楊國勝，郭貝貝

?

機(jī)器學(xué)習(xí)增強(qiáng)的電子商務(wù)平臺(tái)用戶行為預(yù)測(cè)

楊國勝，郭貝貝*

（中央民族大學(xué)，北京 100081）

黨的十九大報(bào)告指出，要“推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合”，這為電子商務(wù)發(fā)展指明了方向，如今以淘寶、京東為代表的電商品牌給消費(fèi)者帶來巨大方便、高效的消費(fèi)模式，同時(shí)運(yùn)營成本相較于實(shí)體經(jīng)濟(jì)更低。隨著機(jī)器學(xué)習(xí)的發(fā)展，利用海量用戶消費(fèi)數(shù)據(jù)，結(jié)合數(shù)據(jù)挖掘、深度學(xué)習(xí)等先進(jìn)算法，精確分析用戶購買、退貨等行為從而使得電子商務(wù)平臺(tái)體驗(yàn)升級(jí)吸引更多客戶量以及購買量。本文研究了基于不同數(shù)據(jù)挖掘及學(xué)習(xí)算法的用戶行為預(yù)測(cè)系統(tǒng)的關(guān)鍵技術(shù)，在此基礎(chǔ)上介紹了一種新穎的基于深度學(xué)習(xí)的電子商務(wù)平臺(tái)用戶行為預(yù)測(cè)技術(shù)，使得預(yù)測(cè)結(jié)果更為精準(zhǔn)，接近消費(fèi)者真實(shí)想法，以期為電子商務(wù)的發(fā)展提供一定的參考和借鑒。

機(jī)器學(xué)習(xí)；電子商務(wù)；用戶行為預(yù)測(cè)；在線電子支付

1 電子商務(wù)用戶行為分析

電子商務(wù)通常是指一種新穎的在互聯(lián)網(wǎng)開放的網(wǎng)絡(luò)平臺(tái)上，消費(fèi)者基于瀏覽器/服務(wù)器應(yīng)用方式進(jìn)行各種商貿(mào)活動(dòng)的商業(yè)運(yùn)營模式。消費(fèi)者在此平臺(tái)上可實(shí)現(xiàn)無需與賣家面對(duì)面的網(wǎng)上購物、交易和在線電子支付。從2013年開始，越來越多的電子商務(wù)企業(yè)更加注重通過使用互聯(lián)網(wǎng)為用戶提供優(yōu)質(zhì)的服務(wù)，并隨著電子商務(wù)越來越普及，更多人選擇在其上進(jìn)行交易，因此，存在著龐大客戶購買行為數(shù)據(jù)信息等，更重要的還有消費(fèi)者的評(píng)價(jià)以及反饋意見。因此，如何利用這些數(shù)據(jù)信息分析挖掘所蘊(yùn)含的用戶行為規(guī)律，從而應(yīng)用于客戶購買行為預(yù)測(cè)成為研究熱點(diǎn)之一。準(zhǔn)確把握客戶購買行為，能夠精確識(shí)別和定位潛在客戶群體進(jìn)行，將瀏覽者變?yōu)橘徺I者，有著極其強(qiáng)的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。

電子商務(wù)客戶的購買行為預(yù)測(cè)是指根據(jù)消費(fèi)者歷史訪問點(diǎn)擊操作、服務(wù)器日志、瀏覽記錄以及商品反饋信息中所蘊(yùn)含的行為規(guī)律，對(duì)在線客戶購買傾向進(jìn)行實(shí)時(shí)預(yù)測(cè)的行為。因此，可針對(duì)客戶推薦商品、制訂營銷策略以及決定平臺(tái)商品的進(jìn)貨量與出貨量。

20世紀(jì)90年代，研究者就開始對(duì)大量網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行挖掘和研究，國內(nèi)還專門成立數(shù)據(jù)挖掘研究機(jī)構(gòu)來分析客戶的購物行為。隨著電子商務(wù)的普及，越來越多方法被提出應(yīng)用到客戶行為分析預(yù)測(cè)中，如決策樹方法、貝葉斯分類算法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)方法及時(shí)間序列預(yù)測(cè)方法等。它們大都以數(shù)據(jù)驅(qū)動(dòng)，從消費(fèi)者個(gè)人信息、商品、消費(fèi)行為等多種信息中篩選出主要因素并設(shè)計(jì)特征，利用機(jī)器學(xué)習(xí)算法對(duì)篩選出的數(shù)據(jù)進(jìn)行模型訓(xùn)練，以訓(xùn)練好的模型預(yù)測(cè)消費(fèi)者購買可能性最大的商品。

