CN107944643A - 一种基于隐马尔科夫模型的购买转化率预测方法及*** - Google Patents
一种基于隐马尔科夫模型的购买转化率预测方法及*** Download PDFInfo
- Publication number
- CN107944643A CN107944643A CN201711399920.5A CN201711399920A CN107944643A CN 107944643 A CN107944643 A CN 107944643A CN 201711399920 A CN201711399920 A CN 201711399920A CN 107944643 A CN107944643 A CN 107944643A
- Authority
- CN
- China
- Prior art keywords
- markov model
- hidden markov
- conversion ratio
- user
- hidden
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于隐马尔科夫模型的购买转化率预测方法,所述方法包括:记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量,实现了对用户购买的每个阶段决策的购买转化率动态地进行预测。
Description
技术领域
本发明属于计算机技术领域,特别涉及基于隐马尔科夫模型的购买转化率预测方法及***。
背景技术
随着信息化和互联网络的快速发展,网购人数也在逐年骤增,人们的日常生活习惯也随之发生了很大的变化,电子商务正不断冲击着传统的商业模式。而传统店铺的营销模式也已经不再适用于电商网站营销模式的发展,因此市场上出现了许多促进电商网站发展的研究模型。
现有技术中,针对电商网站上用户偏好的推荐和广告***等方面,通常采用营销漏斗模型进行研究,营销漏斗模型是以用户静态的情况下进行分析的。尽管营销漏斗模型是应用比较成熟的电商网站销售分析模型,对用户在电商网站上每个阶段内的决策转变过程进行了研究,但是对每个阶段决策转变趋势的预测模型,并没有得到很好的研究。在用户最终购买行为发生前,用户的心理状态和产品偏好会发生多次动态变化过程,同时会影响用户的最终购买行为。
针对该技术问题,本发明基于隐马尔科夫模型(HMM,Hidden Markov Model),对用户购买的每个阶段决策的动态转变进行预测。
发明内容
鉴于此,本发明的目的在于提供一种基于隐马尔科夫模型的购买转化率预测方法及***,实现了对用户购买的每个阶段决策的购买转化率动态地进行预测。
根据上述发明目的,本发明提供一种基于隐马尔科夫模型的购买转化率预测方法,所述方法包括:
S1、记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;
S2、根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;
S3、利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
优选地,所述观测值序列为O(O0,O1,O2,O3,O4),其中,
O0为用户在具有购物行为网站的浏览一类产品的动作行为记录;
O1为用户在具有购物行为网站的浏览该类产品中的一具体型号产品的动作行为记录;
O2为用户在具有购物行为网站的将所述具体型号产品加入购物车的动作行为记录;
O3为用户在具有购物行为网站的将所述具体型号产品提交付款的动作行为记录;
O4为用户在具有购物行为网站的将所述具体型号产品付款成功的动作行为记录;
所述观测值O0、O1、O2、O3、O4构成所述观测值序列O,观测状态个数为5个。
优选地,所述隐藏状态集为Q(Q0,Q1,Q2,Q3,Q4,Q5),其中,
Q0为随机用户对一类产品的初始购买状态;
Q1为目标用户对该类产品的初始购买状态;
Q2为优质用户对该类产品的一具体型号产品的感兴趣状态;
Q3为***对该具体型号产品的购买意向状态;
Q4为预备用户对该具体型号产品的决定购买状态;
Q5为真实用户对该具体型号产品的已经购买状态;
所述Q0,Q1,Q2,Q3,Q4,Q5构成隐马尔科夫模型的隐藏状态集,隐藏状态个数为6个。
优选地,所述步骤S2具体包括:
S20、根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型,并采用Baum-Welch算法训练所述初始的隐马尔科夫模型,得到训练好的隐马尔科夫模型;
S21、根据向前和向后算法,得到观测值序列在所述训练好的隐马尔科夫模型的概率P(O/λ),若P(O/λ)大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
优选地,所述步骤S20具体包括:
S201、选定一组已知的观测值序列,随机赋值初始的隐马尔科夫模型的参数,得到初始的隐马尔科夫模型;
S202、设置迭代的收敛条件,所述收敛条件为:
|logP(O|λ)-logP(O|λ0)<ε|,其中ε为指定的临界值;
其中,P(O/λ0)为初始的隐马尔科夫模型观测值序列的概率,P(O/λ)为重估的隐马尔科夫模型的观测值序列的概率;
S203、根据给定的观测值序列和初始的隐马尔科夫模型,利用Baum-Welch算法的重估公式,获得新的隐马尔科夫模型;
S204、计算初始的隐马尔科夫模型的参数下,时间T范围内观测值序列的概率P(O|λ0),以及计算新的隐马尔科夫模型的参数下观测值序列的概率P(O|λ);
