CN102609854A - 一种基于统一相似度计算的客户划分方法及装置 - Google Patents

Abstract

本发明公开了一种基于统一相似度计算的客户划分方法及装置。本发明的方法包括：利用电子商务市场的客户、商品、评论信息，提取客户特征和商品特征；利用基于统一关系矩阵的相似度计算方法表示客户间的相似度；使用映射后的相似度矩阵对客户进行聚类；从聚类结果中提取关联规则以解释客户群体的行为模式。本发明的装置包括：预处理模块、基于统一关系矩阵的相似度计算模块、客户聚类划分模块和客户群体行为模式抽取模块。由于本发明基于统一相似度计算方法，通过对电子商务数据中复杂关系的集成，将异构对象间的复杂关系同构化，得到表示客户的相似度矩阵进行客户划分，能够有效利用网络中丰富的信息，所以可获得更准确的客户划分结果。

Description

一种基于统一相似度计算的客户划分方法及装置

技术领域

本发明涉及客户划分方法，尤其是指一种基于统一相似度计算的客户划分方法及装置。

背景技术

随着互联网的快速发展，用户通过电子商务网站进行网络购物活动越加频繁，这促使服务商需要不断创新来满足用户需求。在多样化的电子商务市场中，客户在价值观、需求、信仰、行为动机等方面区别很大。产品之间的竞争就在于如何满足客户的要求。要充分理解客户行为以及制定个性化销售策略，必须对客户进行划分，然后在不同的客户群中抽取相应的模式理解客户，制定更好的营销策略。客户划分是将客户按照一个或几个特性进行聚类，使每一类具有相似的服务需求。通过划分客户，企业可以更好地了解客户，并由此有效地制定市场目标，同时，企业既不会依赖能够满足所有客户的大众产品，也不会为每一个客户专门制定营销方案而导致高成本，这样企业的经营就可以在两者之间达到平衡。因此，客户划分问题的研究对于企业发展具有极其重要的作用。

由于当前客户划分的相关工作主要建立在仅仅考虑了对象间单一关系的基础上通过传统的同构数据挖掘方法进行研究分析，这样做容易损失丰富的信息资源，造成分析结果的片面性。因此，为了得到更加具有解释性的客户划分结果，有效利用网络中丰富的信息，本发明借助统一相似度计算方法，通过对电子商务数据中复杂关系的集成，将异构对象间的复杂关系同构化，得到表示客户、商品的相似度矩阵，从而利用聚类算法对客户进行划分。

发明内容

有鉴于此，本发明提供一种基于统一相似度计算的客户划分方法及装置。

为达到上述目的，本发明的技术方案是这样实现的：

本发明的实施提供了一种基于统一相似度计算的客户划分方法，该方法包括以下步骤：

A、利用电子商务市场的客户、商品、评论信息，提取客户特征和商品特征；

B、利用基于统一关系矩阵的相似度计算方法表示客户间的相似度；

C、使用映射后的相似度矩阵对客户进行聚类；

D、从聚类结果中提取关联规则以解释客户群体的行为模式。

由上述的技术方案可知，本发明中的客户划分方法，借助统一相似度计算方法对客户进行划分，从聚类结果中提取关联规则以获取用户行为模式。

附图说明

图1为本发明实施例中一种基于统一相似度计算的客户划分方法的流程图。

图2为本发明实施例中利用基于统一关系矩阵的相似度计算方法表示客户间的相似度的流程图。

图3为本发明实施例中一种基于统一相似度计算的客户划分装置的结构图。

具体实施方式

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施例对本发明作进一步详细说明。

本发明提供了一种基于统一相似度计算的客户划分方法，该方法首先利用电子商务市场的客户、商品、评论信息，从中提取客户特征和商品特征；然后，利用基于统一关系矩阵的相似度计算方法表示客户间的相似度；接着，使用映射后的相似度矩阵对客户进行聚类；最后，从聚类结果中提取关联规则以解释客户群体的行为模式。

