《Frontiers in Physics》:A prediction method for consumer online purchasing behavior based on big data analysis
编辑推荐:
随着电子网络的快速发展,消费者在线购买行为数据呈现出大规模增长和多样化特征。如何基于大数据分析准确预测购买行为成为提升消费者服务质量与效率的关键。研究人员将深度学习方法引入购买预测研究,提出了实体嵌入-卷积神经网络-卷积块注意力模块(EE-CNN-CBAM)用
随着电子网络的快速发展,消费者在线购买行为数据呈现出大规模增长和多样化特征。如何基于大数据分析准确预测购买行为成为提升消费者服务质量与效率的关键。研究人员将深度学习方法引入购买预测研究,提出了实体嵌入-卷积神经网络-卷积块注意力模块(EE-CNN-CBAM)用于预测消费者网络购买行为。通过实体嵌入(EE),高基数分类变量被转换为低维稠密向量,以降低大数据的计算成本。以卷积神经网络(CNN)为核心,从用户行为序列中提取局部关联模式,以捕捉消费者在线购买行为的隐含特征。并基于消费者在线购买行为的时间序列数据,构建了购买行为模式的特征指标。卷积块注意力模块(CBAM)自适应调整通道注意力,使模型能够优先关注并增强重要购买行为特征的表达。实验结果表明,EE-CNN-CBAM在大规模消费者网络购买数据集上提高了预测准确性,为大数据环境下的消费者行为预测提供了有效支持。
**论文解读:基于大数据分析的消费者在线购买行为预测方法**
**研究背景与问题**
随着数字经济的深入渗透,网络电子已成为中国居民消费的核心载体,消费者在线购买行为数据呈现大规模增长和多样化特征。准确预测购买行为成为提升消费者服务质量与效率的关键,对电商平台实现个性化推荐、精准营销和库存优化具有重要意义。然而,现有研究面临多重挑战:消费者购买决策受多种因素耦合影响,呈现非线性和动态特性;行为数据具有高维度(百万用户规模下特征维度超过十亿)、高稀疏性(用户行为强选择性)和多模态性(结构化、半结构化和非结构化数据并存)的特点。传统统计方法难以捕捉非线性关系,机器学习依赖人工特征工程,而现有混合模型在处理大规模实时数据时效率不足,且对时间模式的挖掘不够深入,未能结合长期习惯与短期促销的相互影响。为此,研究人员构建了EE-CNN-CBAM模型,旨在提供适应大数据环境的消费者购买行为预测方法,推动理论研究与在线消费实践的深度融合。该论文发表在《Frontiers in Physics》。
**研究方法**
本研究采用的关键技术方法包括:实体嵌入(Entity Embedding, EE)将高基数分类变量(如用户ID、产品分类)转换为低维稠密向量,降低计算成本并揭示用户偏好与产品属性间的关联;卷积神经网络(Convolutional Neural Network, CNN)从用户行为序列中提取局部关联模式,捕捉购买行为的隐含特征;卷积块注意力模块(Convolutional Block Attention Module, CBAM)通过通道和空间注意力机制动态调整特征权重,强化关键购买行为特征并抑制冗余信息。此外,研究人员基于时间序列数据构建了购买时间模式特征指标(时间多样性、时间忠诚度、时间规律性)。实验使用四个数据集:ICPR MTWI2018(由华南理工大学与阿里巴巴联合收集,10,000张网络购物图像标签)、MEP-3M(包含超过300万产品的多模态数据集)、Amazon-M2(覆盖多区域多语言的电商数据)以及Olist和User Behavior Data on Taobao(用户行为数据)。研究在配备12 vCPU、90 GB内存和NVIDIA GeForce RTX 3080 Ti GPU的云服务器上进行,采用Python 3.7和PyTorch框架。