S205、若P(O|λ0)和P(O|λ)满足所述收敛条件,则所述新的隐马尔科夫模型为训练好的隐马尔科夫模型;否则,将新的隐马尔科夫模型作为当前隐马尔科夫模型,继续循环迭代,直到满足所述收敛条件,当前的隐马尔科夫模型为训练好的隐马尔科夫模型。
优选地,所述步骤S21具体还包括:
S210、根据前向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ1);
S211、根据后向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ2);
S212、若所述前向算法中获取的P(O|λ1)和后向算法中获取的P(O|λ2)均大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
优选地,所述步骤S3具体包括:
S30、根据所述适合判断购买转化率预测的隐马尔科夫模型的参数和公式(12),得到P(s);
P′(t)=P(t)A 式(12),
其中,A为状态转移概率矩阵;
P(s)=(P0(s),P1(s),P2(s),P3(s),P4(s),P5(s)) 式(15);
S3、根据所述P(s)和拉普拉斯逆变换,得到在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量P(t),
P(t)=(P0(t),P1(t),P2(t),P3(t),P4(t),P5(t)) 式(17)。
根据上述发明目的,本发明提供一种基于隐马尔科夫模型的购买转化率预测***,所述***包括:
记录模块,用于记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;
训练模块,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;
预测模块,用于利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
优选地,所述训练模块具体包括:
Baum-Welch算法单元,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型,并采用Baum-Welch算法训练所述初始的隐马尔科夫模型,得到训练好的隐马尔科夫模型;
向前和向后算法单元,用于根据向前和向后算法,得到观测值序列在所述训练好的隐马尔科夫模型的概率P(O/λ),若P(O/λ)大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型
优选地,所述预测模块具体用于,根据所述适合判断购买转化率预测的隐马尔科夫模型的参数和公式(12),得到P(s),根据所述P(s)和拉普拉斯逆变换,得到在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量P(t),
P′(t)=P(t)A 式(12),
其中,A为状态转移概率矩阵;
P(s)=(P0(s),P1(s),P2(s),P3(s),P4(s),P5(s)) 式(15);
P(t)=(P0(t),P1(t),P2(t),P3(t),P4(t),P5(t)) 式(17)。
与现有技术相比,本发明提供的基于隐马尔科夫模型的购买转化率预测方法及***,具有以下有益效果:根据给技术方案,记录一具有购物行为网站的用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集,构建隐马尔科夫模型。利用隐马尔科夫模型,对用户在电商网站的购买状态的各个阶段进行动态的预测,对用户在所述具有购物行为网站的累积访问时间对应的购买转化率进行预测。根据预测的购买转化率,对于电商网站引导用户的购买行为和制定营销策略,扩大市场份额和增强市场竞争力,具有重要的意义和市场价值。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种基于隐马尔科夫模型的购买转化率预测方法及***的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种基于隐马尔科夫模型的购买转化率预测方法的流程图;
图2是本发明一具体实施例的示意图;
图3是本发明一种基于隐马尔科夫模型的购买转化率预测***的组成结构图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
如图1所示,本发明的一个实施例,一种基于隐马尔科夫模型的购买转化率预测方法,所述方法包括:
S1、记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;
S2、根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;
S3、利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
隐马尔可夫模型是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。构造隐马尔科夫模型需要先确定观测值序列和隐藏状态集。
根据用户在具有购物行为网站的动作行为来确定观测值序列。具体地,记录用户在具有购物行为网站的动作行为。所述观测值序列为O(O0,O1,O2,O3,O4),其中,O0为用户在具有购物行为网站的浏览一类产品的动作行为记录;O1为用户在具有购物行为网站的浏览该类产品中的一具体型号产品的动作行为记录;O2为用户在具有购物行为网站的将所述具体型号产品加入购物车的动作行为记录;O3为用户在具有购物行为网站的将所述具体型号产品提交付款的动作行为记录;O4为用户在具有购物行为网站的将所述具体型号产品付款成功的动作行为记录;所述观测值O0、O1、O2、O3、O4构成所述观测值序列O,观测状态个数为5个。
