李 琴

（重慶理工大學(xué) MBA教育中心，重慶 400054）

基于EM聚類和用戶評(píng)分的產(chǎn)品營(yíng)銷與推薦策略研究

李 琴

（重慶理工大學(xué) MBA教育中心，重慶 400054）

網(wǎng)絡(luò)技術(shù)的發(fā)展，特別是最近幾年來(lái)“互聯(lián)網(wǎng)+”和大數(shù)據(jù)的發(fā)展，給企業(yè)產(chǎn)品營(yíng)銷帶來(lái)了極大的機(jī)遇和挑戰(zhàn)。相較于傳統(tǒng)的通過(guò)簡(jiǎn)單粗暴的價(jià)格戰(zhàn)來(lái)達(dá)到營(yíng)銷目的，一些企業(yè)通過(guò)對(duì)數(shù)據(jù)的充分利用和挖掘而在商戰(zhàn)中獲勝。利用數(shù)據(jù)融合技術(shù)從互聯(lián)網(wǎng)大數(shù)據(jù)中挖掘用戶的行為信息，通過(guò)分析消費(fèi)者的個(gè)性化需求，利用EM聚類算法構(gòu)建基于模型的協(xié)同過(guò)濾推薦算法，給消費(fèi)者推薦可能喜歡的產(chǎn)品，開展個(gè)性化主動(dòng)營(yíng)銷服務(wù)；制定相應(yīng)的個(gè)性化產(chǎn)品營(yíng)銷策略，從而提高產(chǎn)品銷售的數(shù)量及產(chǎn)品推薦的成功率。利用從亞馬遜網(wǎng)上書城獲取的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證了綜合EM聚類和用戶評(píng)分方法具有較好的推薦效果。

產(chǎn)品營(yíng)銷；產(chǎn)品推薦；EM聚類；用戶評(píng)分

伴隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)營(yíng)銷已成為產(chǎn)品銷售的重要方式，也是企業(yè)商戰(zhàn)的必爭(zhēng)之地。網(wǎng)絡(luò)的出現(xiàn)打破了傳統(tǒng)企業(yè)產(chǎn)品對(duì)銷售模式的限制，對(duì)傳統(tǒng)產(chǎn)品的營(yíng)銷策略造成了極大沖擊[1]。傳統(tǒng)的企業(yè)產(chǎn)品營(yíng)銷方式建立在大量的人力物力資源耗費(fèi)和中間環(huán)節(jié)上，網(wǎng)絡(luò)營(yíng)銷則是利用互聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)產(chǎn)品的交易，中間環(huán)節(jié)和渠道的減少極大地降低了企業(yè)成本，提高了交易效率，優(yōu)化了企業(yè)間的資源配置。

2015年5 月7日，國(guó)務(wù)院發(fā)布《關(guān)于大力發(fā)展電子商務(wù)加快培育經(jīng)濟(jì)新動(dòng)力的意見》，明確指出要大力發(fā)展電子商務(wù)，同時(shí)降低電子商務(wù)準(zhǔn)入門檻，并爭(zhēng)取在2020年基本建成統(tǒng)一開放、競(jìng)爭(zhēng)有序、誠(chéng)信守法、安全可靠的電子商務(wù)大市場(chǎng)。在電子商務(wù)環(huán)境下，企業(yè)通過(guò)網(wǎng)絡(luò)營(yíng)銷可以為消費(fèi)者提供更加富有個(gè)性化的產(chǎn)品，甚至是定制式產(chǎn)品。隨著云計(jì)算和大數(shù)據(jù)技術(shù)的興起，企業(yè)管理者甚至可以從大量的用戶購(gòu)買行為數(shù)據(jù)中挖掘數(shù)據(jù)的潛在價(jià)值[2]、了解客戶的需求、從而把握市場(chǎng)規(guī)律并制定行之有效的營(yíng)銷策略[3-4]。本文構(gòu)建的營(yíng)銷策略從信息服務(wù)的角度看，通過(guò)分析用戶的習(xí)慣、偏好等行為，能夠及時(shí)跟蹤用戶的需求變化，進(jìn)而主動(dòng)調(diào)整信息服務(wù)的內(nèi)容與方式，并向用戶定制推薦其感興趣的信息和服務(wù)；從產(chǎn)品的角度看，可以更好地發(fā)掘物品的長(zhǎng)尾[5]。

