胡曉麗 張會(huì)兵 董俊超 吳冬強(qiáng)

1(桂林電子科技大學(xué)教學(xué)實(shí)踐部 廣西 桂林 541004)

2(桂林電子科技大學(xué)廣西可信軟件重點(diǎn)實(shí)驗(yàn)室 廣西 桂林 541004)

3(南寧地精科技有限公司 廣西 南寧 530000)

0 引 言

網(wǎng)民在電商平臺(tái)上選購(gòu)商品的過程中伴隨著瀏覽、收藏、放入購(gòu)物車等各種在線操作行為。當(dāng)前，在電商平臺(tái)上沉淀了海量的用戶購(gòu)物歷史數(shù)據(jù)，深入分析這些數(shù)據(jù)能夠較好預(yù)測(cè)其購(gòu)物習(xí)慣、偏好或購(gòu)物意愿。特別地，對(duì)用戶購(gòu)買行為進(jìn)行預(yù)測(cè)有助于提升用戶購(gòu)物體驗(yàn)，促進(jìn)電子商務(wù)可持續(xù)發(fā)展[1]。

用戶購(gòu)買行為預(yù)測(cè)是國(guó)內(nèi)外諸多學(xué)者關(guān)注的熱點(diǎn)[2-6]。文獻(xiàn)[3]使用決策樹與神經(jīng)網(wǎng)絡(luò)方法挖掘用戶購(gòu)物歷史行為數(shù)據(jù)，預(yù)測(cè)用戶是否會(huì)購(gòu)買他們已經(jīng)添加到購(gòu)物車?yán)锏纳唐贰Ｔ鴳椨畹萚4]針對(duì)海量在線消費(fèi)行為數(shù)據(jù)準(zhǔn)確預(yù)測(cè)興趣偏好和購(gòu)物行為，提出融合了潛在因子和行為序列的效用函數(shù)選擇模型，與邏輯回歸(Logistic Regression，LR)和梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)相比，該模型有更好的精確度和有效性。Liu等[5]利用大量的用戶瀏覽、點(diǎn)擊、購(gòu)買等行為數(shù)據(jù)，通過支持向量機(jī)(Support Vector Machine，SVM)對(duì)未來網(wǎng)絡(luò)消費(fèi)者的購(gòu)買情況進(jìn)行預(yù)測(cè)，得到了滿意的結(jié)果。祝歆等[6]融合邏輯回歸和支持向量機(jī)構(gòu)建了網(wǎng)絡(luò)購(gòu)物行為預(yù)測(cè)模型，取得了比單一模型更好的預(yù)測(cè)效果。

隨著電商平臺(tái)中行為數(shù)據(jù)的日益增加，應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)算法的特征構(gòu)造和選擇需要花費(fèi)時(shí)間與人力急劇增加，并且不同的電子商務(wù)平臺(tái)中數(shù)據(jù)的格式和內(nèi)容有所不同，使得算法的移植性受限。同時(shí)，對(duì)用戶購(gòu)買行為的獨(dú)立性假設(shè)也與用戶購(gòu)買的實(shí)際情況不符，導(dǎo)致其不能準(zhǔn)確預(yù)測(cè)不同時(shí)間段的用戶購(gòu)買行為。

為此，提出一種CNN-LSTM神經(jīng)網(wǎng)絡(luò)組合模型來預(yù)測(cè)用戶購(gòu)買行為。首先使用卷積神經(jīng)網(wǎng)絡(luò)層CNN從用戶歷史行為數(shù)據(jù)中自動(dòng)抽取高影響力的特征，然后通過長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM建立時(shí)間序列預(yù)測(cè)模型[7-9]，最后通過全連接層(Fully Connected Layer，F(xiàn)C)輸出模型預(yù)測(cè)結(jié)果。以此實(shí)現(xiàn)特征自動(dòng)抽取和基于行為序列的用戶購(gòu)買行為預(yù)測(cè)。