本发明的一具体实施例,如下表所示,记录用户在电商网站的观测值序列统计结果。
确定用户的购买状态为隐藏状态集。具体地,所述隐藏状态集为Q(Q0,Q1,Q2,Q3,Q4,Q5),其中,Q0为随机用户对一类产品的初始购买状态,即该用户为有购买需求的状态;Q1为目标用户对该类产品的初始购买状态;Q2为优质用户对该类产品的一具体型号产品的感兴趣状态,即目标用户为有购买需求的状态;Q3为***对该具体型号产品的购买意向状态;Q4为预备用户对该具体型号产品的决定购买状态,即该用户为已确定要购买但由于其他原因仅剩下最后一步付款的状态;Q5为真实用户对该具体型号产品的已经购买状态,即该用户已经购买了该具体型号产品的状态;所述Q0,Q1,Q2,Q3,Q4,Q5构成隐马尔科夫模型的隐藏状态集,隐藏状态个数为6个。
隐马尔科夫模型的参数有:
(1)N-隐藏状态个数,设隐藏状态的集合为S={s1,s2,...,sN},当t时刻Markov链状态为qt,则qt∈S;
(2)M-观测状态个数,设观测状态的集合为V={v1,v2,...,vM},当t时刻观测链状态为ot,则ot∈V;
(3)A-状态转移概率矩阵,A=(aij)N×N,1≤j≤N,1≤i≤N,N是模型中Markov链状态总数,aij=P(qt+1=sj|qt=si),aij表示隐藏状态si向隐藏状态sj转移的概率,满足∑aij=1;
(4)B-为观测值概率矩阵,B=(bjk)N×M,1≤k≤M,1≤j≤N,bj(f)=P(ot=vk|qt=sj),表示观察状态为ok时处于隐藏状态sj的概率,满足∑bjk=1;
(5)π-初始状态的概率分布,π={πi},1≤i≤N,这里,πi=P(q1=si),满足πi>0且πi表示开始时刻初始状态si被选中的概率。
隐马尔科夫模型表示为λ=(π,A,B),在模型中的3个要素中,要素π为初始状态概率向量、A为隐藏状态转移矩阵和B为观测值概率矩阵。
本发明中,根据所述观测值序列O和隐藏状态集Q构造初始的隐马尔科夫模型。
优选地,步骤S2具体包括:
S20、根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型,并采用Baum-Welch算法训练所述初始的隐马尔科夫模型,得到训练好的隐马尔科夫模型;
S21、根据向前和向后算法,得到观测值序列在所述训练好的隐马尔科夫模型的概率P(O/λ),若P(O/λ)大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
利用Baum-Welch算法通过反复迭代确定隐马尔科夫模型λ的***参数:即确定隐藏状态转移矩阵A、观测值概率矩阵B和状态初始分布概率π。Baum-Welch算法解决的是隐马尔科夫模型的训练问题,其结果是要找到隐马尔科夫模型的估计参数λ值,即给定一个观测值序列和一个隐马尔科夫模型λ=(π,A,B),如何调整参数λ值,使观测值输出的概率P(O/λ)最大。
具体地,采用Baum-Welch训练隐马尔科夫模型,随机赋值初始的隐马尔科夫模型的参数,得到初始的隐马尔科夫模型,选定一组已知的观测值序列,利用该观测值序列和初始的隐马尔科夫模型对隐马尔科夫模型进行重估,并对重估后的隐马尔科夫模型进行反复迭代重估,直至P(O/λ)收敛,得到训练好的隐马尔科夫模型。P(O/λ)为重估的隐马尔科夫模型的观测值序列的概率。
所述步骤S20具体包括:
S201、选定一组已知的观测值序列,随机赋值初始的隐马尔科夫模型的参数,即随机地给aij,bjk,πi赋值,得到初始的隐马尔科夫模型;
S202、设置迭代的收敛条件,所述收敛条件为:
|logP(O|λ)-logP(O|λ0)<ε|,其中ε为指定的临界值;
其中,P(O/λ0)为初始的隐马尔科夫模型观测值序列的概率,P(O/λ)为重估的隐马尔科夫模型的观测值序列的概率;
S203、根据给定的观测值序列和初始的隐马尔科夫模型,利用Baum-Welch算法的重估公式,获得新的隐马尔科夫模型;
在给定的观测值序列O和隐马尔科夫模型模型参数集λ=(π,A,B)下,t时刻的隐藏状态为Yi,t+1时刻的隐藏状态为Yj的概率ξt(i,j)),计算公式如下:
t时刻处于状态Yi的概率:
在模型中,由隐形状态Yi转移到其他状态的预期频次为
转移到Yj的预期频次为
Baum-Welch算法的重估公式为:
根据公式3-5,计算出一组新的参数得到新的模型λ。
S204、计算在初始的隐马尔科夫模型λ0的参数下,时间T范围内观测值序列O={o1,…,oT}的概率P(O|λ0),其中od∈V,此处d=1,2,...,T:假定观测到观测值序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
计算在新的隐马尔科夫模型λ的参数下,观测值序列O={o1,…,oT}的概率P(O|λ),假定观测到观测值序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT},则
S205、根据所述收敛条件进行判断,所述收敛条件为,
|logP(O|λ)-logP(O|λ0)<ε|,其中ε为指定的临界值。
若P(O|λ0)和P(O|λ)满足所述收敛条件,则结束迭代程序,所述新的隐马尔科夫模型为训练好的隐马尔科夫模型;否则,将新的隐马尔科夫模型作为当前隐马尔科夫模型,继续循环迭代,直到出现概率P(O|λ)收敛,使得P(O|λ)值达到最大,此时的隐马尔科夫模型就是训练好的隐马尔科夫模型。