機(jī)器學(xué)習(xí)的本質(zhì)是通過算法在眾多的假設(shè)空間中找到一個(gè)最優(yōu)的假設(shè)，預(yù)測(cè)方法是對(duì)數(shù)據(jù)從不同角度進(jìn)行分析，預(yù)測(cè)方法以及處理的數(shù)據(jù)不同，客戶行為預(yù)測(cè)的效果也不同，對(duì)于特定的學(xué)習(xí)問題都有與其相匹配的較合適的算法。而在現(xiàn)實(shí)生活中，并沒有一個(gè)算法可以在任何領(lǐng)域里學(xué)習(xí)出準(zhǔn)確的模型。通過集成多個(gè)單一算法的學(xué)習(xí)結(jié)果形成新的組合模型，從而提高算法最終學(xué)習(xí)準(zhǔn)確率的做法越來越流行。使用何種方法來集成算法對(duì)于提高融合后最終算法的準(zhǔn)確率至關(guān)重要。

2 用戶行為分析關(guān)鍵技術(shù)

在電商平臺(tái)中，平臺(tái)往往需要對(duì)客戶網(wǎng)購行為進(jìn)行分析及預(yù)測(cè)。電子商務(wù)平臺(tái)以所具有的客戶信息數(shù)據(jù)庫為基礎(chǔ)，完成對(duì)客戶網(wǎng)購行為的實(shí)時(shí)及針對(duì)性預(yù)測(cè)，從而體現(xiàn)了對(duì)客戶行為的智慧化預(yù)測(cè)。因此，作為一套完整的預(yù)測(cè)模型系統(tǒng)，首先需要利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等方法進(jìn)行知識(shí)的發(fā)現(xiàn)，對(duì)數(shù)據(jù)進(jìn)行特征提取。以此為基礎(chǔ)，構(gòu)建作為知識(shí)指導(dǎo)的知識(shí)存儲(chǔ)與表示的客戶網(wǎng)購行為知識(shí)庫，進(jìn)而建立從數(shù)據(jù)輸入到預(yù)測(cè)行為的系統(tǒng)體系。主要研究?jī)?nèi)容如下。

2.1 消費(fèi)者行為數(shù)據(jù)處理和特征構(gòu)建

從電子商務(wù)交互系統(tǒng)中抽取交互日志，準(zhǔn)備與消費(fèi)者行為分析預(yù)測(cè)相關(guān)數(shù)據(jù)；進(jìn)行數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)清洗、填充缺失值和去除異常值，保證數(shù)據(jù)的唯一性，從而為實(shí)現(xiàn)消費(fèi)者行為預(yù)測(cè)提供良好的基礎(chǔ)保障。

2.2 消費(fèi)者行為特征構(gòu)建

基于原始數(shù)據(jù)，進(jìn)行提取用戶行為購買特征，根據(jù)不同分類方法可將特征分成原始和拓展、靜態(tài)和動(dòng)態(tài)，或者將兩種或以上類別的特征合成一個(gè)新的特征。

要得到良好的預(yù)估效果，數(shù)據(jù)和特征很大程度上決定了模型預(yù)估的上限，因此，如何構(gòu)建適合的特征是為實(shí)現(xiàn)用戶行為分析提供良好保障的關(guān)鍵因素。

2.3 消費(fèi)者行為預(yù)測(cè)模型

預(yù)測(cè)模型的準(zhǔn)確性是保障消費(fèi)者行為預(yù)測(cè)分析的關(guān)鍵，目前雖然有很多預(yù)測(cè)模型，但都遠(yuǎn)遠(yuǎn)達(dá)不到真實(shí)情況下的準(zhǔn)確性要求。如何利用消費(fèi)者靜態(tài)或動(dòng)態(tài)數(shù)據(jù)的分析進(jìn)行準(zhǔn)確預(yù)測(cè)消費(fèi)者行為是極其關(guān)鍵的技術(shù)。

2.4 消費(fèi)者購物行為分析

由于電子商務(wù)具有數(shù)據(jù)量大、處理復(fù)雜等處理難點(diǎn)，目前，沒有一種模型能夠完全解決所有問題，絕大部分研究還是定性分析影響因素、構(gòu)建理論模型。傳統(tǒng)大多采用基于Logistic回歸的方法，但其本質(zhì)是一個(gè)線性分類模型，對(duì)輸入有很高的要求，比如要求目標(biāo)對(duì)象是線性可分的，但在實(shí)際中提出來的特征關(guān)聯(lián)性強(qiáng)，且存在復(fù)雜的非線性關(guān)系。再者就是Badding和隨機(jī)森林方法，它們的性能都或多或少受到限制。為此，我們提出一種基于深度學(xué)習(xí)的消費(fèi)者購物行為分析方法，如圖1所示。