1 CNN-LSTM購(gòu)買行為預(yù)測(cè)模型

1.1 預(yù)測(cè)模型框架

圖1為融合用戶屬性、商品屬性和用戶行為特征的預(yù)測(cè)用戶購(gòu)買行為的CNN-LSTM模型總體架構(gòu)[8,15]。數(shù)據(jù)處理和特征構(gòu)建完成用戶歷史行為數(shù)據(jù)清洗，剔除刷單用戶、重大促銷等不具有一般規(guī)律的數(shù)據(jù)，并采用分段下采樣方法進(jìn)行樣本均衡處理；CNN層接收影響用戶購(gòu)買行為的各種特征，如瀏覽數(shù)、購(gòu)買數(shù)、瀏覽購(gòu)買轉(zhuǎn)化率等，進(jìn)行特征選擇和特征優(yōu)化；LSTM依據(jù)CNN提取的用戶購(gòu)買行為序列中的重要特征進(jìn)行用戶購(gòu)買行為預(yù)測(cè)；全連接層把LSTM單元輸出的高維用戶購(gòu)買行為信息壓縮為相應(yīng)的特征向量，實(shí)現(xiàn)對(duì)用戶購(gòu)買行為的分類表達(dá)。

圖1 CNN-LSTM用戶購(gòu)買行為預(yù)測(cè)模型

1.2 在線交互行為樣本均衡與特征構(gòu)建

(1) 在線交互行為樣本均衡。用戶與商品的在線交互過程中，只有極少部分瀏覽行為會(huì)轉(zhuǎn)化為購(gòu)買行為，出現(xiàn)購(gòu)買樣本與未購(gòu)買樣本極度不均衡的問題[10]。目前，解決樣本不均衡問題的主流方法是上采樣和下采樣[11]。然而，上采樣方法很難適應(yīng)電子商務(wù)中用戶-商品交互數(shù)據(jù)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)量大的特點(diǎn)；下采樣方法因?yàn)閿?shù)據(jù)傾斜和信息丟失也不適合解決此類問題。為此，設(shè)計(jì)了如算法1所示的分段下采樣方法[11-12]：根據(jù)用戶購(gòu)買行為預(yù)測(cè)樣本數(shù)據(jù)具有時(shí)間衰減的特性，將購(gòu)買用戶和未購(gòu)買用戶歷史數(shù)據(jù)樣本以天為單位進(jìn)行分段。針對(duì)用戶樣本中的每個(gè)用戶找出其三個(gè)最近鄰用戶，若該用戶是未購(gòu)買用戶且其三個(gè)最近鄰用戶中有兩個(gè)以上是購(gòu)買用戶，則刪除它；反之，當(dāng)該樣本是購(gòu)買用戶并且其三個(gè)最近鄰中有兩個(gè)以上是未購(gòu)買用戶，則去除最近鄰中的未購(gòu)買用戶，其余情況均保留原始用戶樣本。

算法1分段下采樣樣本均衡算法。

輸入：用戶原始?xì)v史數(shù)據(jù)(D)，數(shù)據(jù)記錄天數(shù)(T)；

輸出：新用戶平衡歷史數(shù)據(jù)(D′)；

算法流程：

1: D′=D/T

//對(duì)原始數(shù)據(jù)按照數(shù)據(jù)記錄天數(shù)進(jìn)行分段

2: for D(u)∈D′ do

//遍歷原始數(shù)據(jù)中的每個(gè)用戶

3: D′(u)=RandomChoose(D(u))

//隨機(jī)選擇任意用戶數(shù)據(jù)

4: if D′(u)為購(gòu)買用戶then

5: //判斷D′(u)最近鄰中是否有兩個(gè)以上未購(gòu)買用戶

if no-buy=sum(KNN(D′(u)))≥2 then

6: //刪除最近鄰中的未購(gòu)買用戶

delete(KNN(D′(u))no-buy)

7： else

8： save(D′(u))

//保留新用戶數(shù)據(jù)

9： else

10： if buy=sum(KNN(D′(u)))≥2 then

11： //刪除新用戶

delete(D′(u))

12： else

13： save(D′(u))

//保留新用戶數(shù)據(jù)

