亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        移動(dòng)電子商務(wù)情境下客戶細(xì)分優(yōu)化算法的研究

        2013-08-20 01:54:42楊曦
        關(guān)鍵詞:細(xì)分權(quán)值均值

        楊曦

        (福州大學(xué)陽光學(xué)院 福建 350015)

        0 引言

        近年來,互聯(lián)網(wǎng)與移動(dòng)通信技術(shù)的飛速發(fā)展及全球化商務(wù)經(jīng)濟(jì)的到來,為移動(dòng)電子商務(wù)帶來了廣闊的空間和更多的挑戰(zhàn)。一方面,移動(dòng)電子商務(wù)的移動(dòng)性極大地增加了客戶種類,且移動(dòng)數(shù)據(jù)的非結(jié)構(gòu)化及數(shù)據(jù)流量限制,導(dǎo)致企業(yè)需針對不同客戶需求實(shí)施個(gè)性化定制的營銷策略[1];另一方面,移動(dòng)電子商務(wù)環(huán)境下,客戶的興趣和需求會(huì)隨時(shí)空情境的變化而變化,而無序、海量的移動(dòng)數(shù)據(jù)信息更造成“信息爆炸但知識貧乏”現(xiàn)象[2]。因而,移動(dòng)電子商務(wù)環(huán)境下的個(gè)性化推薦理論與技術(shù)成為學(xué)術(shù)界研究的熱點(diǎn)。而作為個(gè)性化服務(wù)的基礎(chǔ)的客戶細(xì)分也為企業(yè)識別并了解客戶提供了有效的手段。移動(dòng)電子商務(wù)情境下的客戶細(xì)分問題要求算法的求解精度較高,而現(xiàn)有聚類算法存在過早收斂、精度較低、細(xì)分效果不佳等缺點(diǎn),針對移動(dòng)電子商務(wù)情境下的細(xì)分模型又相對匱乏,所以結(jié)合高效的聚類算法提高客戶細(xì)分的精度,從而構(gòu)建科學(xué)合理的客戶評價(jià)體系對移動(dòng)電子商務(wù)的發(fā)展有著較為重要的理論和應(yīng)用價(jià)值。

        1 客戶細(xì)分基礎(chǔ)理論

        聚類分析能從潛在數(shù)據(jù)中發(fā)現(xiàn)新的、有意義的數(shù)據(jù)分布模式,是客戶細(xì)分領(lǐng)域中較為適用的方法[3,4],傳統(tǒng)經(jīng)典的聚類分析有基于劃分的方法(如K-均值算法[5])、基于密度、基于層次和基于模型(如SOM[6])等方法。經(jīng)典聚類算法在很多領(lǐng)域都有廣泛應(yīng)用,但每一類算法都有各自的缺陷和不足,所以只局限于解決某一類問題。隨著人工智能、模式識別、機(jī)器學(xué)習(xí)等科學(xué)理論的產(chǎn)生,聚類算法也有了長足的發(fā)展,例如PSO、粒度計(jì)算、FCM等。下面介紹幾種在客戶細(xì)分領(lǐng)域較為常用的聚類方法。

        1.1 K-均值算法

        K-均值法的所有簇類均計(jì)算出該類中所有數(shù)據(jù)的平均值或加權(quán)平均值,即聚類中心。其公式如下:

        其中d(xi,cj)表示樣本點(diǎn)xi到聚類中心cj的歐式距離。K-均值法從樣本點(diǎn)集中隨機(jī)選取K個(gè)點(diǎn)作為初始聚類中心,計(jì)算并比較每個(gè)點(diǎn)xi到聚類中心cj的距離,將xi分配到與其距離最小的簇中;重新選擇聚類中心,重復(fù)此步驟,直至聚類中心不再發(fā)生變化。

        K-均值法得到的結(jié)果通常只是局部最優(yōu)解且一定程度上依賴于初始聚類中心的選擇,其缺陷還有:K值選擇無標(biāo)準(zhǔn)依據(jù),只能處理數(shù)值群,對“噪聲”和離群數(shù)據(jù)較為敏感等。

