一种电子商务网站中顾客好友关系网络的挖掘方法

技术领域

本发明涉及电子商务领域，具体涉及一种电子商务网站中顾客好友关系网 络的挖掘方法。

背景技术

随着互联网技术的发展，人们越来越多地在网上购物和消费，电子商务行业 爆炸式发展。电子商务网站侧重商品的展示、交易、结算以及支付平台的安全性， 包含一定的社交功能，如商家和顾客的在线沟通等。然而这种社交业务局限于顾 客和商家的交互，对于增加顾客的信任度作用不大，商家也可能会利用这种直接 的交互方式欺诈顾客，尽管有其他顾客对商品的评价，但这些顾客之间没有任何 联系，商家甚至会强制顾客对商品做出好评。如果这些评价的顾客中有该顾客的 好友，那么好友的评价与陌生人的评价相比可信度更高，对该顾客的最终决策具 有更重要的导向作用。然而现在的电子商务网站并没有充分利用人与人在现实生 活中好友关系，顾客的信任不足已经成为制约电子商务发展发展的重要因素。

顾客的好友关系网络在电商网站中并没有被利用，甚至并不显式存在。针对 这一问题，目前业界考虑将电子商务和社交网络融合，把社交网站流量导入到电 子商务网站，期望利用社交网络的朋友关系增强人们对电子商务网站的信任度。 但是社交网站和电商网站属于独立的平台，架构不同，从技术层面融合颇具难度， 而且会涉及商业利益等问题，另外电子商务网站的用户和社交网络的用户重合度 未必高。因此构建电子商务网站内部的好友关系将是很好的解决方案，确定好友 关系后，熟人评价以及商品推荐等功能将给顾客带来更好的购物体验。在社交网 络中用户通过加好友等主动行为建立关系网络并积极参与到和好友的互动中，然 而从已有的电子商务网站来看，顾客对社交功能的参与度并不高，用户更关注商 品本身，对于好友管理并不主动。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，为了利用熟人 评价在电子商务网站中的积极导向作用，增强顾客购物体验，本发明要解决的 技术问题是提供一种电子商务网站中顾客好友关系网络的挖掘方法，不需要顾 客主动参与好友关系的管理和维护，而是由系统根据消费记录估计得出提供一 种电子商务网站中顾客好友关系网络的挖掘方法。

技术方案：本发明的一种电子商务网站中顾客好友关系网络的挖掘方法，包 括以下步骤：

(1)数据准备；

(2)数据过滤；

(3)计算影响概率；

(4)挖掘电子商务网站中顾客线下好友关系网络。

进一步的，所述步骤(1)中的数据准备步骤如下：

(11)将要分析的电子商务中用户的好友关系抽象成一个网络，每个顾客表 示网络中一个节点，好友关系抽象成边，符号记为G=(V；E)，其中V为顾客集 合，E表示好友关系集合，网络G即为要求解的目标；初始假设所有节点连通， 那么N个节点构成的网络中最多有N(N-1)条有向边，最后需要从该全连通网络 中筛选出最具影响的K条边，即顾客的好友关系；且两个节点之间只要存在至少 一条有向边，则认为这两个节点表示的顾客之间具有好友关系；

(12)建立线上销售记录模型：提取商品刚上架一段时间内的销售记录，构 成商品销售数据集，其中每一条销售记录包括商品ID、顾客ID和购买时间，定 义(u，t_u)_a为用户u在时间t_u购买商品a，如果顾客没有购买，则t_u=∞；那么商 品a的销售过程便可以用一个集合c_a表示，其中每一个元素为顾客的一条购买记 录，所有商品的销售记录用集合C表示；

(13)将销售记录建模为商品在顾客好友关系网络中的流行过程，用户对商 品有两种状态：购买或者没购买；顾客购买后即处于活跃状态，反之为非活跃 状态；处于活跃状态的顾客会影响自己的好友，使得非活跃状态好友也可能购 买该商品，进而该好友也处于活跃状态；所以商品的流行过程便可以建模为活 跃顾客以一定概率影响非活跃顾客，使得非活跃状态的好友也变为活跃状态的 过程。

进一步的，所述步骤(2)中的数据过滤方法为基于地理位置筛选：顾客在 网上购物后，物流服务将商品送至顾客手中，送货地址将成为挖掘用户好友的 关系又一因素，因为地理位置靠近的用户在线下会更有可能认识，可以先将同 一城市(或其他基于距离的划分方式)的用户预先模糊地划到一起，以此来缩小 影响源头的集合。