本发明的一具体实施例,通过Baum-Welch算法对本发明中的隐马尔科夫模型进行训练,训练后的隐马尔科夫模型,如图2所示。其中,
状态转移概率矩阵A为:
0≤aij≤1,且
观测值概率矩阵B为:
对所述训练好的隐马尔科夫模型的实用性进行验证。采用Forward-Backward方法(前向后向算法),获取在t时刻的观测值序列O在隐马尔科夫模型的参数下的发生的概率P(O|λ),若计算所得的P(O|λ)>80%,则该隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
所述步骤S21具体包括:
S210、根据前向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ1);
所述前向算法的步骤具体包括:
前向变量是给定可观测值序列O和隐状态Yt在t时刻出现的概率,记为αt(i),则有如下表示公式:
αt(i)=P(o1,o2,...,ot,qt=Yi|λ),i=1,2,...,N;t=1,2,...,T
步骤S2100、计算初值,计算第一个时间点处于各隐状态的概率,
等式右边表示最初第i个状态出现的概率,乘以在这个状态下某个观测状态的概率;
步骤S2101、递推
中括号意思就是当前层的所有N个隐状态与下一层的第i个状态的连接,里面的α是到时刻t部分观测值序列为O={o1,…,oT},且在t时刻处于状态j的概率,a是t时刻第j个状态到t+1时刻第i个状态的转移情况;中括号外面乘以的b是当前状态下,对应观测情况发生的概率。
步骤S2102、根据式(10)计算P(O|λ1);
其实就是求解在时刻t,所有状态的概率求和。
S211、根据后向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ2);
所述后向算法的步骤具体包括:
后向变量是在t+1到T时刻过程中,可观测值序列O={o1,…,oT}在隐状态Yt和λ=(A,B,л)下,出现的概率,记为βt(i),则有如下表示公式:
βt(i)=P(ot+1,ot+2,...,oT|qt=Yi,λ)。
步骤S2110、初始化后向概率,最终时刻的所有状态qi规定;
βT(i)=1,i=1,2,...,N;
步骤S2111、对于t=T-1,T-2,...1递推计算,时刻t状态为qi条件下时刻t+1之后的观测值序列为O={o1,…,oT}的后向概率,其实就是第t+1时刻的N个状态到t时刻状态的转移概率乘以t+1时刻每个隐状态对应的观察情况为o(t+1)的概率,再乘以状态j之后的观测值序列的后向概率βt+1(j),此项能够递推得到:
步骤S2112、根据式(11)计算得到P(O|λ2);
S212、若前向算法中获取的P(O|λ1)和后向算法中获取的P(O|λ2)均大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
在步骤S3的具体实施过程中,利用适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
步骤S3具体包括:
S30、根据适合判断购买转化率预测的隐马尔科夫模型的参数和公式(12),
P′(t)=P(t)A 式(12);
其中,A为状态转移概率矩阵;
拉普拉斯正变换公式为:
根据式(12)和式(13),得到式(14);
由式(15)得到,
P(s)=(P0(s),P1(s),P2(s),P3(s),P4(s),P5(s)) 式(15);
S31、根据式(16)和式(14)采用拉普拉斯逆变换,得到在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量P(t)。
拉普拉斯逆变换公式为:
P(t)=(P0(t),P1(t),P2(t),P3(t),P4(t),P5(t)) 式(17)。
根据该技术方案,记录一具有购物行为网站的用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集,构建隐马尔科夫模型。利用隐马尔科夫模型,对用户在电商网站的购买状态的各个阶段进行动态的预测,对用户在所述具有购物行为网站的累积访问时间对应的购买转化率进行预测。根据预测的购买转化率,对于电商网站引导用户的购买行为和制定营销策略,扩大市场份额和增强市场竞争力,具有重要的意义和市场价值。
如图3所示,本发明的一个实施例,一种基于隐马尔科夫模型的购买转化率预测***,所述***包括:
记录模块30,用于记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;
训练模块31,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;
预测模块32,用于利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
隐马尔可夫模型是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。构造隐马尔科夫模型需要先确定观测值序列和隐藏状态集。
