文摘
电子商务为用户提供了越来越多的选择,其结构变得越来越复杂。不可避免的是,它带来了信息过载的问题。此问题的解决方案是使用机器学习技术电子商务个性化推荐系统。人们常常显得困惑当面对广泛的信息,不能抓住要点。本文研究了电子商务个性化推荐技术:深入分析电子商务推荐系统的相关技术和算法,提出了最新的电子商务推荐系统的架构根据电子商务推荐系统的发展现状。系统推荐准确性和实时性要求,将系统划分为两个部分:离线采矿和在线建议和分析,并实现了各部分的功能和技术。基于用户的推荐系统,协同过滤推荐系统和基于内容的推荐系统进行了分析,分别。个性化推荐不能仅仅快速帮助客户找到所需的商品信息在一个广泛的复杂的信息,还可以比较更多的商品信息,帮助客户判断。然而,现有的推荐系统有一些问题,如缺乏个性推荐,推荐的相关性,穷人及时性的推荐。最后,推荐系统相结合三个推荐算法设计,并进行实验。 The newly designed recommendation system is compared with three different recommendation systems, and a summary and outlook are made. Based on the introduction of the relevant theories, characteristics, and mainstream technologies of personalized recommendation based on machine learning, this document presents a constructive example of a model based on the factors that influence personalized e-commerce information recommendations in the retail sector. Through questionnaire surveys, we analyze and design the influencing factors for consumers to purchase personalized products after the survey and build a project using state-of-the-art field learning techniques. Through the model to test the eight hypotheses proposed in this paper, the results show that customer income level, customer online shopping experience, commodity prices, product quality, recommendation relevance, credit evaluation, and service quality will have a significant positive impact on shopping willingness and ultimately affect the customer’s shopping behavior. e-commerce platform can use this influencing factor to establish personalized information recommendation service mode.
1。介绍
电子商务是近年来增长速度非常快,有一个光明的未来。其中,电子商务平台以最快的速度增长,同比增长超过40%。