一、產(chǎn)品營(yíng)銷與推薦策略研究

傳統(tǒng)的企業(yè)營(yíng)銷模式主要利用報(bào)紙、電視等媒體進(jìn)行推銷，并且把主要競(jìng)爭(zhēng)注意力放在實(shí)體市場(chǎng)。但隨著網(wǎng)絡(luò)的飛速發(fā)展以及知識(shí)經(jīng)濟(jì)的到來(lái)，特別是電商平臺(tái)及 “互聯(lián)網(wǎng)+”的發(fā)展，網(wǎng)絡(luò)營(yíng)銷模式已逐漸在現(xiàn)代產(chǎn)品推薦與營(yíng)銷中占據(jù)越來(lái)越重要的地位，甚至成為產(chǎn)品營(yíng)銷的主流。在網(wǎng)絡(luò)營(yíng)銷模式中，企業(yè)和用戶面臨的最重要問題是：在這個(gè)網(wǎng)絡(luò)信息超載的時(shí)代，企業(yè)如何讓自己生產(chǎn)的產(chǎn)品在眾多產(chǎn)品中脫穎而出是一件十分困難的事情，產(chǎn)品消費(fèi)者如何從大量的產(chǎn)品中獲取自己感興趣的產(chǎn)品也不是一件容易的事情。解決上述問題的辦法就是公司發(fā)展智能推薦系統(tǒng)，為客戶提供個(gè)性化的產(chǎn)品推薦服務(wù)[6]。張光前等從消費(fèi)者的購(gòu)物記錄中分析出其消費(fèi)習(xí)慣，據(jù)此判定某一商品是否符合其消費(fèi)需求，進(jìn)而實(shí)現(xiàn)對(duì)新商品的推薦和營(yíng)銷[7]。張德鵬等對(duì)顧客的口碑和推薦意愿展開研究，并探討顧客心理感知因素在口碑和推薦意愿產(chǎn)生過(guò)程中的影響作用[8]。馮嬌等分析了用戶間關(guān)系強(qiáng)度對(duì)用戶購(gòu)買意愿的影響,并從社會(huì)化媒體的信息流動(dòng)角度對(duì)比分析了在用戶間關(guān)系強(qiáng)度的協(xié)調(diào)作用下不同用戶產(chǎn)生信息對(duì)接收信息的差異性影響以及對(duì)用戶購(gòu)買意愿的間接作用[9]。

（一）產(chǎn)品的個(gè)性化推薦服務(wù)

目前比較常見的產(chǎn)品營(yíng)銷推薦策略可以分為3種：基于內(nèi)容的產(chǎn)品推薦、基于協(xié)同過(guò)濾的產(chǎn)品推薦、混合產(chǎn)品推薦[10]?；趦?nèi)容的產(chǎn)品推薦是依據(jù)用戶喜愛的物品內(nèi)容信息找到相似物品進(jìn)行推薦[11]；協(xié)同過(guò)濾的產(chǎn)品推薦是基于用戶的歷史信息分析用戶間的相似度，從而根據(jù)相似用戶具有相似偏好的機(jī)理進(jìn)行推薦[12]；混合產(chǎn)品推薦較為常見的是基于內(nèi)容的推薦和協(xié)同過(guò)濾推薦的混合[13]。

當(dāng)前的產(chǎn)品推薦服務(wù)利用相似用戶的興趣偏好，或用戶喜歡的相似物品作為推薦的依據(jù)[14]，而在消費(fèi)者的個(gè)性化需求方面，基本上還是粗獷式的，即產(chǎn)品推薦系統(tǒng)把所有用戶當(dāng)作一個(gè)（類）人。這種基于粗獷式的推薦結(jié)果，將帶給潛在用戶非常負(fù)面的用戶體驗(yàn)，如在電商環(huán)境中，用長(zhǎng)期不相關(guān)的占用大量篇幅的郵件占領(lǐng)用戶的郵箱，將會(huì)引起用戶的極大反感，而對(duì)他們的懲罰可能是既簡(jiǎn)單而又殘酷的，鼠標(biāo)輕輕一點(diǎn)便將他們的郵箱地址送到垃圾郵箱，從而再也無(wú)法給這個(gè)潛在的客戶推送促銷信息。因此，根據(jù)用戶行為信息對(duì)推薦結(jié)果進(jìn)行篩選、過(guò)濾和個(gè)性化分析十分必要。特別是在大數(shù)據(jù)時(shí)代，為獲取極其豐富的用戶行為信息成為可能，本文將對(duì)用戶行為進(jìn)行深度分析與挖掘，利用EM聚類算法（期望最大化算法，Expectation Maximization Algorithm）構(gòu)建基于模型的協(xié)同過(guò)濾推薦系統(tǒng)，從而實(shí)現(xiàn)對(duì)產(chǎn)品推薦的個(gè)性化分析和過(guò)濾，提升產(chǎn)品營(yíng)銷的準(zhǔn)確性。