进一步的，所述步骤(2)中的数据过滤方法为基于时间信息筛选：购买时 间距离顾客v的购买时间t_v较近的顾客有更大的可能会影响到顾客v，在商品a的 流行过程中设置时间间隔阈值Δ_a，将购买时间早于t_v的所有顾客分为和 两个集合；

其中，表示可能影响到顾客v的顾客集合，表示不可能影响到顾 客v的顾客集合，活跃时间和t_v间隔小于Δ_a的顾客更有可能是激活顾客v的集合， 所以同理间隔大于等于Δ_a的顾客不太可能是激活 顾客v的集合，所以$S_a^{-}\left(v\right)=\left\{u\right|t_u\le t_v-{\Delta }_a\}.$

进一步的，所述步骤(3)中影响概率的计算方法如下：

(31)活跃状态的顾客会以一定概率激活非活跃状态的顾客，如果顾客u的 购买行为影响了顾客v购买商品a，分别记为(u，t_u)_a和(v，t_v)_a，那么一定满足 t_u<t_v，因此影响概率是和时间相关的，且影响概率因商品的不同而不同，商 品a在流行过程中顾客u对顾客v的影响概率表示为p_a(u，v)，如果t_u≥t_v， P_a(u，v)=0，即晚于顾客v被激活的顾客不可能影响到顾客v；如果t_u<t_v，那 么顾客u可能会影响顾客v，影响概率$p_a(u,v)=\left(\begin{array}{cc}0& ,t_u\ge t_v\\ {\mathrm{\theta e}}^{-\theta (t_v-t_u)}& ,t_u<t_v\end{array}\right),$其中常量 θ为指数分布的参数；

(32)表示节点v被中至少一个节点激活的概率，表示 中节点没有激活节点v的概率。假设节点对节点的激活是过程是相互独立 的，那么和分别表示如下：

进一步的，所述步骤(4)中挖掘电子商务网站中顾客线下好友关系网络的 过程如下：

(41)计算某种商品a在顾客线下好友网络中的销售过程的似然函数为 $L_a\left(G\right)={\Pi }_{v\in V}{p}_a^{+}\left(v\right)p_a^{-}\left(v\right),$其中表示节点v被中至少一个节点激活 的概率，表示中节点没有激活节点v的概率；

(42)对集合C中每种商品计算似然函数，则所有商品的销售过程的似然函 数为L(G)=∏_a∈CL_a(G)；

(43)求出具有K条边的网络G^*使得L(G)最大，即将问题转化为挑选K条边 以最大化L(G)，G^*=argmax_|G|≤KL(G)；使用贪心算法：设第i步骤的结构是 具有i条边的网络G_i，初始置每增加一条边，都满足 $e_i={\arg \max }_{e\in G\backslash G_{i-1}}L(G_{i-1}\cup \{e\left\}\right)-L\left(G_{i-1}\right),$即每一步挑选的边都使得L(G)的 增益最大，算法在选取K条边后停止，最终得到的G^*即为从商品销售记录中的 得到的顾客线下好友关系网络。

有益效果：本发明与现有技术相比具有以下优点：能够解决电子商务网站中 用户社交的被动性问题，直接从用户线上消费记录挖掘出线下好友关系网络的方 法，不需要顾客主动管理好友，而是由系统挖掘出这样的好友关系；同时，充分 利用网络信息资源，为商家充分挖掘现有和潜在客户。本发明的挖掘方法算法精 简不冗余，结果精准有效。

附图说明

图1为本发明的流程图。

具体实施方式

下面对本发明技术方案结合附图进行详细说明。

如图1所示，本发明的一种电子商务网站中顾客好友关系网络的挖掘方法， 包括以下步骤：

(1)数据准备；

(2)数据过滤；

(3)计算影响概率；

(4)挖掘电子商务网站中顾客线下好友关系网络。

上述步骤(1)中的数据准备阶段的步骤如下：

(11)将要分析的电子商务中用户的好友关系抽象成一个网络，每个顾客表 示网络中一个节点，好友关系抽象成边，符号记为G=(V；E)，其中V为顾客集 合，E表示好友关系集合，网络G即为要求解的目标；初始假设所有节点连通， 那么N个节点构成的网络中最多有N(N-1)条有向边，最后需要从该全连通网络 中筛选出最具影响的K条边，即顾客的好友关系；且两个节点之间只要存在至少 一条有向边，则认为这两个节点表示的顾客之间具有好友关系；