电子商务经历了不同时期:首先,基于用户有周期,当电子商务平台利润来自用户通过建立会员系统,然后基于卷的时期。最后,基于数据的阶段。随着技术的不断升级,提供电子商务的网站数量和产品在电子商务网站的数量呈指数级增长。面对如此大量的商品信息,如何快速而方便地获得产品信息感兴趣的用户已经成为一个实际的问题,这个问题也被称为“信息过载”问题。随着技术的成熟,转诊服务已成为电子商务个性化信息请求的必要工具。电子商务个性化推荐服务主要分为个性化服务内容和个性化服务模式。
1.1。个性化的服务内容
每个用户的信息和服务需求变化根据他们的条件,和服务的用户个性化信息不仅仅是接受。电子商务企业可以为用户提供广泛的选择,更重要的是,他们可以推荐产品信息,根据他们的需要满足他们的购买习惯,从而缩短时间用户搜索产品,满足他们的需求。不仅如此,企业可以使用用户的个性化信息推荐服务根据用户的偏好信息,并为用户提供服务,满足他们的个性化的信息需求。研究用户的使用习惯可以更好地为用户提供信息资源,满足要求。它有利于开发过程中数据的个性化信息服务的发展,在网上购物的过程中,它可以应用到商品促销的过程中提供更好的响应用户的个人需求。个性化营销是一个非常受人尊敬的营销方法在企业营销,因为与传统的营销方式相比,个性化营销更有针对性;也就是说,它可以进行一对一的营销根据个体差异和个人需求的用户。用户推荐系统个性化营销是不可或缺的营销工具。
1.2。个性化的服务模式
信息提供者直接将信息发布到互联网上,用户可以在互联网上找到相应的信息根据自己的需要。这种服务模式将花费大量的时间和精力在网页之间的转换。另一种方法是,信息提供者向用户发送最新的更新信息的形式总结,和用户屏幕上的信息可以由用户根据自己的需求。的优势是,它可以节省大量用户的时间,以便用户不能浪费太多精力在搜索过程。近年来,随着越来越多的在线交易和更多和更复杂的业务信息,客户真的很难以找到满意的产品从大量的文字和图片。但是,如果该网站为用户提供一个合理的建议或提示在这个时刻,它可以帮助用户完成购物活动顺利,从而减少网络拥塞。
该平台可以全面分析用户的购买意愿和购买行为,为用户提供定制服务,并增加网站的营业额通过这样的个性化服务。本文涉及的相关理论知识系统地介绍,包括概念、特点、和领先技术的理论。此外,在此基础上,该模型的影响因素构建电子商务的个性化信息推荐。通过分析和设计的影响因素,消费者的购买个性化的商品,该模型测试和修改,和个性化的信息推荐服务模型建立。但目前在各个领域,仍有很大的问题,推荐系统的研究,这是由于问题本身的难度。尽管研究人员继续实现个性化推荐系统的研究结果,推荐算法设计有或多或少的限制。和这种基于数据挖掘的电子商务个性化推荐系统不仅能有效地解决大的问题和杂乱的信息推荐系统也实现了个性化的商品;因此,它具有重要的应用研究价值。
2。文献综述
机器学习是一个综合学科。研究对人类模仿人类行为,收获知识,不断添加功能。机器学习的主要功能是归纳和综合。
机器学习本质上是关于找到一组输入之间的映射和输出 。问题抽象步骤可以被看作是一个寻找的过程 。确定你想预测。是什么数量的问题吗?它是离散或连续的(相应的分类和回归问题)?一旦你确定了数量分类(或退化),您就可以开始分析数据;一旦你知道的基础数据和理解中的业务逻辑数据,您可以开始构建训练数据。这一步的主要目的是找到 ,即。,to extract all the data that are likely to be relevant to the predicted target value 。
2.1。个性化电子商务服务
霁和其他人(1描述电子商务个性化服务的必要性。电子商务个性化服务模型构建了基于网络挖掘,基本的设计思想和功能详细描述。拉奥(2),和其他人使用了Web数据挖掘分类技术和事务数据来描述电子商务个性化服务模型。设计和功能的模型描述一个想法可以用来建立一个真正的电子商务服务提供商供自己使用。雪和其他人(3从个性化信息服务的概念。专注于六种个性化服务在电子商务环境中,提出了个性化电子商务基于Web数据挖掘,并研究和探讨数据资源、关键技术和基础。杰和其他人(4]介绍了个性化的电子商务服务的概念,提出了点击流数据的含义,分析了点击流数据的使用过程,最后提出了一个基于点击流的智能购物指南系统。