        1.2 PSO粒子群優(yōu)化算法

        PSO是一種基于群的聚類方法[7],通過模擬生物界魚群或鳥群間合作與競爭產(chǎn)生的優(yōu)化算法。PSO在預(yù)測精度和運(yùn)行速度方面優(yōu)勢明顯。其算法表述如下:

        設(shè)在n維空間中有粒子群xi(i=1,2,...m),每個(gè)粒子有速度vi和位置pi兩種屬性,在n維空間中為xi的速度分量和位置分量,通過PSO模型的計(jì)算,粒子群不斷優(yōu)化速度和位置。

        PSO是一種隨機(jī)搜索方法,類似于遺傳算法和模擬退火算法,但收斂速度更快,具有一定的早熟傾向,所以在求解全局最優(yōu)解方面精度仍較低。

        1.3 SOM神經(jīng)網(wǎng)絡(luò)

        SOM是一種具有自組織功能的、免監(jiān)控自發(fā)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)[6],由M個(gè)輸入神經(jīng)元與N個(gè)輸出神經(jīng)元構(gòu)成?;赟OM的聚類方法是為每個(gè)輸入神經(jīng)元搜索對應(yīng)的最優(yōu)輸出神經(jīng)元及相應(yīng)的連接權(quán)值。由于SOM支持多種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),形成的聚類中心能映射到曲面或平面上,從而保持其自身拓?fù)浣Y(jié)構(gòu)不變。因此,K-均值法初始聚類中心隨意性導(dǎo)致結(jié)果不確性的問題,可以借助自組織映射得到趨于穩(wěn)定的聚類中心。

        SOM對于一般客戶細(xì)分問題有著較好的聚類效果,具有自穩(wěn)定性,但缺點(diǎn)是需預(yù)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu),訓(xùn)練樣本時(shí)間較長等。

        2 改進(jìn)的混合聚類算法

        針對各聚類算法在客戶細(xì)分方面的不足,本文結(jié)合幾種聚類算法的優(yōu)點(diǎn)提出了一種改進(jìn)的聚類算法M-Cluster。

        2.1 預(yù)處理優(yōu)化

        首先,針對K-均值法一定程度上需依賴于初始聚類中心的缺點(diǎn),使用SOM神經(jīng)網(wǎng)絡(luò)先對樣本集進(jìn)行預(yù)處理,得到的聚類中心作為初始聚類中心。另一方面,利用K-均值法對SOM的訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)聚類并初始化權(quán)值,以克服網(wǎng)絡(luò)構(gòu)建和訓(xùn)練時(shí)間較長的缺點(diǎn)。具體改進(jìn)措施如下:

        (1)從初始數(shù)據(jù)集中選取樣本集X作為訓(xùn)練數(shù)據(jù)集,同時(shí)用K-均值法將X分為K個(gè)簇,得到聚類中心集C;

        (2)使用C初始化SOM網(wǎng)絡(luò)頂點(diǎn)位置的神經(jīng)元權(quán)值:從C中尋找間距最大的兩個(gè)聚類中心點(diǎn),分別作為對角線上兩個(gè)頂點(diǎn)神經(jīng)元初始化權(quán)值;然后從剩余的聚類中心集中尋找與兩個(gè)頂點(diǎn)距離最遠(yuǎn)的聚類中心點(diǎn),放置于副對角線上其中一個(gè)頂點(diǎn)位置,再用同樣的方法尋找副對角線上的另一頂點(diǎn)。

        (3)初始化SOM網(wǎng)絡(luò)外層四個(gè)象限的神經(jīng)元權(quán)值:以左象限為例,利用K-均值法的計(jì)算公式依次計(jì)算k-4個(gè)聚類中心分別與左側(cè)邊最上方兩個(gè)頂點(diǎn)間距離之和,從中選取M-2個(gè)數(shù)值最小的聚類中心作為初始化權(quán)值,按照與左上頂點(diǎn)距離遞增的順序從左至右依次賦于各神經(jīng)元。同理,從外至內(nèi)逐層初始化剩余神經(jīng)元權(quán)值。