(2) 在線交互行為特征構(gòu)建。分析京東商城等的交互數(shù)據(jù)發(fā)現(xiàn)：用戶行為數(shù)據(jù)分散在用戶屬性、商品信息、用戶對(duì)商品的行為等處[13-14]。原始數(shù)據(jù)中可用的特征數(shù)量極少，直接用于CNN-LSTM模型無法有效預(yù)測(cè)用戶購(gòu)買行為。為此，運(yùn)用統(tǒng)計(jì)分析構(gòu)建出如表1所示的用戶購(gòu)買行為預(yù)測(cè)特征。然后，將該特征輸入到CNN-LSTM模型中，CNN自動(dòng)進(jìn)行用戶歷史購(gòu)買行為的特征提取，可以有效簡(jiǎn)化傳統(tǒng)機(jī)器學(xué)習(xí)中特征提取和特征選擇過程[7]。

表1 用戶購(gòu)買行為預(yù)測(cè)特征

1.3 CNN-LSTM組合的購(gòu)買行為預(yù)測(cè)

CNN由接收用戶歷史行為特征的輸入層、對(duì)接LSTM輸入層的輸出層以及多個(gè)隱藏層組成。其中，隱藏層包括卷積層和池化層，如圖2所示。

圖2 CNN-LSTM模型中CNN層

(1)

用戶行為特性經(jīng)過卷積操作后，傳入池化層中進(jìn)一步減少參數(shù)數(shù)量，壓縮數(shù)據(jù)維度，減少過擬合。用式(2)的最大池化方法篩選出對(duì)用戶購(gòu)買行為影響最大的特征信息，實(shí)現(xiàn)用戶購(gòu)買行為預(yù)測(cè)。

(2)

式中：T為池化區(qū)域的步長(zhǎng)；R是池化尺寸。

LSTM接收CNN提取的重要特征向量序列，通過遺忘門、輸入門和輸出門改變細(xì)胞狀態(tài)，更新以前隱藏狀態(tài)的內(nèi)存單元來保持用戶歷史購(gòu)買行為信息持續(xù)存在，更準(zhǔn)確地預(yù)測(cè)了用戶購(gòu)物行為[16-17]。LSTM單元結(jié)構(gòu)如圖3所示。

圖3 LSTM單元結(jié)構(gòu)圖

門控單元中的各個(gè)門和記憶細(xì)胞的表達(dá)式如下:

外部輸入門單元表達(dá)式：

(3)

遺忘門單元表達(dá)式：

(4)

細(xì)胞內(nèi)部狀態(tài)更新表達(dá)式：

(5)

輸出門單元表達(dá)式：

(6)

CN-LSTM模型的最后一層為全連接，該層將LSTM單元輸出的高維用戶歷史購(gòu)買行為信息壓縮為一個(gè)特征向量hI={h1,h2,…,hn}，進(jìn)行用戶-商品對(duì)的分類，預(yù)測(cè)用戶是否會(huì)購(gòu)買某種商品，其函數(shù)表達(dá)式如下：

(7)

基于CNN-LSTM模型的用戶購(gòu)買行為預(yù)測(cè)算法如算法2所示。

算法2基于CNN-LSTM模型的用戶購(gòu)買行為預(yù)測(cè)算法。

輸入：用戶屬性數(shù)據(jù)(U)、商品屬性數(shù)據(jù)(M)和用戶對(duì)商品的行為數(shù)據(jù)(B)；

輸出：用戶-商品對(duì)(U-M)，是否購(gòu)買(buy)(1：表示購(gòu)買，0：表示未購(gòu)買)；

算法流程：

1: read date={U,M,B}

//讀取輸入數(shù)據(jù),構(gòu)建用戶行為特征

//構(gòu)建用戶行為特征

3: //根據(jù)樣本均衡算法進(jìn)行用戶購(gòu)買行為數(shù)據(jù)樣本均衡

U*=choose(U)

4: //設(shè)置卷積核數(shù)量為32，卷積尺寸3，根據(jù)式(1)進(jìn)行卷積操作，得到特征向量矩陣

Cu=ReLU(Convolution(32,3,3))

