基于顾客行为的数据采集及分析系统设计与实现
这是一篇关于用户行为,动线分析,热区,指纹图谱的论文, 主要内容为在互联网经济的冲击下,线下零售面临着数字化转型的挑战。如何利用现有技术采集并分析线下零售场景中顾客的行为数据成为一个亟待解决的问题。物联网技术和无线网络技术的发展,为这一问题的解决提供了技术基础。以阿里巴巴、京东为代表的电商平台和以苏宁、国美为代表的线下零售商相应开展了对线下零售场景的数字化升级。本文以专业实习期间在京东“大数据与智能供应链事业部”所参与的“京东之家”数据业务升级项目为基础,围绕如何对线下顾客行为数据有效地进行采集、如何利用顾客行为数据建立分析模型、如何对生成的顾客行为数据模型进行可视化呈现三个方面展开研究,设计并实现了基于顾客行为数据的采集及分析系统。系统采集及分析顾客行为数据基于如下事实:当顾客携带移动设备购物时,其移动设备无论是否和店内的WiFi接入站点建立连接,均会以广播的形式同站点交换数据帧,其中包含了移动设备的MAC地址、RSSI值和数据上报时间戳等基础数据。本文通过对该部分数据进一步分析,结合会员数据和商品销售数据建立了基于顾客行为数据的分析模型。该模型呈现了线下零售场景中顾客的人流量数据、位置数据、移动路线、驻留时长、门店热区、商品销售情况和会员顾客的性别、年龄等数据,用以辅助商家科学决策和运营管理。论文主要包含以下三个方面的工作:1.设计了线下零售场景中顾客行为数据采集的技术方案。在阅读国内外相关文献的基础上研究了基于无线传感、视觉检测和移动定位三种线下用户行为数据采集方法。结合数据信息量、数据精度、部署难度、硬件成本等因素讨论了三种方法的优缺点,确定了基于移动定位的顾客行为数据采集技术方案并进行了网络拓扑设计、硬件部署和数据采集测试。2.针对基于移动定位的数据采集方法存在数据信息量单薄、数据精度略差两方面的不足。本文提出了融合门店会员数据和商品销售数据的“顾客行为数据分析混合模型”,提高了所采集顾客行为数据的信息量;通过构建位置指纹图谱数据库,提高了系统对顾客位置数据的获取精度。3.根据系统在客群分析、客流动线分析、门店热区分析和硬件管理方面的需求设计了系统架构,使用Play框架编写了B/S环境下MVC风格的数据采集及分析系统。在数据处理部分,采用了异步非阻塞的通信机制,提高了系统在并发环境中的鲁棒性;在数据展示部分,实现了Web页面的响应式开发,增强了系统的环境适应性。
基于推荐算法的B2B电子商务系统的设计与实现
这是一篇关于B2B快消品,推荐算法,用户行为的论文, 主要内容为电子商务自出现至此已有近二十个年头,它打破了原有的商品交易方式,从线下的一对一现金交易变为互联网的线上交易,人们仅需要通过手机和电脑进行简单的点击操作即可完成喜欢商品的购买。然而传统电商平台的消费群体往往是购买日常用品的普通用户,针对快消品行业专门的B2B(Business-to-Business,企业与企业间进行的商业活动)类的电商平台却不多见。2019年,B2B快消品行业的交易金额已经接近2000亿元,如此庞大的消费群体与普通电商用户有着本质性的差别。因由快消品行业流动快、库存积压成本高、购买商品固定等特点,相应的电商平台需根据用户特点因地制宜的进行功能改变,传统的电商平台已经无法满足此类用户的需求。本文笔者根据实习期间参与的真实B2B快消品电商项目,结合现有快消品电子商务平台的痛点,设计并实现了一款基于推荐算法的B2B商务系统。本文首先论述了B2B快消品国内发展的现状、论文研究的内容、论文的组织架构和论文用到的相关技术,其次对整体的电商系统进行了功能分析,将全部的系统拆分成前端需求、服务端需求和推荐相关需求,后结合各自的需求功能点进行技术可行性的分析以及详细实现的设计。B2B快消品行业主要针对的用户群体为小店老板,为防止舆论以及伤害品牌厂商的利益,商品价格的不透明程度需要得到保证,因而在登录流程外增加用户的店铺审核流程。此外,针对快消品较为固定、购买频次固定和流动较快等特点,本文设计特殊的促销方式(如满减与满赠)以满足厂商与小店老板之间的利益平衡。同时为保证客户端的正常运行,服务端增加CMS(Content Management System,内容管理系统)后台的相关需求,从商品中心、订单设置、促销配置等角度完善客户端需求。部署的核心的技术栈采用Spring Boot2.1.5.Release+Dubbo2.7.2的整体框架,推荐模块采用以Hadoop+Spark的框架进行搭建。首先通过流程图、用例图、页面截图等方式对用户的操作行为进行详细阐述,实现注册、登录、审核、浏览、加车、下单和支付的全部功能;此外对原有推荐算法进行部分修改,引入实时推荐并且丰富离线推荐的种类,从原先仅支持基于评分统计的商品推荐扩充为基于用户实时行为和内容的商品推荐,极大提升了用户的下单转化率;最后对整个电商系统进行全流程的回归测试,从功能测试验证用户的下单流程是否存在问题,从性能测试方面检测系统接口抗压的临界值,整体测试均结果均符合系统预期的功能与非功能要求。本系统已在笔者实习公司落地实现,但依然存在部分需求点待完善,如页面层级较为简单、商品信息修改困难等;对推荐模块的优化带来整体CVR(Conversion Rate,转化率)接近3个百分点的提升,效果较为显著。本文提出的观点和方法以及所取得的最终成果对B2B电商平台的发展有一定的参考价值。