高和其他人(5)基于移动旅游电子商务个性化服务的内涵和特点提出了个性化服务的必要过程,设计方案,实现服务的路径。杨分析(6)电子商务课程的现状,然后进行深入研究个性化教学服务和课程资源建设的优化,并提出了一些有针对性的优化措施。乔建立(7大规模数据个性化信息模型基于电子推荐服务,为用户提供更好的信息服务。太阳和其他(8)提出了一个旅行计划推荐系统来帮助游客有效和个性化的计划他们的旅行计划和改善他们的旅游电子商务网站的能力。Jin-Juan [9]介绍了如何利用数据挖掘技术建立个性化服务网站为客户根据他们的情况在电子商务网站的建设,建立一个方便、快速、方便的网上购物环境。王等人[10]介绍了方法来跟踪用户浏览行为和预测用户的购物行为客户提供个性化的服务。朱et al。11)采用了计算有效方法解决问题的高精度实时运动目标检测高分辨率视频帧。
2.2。电子商务个性化推荐系统
海滨大道和其他人(12]介绍了个性化推荐、分析和设计过程的电子商务。此外,个性化推荐原型系统实现完全获得的独特的利益不同的用户。为了促进动态和个性化产品推荐,陈等人[13提出一个interest-oriented方法基于点击流数据挖掘集群用户。介绍了用户兴趣的定义为一组首选项商品类别。苗(14)提出了一个基于个性化推荐产品信息移动电子商务个性化推荐系统的设计。杨(15)建立了一个电子商务个性化推荐系统根据客户需求和解释它的功能和工作流程。Alsubari et al。16)具体分析其结构,以更有效地推荐客户所需的信息。图1显示了电子商务推荐系统的结构。
为了为用户提供差异化服务和建立一个个性化推荐系统模型,马英九17]给出一个明确的推荐系统过程中,系统设计,系统实现基于协同过滤的推荐算法,促进电子商务系统的开发。徐et al。18)提出一个优化问题的混合推荐算法和描述它可以用来生成偏好模型对项目的建议。汉族和其他(19)建造了一个逻辑模型的个性化推荐系统根据电子商务网站的需求管理和设计个性化的推荐引擎过滤推荐算法。随着电子商务的不断发展,许多人都加入了电子商务推荐系统的研究。为了寻求更准确和有效的建议,许多技术已经应用于这一领域。这些技术已经在许多实际应用电子商务推荐产品推荐系统,取得了较好的结果。太阳和其他(20.意识到设计过程。图2显示了数据挖掘的结果:
Yan-Xia等(21)结合B2C电子商务网站建设背景,通过应用 - - - - - -意味着算法陷入局部最小值,和最初的缺陷敏感集群中心应用客户细分孟Fanqi获得客户群体不同的特征。最终支持公司提供特定为每种类型的客户转介服务,有限的资源来提高客户购买。罗[22]介绍了使用可替换主体技术的方法优化模型,设计过程和结构结合日志挖掘。Cai (23)提出了一个电子商务个性化推荐系统基于可变精度粗糙集。王等人。24]阐述了移动商模型和讨论的程度是很重要的。Khalaf)等。25)用区块链技术建立一个节点识别系统基于无线传感器网络的数据存储。
2.3。电子商务购物的影响因素
随着网上购物平台的崛起,重要的是要理解消费者的购买倾向基于电子商务平台如果他们获利。郭et al。26)开发了一种因果关系模型,允许对因果关系的计算,和总销售额表现出增加的趋势,声誉和销售增加。Chowdhury等(27)发现网上购物动机和受访者之间的正相关购物行为。赵等人[28)相关因素决定通过分析信贷的影响,应用熵方法调查问卷分析,最后得到一个影响因素的重要性通过统计计算,提供一个有效的参考方法,选择适当的信用评估指标。吴et al。29日)关注的因素影响消费者信任建立市场模型,对消费者的信心。人民币和其他30.]通过问卷调查大学生购物行为,电子商务的条件下,货物的时间效率,信息,和价格,商品的类型,物流,和支付将产生重大影响消费者的购物行为。燕和杜31日)进行了一次实证研究基于在线购物。结果表明,有许多因素影响购物的满意度。Al-Amiri和Aghdaie的研究(32)确定因素影响网上购物的信任态度。