（二）用戶行為偏好獲取

在大數(shù)據(jù)時(shí)代，很多企業(yè)都可以通過(guò)分析自己的數(shù)據(jù)，獲取對(duì)企業(yè)和用戶有價(jià)值的信息。大數(shù)據(jù)研究表明利用數(shù)據(jù)融合技術(shù)對(duì)不同數(shù)據(jù)源的用戶數(shù)據(jù)進(jìn)行分析，可以獲得價(jià)值更大的信息。用戶行為信息越豐富，越有利于對(duì)推薦結(jié)果進(jìn)行個(gè)性化過(guò)濾。

用戶行為信息是指用戶在互聯(lián)網(wǎng)上發(fā)生的所有行為，如搜索、瀏覽、打分、點(diǎn)評(píng)、加入購(gòu)物筐、取出購(gòu)物筐、加入期待列表、購(gòu)買、使用減價(jià)券和退貨等，甚至包括在第三方網(wǎng)站上的相關(guān)行為，如比價(jià)、看相關(guān)評(píng)測(cè)、參與討論、社交媒體上的交流、與好友互動(dòng)等。與實(shí)體店通常能收集到的購(gòu)買、退貨、折扣、返券等和最終交易相關(guān)的信息相比，在互聯(lián)網(wǎng)上可以收集到大量用戶在購(gòu)買前的行為信息。

具體而言，利用多源數(shù)據(jù)融合進(jìn)行用戶行為分析可分為3種思路與方法：

一是數(shù)據(jù)層融合：通過(guò)對(duì)各模態(tài)的數(shù)據(jù)進(jìn)行簡(jiǎn)單組合形成新的特征向量，然后進(jìn)行后續(xù)的常規(guī)分類或識(shí)別等過(guò)程。

二是特征層融合：通過(guò)從單模態(tài)數(shù)據(jù)中提取有效互補(bǔ)的特征，利用時(shí)間尺度等規(guī)則將這些特征有機(jī)結(jié)合在一起，作為統(tǒng)一的多模態(tài)數(shù)據(jù)特征。

三是決策層融合：從不同模態(tài)的數(shù)據(jù)中分別提取特征，通過(guò)模式識(shí)別過(guò)程獲得識(shí)別結(jié)果與權(quán)重，再通過(guò)融合策略獲得最后的判別或識(shí)別結(jié)果。

二、產(chǎn)品個(gè)性化推薦與營(yíng)銷策略

（一）用戶行為特征向量構(gòu)建

用戶行為信息是用戶在互聯(lián)網(wǎng)上發(fā)生的所有行為，其表現(xiàn)形式多種多樣，如購(gòu)買前的行為信息可以深度地反映出潛在客戶的購(gòu)買心理和購(gòu)買意向。通過(guò)對(duì)這些行為信息的分析和理解，制定對(duì)用戶的貼心服務(wù)及個(gè)性化推薦。如在電子商務(wù)中，這樣的個(gè)性化推薦服務(wù)往往會(huì)起到非常好的效果，不僅可以提高用戶購(gòu)買的意愿，縮短購(gòu)買的路徑和時(shí)間，通常還可以在比較恰當(dāng)?shù)臅r(shí)機(jī)捕獲用戶的最佳購(gòu)買沖動(dòng)，也減少了傳統(tǒng)的營(yíng)銷方式對(duì)用戶的無(wú)端騷擾，還能提高用戶體驗(yàn)。