5: //設(shè)置池化層尺寸為2，根據(jù)式(2)進(jìn)行池化操作，特征

//降維得到新特征向量Cu*

Cu*=MaxPooling(3,3)(Cu)

6: //根據(jù)式(3)到式(6)進(jìn)行LSTM層訓(xùn)練，得到特征向

//量矩陣Lu*

Lu*=LSTM(output=128,activation=′tanh′)(Cu*)

7: buy=softmax(Lu*)

//根據(jù)式(7)進(jìn)行用戶購(gòu)買行為分類

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)集

本文選用天池大賽中阿里巴巴移動(dòng)電商平臺(tái)數(shù)據(jù)集進(jìn)行測(cè)試，包括11月18日到12月18日的2 084 859條用戶歷史購(gòu)買行為數(shù)據(jù)：包含用戶標(biāo)識(shí)、商品標(biāo)識(shí)等6個(gè)字段，19 972個(gè)用戶，1 054種類的422 858件商品，對(duì)12月19日用戶對(duì)商品的購(gòu)買行為進(jìn)行預(yù)測(cè)[14]。其中，行為信息有瀏覽、收藏、加購(gòu)物車、購(gòu)買四種方式。對(duì)清洗后的數(shù)據(jù)字段進(jìn)行組合優(yōu)化，刪除用戶行為時(shí)間、商品位置與用戶位置字段，增加購(gòu)買瀏覽轉(zhuǎn)化率、購(gòu)買收藏轉(zhuǎn)化率、購(gòu)買加購(gòu)轉(zhuǎn)換率三個(gè)與用戶購(gòu)買行為密切相關(guān)的3個(gè)字段，優(yōu)化后的數(shù)據(jù)字段如表2所示。

表2 測(cè)試數(shù)據(jù)字段

續(xù)表2

2.2 評(píng)估指標(biāo)

這里采用精確率P、召回率R和F1值三個(gè)指標(biāo)來評(píng)估預(yù)測(cè)模型性能。根據(jù)樣例真實(shí)類別與CNN-LSTM預(yù)測(cè)類別組合劃分為真正例(TP)、假正例(FP)、真負(fù)例(TN)、假負(fù)例(FN)四種類型，混淆矩陣如表3所示。預(yù)測(cè)結(jié)果在主對(duì)角線上取值越大，副對(duì)角線上取值越小的模型越好。將混淆矩陣數(shù)字化后即為精確率P、召回率R和F1值，計(jì)算公式分別為：

(8)

(9)

(10)

2.3 實(shí)驗(yàn)結(jié)果與分析

(1) CNN-LSTM模型驗(yàn)證。為了驗(yàn)證CNN-LSTM模型的性能，我們將CNN-LSTM模型與5種基線模型進(jìn)行比較。參數(shù)設(shè)置如表4和表5所示。

表4 機(jī)器學(xué)習(xí)算法參數(shù)設(shè)置

續(xù)表4

表5 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

為了保證實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確和客觀，將每個(gè)模型在同一訓(xùn)練和測(cè)試數(shù)據(jù)集上分別運(yùn)行10次，求得精確率、召回率和F1值的平均值作為模型最終結(jié)果，所得結(jié)果如表6所示。

表6 六種用戶購(gòu)買行為預(yù)測(cè)模型精確率、召回率和F1值對(duì)比

從表6中的實(shí)驗(yàn)結(jié)果可以看出，基于CNN-LSTM模型的F1值在訓(xùn)練集和測(cè)試集中均高于其余基準(zhǔn)模型，其原因主要為該模型集成了CNN在網(wǎng)絡(luò)特性提取、特征選擇方面和LSTM記憶機(jī)制處理時(shí)序模型方面的優(yōu)勢(shì)。XGBoost模型的F1值優(yōu)于CNN模型，低于LSTM模型的F1值，主要原因?yàn)閄GBoost是一種集成很多弱分類器的強(qiáng)分類器，在很多數(shù)據(jù)挖掘相關(guān)比賽中的表現(xiàn)多次優(yōu)于神經(jīng)網(wǎng)絡(luò)。此外，LSTM模型的表現(xiàn)優(yōu)于CNN和XGBoost模型的主要原因與本次的實(shí)驗(yàn)數(shù)據(jù)選擇密切相關(guān)，本次采用的數(shù)據(jù)集是用戶購(gòu)買行為一個(gè)月的歷史數(shù)據(jù)，屬于標(biāo)準(zhǔn)的時(shí)序數(shù)據(jù)，LSTM模型較其余基準(zhǔn)模型更適合時(shí)序數(shù)據(jù)的分析和預(yù)測(cè)。