        (4)使用樣本集X訓(xùn)練SOM網(wǎng)絡(luò)后,將初始數(shù)據(jù)集分成K個(gè)簇,得到聚類中心集合C',作為進(jìn)行下一步聚類計(jì)算的初始化數(shù)據(jù)。

        2.2 改進(jìn)的M-Cluster算法

        PSO的進(jìn)化過程帶有一定的隨機(jī)性,保持粒子多樣性的同時(shí)也擴(kuò)大了全局搜索范圍,從而使得全局解的精度較低。而K-均值法具有局部搜索最優(yōu)解的特性,利用其對PSO進(jìn)化得到的新粒子進(jìn)行聚類優(yōu)化,從而提高全局搜索精度。

        (1)優(yōu)化PSO模型的慣性權(quán)重的值ω。ω的值直接決定了PSO的搜索范圍,為使算法具有較強(qiáng)的全局搜索能力,在前期保持較高搜索效率,后期保持較高搜索精度,本文對ω做如下修正:

        其中,d為迭代次數(shù),n為調(diào)節(jié)參數(shù)(視情況而定)。

        (2)利用K-均值法優(yōu)化新群體。首先將粒子添加到距離最近的聚類中心C'的簇中,用K-均值法對形成的粒子簇進(jìn)行聚類,得到新的聚類中心集C'';然后計(jì)算粒子當(dāng)前位置的適應(yīng)度、最好位置的適應(yīng)度和粒子群最好位置的適應(yīng)度,用適應(yīng)度最大的位置更新粒子速度并調(diào)整其位置。最后,更新整個(gè)粒子群經(jīng)過的最好位置。

        3 移動(dòng)電子商務(wù)情境下的客戶細(xì)分模型

        基于客戶價(jià)值的評價(jià)方法通常是用來構(gòu)建客戶細(xì)分模型的重要方法,而其中最常用的就是生命周期價(jià)值模型LTV和近度/頻度/金額(Recency/Frequency/Monetary)RFM模型。LTV應(yīng)用計(jì)算模型統(tǒng)計(jì)出每個(gè)客戶的LTV值并通過排序來評價(jià)客戶的價(jià)值度。LTV模型較為簡單,沒有綜合考慮客戶行為的動(dòng)態(tài)性、市場競爭等復(fù)雜因素,且需基于過去購買模式來評價(jià)和推斷,未能反映客戶未來行為及價(jià)值的波動(dòng)趨勢,故而具有一定的局限性。RFM模型通過統(tǒng)計(jì)最近購買時(shí)間(近度)、購買頻率(頻度)和購買金額三種客戶行為指標(biāo)來構(gòu)建評價(jià)體系。根據(jù)RFM值劃分出若干類別未知的子客戶群,將子客戶群的平均RFM與全局客戶的RFM平均值依據(jù)客戶細(xì)分模型進(jìn)行比較,形成最終的客戶分類。但RFM仍然只能對過去行為交易進(jìn)行評價(jià),無法發(fā)現(xiàn)潛在客戶。

        基于此,本文結(jié)合這兩種模型的思想針對學(xué)生群體對移動(dòng)電子商務(wù)的消費(fèi)模式和群集現(xiàn)象,構(gòu)建全新的客戶/利潤/金額CPM模型。通過問卷調(diào)查獲取到CPM分別相應(yīng)的三級指標(biāo)對于CPM的權(quán)值,然后應(yīng)用M-Cluster算法對用戶進(jìn)行分類,具體步驟為:①對C、P、M三個(gè)指標(biāo)分別進(jìn)行聚類,得到K個(gè)的客戶簇;②比較每個(gè)客戶簇的C、P、M平均值與全局客戶C、P、M平均值,高于全局均值,記為↑,否則記為↓;③根據(jù)每個(gè)用戶簇的指標(biāo)變動(dòng)情況分析該類用戶的特征與性質(zhì),定義用戶類型;④用M-Cluster算法對客戶C、P、M指標(biāo)進(jìn)行聚類,得到K類用戶群體。