本文利用用戶行為數(shù)據(jù)挖掘用戶的個(gè)性化需求，從而實(shí)現(xiàn)產(chǎn)品推薦與營(yíng)銷的個(gè)性化服務(wù)。將用戶過(guò)去的點(diǎn)擊行為、購(gòu)買行為等以及對(duì)用戶購(gòu)買的物品價(jià)值、購(gòu)買頻率、最近的購(gòu)買時(shí)間等屬性進(jìn)行量化，并產(chǎn)生用戶的行為空間向量，從而利用EM聚類算法實(shí)現(xiàn)構(gòu)建協(xié)同過(guò)濾推薦模型，實(shí)現(xiàn)相似用戶的聚類分析；同時(shí)也對(duì)物品原價(jià)、折扣金額、能否退款、風(fēng)格等等分別打分、統(tǒng)計(jì)、歸類，對(duì)候選推薦物品在當(dāng)前階段受偏愛情況進(jìn)行評(píng)分。通過(guò)對(duì)這兩方面因素得到的推薦結(jié)果賦予不同的權(quán)重因子，并進(jìn)行權(quán)重計(jì)算從而得到最終的推薦結(jié)果。綜合計(jì)算用戶行為和產(chǎn)品屬性的推薦流程如圖1所示。

圖1 綜合計(jì)算用戶行為和產(chǎn)品屬性的推薦流程

（二）基于EM聚類和用戶評(píng)分的推薦策略

EM算法是一種基于模型的聚類方法，在概率（probabilistic）模型中尋找參數(shù)最大似然估計(jì)或者最大后驗(yàn)估計(jì)。假設(shè)數(shù)據(jù)實(shí)例分布符合高斯混合模型，算法的目的是確定各個(gè)高斯部件的參數(shù)，充分?jǐn)M合給定數(shù)據(jù)并得到一個(gè)模糊聚類，即每個(gè)實(shí)例以不同概率屬于每個(gè)高斯分布，概率數(shù)值將由以上各個(gè)參數(shù)計(jì)算得到。

在基于用戶行為的聚類分析中，給定訓(xùn)練數(shù)據(jù)集{x1,…,xm}，其中x的每一列是一個(gè)用戶行為的特征向量，將隱含類別標(biāo)簽用ci表示。這里假定每一個(gè)高斯函數(shù)的先驗(yàn)分布ciMultinomial（φ）（其中φj=1，ci有k個(gè)值{1,…,k}可?。?。并且在給定ci后，xi滿足多值高斯分布，即xi|ci=jN（μj,∑j）。由此可得到聯(lián)合概率分布p（xi,ci）=p（xi|ci）p（ci），從而對(duì)這些數(shù)據(jù)進(jìn)行建模。

對(duì)于高斯混合模型每個(gè)實(shí)例xi，可以先從k個(gè)類別中按多項(xiàng)式分布抽取一個(gè)ci，然后根據(jù)ci所對(duì)應(yīng)的k個(gè)多值高斯分布中生成一個(gè)實(shí)例xi，整個(gè)過(guò)程稱作高斯混合模型?；谟脩粜袨榈腅M聚類模型描述如表1所示。

表1 EM聚類算法描述

p（ci=j|xi;Φ,μ,∑）=

在公式中，p（xi|ci=j; μ,∑）的值是利用高斯密度函數(shù)計(jì)算得來(lái)，

P（xi|ci= j, μ,∑ ）=

P（ci=j; Φ）=Φj

利用用戶對(duì)物品原價(jià)、折扣金額、能否退款、風(fēng)格等的打分、統(tǒng)計(jì)、歸類信息，實(shí)現(xiàn)對(duì)客戶的可能興趣點(diǎn)進(jìn)行“預(yù)測(cè)”，從而得到用戶對(duì)候選物品j的評(píng)分。

ruj=∑i∈N（u）∩S（j,k）sim（j, i）rui

其中，N（u）是用戶喜歡的物品的集合，S（j,k）是和物品j 最相似的k個(gè)物品的集合，sim（j, i）是物品j和i的相似度，rui是用戶u對(duì)物品i的興趣。

通過(guò)對(duì)用戶特征向量進(jìn)行構(gòu)建，利用基于EM聚類的協(xié)同過(guò)濾模型中對(duì)物品聚類分析輸出的聚類概率p（i）。通過(guò)對(duì)這兩個(gè)因素得到的推薦結(jié)果賦予不同的權(quán)重因子，進(jìn)行權(quán)重計(jì)算每一推薦物品的評(píng)分，從而得到最終的推薦結(jié)果。

