[發明專利]一種基于因果推斷的網絡購物行為分析方法和系統

有效

• 申請號: 201910494079.0
• 申請日: 2019-06-09
• 公開（公告）號: CN110245984B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 郝志峰;黎伊婷;蔡瑞初;溫雯;王麗娟;陳炳豐
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q30/0201
• 分類號: G06Q30/0201;G06N3/0464;G06N3/044;G06N3/08;G06Q50/00;G06Q30/0203
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吳偉文

本發明涉及數據挖掘、社交網絡、因果推斷領域，公開了一種基于因果推斷的網絡購物行為分析方法和系統，通過融合用戶屬性特征、社交行為特征和歷史購物行為特征、用戶關系等多層次、跨領域特征，能夠充分獲取用戶行為特征和興趣偏好；經過合理設計的分析系統，利用因果網絡模型，去除無用的特征，減少了噪聲特征的干擾，并可解釋用戶行為的因果性及其行為動機，提高用戶購物行為預測的準確度。

技術領域

本發明涉及數據挖掘、社交網絡、因果推斷領域，特別是一種基于因果推斷的網絡購物行為分析方法和系統。

背景技術

互聯網技術的持續發展，使得網絡購物日漸普及。為了為用戶提供實時推介商品，實現精準營銷，必須深入了解用戶的購物動機以及購物模式，以及用戶的實際需求和興趣愛好。目前的推薦系統通常只根據用戶的商品瀏覽記錄、歷史購物信息、商品評論等購物相關數據，推測用戶的興趣偏好和需求，這種推薦效果具有一定的滯后性，對于用戶的興趣變化的捕獲不及時。

用戶的社交行為，為用戶興趣偏好和行為模式的分析提供了大量有用數據。社交網絡不僅把用戶間不可觀測的現實人際關系搬到了網絡上，還搭建了全新的信息分享平臺。但是，社交行為數據信息體量巨大，數據類型繁多，價值密度低，存在大量沒有作用的噪聲特征，行為特征數據無法直接利用。此外，社交行為數據和購物行為數據分屬不同領域，跨領域特征的融合問題也是現實挑戰之一。因此，如何捕獲有效有用特征并加以合理利用，從中了解購物動機以及興趣愛好，并對購物行為進行分析和推斷以預測用戶的購物行為，具有一定的研究價值和意義。

發明內容

本發明的目的在于提供一種基于因果推斷的網絡購物行為分析方法和系統，通過合理地利用更多有用的用戶行為數據，融合社交行為特征和購物行為特征，挖掘行為背后的因果機制。

為實現上述技術目的，達到上述技術效果，本發明公開了一種基于因果推斷的網絡購物行為分析方法，包括了以下步驟：

步驟1，針對具有社交行為的網絡購物用戶，社交數據采集模塊挖掘用戶的社交行為與興趣偏好間的對應關系，存儲對應數據；

步驟2，獲取用戶屬性特征并對屬性特征進行特征工程處理；

步驟3，社交數據采集模塊根據社交用戶關系和用戶自身影響力，建立用戶間的社交影響網絡；

步驟4，購物數據采集模塊獲取用戶購物行為，存儲數據；

步驟5，行為分析模塊根據步驟1、步驟2、步驟3的輸出數據，利用特征工程技術進行處理，基于反從眾理論，計算用戶購物行為的反從眾指標，根據因果推斷模型進行特征選擇，再利用回歸算法構建網絡購物行為推斷模型，輸出模型結果。

步驟6，利用步驟5輸出的模型，利用用戶屬性特征、社交行為特征、用戶關系網絡和歷史購物行為特征和網絡購物行為預測用戶網絡購物行為預測。

其中，步驟1中用戶社交行為包括用戶的文本發布、轉發、評論行為，每個用戶的社交行為根據時間序列排序，利用文本分析技術，為已經分詞處理好的微博文本計算出相應的特征向量，根據基于時序的神經網絡模型LSTM挖掘用戶的社交行為與興趣偏好間的對應關系。

其中，步驟3中用戶間社交影響網絡為有向圖，有向圖采用有序兩元組G表示：

G＝(V，E)；

其中，V為網絡中的用戶群，E為用戶群之間的關系。

其中，步驟4中用戶購物行為包括商品瀏覽行為、收藏行為、購買行為，每個用戶的購物行為根據時間序列排序。

其中，步驟5中反從眾指標的計算給出如下定義：

其中，參數解釋，In_j表示指向用戶j的用戶群，L_ij表示用戶j在i的影響下的求異性，其定義如下：