深度學(xué)習(xí)的概念由Hinton等人于2006年提出，屬于機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，為了解決神經(jīng)網(wǎng)絡(luò)易陷入局部最小和學(xué)習(xí)能力受限的問題，借助“逐層貪婪學(xué)習(xí)”的思想，通過學(xué)習(xí)更深層次的非線性網(wǎng)絡(luò)，并從中選取有助于機(jī)器學(xué)習(xí)的更加有效的特征，可以預(yù)測(cè)出更加精準(zhǔn)的結(jié)果。本質(zhì)是對(duì)數(shù)據(jù)的表征學(xué)習(xí)，目標(biāo)是尋求更好的表示方法，并創(chuàng)建更好的模型，從大規(guī)模未標(biāo)記數(shù)據(jù)中學(xué)習(xí)這些表示方法。 基于深度學(xué)習(xí)的消費(fèi)者購物行為分析工作流程主要分為以下4個(gè)步驟。

2.4.1 準(zhǔn)備并處理數(shù)據(jù)集

包含用戶交互信息采集、數(shù)據(jù)清洗等。

2.4.2 特征構(gòu)建

分為特征選擇、劃分樣本訓(xùn)練集和測(cè)試集、特征處理三個(gè)階段。特征選擇是構(gòu)建預(yù)測(cè)模型的關(guān)鍵，即從大量數(shù)據(jù)集中挑選對(duì)分類極為重要的特征集，進(jìn)而提高模型預(yù)測(cè)精準(zhǔn)度，縮短運(yùn)行時(shí)間。因不同維度選擇出的特征量綱和單位不統(tǒng)一會(huì)影響評(píng)估特征的權(quán)重，進(jìn)而影響模型的預(yù)估效果，因此，需進(jìn)行特征管理來進(jìn)行歸一化處理。

2.4.3 設(shè)計(jì)預(yù)測(cè)模型并訓(xùn)練

選擇基本模型框架為卷積神經(jīng)網(wǎng)絡(luò)CNN+循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，并在其基礎(chǔ)上對(duì)數(shù)據(jù)的負(fù)樣本進(jìn)行隨機(jī)抽樣、調(diào)整網(wǎng)絡(luò)層數(shù)、確定損失函數(shù)、設(shè)計(jì)學(xué)習(xí)率等超參數(shù)；將模型輸出誤差通過BP算法反向傳播，利用隨機(jī)梯度下降SGD或Adam算法優(yōu)化模型參數(shù)。

2.4.4 模型驗(yàn)證

利用未訓(xùn)練的數(shù)據(jù)驗(yàn)證模型的泛化能力，如果預(yù)測(cè)結(jié)果不理想，則需要重新設(shè)計(jì)模型，進(jìn)行新一輪的訓(xùn)練；至今已有數(shù)種成熟的深度學(xué)習(xí)模型，包括深度神經(jīng)網(wǎng)絡(luò)DNN、卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)絡(luò)DBN和遞歸神經(jīng)網(wǎng)絡(luò)RNN等。這些在機(jī)器視覺、自然語言處理、生物信息學(xué)、語音識(shí)別等領(lǐng)域得到廣泛應(yīng)用，并取得顯著效果。

3 總結(jié)

消費(fèi)者行為預(yù)測(cè)是目前在電子商務(wù)中極具前瞻性的研究領(lǐng)域，隨著人工智能深度學(xué)習(xí)模型的深入研究，極大提升了消費(fèi)者行為預(yù)測(cè)準(zhǔn)確率。但是由于深度學(xué)習(xí)具有的黑盒特性，難以對(duì)消費(fèi)者行為預(yù)測(cè)的特征提取過程進(jìn)行定性研究，為此，仍需要進(jìn)一步加強(qiáng)對(duì)深度學(xué)習(xí)模型的可視化技術(shù)研究，提高學(xué)習(xí)模型的可靠性分析，并在可解釋性的基礎(chǔ)上進(jìn)一步提高消費(fèi)者行為預(yù)測(cè)準(zhǔn)確度。

［1］劉建，孫鵬，倪宏.基于神經(jīng)網(wǎng)絡(luò)的用戶興趣度估計(jì)［J］.計(jì)算機(jī)工程，2011，37（07）：187-189.

［2］李美其，齊佳音.基于購買行為及評(píng)論行為的用戶購買預(yù)測(cè)研究［J］.北京郵電大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2016，18（04）：18-25.

［3］胡東波，肖璇，周錦.基于數(shù)據(jù)挖掘的移動(dòng)電子商務(wù)用戶群體特征分析［J］.科技管理研究，2013，33（09）：222-226.

［4］Kuo R J，LIAO J L，TU C.Integration of ART2 neural network and genetic k-means algorithm for analyzing web browsing paths in electronic commerce［J］.Decision Support Systems，2005（40）：355-374.

［5］Wei C P，Chiu I T.Turning telecommunications call details to churn prediction：A data mining approach［J］.Expert Systems with Application，2002，23（02）：103-112.

＊本文作者為人工智能開放創(chuàng)新平臺(tái)（chinaopen.ai）聯(lián)合學(xué)者

2095－6835（2019）01－0124－02

F724.6

A

10.15913/j.cnki.kjycx.2019.01.124

〔編輯：張思楠〕