记录模块30中,根据用户在具有购物行为网站的动作行为来确定观测值序列。具体地,记录用户在具有购物行为网站的动作行为。所述观测值序列为O(O0,O1,O2,O3,O4),其中,O0为用户在具有购物行为网站的浏览一类产品的动作行为记录;O1为用户在具有购物行为网站的浏览该类产品中的一具体型号产品的动作行为记录;O2为用户在具有购物行为网站的将所述具体型号产品加入购物车的动作行为记录;O3为用户在具有购物行为网站的将所述具体型号产品提交付款的动作行为记录;O4为用户在具有购物行为网站的将所述具体型号产品付款成功的动作行为记录;所述观测值O0、O1、O2、O3、O4构成所述观测值序列O,观测状态个数为5个。记录模块30中确定用户的购买状态为隐藏状态集。具体地,所述隐藏状态集为Q(Q0,Q1,Q2,Q3,Q4,Q5),其中,Q0为随机用户对一类产品的初始购买状态,即该用户为有购买需求的状态;Q1为目标用户对该类产品的初始购买状态;Q2为优质用户对该类产品的一具体型号产品的感兴趣状态,即目标用户为有购买需求的状态;Q3为***对该具体型号产品的购买意向状态;Q4为预备用户对该具体型号产品的决定购买状态,即该用户为已确定要购买但由于其他原因仅剩下最后一步付款的状态;Q5为真实用户对该具体型号产品的已经购买状态,即该用户已经购买了该具体型号产品的状态;所述Q0,Q1,Q2,Q3,Q4,Q5构成隐马尔科夫模型的隐藏状态集,隐藏状态个数为6个。
隐马尔科夫模型表示为λ=(π,A,B),在模型中的3个要素中,要素π为初始状态概率向量、A为隐藏状态转移矩阵和B为观测值概率矩阵。本发明中,根据所述观测值序列O和隐藏状态集Q构造初始的隐马尔科夫模型。
所述训练模块31具体包括Baum-Welch算法单元和向前和向后算法单元。
在Baum-Welch算法单元中,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型,并采用Baum-Welch算法训练所述初始的隐马尔科夫模型,得到训练好的隐马尔科夫模型。具体地,采用Baum-Welch训练隐马尔科夫模型,随机赋值初始的隐马尔科夫模型的参数,得到初始的隐马尔科夫模型,选定一组已知的观测值序列,利用该观测值序列和初始的隐马尔科夫模型对隐马尔科夫模型进行重估,并对重估后的隐马尔科夫模型进行反复迭代重估,直至P(O/λ)收敛,得到训练好的隐马尔科夫模型。P(O/λ)为重估的隐马尔科夫模型的观测值序列的概率。
在向前和向后算法单元,根据向前和向后算法,得到观测值序列在所述训练好的隐马尔科夫模型的概率P(O/λ),若P(O/λ)大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。具体地,根据前向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ1);根据后向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ2);若所述前向算法中获取的P(O|λ1)和后向算法中获取的P(O|λ2)均大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
在所述预测模块32,根据所述适合判断购买转化率预测的隐马尔科夫模型的参数和公式(12),得到P(s),根据式(16)和拉普拉斯逆变换,得到在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量P(t),
P′(t)=P(t)A 式(12),
其中,A为状态转移概率矩阵;
P(s)=(P0(s),P1(s),P2(s),P3(s),P4(s),P5(s)) 式(15);
P(t)=(P0(t),P1(t),P2(t),P3(t),P4(t),P5(t)) 式(17)。
根据该技术方案,记录一具有购物行为网站的用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集,构建隐马尔科夫模型。利用隐马尔科夫模型,对用户在电商网站的购买状态的各个阶段进行动态的预测,对用户在所述具有购物行为网站的累积访问时间对应的购买转化率进行预测。根据预测的购买转化率,对于电商网站引导用户的购买行为和制定营销策略,扩大市场份额和增强市场竞争力,具有重要的意义和市场价值。
综上所述,本发明通过构建隐马尔科夫模型,对用户在所述具有购物行为网站的累积访问时间对应的购买转化率进行预测。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于隐马尔科夫模型的购买转化率预测方法,其特征在于,所述方法包括:
S1、记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;
S2、根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;
S3、利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
2.如权利要求1所述的基于隐马尔科夫模型的购买转化率预测方法,其特征在于,所述观测值序列为O(O0,O1,O2,O3,O4),其中,
O0为用户在具有购物行为网站的浏览一类产品的动作行为记录;
O1为用户在具有购物行为网站的浏览该类产品中的一具体型号产品的动作行为记录;
O2为用户在具有购物行为网站的将所述具体型号产品加入购物车的动作行为记录;
O3为用户在具有购物行为网站的将所述具体型号产品提交付款的动作行为记录;
O4为用户在具有购物行为网站的将所述具体型号产品付款成功的动作行为记录;
所述观测值O0、O1、O2、O3、O4构成所述观测值序列O,观测状态个数为5个。
3.如权利要求2所述的基于隐马尔科夫模型的购买转化率预测方法,其特征在于,所述隐藏状态集为Q(Q0,Q1,Q2,Q3,Q4,Q5),其中,
Q0为随机用户对一类产品的初始购买状态;
Q1为目标用户对该类产品的初始购买状态;
Q2为优质用户对该类产品的一具体型号产品的感兴趣状态;