于(33]讨论了买方信贷C2C电子商务的影响因素从四个方面:在线买家,卖家,购物网站,和电子商务环境。选择一个新的角度来解释消费者的可接受的行为。在基本技术接受模型(TAM),促销,增加了个人创新和社会影响。Chooprayoon [34]试图探索五元素吸收的影响电子商务的技术。
王等人[35使用统计软件过程基于问卷调查的实际数据,系统地分析了旅游电子商务的影响因素。邵和其他人(36)主要研究三个方面(环境、组织和技术)影响电子商务应用程序。易和他人37)探讨了电子商务企业的网络功能影响因素通过研究网络资源元素的测量因素,制度环境元素,和企业网络能力的因素。
电子商务行业发展迅速,网上购物用户对商品的需求逐渐增加,用户的购买行为也微妙的变化。此外,电子商务平台集成产品信息的速度也大大提高,并且用户可以比较产品在短时间内的各个方面。通过与其他用户共享产品信息和产品评论,你可以完全了解产品的属性,包括产品的价格趋势,在购买之前。个性化推荐服务的终极目标是让用户购买商品。本文的主要内容是收集各种因素影响用户网上购物的行为在电子商务的过程中(38]。在此基础上,电子商务个性化信息推荐的影响因素模型。通过分析和设计的影响因素,消费者的购买个性化的商品,该模型测试和修改,和个性化的信息推荐服务模型建立。
2.4。研究假设
目前,通过网络带来的便利业务活动和交易速度生产已成为电子商务的快速发展的关键驱动力。另一方面,电子商务活动涉及客户也经历着巨大的创新。如果可以网上跟踪客户的浏览习惯和行为模式的分析,它将缩短卖家和顾客之间的距离,让卖家更好地了解顾客的需求,并有针对性地开展电子商务活动。
2.4.1。客户因素
个人因素影响客户的购买个性化的推荐产品主要客户的收入水平和在线购物体验。(1)收入水平:个性化的产品更倾向于推荐用户喜欢的产品。客户收入水平的差异会影响他们的购物态度个性化推荐产品
假设H1:客户收入水平越高,就越容易购买个性化推荐产品。(2)在线购物体验:用户在网上购物过程中在信息收集过程和购买决策阶段的因素会影响他们的经验。个性化推荐的产品是商人积极的产品推荐给用户,并要求用户的网上购物将会更高
假设H2:充满活力的在线购物体验,网上购物的意愿越强个性化推荐产品。
2.4.2。商品的价值
(1)商品价格:网上购物的顾客通常寻找各种类似的产品在网络上找到商品价格相对较低。如果价格的个性化产品推荐的网站给用户是合适的,它将节省用户大量的搜索时间,更有利于购买个性化的推荐产品
假设H3:个性化推荐的价格将会影响用户的购买意愿。(2)商品质量:与商品价格,产品的质量也是一个重要因素影响用户的意愿购买个性化的产品。消费者倾向于更便宜的质量保证
假设H4:个性化推荐产品的质量将影响用户的购买意愿。表1是产品评分矩阵:(3)相关产品推荐度:个性化推荐产品是一个产品推荐的网站留下的数据显示用户浏览网页和购物流程。因此,推荐产品的关联用户的理想产品直接导致用户是否购买产品。分类分析和聚类分析是互惠的过程。开始使用聚类分析集群数据分成若干个簇,然后使用分类来分析数据集的描述每个类别,然后把它放到适当的类别根据新数据的特点。也可以重新分类的数据通过使用类描述新分类规则获取更准确的结果。这是重复,直到获得满意的结果。在实验中,当系统推荐给用户,如果用户书签或购买它,认为用户的推荐结果感到满意;如果用户不再需要推荐用户选择后,它被认为是不满意结果;如果用户单击查看推荐的产品,然而,如果不购买或收集,它被认为是一般
假设H5:推荐商品之间的相关性和理想的产品会影响用户的购物意向。图3电子商务推荐系统的架构图:
2.4.3。企业形象
(1)信用评价:一个商人的名声在网上购物过程中会直接影响用户的偏爱他或她的产品;即高信誉的商人有利于用户购买商品。商人购买了该产品的评价显著影响用户是否购买产品
假设代替:商人的信用评级越高,越有利为用户购买个性化的产品。(2)服务质量:质量的服务包括以下:售前咨询、产品信息链接,交货时间,交货服务,售后咨询,并返回的保证。服务的高质量的商人也会影响用户的意愿购买产品,并改进用户的满意度水平