图1为本发明实施例中一种基于统一相似度计算的客户划分方法的流程图。如图1所示，本发明实施例中一种基于统一相似度计算的客户划分方法包括如下所述步骤：

步骤101，利用电子商务市场的客户、商品、评论信息，提取客户特征和商品特征。

该步骤的具体方法如下，首先，从电子商务网站上抓取相关联的数据，进行数据整理，保存在本地数据库中。该部分工作主要包括缺失值填充，辅助信息补齐。然后，从这些经过预处理的数据中提取客户和商品信息，本发明参考了文献[N.Jindal，B.Liu.Opinion spam and analysis.WSDM 2008，pp.219-230]的工作，提取的客户特征主要包括客户购买行为特征、客户评论行为特征和客户属性特征，商品特征主要为商品的一些自然属性，如表1和表2所示。

表1客户特征

表2商品特征

步骤102，利用基于统一关系矩阵的相似度计算方法表示客户间的相似度。

为了利用基于统一关系矩阵的相似度计算方法表示客户间的相似度，首先需要构造包含客户和商品两类异构对象的统一关系矩阵[W.Xi，E.A.Fox，W.Fan，B.Zhang，Z.Chen，J.Yan and D.Zhuang.Simfusion：Measuring similarity usingunified relationship matrix.SIGIR 2005，pp.130-137]，如公式(1)所示。

$L=\left[\begin{array}{cc}\mathrm{\αRc}& (1-\mathrm{\α})\mathrm{Rcp}\\ (1-\mathrm{\α})\mathrm{Rpc}& \mathrm{\αRp}\end{array}\right]---\left(1\right)$

关系矩阵L由客户之间关系矩阵Rc、商品之间关系矩阵Rp、客户与商品之间关系矩阵Rcp以及商品与客户之间关系矩阵Rpc，通过因子α加权组合得到。本发明以客户相似度衡量客户之间的关系，以商品相似度衡量商品之间的关系，以客户购买商品的记录衡量客户与商品的关系。

生成所有子矩阵后，可以得到关系矩阵L_urm

其中，L_i表示空间i内部的类内关系矩阵，L_ij表示空间i和j之间类间关系的矩阵。其中并且λ_ij＞0，从而L_urm是行随机矩阵。

在得到了统一关系矩阵后，为了进行相似度计算，还需要定义统一相似度矩阵(Unified Similarity Matrix，USM)S_usm：

其中，S_ab表示在统一空间中对象a和b之间的相似度，T是对象的总数。在定义了S_usm和L_urm之后，可以利用相似度增强假设[W.Xi，E.A.Fox，W.Fan，B.Zhang，Z.Chen，J.Yan and D.Zhuang.Simfusion：Measuring similarity using unifiedrelationship matrix.SIGIR 2005，pp.130-137]获取两个对象之间的相似度，相似度增强假设可以形式化为下式(4)。

$S_{\mathrm{usm}}^{\mathrm{new}}=L_{\mathrm{urm}}{S}_{\mathrm{usm}}^{\mathrm{original}}{L}_{\mathrm{urm}}^T---\left(4\right)$

对上式进行反复迭代，直到计算收敛或者达到满意的程度，这一过程可以形式化为下式(5)。

$S_{\mathrm{usm}}^n=L_{\mathrm{urm}}{S}_{\mathrm{usm}}^{n-1}{L}_{\mathrm{urm}}^T=L_{\mathrm{urm}}^n{S}_{\mathrm{usm}}^0{\left(L_{\mathrm{urm}}^T\right)}^n---\left(5\right)$

通过上述步骤的计算，可以获得基于异构关系的客户之间的相似度。

步骤103，使用映射后的相似度矩阵对客户进行聚类。

使用映射后的相似度矩阵，即可利用聚类算法对客户进行划分，本发明选取经典的k-means聚类算法进行客户划分。

步骤104，从聚类结果中提取关联规则以解释客户群体的行为模式。

从经过聚类所得到的客户划分中，利用关联规则挖掘方法提取关联规则以解释客户群体的行为模式，本发明使用Hot Spot算法对得到的划分结果进行关联规则挖掘。

其中，如图2所示，步骤102，利用基于统一关系矩阵的相似度计算方法表示客户间的相似度过程包括：

步骤201，统一关系矩阵初始化。

在获取关系特征后，为了计算客户间的初始相似度关系矩阵，本发明定义两个对象间的相似度等于所有对应特征距离之和。

$\mathrm{dist}(x_i,x_j)=\underset{k=1}{\overset{d}{\mathrm{\Σ}}}\mathrm{\φ}\left(d(x_{\mathrm{ik}},x_{\mathrm{jk}})\right)---\left(6\right)$