Q3为***对该具体型号产品的购买意向状态;
Q4为预备用户对该具体型号产品的决定购买状态;
Q5为真实用户对该具体型号产品的已经购买状态;
所述Q0,Q1,Q2,Q3,Q4,Q5构成隐马尔科夫模型的隐藏状态集,隐藏状态个数为6个。
4.如权利要求1所述的基于隐马尔科夫模型的购买转化率预测方法,其特征在于,步骤S2具体包括:
S20、根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型,并采用Baum-Welch算法训练所述初始的隐马尔科夫模型,得到训练好的隐马尔科夫模型;
S21、根据向前和向后算法,得到观测值序列在所述训练好的隐马尔科夫模型的概率P(O /λ ),若P (O /λ )大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
5.如权利要求4所述的基于隐马尔科夫模型的购买转化率预测方法,其特征在于,所述步骤S20具体包括:
S201、选定一组已知的观测值序列,随机赋值初始的隐马尔科夫模型的参数,得到初始的隐马尔科夫模型;
S202、设置迭代的收敛条件,所述收敛条件为:
;
其中,P (O /λ 0)为初始的隐马尔科夫模型观测值序列的概率,P (O /λ )为重估的隐马尔科夫模型的观测值序列的概率;
S203、根据给定的观测值序列和初始的隐马尔科夫模型,利用 Baum-Welch算法的重估公式,获得新的隐马尔科夫模型;
S204、计算初始的隐马尔科夫模型的参数下,时间T范围内观测值序列的概率P(O|λ0),以及计算新的隐马尔科夫模型的参数下观测值序列的概率P(O|λ);
S205、若P(O|λ0)和P(O|λ)满足所述收敛条件,则所述新的隐马尔科夫模型为训练好的隐马尔科夫模型;否则,将新的隐马尔科夫模型作为当前隐马尔科夫模型,继续循环迭代,直到满足所述收敛条件,当前的隐马尔科夫模型为训练好的隐马尔科夫模型。
6.如权利要求5所述的基于隐马尔科夫模型的购买转化率预测方法,其特征在于,所述步骤S21具体还包括:
S210、根据前向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ1);
S211、根据后向算法,获取在t时刻的观测值序列在所述训练好的隐马尔科夫模型的参数下的发生的概率P(O|λ2);
S212、若所述前向算法中获取的P(O|λ1)和后向算法中获取的P(O|λ2)均大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
7.如权利要求6所述的基于隐马尔科夫模型的购买转化率预测方法,其特征在于,所述步骤S3具体包括:
S30、根据所述适合判断购买转化率预测的隐马尔科夫模型的参数和公式(12),得到P(s);
P′(t)=P(t)A 式(12),
其中,A为状态转移概率矩阵;
P(s)=(P0(s),P1(s) ,P2(s),P3(s) ,P4(s),P5(s)) 式(15);
S31、根据所述P(s)和拉普拉斯逆变换,得到在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量P(t),
P(t)=(P0(t),P1(t) ,P2(t),P3(t) ,P4(t),P5(t)) 式(17)。
8.一种基于隐马尔科夫模型的购买转化率预测***,其特征在于,所述***包括:
记录模块,用于记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;
训练模块,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型并进行训练,得到适合判断购买转化率预测的隐马尔科夫模型;
预测模块,用于利用所述适合判断购买转化率预测的隐马尔科夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量。
9.如权利要求8所述的基于隐马尔科夫模型的购买转化率预测***,其特征在于,所述训练模块具体包括:
Baum-Welch算法单元,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔科夫模型,并采用Baum-Welch算法训练所述初始的隐马尔科夫模型,得到训练好的隐马尔科夫模型;
向前和向后算法单元,用于根据向前和向后算法,得到观测值序列在所述训练好的隐马尔科夫模型的概率P (O /λ ),若P (O /λ )大于80%,则所述训练好的隐马尔科夫模型为适合判断购买转化率预测的隐马尔科夫模型。
10.如权利要求9所述的基于隐马尔科夫模型的购买转化率预测***,其特征在于,所述预测模块具体用于,根据所述适合判断购买转化率预测的隐马尔科夫模型的参数和公式(12),得到P(s),根据所述P(s)和拉普拉斯逆变换,得到在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量P(t),
P′(t)=P(t)A 式(12),
其中,A为状态转移概率矩阵;
P(s)=(P0(s),P1(s) ,P2(s),P3(s) ,P4(s),P5(s)) 式(15);