三、實(shí)驗(yàn)結(jié)果與分析

（一）實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)采用從亞馬遜網(wǎng)上書店抓取的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，數(shù)據(jù)集中包含543個(gè)用戶、2 682本購(gòu)書記錄、100 000 次評(píng)分（ 1～5）。 每個(gè)用戶至少對(duì)5個(gè)購(gòu)書記錄或感興趣的書籍進(jìn)行標(biāo)記和進(jìn)行評(píng)分，每本書至少被1位用戶評(píng)分。數(shù)據(jù)集中提供訓(xùn)練集和測(cè)試集分別占80%和20%，使用訓(xùn)練集進(jìn)行訓(xùn)練，預(yù)測(cè)未知書籍的評(píng)分，與測(cè)試集中用戶對(duì)書籍的實(shí)際評(píng)分進(jìn)行比較和實(shí)驗(yàn)。

（二）評(píng)價(jià)標(biāo)準(zhǔn)

（三）實(shí)驗(yàn)結(jié)果與分析

在本文中，物品的推薦依據(jù)是由基于用戶行為的協(xié)同過(guò)濾和用戶評(píng)分兩部分構(gòu)成，平衡因子α用以計(jì)算這兩部分比重。設(shè)定α的取值范圍為[0,1]，每次增加0.1，比較其對(duì)MAE的影響如圖2所示。

圖2 平衡因子α對(duì)MAE的影響

從圖2中可以看出，當(dāng)α=0.2時(shí)，MAE最小，推薦效果最佳。這說(shuō)明用戶對(duì)書籍內(nèi)容信息的影響較大，與實(shí)際情況也相符。現(xiàn)實(shí)生活中，用戶對(duì)書籍內(nèi)容具有偏好性，所購(gòu)買或感興趣的書籍種類也較相似，即使用戶可能對(duì)該類別的某些書籍評(píng)分不高，但是選擇書籍時(shí)還是存在傾向性。

基于EM聚類分析和用戶評(píng)分的方法與基于用戶行為的協(xié)同過(guò)濾方法、基于物品內(nèi)容的相似度計(jì)算方法進(jìn)行分析比較，根據(jù)圖2中的結(jié)論，設(shè)定α=0.2，得到的實(shí)驗(yàn)結(jié)果如圖3所示。

從圖3中的實(shí)驗(yàn)數(shù)據(jù)來(lái)看，本文中提出的綜合EM聚類分析和用戶評(píng)分的方法較傳統(tǒng)的協(xié)同過(guò)濾方法取得了較好的產(chǎn)品推薦效果（具有較小的MAE值）。同時(shí)，當(dāng)用戶的鄰居數(shù)量增加時(shí)，模型的MAE值更小（即推薦效果更好），但圖3中的折線也有一個(gè)趨勢(shì)，當(dāng)用于計(jì)算的相鄰用戶數(shù)量不斷增大時(shí)，模型的MAE值漸趨近平穩(wěn)，即當(dāng)相鄰用戶的數(shù)量接近50時(shí)，再期望通過(guò)簡(jiǎn)單地增加相鄰用戶的數(shù)量來(lái)提高模型的性能收效甚微。

圖3 綜合EM聚類和用戶評(píng)分方法比較實(shí)驗(yàn)

四、結(jié)束語(yǔ)

本文根據(jù)當(dāng)前電子商務(wù)環(huán)境下企業(yè)經(jīng)營(yíng)的處境，探討網(wǎng)絡(luò)產(chǎn)品推薦與營(yíng)銷的新出路，特別是近幾年來(lái) “互聯(lián)網(wǎng)+”和大數(shù)據(jù)技術(shù)的發(fā)展給企業(yè)產(chǎn)品營(yíng)銷帶來(lái)了極大的機(jī)遇和挑戰(zhàn)。相較于傳統(tǒng)的通過(guò)簡(jiǎn)單粗暴的價(jià)格戰(zhàn)來(lái)達(dá)到營(yíng)銷目的，利用數(shù)據(jù)融合技術(shù)從互聯(lián)網(wǎng)大數(shù)據(jù)中挖掘用戶的行為信息，更有利于分析消費(fèi)者的個(gè)性化需求，向消費(fèi)者推薦其可能喜歡的產(chǎn)品，開展個(gè)性化主動(dòng)營(yíng)銷服務(wù)，同時(shí)更有利于制定相應(yīng)的個(gè)性化產(chǎn)品營(yíng)銷策略，從而提高產(chǎn)品銷售的數(shù)量及產(chǎn)品推薦的成功率。

[1] 江曉東,桂輝.比較型網(wǎng)上產(chǎn)品評(píng)論的說(shuō)服效果研究[J].經(jīng)濟(jì)管理,2015（11）:74-82.