公式(6)即为任意两个同构对象x_i和x_j间的距离，其中d(·，·)为自定义距离，φ(·)表示对属性进行调整。由于从数据中提取的关系特征的类型有很多种，本发明定义了这些特征之间的距离计算方法d(·，·)，特征详情如表3所示。

表3特征的值域及其距离的定义

利用Min-Max标准化方法对属性进行调整，

这样，公式(6)将转化为下式(7)。

$\mathrm{dist}(x_i,x_j)=\underset{k=1}{\overset{d}{\mathrm{\Σ}}}\frac{d(x_{\mathrm{ik}},x_{\mathrm{jk}})-\min \left(\right\{d(x_{\mathrm{pk}},x_{\mathrm{qk}}){\}}_{p,q\∈\{1,...,n\},p\≠q})}{\max \left(\right\{d(x_{\mathrm{pk}},x_{\mathrm{qk}}){\}}_{p,q\∈\{1,...,n\},p\≠q})-\min \left(\right\{d(x_{\mathrm{pk}},x_{\mathrm{qk}}){\}}_{p,q\∈\{1,...,n\},p\≠q})}---\left(7\right)$

其中，n代表同构对象集合中的元素个数。

利用Min-Max标准化方法将距离dist调整到[0，1]，对应的对象间相似度为Sim＝1-dist。

从而，根据上述方法可以得到初始的用户相似度矩阵。

步骤202，子矩阵调整。

为了防止公式(5)随机游走模型进入死循环，使用统一转移概率矩阵对每一个子矩阵R进行调整，公式如下式(8)。

$\left\{\begin{array}{c}{R}_m^{\text{'}}=\mathrm{\ϵU}+(1-\mathrm{\ϵ})R_m\\ R_{\mathrm{nm}}^{\text{'}}=\mathrm{\δU}+(1-\mathrm{\δ})R_{\mathrm{nm}}\end{array}\right.---\left(8\right)$

其中，U表示统一转移概率矩阵，对于所有的i和j，

n表示某个特定空间下的所有对象个数。δ和ε是平滑因子，0＜δ＜1，0＜ε＜1。

根据上述方法，使用调整后的L′_urm来代替L_urm，迭代计算统一的相似度矩阵S_usm。其中，S_usm的阶数与L′_urm一致，并且S_usm的初值独立于整个迭代计算过程。

步骤203，相似度迭代计算。

得到矩阵S_usm后，分别获取其表示客户相似度的子矩阵，即可使用聚类算法对客户进行划分分析。

本发明在优化相似度计算模型时对参数的设置采用文献[W.Xi，E.A.Fox，W.Fan，B.Zhang，Z.Chen，J.Yan and D.Zhuang.Simfusion：Measuring similarityusing unified relationship matrix.SIGIR 2005，pp.130-137]中提供的参考值：α＝0.5，ε＝0.1，δ＝0.1。

综上所示，本发明提供了一种基于统一相似度计算的客户划分方法，首先利用电子商务市场的客户、商品、评论信息，提取客户和商品特征。然后，利用基于统一关系矩阵的相似度计算方法集成异构关系以表示客户之间的相似度，得到映射后的相似度矩阵。最后，对客户进行聚类，从聚类结果中提取关联规则以解释客户群体的行为模式。

另外，本发明还提供了一种基于统一相似度计算的客户划分装置。图3为本发明实施例中一种基于统一相似度计算的客户划分装置的结构图。如图3所示，该装置包括：预处理模块300、基于统一关系矩阵的相似度计算模块301、客户聚类划分模块302和客户群体行为模式抽取模块303。其中，预处理模块300用于处理客户事务数据库，以抽取行为特征和属性特征；基于统一关系矩阵的相似度计算模块301利用300模块获得的客户和商品特征，基于统一相似度计算方法获取客户间相似度矩阵；客户聚类划分模块302以301模块获得的相似度矩阵为输入，对客户进行聚类；客户群体行为模式抽取模块303利用302模块所获得的客户聚类划分结果使用关联规则挖掘聚类结果，提取客户行为模式。