假设H7:在线商家的服务质量的因素之一,影响用户的购买意愿;也就是说,高质量的服务有利于用户购买个性化的商品。
2.4.4。商店的意愿
有一个良好的购物态度之间的相关性,购物意向,和购物行为。用户对商品的态度会影响他们的购买意愿,愿意购买将直接影响接下来会发生是否购买。因此,如果用户愿意购买一个产品,产品的购物行为的程度也会增加。
假设H8:更高的购物意愿影响用户的购物行为个性化推荐产品。基于内容的推荐是基于项目之间的相似度。这种建议首先需要分析客户的内容分析的项目评价,生成一个客户信息档案,然后选中的项目从现有项目,类似于新归档文件(根据评级)),根据客户的反馈和推荐给用户。
3所示。研究方法
3.1。数据收集和数据分析
根据亚马逊的分析,2017年网上购物的主流趋势是人口高收入、高教育、理性和成熟,和追求高质量的1980年和1990年后的生活。确保结果的精确性,调查范围被定义为所有单个用户经验丰富的在线零售网站上购物。通过纸质问卷和网络问卷调查,245问卷分发,231人返回。剔除不合格的问卷调查,223个问卷调查应用程序。样本的调查中,受访者的年龄大多在1980年和1990年。男性个体的数量比雌性略小,表所示2。
3.2。抽样调查
3.2.1之上。可靠性分析
可靠性指的是结果的一致性程度通过重复测量同一对象以同样的方式。本文中使用的方法来测量量表的可靠性系数是克伦巴赫α可靠性系数。在0和1之间的值,值趋向于1,规模的可靠性较高。当克伦巴赫α可靠性系数大于0.80,规模已经非常高的可靠性。当克伦巴赫α可靠性系数在0.6和0.8之间,规模的可靠性更好,和天平的可靠性系数值低于0.6时较弱;项目的规模是修改。
SPSS分析调查获得的数据的可靠性。结果如表所示3。
如表所示3克伦巴赫,α所有变量系数大于0.75,表明这种规模的项目的可靠性比较高,和整体规模达到0.903的可靠性,可用于下一步的有效性分析。
3.2.2。效度分析
效度分析是指分析规模数量的准确性表达的测量指标。有效性的程度取决于程度的巧合的测量对象。巧合的程度越高,越高的效果。
在本文中,这两种方法的累积方差贡献率和KMO样本测量是用来分析样本的有效性。当KMO值是更重要的,它表明,更适合规模有效性分析。当KMO值低于0.5时,它表明,规模不适合有效性分析。当一个变量只有两项,KMO值是0.5。问卷的效度标准设定的这个调查是变量的累积方差贡献率高于50%,和有效性分析结果如表所示4。
效度分析表明,KMO值是0.5,因为产品的质量只有两个项目。KMO值高于0.7,其他七个变量和sig,价值观都是0.000。所有变量的累积方差贡献率高于50%。调查问卷的有效性是好的,之间有很强的相关性和有效性数据。
3.3。检查和修正结构方程
SEM模型用于研究购物意愿和三个变量影响的意愿商店:客户因素,商品的价值,企业的形象之间的关系,以及影响购物的购物意愿的行为。首先,本研究提出的模型结构,然后是指标测试。模型修正是基于软件的结果,和提出修正指标提供了获得最合理的研究模型。此外,在最后,验证特定的假设。
3.3.1。建筑的整体结构方程模型
模型是反映在个人客户因素、商品属性、业务特点、下属维收入水平这三个变量,在线购物体验、商品价格,产品质量,建议相关性和信用评估。服务质量会影响商店的意愿。同时,商店的意愿也会对购物行为的影响。最后的SEM模型如图4。
3.3.2。结构方程模型的评估和测试
模型的各项健康指标进行了总结。最后,发现后的汇总结果拟合指数这个模型的建设基本标准。
根据以上的结果表5,我们知道模型的决赛 ,和模型有一个不错的选择。价值低于3,通常表明,模型具有良好的健康。RMSEA指标为0.051,(正常健康指数),TLI NFI(非正态的健康指数),CFI(比较适合指数)和金融机构(增值健康指数)也从0到1,值越接近于1,模型的适应越好。如果该值高于0.9,模型研究通常被认为是高度的配合。这些指标的值这个模型都是在0.9和1之间。因此,整个模型的适合于本研究是好的,所有的指标都是在标准值范围内,和建立模型最终的分析模型。