從表6中可見，6種模型在訓(xùn)練數(shù)據(jù)集上的F1值均優(yōu)于其在測(cè)試數(shù)據(jù)集上的F1值。主要原因是模型僅僅在測(cè)試數(shù)據(jù)集尋找購(gòu)買行為的樣本，其中有部分在12月19日購(gòu)買的用戶為新進(jìn)用戶，在訓(xùn)練集中的11月18日到12月18日(除11月11日外)一個(gè)月時(shí)間之內(nèi)沒有該用戶購(gòu)買歷史記錄，模型預(yù)測(cè)將其預(yù)測(cè)為未購(gòu)買用戶，導(dǎo)致模型預(yù)測(cè)結(jié)果的召回率降低，F(xiàn)1值也隨之下降。

為了更直觀地驗(yàn)證CNN-LSTM模型的穩(wěn)定性，將六種模型的10次訓(xùn)練數(shù)據(jù)集的F1值畫出折線圖分析波動(dòng)幅度，如圖4所示。

圖4 六種模型F1值變化曲線

可以看出，CNN-LSTM模型與支持向量、隨機(jī)森林和CNN模型在預(yù)測(cè)效果上有明顯優(yōu)勢(shì)。LSTM和XGBoost模型偶爾一次的F1值會(huì)優(yōu)于CNN-LSTM模型，然而LSTM和XGBoost模型的F1值跟隨實(shí)驗(yàn)次數(shù)波動(dòng)較大對(duì)于整體效果而言，CNN-LSTM模型處于高F1值的區(qū)間小幅度波動(dòng)，模型穩(wěn)定性較好。

(2) “分段下采樣”樣本均衡算法驗(yàn)證。圖5為6種模型樣本均衡前后的F1值對(duì)比結(jié)果，可以看出，經(jīng)過分段下采樣樣本均衡算法的六種模型的F1值均有不同程度的提升。其中支持向量機(jī)、隨機(jī)森林、XGBoost、CNN、LSTM這5種模型的F1值提升比較明顯。實(shí)驗(yàn)結(jié)果表明，使用分段下采樣的樣本均衡算法對(duì)樣本不均衡的用戶行為歷史數(shù)據(jù)進(jìn)行均衡處理，對(duì)提升用戶購(gòu)買行為的預(yù)測(cè)準(zhǔn)確率有一定作用。

圖5 六種模型樣本均衡前后F1值對(duì)比

3 結(jié) 語

本文基于CNN-LSTM模型對(duì)用戶購(gòu)買行為進(jìn)行預(yù)測(cè)，與現(xiàn)有的購(gòu)買行為預(yù)測(cè)模型相比，簡(jiǎn)化了特征選擇過程，提高了模型準(zhǔn)確性和穩(wěn)定性。分段下采樣樣本均衡算法有效解決了電商平臺(tái)中購(gòu)買樣本與未購(gòu)買樣本極度不均衡的問題，提升了CNN-LSTM模型預(yù)測(cè)的準(zhǔn)確率。然而，目前的模型尚未考慮用戶性別、年齡、商品評(píng)論以及“雙十一”“六一八”重大促銷活動(dòng)等信息對(duì)用戶購(gòu)買行為的影響。在后續(xù)研究中，我們將構(gòu)建一種能夠包含更多上述信息的用戶購(gòu)買行為預(yù)測(cè)模型，使其預(yù)測(cè)更精準(zhǔn)、實(shí)用。