P(t)=(P0(t),P1(t) ,P2(t),P3(t) ,P4(t),P5(t)) 式(17)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399920.5A CN107944643A (zh) | 2017-12-22 | 2017-12-22 | 一种基于隐马尔科夫模型的购买转化率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399920.5A CN107944643A (zh) | 2017-12-22 | 2017-12-22 | 一种基于隐马尔科夫模型的购买转化率预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944643A true CN107944643A (zh) | 2018-04-20 |
Family
ID=61942149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711399920.5A Withdrawn CN107944643A (zh) | 2017-12-22 | 2017-12-22 | 一种基于隐马尔科夫模型的购买转化率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944643A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809955A (zh) * | 2018-05-22 | 2018-11-13 | 南瑞集团有限公司 | 一种基于隐马尔可夫模型的电力用户行为深度分析方法 |
CN108960908A (zh) * | 2018-06-22 | 2018-12-07 | 福建南威软件有限公司 | 一种基于大数据用户行为序列的分析方法 |
CN109003114A (zh) * | 2018-06-01 | 2018-12-14 | 四川斐讯信息技术有限公司 | 一种营销策略预测方法、***、计算机设备和存储介质 |
CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
CN109741146A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
CN110490760A (zh) * | 2019-07-24 | 2019-11-22 | 国网浙江省电力有限公司 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
CN110633569A (zh) * | 2019-09-27 | 2019-12-31 | 上海赛可出行科技服务有限公司 | 基于隐马尔科夫模型的用户行为与实体行为分析方法 |
CN110858366A (zh) * | 2018-08-24 | 2020-03-03 | 北京嘀嘀无限科技发展有限公司 | 一种下单转化率预测方法和装置 |
CN111931106A (zh) * | 2020-07-29 | 2020-11-13 | 上海博泰悦臻电子设备制造有限公司 | 数据处理方法及相关装置 |
CN114549071A (zh) * | 2022-02-18 | 2022-05-27 | 上海钧正网络科技有限公司 | 一种营销策略的确定方法、装置、计算机设备及存储介质 |
CN115775173A (zh) * | 2023-02-13 | 2023-03-10 | 广东德澳智慧医疗科技有限公司 | 一种基于算法和人工智能的电商数据团购推演*** |
-
2017
- 2017-12-22 CN CN201711399920.5A patent/CN107944643A/zh not_active Withdrawn
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809955B (zh) * | 2018-05-22 | 2019-05-24 | 南瑞集团有限公司 | 一种基于隐马尔可夫模型的电力用户行为深度分析方法 |
CN108809955A (zh) * | 2018-05-22 | 2018-11-13 | 南瑞集团有限公司 | 一种基于隐马尔可夫模型的电力用户行为深度分析方法 |
CN109003114A (zh) * | 2018-06-01 | 2018-12-14 | 四川斐讯信息技术有限公司 | 一种营销策略预测方法、***、计算机设备和存储介质 |
CN108960908A (zh) * | 2018-06-22 | 2018-12-07 | 福建南威软件有限公司 | 一种基于大数据用户行为序列的分析方法 |
CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
CN110858366A (zh) * | 2018-08-24 | 2020-03-03 | 北京嘀嘀无限科技发展有限公司 | 一种下单转化率预测方法和装置 |
CN109741146A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
CN110490760A (zh) * | 2019-07-24 | 2019-11-22 | 国网浙江省电力有限公司 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
CN110490760B (zh) * | 2019-07-24 | 2022-12-16 | 国网浙江省电力有限公司 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
CN110633569A (zh) * | 2019-09-27 | 2019-12-31 | 上海赛可出行科技服务有限公司 | 基于隐马尔科夫模型的用户行为与实体行为分析方法 |