4所示。分析结果
通过上述分析,得到最终的模型的研究,列出每个变量的路径系数简化。
具体详细的分析变量之间的关系,所有的标准化路径系数是整理。最终结果如表所示6和图5。
实验1的结果表明,随着用户数量的增加,每个建议的用户的满意度越来越高;当用户的数量是一样的,用户满意的用户推荐和基于内容的推荐是相似的。然而,在整合这三个建议,显著提高用户的满意度。实验2的结果表明,随着产品数量的增加,所有的推荐策略的建议覆盖率将减少,但对于相同数量的产品,融合算法的推荐覆盖率显著高于其他策略。总之,推荐系统基于融合算法具有明显的改善推动速度和准确性。
从上面的表格,我们知道的八个方面的影响研究购物的意愿。标准化路径系数值都大于零,和在0.001级值都表现出一种意义。因此,这八个方面(收入水平、在线购物体验、商品价格,产品质量,建议相关性、信用评估、服务质量)将产生重大的积极影响购物意愿。越高识别样本的这八个方面,如收入越高,越富有的网上购物经验,识别质量越高,越好建议,信用评价越高,质量和受欢迎程度越高,越高易用性。然后,会有一个更强大的购物意愿。因此,也验证了这个假设是正确的。此外,从标准化路径系数,收入水平的两个维度的影响和在线购物体验的购物将会对其他维度的影响更大。
5。结论
目前,电子商务网站的成功往往取决于维持现有用户和潜在买家变成了买家。因此,如何为不同的用户提供不同的信息和服务根据他们的个人特征,以吸引新用户和留住老用户,已经成为一个热点问题,企业和学者关注和研究。摘要SE模型,一个简单的修正模型的结合提供的指标AMO最后使常见的模型指标达到标准范围。因此,最终的模型是可行的和合理的。在模型建立之后,提出了研究假设验证通过SEM模型的规范化路径值和检查是否显著来验证假设。结论如下:(1)假设H1:收入水平的影响。(建立)(2)假设H2:在线购物体验的影响(建立)(3)假设H3:大宗商品价格将产生重大的积极影响购物意图(建立)(4)假设H4:质量的影响(建立)(5)假设H5:推荐相关性显著积极影响购物意图(建立)(6)假设代替:信用评级影响(建立)(7)假设H7:服务质量影响(建立)(8)假设H8:购物意图将对购物行为有积极的影响(建立)
根据实验分析,购物的标准化路径系数值路径对购物行为是0.171和0.001级别的一个迹象显示,从而表明购物也积极影响购物行为。商店的意愿越高,越有可能购物行为发生,验证假设。收入水平、购物体验、产品价格和信用评级对购物行为有不同程度的影响。和推荐系统的灵活性是不够的。调整类型的客户评价和不完美的计算导致客户的不科学的计算评价推荐系统的一部分。推荐列表的融合产生的几种方法相对比较严格,需要进一步改善。
6。建议
基于现有的电子商务个性化推荐网站与机器学习技术,分析了影响因素通过问卷调查用户的购物。SPSS软件验证的调查获得的数据。最后,验证了使用AMOS软件结构模型。到目前为止,我的研究在web数据挖掘技术在电子商务中的应用仍处于起步阶段。由于我的时间和能力,最上面的仿真结果。该平台还没有意识到。本文只模拟在离线状态,仍有很大的研究空间。基于前面的分析和总结,本文认为可以采取以下措施提高个性化推荐:
6.1。建议的主题信息
新的消费者目标出现时,可以通过产品特征属性通过问卷调查的形式,通过私人消息在车站根据用户的愿望和需要。产品信息建议用户使用通知和发送电子邮件或文本消息。
6.2。建议感兴趣的挖掘
电子商务企业可以利用技术来访问用户的潜在需求。生成的信息通过分析和挖掘用户的访问信息资源,他们可以预测未来的发展趋势和获取用户的个性化视图。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
这项工作得到了2019年的哲学和社会科学项目湖北省级教育部门(研究个性化推荐的影响消费者的购买决策在移动商务环境下,19号g097)和学校水平在2020年武汉大学科研创新团队(新媒体产品操作创新团队,没有。kyt202001)。