运用隐马尔可夫模型揭示食品购买行为及其变化趋势

《International Journal of Behavioral Nutrition and Physical Activity》：Uncovering food purchase behaviors and their shifts using Hidden Markov Modeling

　　

摘要

背景

分析食品购买数据是一种用于大规模饮食评估的创新且有效的方法，但许多传统分析方法往往忽视了食品购买的时间结构。本研究采用数据驱动的方法，利用隐马尔可夫模型（HMM）来分析个体层面时间序列购买数据的潜在结构，从而识别并描述食品购买行为随时间的变化情况。

方法

LoCard研究中的忠诚卡持有者提供了2016年9月至2018年12月的购买数据，同时他们还填写了背景问卷，提供了关于社会人口特征以及他们对从该零售商处购买的商品所占比例的自我评估信息（n?=?29,245）。那些对零售商的购买忠诚度达到40%以上的参与者的食品类别数据被按月汇总，经过降维处理后，再在月度数据上应用HMM模型。这些食品购买行为被赋予标签，然后根据性别、年龄、家庭结构及家庭收入等因素，分析这些行为的出现频率以及行为之间的转换概率。

结果

九种食品购买行为被分为三类：以健康为导向的：（1）“均衡型”（2）“家庭烹饪型”（3）“弹性素食型”（4）“地球友好型”；以随意消费为导向的：（5）“传统型”（6）“便捷型”（7）“含糖饮料和零食型”（8）“啤酒、甜食和点心型”；以及以婴儿需求为导向的：（9）“婴儿配方奶粉和食品型”。从每月之间的转换概率较低（

结论

隐马尔可夫模型为分析长时间内高频收集的食品购买数据提供了一种易于理解的方法，能够捕捉购买行为随时间的变化趋势。不同社会人口特征的参与者具有不同的食品购买行为，这些行为相对稳定。这些行为的出现频率变化较为缓慢，且转换主要发生在相似的行为类型之间，这表明购买行为并非那么容易改变。