使用Word2vec-calculated分布式矢量方程所示(3)。的根本利益分布表示消费者数据的空间距离相关,这使得它更容易推广观察模式和产生一个更准确的估计模型。创建词向量表示特别有效地预测上下文在同一材料Word2Vec训练的目标。
3.4。特征选择使用了蚁群优化(BACO)
一个叫做提高了蚁群优化算法的灵感来自大自然(BACO)模仿蚂蚁如何寻找饲料。自BACO提供并行化同时最小化过程依赖并提供反馈的行为蚂蚁在搜索空间,它是比其他算法更合理。做出统计的判断,BACO认为追踪信息素和启发式的数据。他们沿着一条路径,BACO更新信息素水平在任何功能。消费者数据,通过一个功能越多,信息素是沉积越多,增加的可能性功能将被发现在短的方法。
最多的数据点和短的方式都将遵循最大的信息素值的方式。数据是分散在一组特性与预定的最大数量的后代 ,和信息素值 在每个初始化吗特性。替代品的存在的th数据每一代的th下面显示功能方程所示(4)。
在哪里是一个潜在的邻居列表吗th的特性数据不能达到。非负变量,因此,提供信息素水平的相关性和启发式信息( )的运动数据5所示。适应度函数(FF)是用来评估选定的新特性中的下一个特性数据时路线选择。如果添加后的健身价值不会增加任何新功能,蚂蚁的运动停止。信息素的数量水平以下一代( )在th功能更新跟踪方程(6)如果停止需求没有得到满足。
在哪里是数据的数量,选择显示的数量特征,表示信息素沉积的th蚂蚁如果th特性是最短路径的数据;否则,它是0。一旦达到预定的最大 ,停止需求得到满足。一群特征将被选择作为一个选定的功能如果它有最大的信息素水平和最低的健身价值方程所示(6)。图3描述了BACO的整个过程。
3.5。消费行为预测使用多目标进化算法
多目标进化算法(MOEA)是最好的方法来预测消费者的消费行为,也会导致增加销售和盈利能力的企业。两个主要类别的预测算法是基于传统的梯度方法和非常直接的方法。传统的预测技术,多目标进化算法预测的最佳行动使用非线性目标变量的变化。起始值给出极大地影响该算法执行。如果目标和约束函数都是可微的,它收敛于最好的预测。
不连续或nondifferentiable变量可以有效地预测的多目标进化算法。这种技术是适合消费预测公司自消费特征和彼此之间的联系是非线性并产生一个连续函数。这可能是用于解决企业与消费预测问题。获得预测答案,MOEA算法进化过程的启发,复制和进化论。复制、选择、交叉和变异过程中该算法是至关重要的。图4描述的基本步骤MOEA预测算法用于消费。
|
||||||||||||||||||||
算法1显示了MOEA的工作流程。生成几个可行的办法解决这个问题,人口增长是第一步。下一步是评估预测适应度函数,即最优预测,必须优化。最有效的策略是选择创建以下人口在这个评估。健康评估后,选择配偶是必要的,选择预测可以通过交叉。此外,创建一个新的人口替换现有的一个。直到消费预测终止需求得到满足,这个过程一直持续不断。现有技术利用收集到的数据来构建一个适当的解释或预测模型。多目标进化算法提高hyperparameters,经常在相互竞争的性能目标,并确定最优解为一个特定的任务。它正确地决定了目标函数的输入,以到达最好的可能的解决方案指定的功能和满足所有必要的约束。 By avoiding the populations of data from evolving insanely identical to one another and so delaying or even blocking convergence to the global optimum, mutation operations are employed to try to avoid local minima. By switching some or all of the dataset’s data, the crossover of two original datasets generates new solutions. It has higher probability.