        4 結(jié)束語

        傳統(tǒng)聚類算法無法滿足移動(dòng)電子商務(wù)情境下對客戶細(xì)分的高精度要求,在分析研究多種經(jīng)典聚類算法理論的基礎(chǔ)上,提出一種收斂速度快、細(xì)分精度高的混合聚類算法,且不易陷入局部最優(yōu)解、不會(huì)對初始聚類中心數(shù)據(jù)敏感等,更適合解決客戶細(xì)分問題。

        [1]Kumara V,Shah D.Building and Sustaining Profitable Customer Loyalty for the 21st Century[J].Journal of Retailing,2004,80(10):317-330.

        [2]Borchers A,Herlocker J,Konstan J,et al.Ganging up on information overload[J].Computer,1998,31(4):106-108.

        [3]陳智高,陳月英,常香云.基于客戶價(jià)值的期貨業(yè)客戶聚類細(xì)分方法[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)學(xué)版),2006,46(1):1046-1051.

        [4]王華秋,廖曉峰.微粒群并行聚類在客戶細(xì)分中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2008,25(10):2987-2994.

        [5]MacQueen J.Some methods for classification and analysis of multivariate observations[C].In Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probabilit,Berkeley:University of California Press,1967:281-297.

        [6]Kohonen T.Self-organized formation of topologically correct feature maps[J].Biological Cybernetics,1982,43:59-69.

        [7]Kennedy J,Eberhart R.Particle swarm optimization[C].In Proceedingsofthe IEEE International Conference on Neural Network,1995,1942-1948.

        猜你喜歡
        細(xì)分權(quán)值均值
        一種融合時(shí)間權(quán)值和用戶行為序列的電影推薦模型
        CONTENTS
        深耕環(huán)保細(xì)分領(lǐng)域,維爾利為環(huán)保注入新動(dòng)力
        基于權(quán)值動(dòng)量的RBM加速學(xué)習(xí)算法研究
        均值不等式失效時(shí)的解決方法
        1~7月,我國貨車各細(xì)分市場均有增長
        專用汽車(2016年9期)2016-03-01 04:17:02
        均值與方差在生活中的應(yīng)用
        整體低迷難掩細(xì)分市場亮點(diǎn)
        專用汽車(2015年2期)2015-03-01 04:05:42
        關(guān)于均值有界變差函數(shù)的重要不等式
        對偶均值積分的Marcus-Lopes不等式
        国产亚洲美女精品久久| 久久久久久久综合综合狠狠| 性一交一乱一伧国产女士spa| 日韩在线看片| 国产一区二区av男人| 极品粉嫩小仙女高潮喷水网站| 日本入室强伦姧bd在线观看| 亚洲AV色无码乱码在线观看| 中文字幕麻豆一区二区| 婷婷久久av综合一区二区三区 | 少妇被粗大的猛烈进出69影院一 | 少妇激情一区二区三区久久大香香| 手机久草视频福利在线观看| 天天爽夜夜爽人人爽一区二区| 国产尤物精品自在拍视频首页| 日韩精品中文字幕人妻系列| 日韩精品人妻系列中文字幕| 久久成人国产精品免费软件| 日韩国产一区| 日韩女同一区二区三区久久| 亚洲国产精品无码一线岛国| 国产成人午夜精华液| 精品亚洲少妇一区二区三区| 日本韩国三级在线观看| 国产v片在线播放免费无码 | 在线视频99| 亚洲一区精品一区在线观看| 在线免费观看黄色国产强暴av| 精品国产一区二区三区免费| 91亚洲人成手机在线观看| 日本av一级视频在线观看| 欧美最猛黑人xxxx黑人猛交| 国内精品一区二区三区| 五月天亚洲av优女天堂| 久久精品国产91精品亚洲| 好屌草这里只有精品| 国产精品黑色丝袜在线播放| 成人激情视频在线手机观看| 一本色道久久综合无码人妻| 久精品国产欧美亚洲色aⅴ大片| 亚洲综合小综合中文字幕|