论文部分内容阅读
电子商务业高速发展过程也伴随着一些“不和谐”现象,诸如产品售后服务、产品描述与实际差异等顾客面临的困惑。同时还存在着一些电商企业需要应对的问题,其中如何有效识别“黄牛”行为(对网络上高性价比的产品进行大量抢购,转手获取差额利润),使真实顾客获得优惠、提升客户满意度是一个亟待解决的难点。因此,本文分别从两个方面对该问题进行剖析和研究:一为电商黄牛辨识问题,现有相关理论研究几乎为空白,因此首先提出从消费商品种类多样性(Diversity)、消费频率(Frequency)和购买商品数量(Quantity)三个角度对电商黄牛与正常顾客的行为差异进行分析,然后构建辨识指标体系;然后依据真实数据,构建不同辨识模型并进行性能比较;二为从顾客角度出发,将受黄牛抢购影响的商品对正常顾客进行个性化推荐,改善其购物体验,并对传统的基于矩阵分解的LFM(Latent Factor Model)推荐算法进行优化研究,提高其推荐精度。因此,论文主要研究内容如下:(1)针对近年来困扰电商平台的黄牛辨识问题,本文进行了系统建模研究并通过实验验证了所提方法有效性。首先从DFQ视角分析正常顾客和电商黄牛的购买行为差异,构建有效辨识指标体系;考虑到数据非均衡性,采用SMOTE(Synthetic Minority Oversampling Technique)算法对少数类样本进行处理,然后依托邻域粗糙集算法和经典粗糙集算法,对均衡化处理前后的训练数据集学习建模;最后将分类模型应用于测试数据集,比较预测精度差异,结果分析表明:邻域粗糙集对电商黄牛的辨识效果更佳。此外,基于经典粗糙集生成的辨识规则,验证了正常顾客和黄牛在DFQ层次上差异的客观存在性。(2)推荐算法是推荐系统的核心,其中基于矩阵分解的推荐算法是目前的研究热点之一。然而普通矩阵分解算法的推荐精确度偏低,为了改善该问题,本文以矩阵分解算法中的潜在因子模型(LFM)优化为研究对象,针对LFM中两种基础推荐算法:批量学习算法和增量学习算法,通过分析两者在寻优速率与推荐精度上的不足,提出两种改进算法:带冲量的批量学习算法和混合学习算法,最后通过实验数据测试,对比了不同算法的推荐效果,结果证明改进算法的性能更优。