4所示。结果
在本研究中,多目标进化算法是用于检查消费者消费预测(MOEA)。中国消费者偏好数据至少参加了一个网上购物狂欢节(OSC)使用。消费者的消费预测的有效性检查。准确性、召回、精度 - - - - - -质量分数,预测,预测时间是关键参数。这些指标是用来评估该方法(MOEA)的疗效。结果与传统上使用的技术包括机器学习(ML),极端的梯度增加(XGB),人工学习(AL)和混合朴素贝叶斯(HNB)。
4.1。精度
模型的精度是一个量的程度评估更接近这个数字的真正价值。通过使用提出方法,预测基本信息根据客户偏好的消费者来自多个数据源的数据,识别模式,并展望未来趋势和后果。与现有的方法相比,提出的方法的消费者消费的预测更准确。图5现有系统显示消费预测的准确性,提出系统来标示。毫升已达到50%,XGB获得了75%,人工智能已经达到85%,HNB达到65%而提出的系统达到95%的精度。
4.2。质量预测
为了预测个人会如何应对采购商品时,建议技术有效和准确地识别客户偏好为他们非常积极的,绝大多数是有利的,合理的思想,可怕的,明显不利的东西。预测质量指标将演示系统的效率评估在历史数据估计的性能测量。预测解释在图的质量6。毫升的预测质量获得67%,XGB获得82%,人工智能已经达到75%,HNB达到58%而提出的系统达到97%。因此,该系统具有较高的效率。
4.3。精度
有关恢复消费者偏好的概率平均预测精度。应用推荐方法时,精确描述如何预测消费者数据与高度的真实性在购买各种各样的消费偏好。
恢复事件之间的适当比例的概念被称为精密,也被称为积极的预测价值。它可以定义精确的测量质量。图7代表了比较精确的现有的和拟议的方法。提出工作的精度远远大于现有的方法。消费的预测精度在现有系统有以下级别,因此,毫升已达到55%,XGB获得70%,人工智能已经达到75%,HNB达到90%而提出的系统达到99%的精度。因此,该系统具有最大的性能水平。
4.4。回忆
召回计划和现有方法如图8。相关事件的百分比,称为回忆中恢复过来。真阳性率或灵敏度也称为回忆。与现有方法相比,该方法具有最高水平的召回。回忆在现有系统的行为预测具有以下级别的回忆,因此,毫升已达到84%,XGB获得65%,人工智能已经达到76%,HNB达到58%而提出的系统达到93%的召回。这表示该工作是适合的效率。
4.5。 - - - - - -分数
图9描述了 - - - - - -现有的和拟议的技术。系统的清晰和记忆称为结合成一个单一的统计 - - - - - -分数通过确定其谐波的含义。它主要用于对比两个系统的有效性。一个更高的 - - - - - -分数被认为是一个更好的系统性能。从图8毫升获得68%,XGB获得75%,人工智能已经达到65%,HNB达到85%而提出的系统达到98%的 - - - - - -得分。这表示了该系统具有较高的性能。
4.6。预测的时间
图10描述了现有的和拟议的预测时间的方法。当系统预计预测一些关于所谓预测是预测时间。从图10,毫升的预测时间获得93 (s), XGB获得85 (s),人工智能已经达到了75 (s), HNB达到65 (s)而提出的系统达到50 (s)。
众所周知,该系统具有较低的预测时间比现有方法。因此,它表明该系统具有良好有效的实施。比较分析现有和拟议的方法如表所示2。
5。讨论
Chaudhary et al。32建议使用机器学习(ML)分析客户在社交网站上的活动基于几个指标,要求,和用户的态度。大规模数据集需要机器学习训练,他们应该在底层的预测结果。李等人。33)开发了极端的梯度增加(XGB)模型为预测客户行为和开发强大的工具来帮助公司创造收入和销售。在稀疏和非结构化数据,它没有很好的执行。罗杰斯et al。34)提倡人工智能(AI)的就业,发展系统的技术来确定预测客户行为感知的业务和产品的有用性影响的收购。预测,需要的时间较长。Maheswari et al。35]所述混合朴素贝叶斯(HNB)开发分类消费趋势正在购买物品时,目标是成为一个重要的消费行为的研究。假设每个特性是孤立的,朴素贝叶斯无法学习如何预测模式。因此,该模型预测MOEA克服这些缺点的消费行为。
6。结论
在一个时代消费预测是一个创新的技术特点,消费预测与业务的集成将导致实质性的增长和盈利企业管理的变化。由于预测消费者行为的概念,所有的业务类别现在可能定量特征,提高了效率、准确性、和业务组织的能力。业务的改善,本章提倡使用多目标进化算法(MOEA)精确估计客户消费预期。结果表明,精度(95%),预测的质量(97%)、精度(99%),回忆(93%), - - - - - -分数(98%),预测时间(50),该MOEA方法比传统ML表现良好,XGB,人工智能,HNB算法的方法。过程的一些想法的建议方法,这可能是具有挑战性的理解和解释。未来的研究主题可能专注于改善的能力为成功的商业发展预测消费者的行为。在未来,我们可能会考虑使用进化算法的技术来提高性能指标和消费预测在商业经济领域的应用。
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
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
(1)本研究支持国家重点研究和发展项目(2019 yfc0507502),(2)国家基金项目“崩溃在桂林岩溶水土耦合机制研究在极端气候条件下”(41967037),和(3)广西创新驱动发展特殊项目”的关键技术研究,开发和演示实验水资源利用和水生态产业的协同发展的典型喀斯特湿地漓江流域”(Gui Ke AA20161004-1)