(12)建立线上销售记录模型：提取商品刚上架一段时间内的销售记录，构 成商品销售数据集，其中每一条销售记录包括商品ID、顾客ID和购买时间，定 义(u，t_u)_a为用户u在时间t_u购买商品a，如果顾客没有购买，则t_u=∞；那么商 品a的销售过程便可以用一个集合c_a表示，其中每一个元素为顾客的一条购买记 录，所有商品的销售记录用集合C表示；

(13)将销售记录建模为商品在顾客好友关系网络中的流行过程，用户对商 品有两种状态：购买或者没购买；顾客购买后即处于活跃状态，反之为非活跃 状态；处于活跃状态的顾客会影响自己的好友，使得非活跃状态好友也可能购 买该商品，进而该好友也处于活跃状态；所以商品的流行过程便可以建模为活 跃顾客以一定概率影响非活跃顾客，使得非活跃状态的好友也变为活跃状态的 过程。

目前只能依靠购买时间的先后来推测影响顾客v购买商品的可能是谁，那些 购买时间早于t_v的所有顾客都有这种可能。然而这个可能顾客集合太大，为了进 一步缩小影响源头的集合，本发明采用如下两种数据过滤方案：

基于地理位置筛选法：顾客在网上购物后，物流服务将商品送至顾客手中， 送货地址将成为挖掘用户好友的关系又一因素，因为地理位置靠近的用户在线 下会更有可能认识，可以先将同一城市(或其他基于距离的划分方式)的用户预 先模糊地划到一起，以此来缩小影响源头的集合。

基于时间信息筛选法：购买时间距离顾客v的购买时间t_v较近的顾客有更大 的可能会影响到顾客v，在商品a的流行过程中设置时间间隔阈值Δ_a，将购买时 间早于t_v的所有顾客分为和两个集合；

其中，表示可能影响到顾客v的顾客集合，表示不可能影响到顾 客v的顾客集合，活跃时间和t_v间隔小于Δ_a的顾客更有可能是激活顾客v的集合， 所以同理间隔大于等于Δa的顾客不太可能是激活 顾客v的集合，所以$S_a^{-}\left(v\right)=\left\{u\right|t_u\le t_v-{\Delta }_a\}.$

本发明中的所述步骤(3)中影响概率的计算方法如下：

(31)活跃状态的顾客会以一定概率激活非活跃状态的顾客，如果顾客u的 购买行为影响了顾客v购买商品a，分别记为(u，t_u)_a和(v，t_v)_a，那么一定满足 t_u<t_v，因此影响概率是和时间相关的，且影响概率因商品的不同而不同，商 品a在流行过程中顾客u对顾客v的影响概率表示为p_a(u，v)，如果t_u≥t_v， P_a(u，v)=0，即晚于顾客v被激活的顾客不可能影响到顾客v；如果t_u<t_v，那 么顾客u可能会影响顾客v，影响概率$p_a(u,v)=\left(\begin{array}{cc}0& ,t_u\ge t_v\\ {\mathrm{\theta e}}^{-\theta (t_v-t_u)}& ,t_u<t_v\end{array}\right),$其中常量 θ为指数分布的参数；

(32)表示节点v被中至少一个节点激活的概率，表示 中节点没有激活节点v的概率。假设节点对节点的激活是过程是相互独立 的，那么和分别表示如下：

本发明中的所述步骤(4)中挖掘电子商务网站中顾客线下好友关系网络的 过程如下：

(41)计算某种商品a在顾客线下好友网络中的销售过程的似然函数为 $L_a\left(G\right)={\Pi }_{v\in V}{p}_a^{+}\left(v\right)p_a^{-}\left(v\right),$其中表示节点v被中至少一个节点激活 的概率，表示中节点没有激活节点v的概率；

(42)对集合C中每种商品计算似然函数，则所有商品的销售过程的似然函 数为L(G)=∏_a∈CL_a(G)；

(43)求出具有K条边的网络G^*使得L(G)最大，即将问题转化为挑选K条边 以最大化L(G)，G^*=argmax_|G|≤KL(G)；使用贪心算法：设第i步骤的结构是具 有i条边的网络G_i，初始置每增加一条边，都满足 $e_i={\arg \max }_{e\in G\backslash G_{i-1}}L(G_{i-1}\cup \{e\left\}\right)-L\left(G_{i-1}\right),$即每一步挑选的边都使得L(G)的增 益最大，算法在选取K条边后停止，最终得到的G^*即为从商品销售记录中的得到 的顾客线下好友关系网络。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得 解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围 前提下，可对其在形式上和细节上作出各种变化。