**研究结果**
**4.1 实验设置**
研究人员在云服务器上设置实验环境,使用ICPR MTWI2018、MEP-3M和Amazon-M2等数据集,采用准确率、精确率、期望最大利润(EMP)和F1分数作为评估指标,全面评估模型性能。
**4.2 性能评估**
通过动态监测训练损失曲线,确定最优迭代次数为37次。此时模型充分学习了多模态行为特征,避免了过拟合风险,预测误差趋于稳定,平均损失值约为0.7。
**4.3 预测性能分析**
**4.3.1 非时间序列数据预测**
在ICPR MTWI2018和MEP-3M数据集上,EE-CNN-CBAM在准确率、精确率、EMP和F1上均优于CNN、LSTM、CNN-GRU和CNN-CBAM模型。例如,在ICPR MTWI2018上,EE-CNN-CBAM的准确率达到0.974,F1为0.962,分别比CNN-CBAM高5.6%和6.5%。在MEP-3M上,准确率为0.959,F1为0.953,分别比CNN-CBAM高12.5%和6.1%。这表明EE的降维、CNN的特征提取和CBAM的注意力机制协同有效应对了高维、多模态的消费大数据。
**4.3.2 时间序列数据预测**
引入消费者购买时间数据后,所有模型在Olist和User Behavior数据集上的性能普遍提升,准确率、精确率和F1平均增加3.2%–7.8%,而EMP下降2.1%–5.3%。EE-CNN-CBAM仍保持最优,在Olist上准确率从0.959升至0.987,F1从0.953升至0.982。在Amazon-M2上,EE-CNN-CBAM的泛化能力最强,性能下降幅度最小,归因于EE对区域编码等变量的降维和CBAM对区域特征的动态关注。EMP下降源于成本效益比(θ)的增大导致最优阈值右移,降低了总分类收益。
**4.4 文本对比实验**
通过仅输入评价文本、仅输入咨询对话以及同时输入两种文本的对比实验,发现评价文本的独立贡献更高,因为其语义与购买后行为(如复购)更直接相关。两种文本特征存在协同效应,同时输入时F1提升6.0%,大于单独输入之和,表明评价文本的后反馈与咨询对话的前意图互补,覆盖了用户购买决策的全链条。
**讨论与结论**
讨论部分指出,消费者在线购买的时间模式特征是心理认知与环境交互的外在表现:高时间忠诚度用户受习惯形成和熟悉偏好驱动,倾向于在固定时间段重复购买;高时间多样性用户表现出探索性购买心理,易受限时促销等营销刺激影响;强时间规律性用户的行为与日常生活节奏深度绑定。研究为电商管理者提供了具体实践路径,如在高频购买时段向高忠诚度用户推送个性化优惠券,为探索型用户设置限时抢购模块,并根据预测结果提前调整库存。局限性包括:数据层面依赖淘宝和Olist的历史行为数据,缺乏实时交互和跨平台轨迹;特征维度未充分整合消费者心理变量和社会环境因素,对行为与动机间的因果机制探索不足。未来研究可引入计划行为理论、自我决定理论等框架,融入感知风险、主观规范等心理变量,并扩展线下消费、社交媒体互动等数据源。
研究结论部分原文翻译如下:
本文构建了EE-CNN-CBAM,通过EE、CNN和CBAM模块协同实现了消费者在线大数据的高效处理。EE将百万级高基数分类变量转换为低维向量,解决了传统维度灾难问题。CNN从行为大数据序列中提取局部关联模式。CBAM通过通道和空间注意力的两阶段机制聚焦消费者网络购买大数据中的关键特征,有效避免了数据规模过大导致的特征稀释。此外,构建了购买时间多样性、忠诚度和规律性三大指标,以应对消费者行为的时间依赖性。实验结果表明,EE-CNN-CBAM有效解决了消费者购买行为大数据的高维特征,提高了在线购买行为预测的准确性,为消费者网络大数据分析与预测提供了支持。然而,本文仍存在不足,例如在探索购买时间模式特征时时间序列数据划分过于简单,且前期分析仅显示整体EMP下降,未深入探讨不同用户群体和产品类别的盈利表现。此外,EE-CNN-CBAM虽性能优越,但在算法可解释性方面仍有欠缺。