[2] 馮芷艷,郭迅華,曾大軍,等.大數(shù)據(jù)背景下商務(wù)管理研究若干前沿課題[J].管理科學(xué)學(xué)報(bào),2013,16（1）:1-9.

[3] 楊善林,周開樂.大數(shù)據(jù)中的管理問題:基于大數(shù)據(jù)的資源觀[J].管理科學(xué)學(xué)報(bào),2015,18（5）:1-8.

[4] 張俊杰,楊利.基于大數(shù)據(jù)視角的營(yíng)銷組合理論變革與創(chuàng)新[J].商業(yè)經(jīng)濟(jì)研究,2015（6）:54-55.

[5] 王馨.互聯(lián)網(wǎng)金融助解 “長(zhǎng)尾” 小微企業(yè)融資難問題研究[J].金融研究,2015（9）:128-139.

[6] 王茜,錢力.大數(shù)據(jù)環(huán)境下電子商務(wù)個(gè)性化推薦服務(wù)發(fā)展動(dòng)向探析[J].商業(yè)研究,2014（8）:150-154.

[7] 張光前,白雪.基于消費(fèi)性格的新商品推薦方法[J].管理科學(xué),2015,28（2）:60-68.

[8] 張德鵬,林萌菲,陳曉雁,等.顧客參與創(chuàng)新對(duì)口碑推薦意愿的影響研究:心理所有權(quán)的中介作用[J].管理評(píng)論,2013,27（12）:131-140.

[9] 馮妖,姚忠 基于強(qiáng)弱關(guān)系理論的社會(huì)化商務(wù)購(gòu)買意愿影響因素研究[J].管理評(píng)論,2015，27（12）:99-109.

[10]扈中凱,鄭小林,吳亞峰,陳德人.基于用戶評(píng)論挖掘的產(chǎn)品推薦算法[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版）,2013,47（8）:1475-1485.

[11]YAO L,SHENG Q Z,NGU A H H,et al.Unified collaborative and content-based web service recommendation[J].IEEE Transactions on Services Computing,2015,8（3）:453-466.

[12]CAI Y,LEUNG H,LI Q,et al.Typicality-based collaborative filtering recommendation[J].Knowledge and Data Engineering,IEEE Transactions on,2014,26（3）:766-779.

[13]LIAN D,GE Y,ZHANG F,et al.Content-aware collaborative filtering for location recommendation based on human mobility data[C]//Proceedings of the 2015 IEEE International Conference on Data Mining （ICDM）.2015:261-270.

[14]李梁,張海寧,李宗博,等.融合用戶屬性的協(xié)同過(guò)濾推薦算法在政府采購(gòu)中的應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)）,2015,29（1）:76-81.

（責(zé)任編輯鄧成超）

The Research of Product Marketing and Recommendation Strategy Based on EM Clustering Algorithm and User Rating

LI Qin

（MBA Center,Chongqing University of Technology, Chongqing 400054, China）

The development of network and Internet technology, especially the development of the “Internet +” and big data has brought great opportunities and challenges to the enterprise product marketing in recent years. Compared to the traditional way of simple and crude price war to achieve marketing objectives, some enterprises win in the battle by leveraging on the data and mining. In this paper, we use data fusion technology to mine user behavior information from the Internet big data, and analyze the individual needs of consumers to recommend consumers their possibly favorite products. Then EM clustering algorithm is used to build model-based collaborative filtering recommendation algorithm. We take the initiative to carry out personalized marketing services, and develop appropriate personalized products marketing strategy to improve the quantity and recommendations of the success rate of the product sold. In this paper, we obtain experimental data from the Amazon online bookstore, and verify the proposed method that integrated EM clustering and user rating has better recommendation results.

product marketing; product recommendation; EM clustering; user rating

2016-03-10

李琴（1973—），女，重慶人，會(huì)計(jì)師，研究方向：財(cái)務(wù)管理。

李琴.基于EM聚類和用戶評(píng)分的產(chǎn)品營(yíng)銷與推薦策略研究[J].重慶理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)），2016（12）:59-63.

format：LI Qin.The Research of Product Marketing and Recommendation Strategy Based on EM Clustering Algorithm and User Rating[J].Journal of Chongqing University of Technology（Social Science），2016（12）:59-63.

10.3969/j.issn.1674-8425（s）.2016.12.009

F253

A

1674-8425（2016）12-0059-05