[發明專利]一種電子商務網站中顧客好友關系網絡的挖掘方法

有效

• 申請號: 201410011076.4
• 申請日: 2014-01-10
• 公開（公告）號: CN103761665B
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 蔣嶷川;陳昭娣
• 申請（專利權）人: 東南大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F17/30
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 柏尚春

1.一種電子商務網站中顧客好友關系網絡的挖掘方法，其特征在于包括以下步驟：

(1)數據準備：

(11)將要分析的電子商務中用戶的好友關系抽象成一個網絡，每個顧客表示網絡中一個節點，好友關系抽象成邊，符號記為G＝(V；E)，其中V為顧客集合，E表示好友關系集合，網絡G即為要求解的目標；初始假設所有節點連通，那么N個節點構成的網絡中最多有N(N-1)條有向邊，最后需要從該全連通網絡中篩選出最具影響的K條邊，即顧客的好友關系；且兩個節點之間只要存在至少一條有向邊，則認為這兩個節點表示的顧客之間具有好友關系；

(12)建立線上銷售記錄模型：提取商品剛上架一段時間內的銷售記錄，構成商品銷售數據集，其中每一條銷售記錄包括商品ID、顧客ID和購買時間，定義(u,t_u)_a為用戶u在時間t_u購買商品a，如果顧客沒有購買，則t_u＝∞；那么商品a的銷售過程便可以用一個集合c_a表示，其中每一個元素為顧客的一條購買記錄，所有商品的銷售記錄用集合C表示；

(13)將銷售記錄建模為商品在顧客好友關系網絡中的流行過程，用戶對商品有兩種狀態：購買或者沒購買；顧客購買后即處于活躍狀態，反之為非活躍狀態；處于活躍狀態的顧客會影響自己的好友，使得非活躍狀態好友也可能購買該商品，進而該好友也處于活躍狀態；所以商品的流行過程便可以建模為活躍顧客以一定概率影響非活躍顧客，使得非活躍狀態的好友也變為活躍狀態的過程；

(2)數據過濾，具體包含兩種過濾方案：

基于地理位置篩選：顧客在網上購物后，物流服務將商品送至顧客手中，送貨地址將成為挖掘用戶好友的關系又一因素，因為地理位置靠近的用戶在線下會更有可能認識，可以先將同一城市的用戶預先模糊地劃到一起，以此來縮小影響源頭的集合；

或者，基于時間信息篩選：購買時間距離顧客v的購買時間t_v較近的顧客有更大的可能會影響到顧客v，在商品a的流行過程中設置時間間隔閾值Δ_a，將購買時間早于t_v的所有顧客分為和兩個集合；

其中，表示可能影響到顧客v的顧客集合，表示不可能影響到顧客v的顧客集合，活躍時間和t_v間隔小于Δ_a的顧客更有可能是激活顧客v的集合，所以同理間隔大于等于Δ_a的顧客不太可能是激活顧客v的集合，所以

(3)計算影響概率；

(31)活躍狀態的顧客會以一定概率激活非活躍狀態的顧客，如果顧客u的購買行為影響了顧客v購買商品a，分別記為(u,t_u)_a和(v,t_v)_a，那么一定滿足t_u<t_v，因此影響概率是和時間相關的，且影響概率因商品的不同而不同，商品a在流行過程中顧客u對顧客v的影響概率表示為p_a(u,v)，如果t_u≥t_v，p_a(u,v)＝0，即晚于顧客v被激活的顧客不可能影響到顧客v；如果t_u<t_v，那么顧客u可能會影響顧客v，影響概率其中常量θ為指數分布的參數；

(32)表示節點v被中節點激活的概率，表示中節點沒有激活節點v的概率,假設節點對節點的激活過程是相互獨立的，那么和分別表示如下：

pa-(v)=Πu∈Sa-(v)(1-pa(u,v));]]>

其中，表示可能影響到顧客v的顧客集合，表示不可能影響到顧客v的顧客集合，t_v是指顧客v的購買時間；t_u為顧客u的購買時間；

(4)挖掘電子商務網站中顧客線下好友關系網絡：

(41)計算某種商品a在顧客線下好友網絡中的銷售過程的似然函數為其中表示節點v被中節點激活的概率，表示中節點沒有激活節點v的概率；

(42)對集合C中每種商品計算似然函數，則所有商品的銷售過程的似然函數為L(G)＝∏_a∈CL_a(G)；

(43)求出具有K條邊的網絡G^*使得L(G)最大，即將問題轉化為挑選K條邊以最大化L(G)，G^*＝argmax_|G|≤KL(G)；使用貪心算法：設第i步驟的結構是具有i條邊的網絡G_i，初始置每增加一條邊，都滿足即每一步挑選的邊都使得L(G)的增益最大，算法在選取K條邊后停止，最終得到的G^*即為從商品銷售記錄中得到的顧客線下好友關系網絡。