[发明专利]一种电子商务网站中顾客好友关系网络的挖掘方法

摘要

本发明公开了一种电子商务网站中顾客好友关系网络的挖掘方法，根据商品的历史销售记录来推测顾客的线下好友关系。本发明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。

主权项

一种电子商务网站中顾客好友关系网络的挖掘方法，其特征在于包括以下步骤：(1)数据准备：(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,tu)a为用户u在时间tu购买商品a，如果顾客没有购买，则tu＝∞；那么商品a的销售过程便可以用一个集合ca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；(2)数据过滤，具体包含两种过滤方案：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，可以先将同一城市的用户预先模糊地划到一起，以此来缩小影响源头的集合；或者，基于时间信息筛选：购买时间距离顾客v的购买时间tv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Δa，将购买时间早于tv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tv间隔小于Δa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(3)计算影响概率；(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,tu)a和(v,tv)a，那么一定满足tu<tv，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pa(u,v)，如果tu≥tv，pa(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tu<tv，那么顾客u可能会影响顾客v，影响概率其中常量θ为指数分布的参数；(32)表示节点v被中节点激活的概率，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过程是相互独立的，那么和分别表示如下：pa-(v)=Πu∈Sa-(v)(1-pa(u,v));]]>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，tv是指顾客v的购买时间；tu为顾客u的购买时间；(4)挖掘电子商务网站中顾客线下好友关系网络：(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其中表示节点v被中节点激活的概率，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∈CLa(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Gi，初始置每增加一条边，都满足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得到的顾客线下好友关系网络。