CN111931106A (zh) * | 2020-07-29 | 2020-11-13 | 上海博泰悦臻电子设备制造有限公司 | 数据处理方法及相关装置 |
CN114549071A (zh) * | 2022-02-18 | 2022-05-27 | 上海钧正网络科技有限公司 | 一种营销策略的确定方法、装置、计算机设备及存储介质 |
CN115775173A (zh) * | 2023-02-13 | 2023-03-10 | 广东德澳智慧医疗科技有限公司 | 一种基于算法和人工智能的电商数据团购推演*** |
CN115775173B (zh) * | 2023-02-13 | 2023-11-03 | 深圳市唤醒科技传媒有限公司 | 一种基于算法和人工智能的电商数据团购推演*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944643A (zh) | 一种基于隐马尔科夫模型的购买转化率预测方法及*** | |
Chen et al. | Deep ctr prediction in display advertising | |
CN110245299A (zh) | 一种基于动态交互注意力机制的序列推荐方法及其*** | |
Abd-El-Wahed et al. | Integrating particle swarm optimization with genetic algorithms for solving nonlinear optimization problems | |
Koryakin et al. | Balanced echo state networks | |
CN103514239B (zh) | 一种集成用户行为和物品内容的推荐方法及*** | |
Ta | Factorization machines with follow-the-regularized-leader for CTR prediction in display advertising | |
CN111507796A (zh) | 一种基于知识图谱的网上商城商品推荐方法 | |
CN108305094A (zh) | 一种用户行为预测方法及装置,电子设备 | |
CN105975641A (zh) | 视频推荐方法及装置 | |
CN107316234A (zh) | 个性化商品预测方法和装置 | |
Navgaran et al. | Evolutionary based matrix factorization method for collaborative filtering systems | |
CN108038629A (zh) | 一种基于协同过滤的优化方法 | |
CN105302873A (zh) | 一种基于条件受限波尔兹曼机的协同过滤优化方法 | |
CN109003114A (zh) | 一种营销策略预测方法、***、计算机设备和存储介质 | |
Zhao et al. | Mahrl: Multi-goals abstraction based deep hierarchical reinforcement learning for recommendations | |
CN109034960A (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN104933595A (zh) | 一种基于马尔科夫预测模型的协同过滤推荐方法 | |
CN108960508B (zh) | 基于量子蝙蝠算法的铸造造型及熔炼批量计划获取方法 | |
Khan et al. | Generalized fractional strategy for recommender systems with chaotic ratings behavior | |
CN110191363B (zh) | 一种面向家庭组用户的推荐方法 | |
CN111651679A (zh) | 基于强化学习的推荐方法及装置 | |
CN110210944A (zh) | 联合贝叶斯推理与加权拒绝采样的多任务推荐方法及*** | |
CN106600347A (zh) | 一种基于多视角数据和循环网络构建序列预测模型的方法 | |
Bobbili | Interpretable glass forming ability prediction of amorphous alloys through tree based algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201028 Address after: No. 2-3167, zone a, Nonggang City, No. 2388, Donghuan Avenue, Hongjia street, Jiaojiang District, Taizhou City, Zhejiang Province Applicant after: Taizhou Jiji Intellectual Property Operation Co.,Ltd. Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666 Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180420 |
|
WW01 | Invention patent application withdrawn after publication |