电商用户偏好自动识别与利用.docxVIP

[原创]电商用户偏好的自动识别与利用 想提高转化率就要投其所好，但用户偏好似未见到有效的表示，也就更谈不上识别与应用了。 从AI的角度来说，这个问题其实可以转化成用户属性和对电商的业务贡献是如何关联起来的。这样的话，对电商的业务贡献就可以用一组用户在网站所购买产品的业务属性标识出来，如菜品的辣度（重、中、微、不）、咸度、甜度、主要食材等等。用户属性则可以进一步细分为：1 用户的特征属性：主要是用户的个人的社会性属性，如年龄、地理位置、性别等；2 用户的行为属性：如用户本次访问主要关注了哪些产品、点击了哪些广告等等；3 用户的业务属性：主要是用户以前购买了哪些产品、（总、次均）消费金额等。 这样转化以后，用户偏好就可以用产品的业务属性进行表示：所有业务属性各种取值的冥集的真子集的模糊集。话说的有点绕口（没办法，对IT来说所有的问题都是数学问题，否则计算机无法工作），其实可以简单理解为多个产品的概率化，也就是买产品1的可能性是多少、买产品2的可能性是多少，当然偏好不会和具体的产品勾连起来，而是业务属性集的概率化。 解决了表示问题，用户偏好的识别就是从海量的历史交易记录中把用户属性和产品的业务属性之间的关联关系找出来，这其实就是一个粗糙模糊集的约简问题，又是一个NP难问题，计算起来很耗计算资源的。不过计算的结果是用户属性和产品业务属性之间的决策规则表，告诉我们的正好就是什么样的用户会购买什么样的产品。 有了用户偏好的规则化，那么该如何利用呢？ 一、对老用户的预分类：利用挖掘出来的决策规则表，可以离线/后台的方式将所有注册用户的偏好一次性全部计算出来，那么在用户下一次登录时就可以根据其偏好对其界面、产品推荐、广告展示等进行个性化的定制，以促进有效点击率的提高； 二、对当前用户的即时反应：用户的兴趣点不会唯一更不会永恒不变，所以预分类所得到的用户偏好并不一定就恰好吻合用户本次访问的兴趣所在，那么能否根据用户的一连串动作来获取用户本次访问的兴趣点/需求所在而进行有针对性的满足呢？对这个问题，单纯的决策规则表是做不到的，因为其虽然涵盖了用户的行为属性，但由于生成这些决策规则时是离线的，也就是这些行为属性都属于历史性数据了，这些属性先后顺序等信息并不能有效包含进来，而即时反应要做到根据前面的动作和当前动作立刻做成反应，并不能等到所有动作都发生完毕了才进行计算，所以只依靠决策规则表是无法实现这一要求的。不过，如果我们再结合同样是进行概率计算的贝叶斯网技术就有可能实现该功能。贝叶斯网不需要一次性提供全部数据，在模型挖掘出来后，即便只提供一个数据也可以进行计算（当然这么少的信息量肯定不太准确），那么对用户的即时反应就是不断收集用户的行为不断进行计算用户当前偏好的过程，计算结果也随着用户信息的不断补全而越来越精确。 三、用户偏好的个性化：前面说的第一类应用是从整个网站的角度来提炼用户属性和产品属性之间的决策规则，这样的偏好有其指导意义，但对具体的某个用户来说还是有一定偏差的。随着 HYPERLINK /industry/1594.html \t _blank 互联网平台化、规模化的深入，单一用户在网站上也可以积累出相当数量的历史记录，那么我们就可以针对具体的用户进行偏好分析，得到针对该用户的偏好，这对平台化、规模化的电商更有价值。