预处理模块300包括数据获取和整理单元304和提取客户和商品特征单元305。其中，数据获取和整理单元304用于对从电子商务网站上抓取的相关数据，进行数据整理，主要包括缺失值填充，辅助信息补齐；提取客户和商品特征单元305用于提取客户的购买行为和评论行为特征，以及客户和商品的自然属性特征。

基于统一关系矩阵的相似度计算模块301包括统一关系矩阵初始化单元306、子矩阵调整单元307和相似度迭代计算单元308。其中，统一关系矩阵初始化单元306用于从关系特征中计算客户间的初始相似度关系矩阵，子矩阵调整单元307用于防止随机游走模型进入死循环，相似度迭代计算单元308用于对客户相似度进行迭代计算，获得好的结果。

客户聚类划分模块302使用映射后的统一相似度矩阵对客户进行聚类，以获得客户划分结果。

客户群体行为模式抽取模块303使用关联规则挖掘算法从聚类结果中提取关联规则以获取客户群体的行为模式。

如上所述，便可较好地实现本发明。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于统一相似度计算的客户划分方法及装置，其特征在于，该方法及装置包括以下步骤：

A、利用电子商务市场的客户、商品、评论信息，提取客户特征和商品特征；

B、利用基于统一关系矩阵的相似度计算方法表示客户间的相似度；

C、使用映射后的相似度矩阵对客户进行聚类；

D、从聚类结果中提取关联规则以解释客户群体的行为模式。

2.根据权利要求1所述的方法，其特征在于，步骤A提取的客户特征包括客户购买行为特征、客户评论行为特征和客户属性特征，商品特征为商品自然属性特征。

3.根据权利要求1所述的方法，其特征在于，步骤B中利用基于统一关系矩阵的相似度计算方法表示客户间的相似度包括：

B1、统一关系矩阵初始化；

B2、子矩阵调整；

B3、相似度迭代计算。

4.根据权利要求3所述的方法，其特征在于，步骤B1中统一关系矩阵初始化计算客户间的初始相似度关系矩阵，对象间距离等于所有对应特征距离之和，使用Min-Max标准化方法调整距离。

5.根据权利要求3所述的方法，其特征在于，步骤B2中采用统一转移概率矩阵对每一个子矩阵进行调整。

6.根据权利要求1所述的方法，其特征在于，步骤C中使用k-means算法对映射后的客户表示进行聚类。

7.根据权利要求1所述的方法，其特征在于，步骤D中使用Hot Spot算法对客户聚类结果进行关联规则挖掘。

8.一种基于统一相似度计算的客户划分装置，其特征在于，该装置包括：预处理模块、基于统一关系矩阵的相似度计算模块、客户聚类划分模块和客户群体行为模式抽取模块。

所述预处理模块用于处理客户事务数据库，以抽取行为特征和属性特征；

所述基于统一关系矩阵的相似度计算模块利用所获得的客户和商品特征，基于统一相似度计算方法获取客户间相似度矩阵；

所述客户聚类划分模块利用获得的相似度矩阵对客户进行聚类；

所述客户群体行为模式抽取模块利用获得的客户聚类划分结果使用关联规则挖掘聚类结果，提取客户行为模式。

9.根据权利要求8所述的装置，其特征在于，所述预处理模块包括数据获取和整理单元、提取客户和商品特征单元。

所述数据获取和整理单元用于对从电子商务网站上抓取的相关数据，进行数据整理，主要包括缺失值填充，辅助信息补齐；

所述提取客户和商品特征单元用于提取客户的购买行为特征和评论行为特征，以及客户和商品的自然属性特征。

10.根据权利要求8所述的装置，其特征在于，所述基于统一关系矩阵的相似度计算模块包括统一关系矩阵初始化单元、子矩阵调整单元、相似度迭代计算单元。

所述统一关系矩阵初始化单元用于从关系特征中计算客户间的初始相似度关系矩阵；

所述子矩阵调整单元用于防止随机游走模型进入死循环；

所述相似度迭代计算单元用于对客户相似度进行迭代计算，获得好的结果。

11.根据权利要求8所述的装置，其特征在于，所述客户聚类划分模块使用映射后的统一相似度矩阵对客户进行聚类，以获得客户划分结果。

12.根据权利要求8所述的装置，其特征在于，所述客户群体行为模式抽取模块使用关联规则挖掘算法从聚类结果中提取关联规则以获取客户群体的行为模式。

Images