基于机器学习的外卖用户行为研究
这是一篇关于用户行为,特征工程,机器学习,推荐预测的论文, 主要内容为随着互联网信息技术的发展,外卖平台作为餐饮行业的大数据互联网应用,对于人们的日常生活产生了巨大的影响。互联网的普及促进了线上交易行为的增加,这使得外卖平台产生了大量且复杂的用户行为数据。用户行为数据一般分为显性反馈行为(Explicit Feedback)和隐性反馈行为(Implicit Feedback)。在外卖平台上用户产生的显性反馈数据主要包括用户与商家的评分等。外卖平台产生的隐性反馈数据主要指用户的历史行为、如历史下单的商家、下单前的浏览记录等。据此,深入研究外卖平台的用户行为数据,发现外卖平台用户的显性行为数据可以直观地体现用户偏好,但由于某些系统的行为如,用户下单后默认好评的系统设定以及商家违规刷单行为等行为的影响,导致显性数据的预测效果较差。同时外卖平台的用户交易行为常伴随时间和空间的因素影响。因此,用户进行的一次交易行为,应该被解读为在某地的用户在某一时间段的交易行为。挖掘研究用户的行为数据,可以更好的为用户进行个性化推荐。在推荐系统研究方面,工业级的模型与学术界研究的模型往往有所差别。针对以上问题,本文的主要工作可以分为以下三个方面:(1)外卖数据集的数据挖掘与数据分析。外卖数据集包含有多个特征集合,具体为用户属性、商家属性和历史行为信息以及商家的点击序列。对以上数据分别进行了数据预处理、数据清洗、数据变换等工作,以便于后面的数据分析工作。通过数据可视化发现,用户的历史行为存在时间周期规律。因此,选择通过特征工程以挖掘构建三种特征,具体包括基本属性特征、交叉特征和时间累积特征,共475个特征。并通过随机森林嵌入法进行特征筛选。(2)探索影响外卖用户购买行为的因素。基于特征选择的结果,结合属性特征,以构建逻辑回归模型研究影响因素。具体发现用户的复购率、商家的类别分类、高范围的价格特征,以及用户所处的蜂窝和时间维度,对用户的购买行为有着较强的影响。并据此提供了相关意见。(3)机器学习模型的预测对比。采用同一数据集分别构建了深度学习模型Deep FM、集成模型Light GBM和单一模型逻辑回归模型,对比了三个模型的预测效果,发现深度学习模型的效果较好。本文最后对本文的整体研究进行了总结与展望。从商家分类和购买时段角度出发为平台营销提出了建议。并从数据集的收集、特征工程和不同角度因素的研究深度方面指出了本文的不足之处以及未来工作的开展方向。
“数字劳工”的“情感劳动”—网络直播用户行为逻辑研究
这是一篇关于情感劳动,数字劳动,直播,用户行为的论文, 主要内容为新媒体背景下,网络直播平台的活跃人数得到了极大地提升,直播现象的社会化的和“用户中心”的社会化营销方式,促进了网络平台社群走向主流化和职业化,使用者的一系列媒介接触行为,实现了主播与观众之间的情感连接和劳动生产。本论文借助传播政治经济学与情感社会相关理论,从情感劳动的角度,对直播平台的社交操作与用户行为进行了分析,重点分析了虚拟社交中的情感联结与价值创造、情感劳动生成及其对使用者的虚拟交互的作用。本文拟在此基础上,从媒介生态与社会实际出发,运用网络民族志、深度访谈等研究手段,对网络直播中的数字交互进行客观分析,同时注重主体和正面情绪的角色,时刻提防着被“控制”的平台的影响。着重从理性和非理性两个方面对使用者的使用进行了研究。在平台运营和社会交互中,以“人”作为其生命之本,通过对“人”的理性设计,将“人”的情绪诉求激发出来,使其成为“免费劳工”。最终,从对平台操作的规范和背景的审核,到对用户自身的回避和改变,都涉及对平台的感情投资,这也是平台在今后发展中必须要考虑的问题。从直播平台发展及用户情感互动出发,重新审视直播互动中的情感劳动对用户造成的深刻的冲击,借助并充分利用正面情感的价值功能,让其回到人的主体地位,从而为用户的媒体行为以及平台的社会管理工作,带来合理的现实意义。
基于用户行为的个性化推荐系统的研究与实现
这是一篇关于神经网络,推荐系统,词嵌入,特征选择,用户行为的论文, 主要内容为随着网络信息的容量、复杂度和动态特性的不断提高,推荐系统已经成为克服信息过载的关键解决方案,被许多在线服务包括电子商务、在线新闻和社交媒体网站广泛采用。其中个性化推荐系统的主要研究内容是根据用户过去的互动(例如,评论、评分和点击)对用户的偏好进行建模。本文基于用户行为的个性化推荐系统,对相应的推荐算法进行了研究。主要研究工作如下:1)提出一种基于改进word2vec的方法,实现用户评论模型的构建。本文对word2vec中skip-gram算法进行改进,将投影层分为两部分:一是实体,另一个是非实体,并将非实体添加到目标实体的负抽样中。通过对每个句子进行迭代,实体被嵌入到实体向量空间中。使用改进词嵌入算法为用户评论模型构建,从而得到用户和商品的分布式表征,并从该表征中推荐相似商品。2)提出一种基于用户商品对的融合模型。首先对数据进行预处理和分析,提取出用户商品的特征,其次通过用户特征和用户行为对高潜用户构建模型,根据用户商品行为的特征对用户商品对建模,最后把用户模型和用户商品模型相结合,预测出用户未来要购买的商品。3)基于神经网络的推荐算法。首先对有交互行为的用户商品对进行评分矩阵的构建,将根据构建的特征作为神经网络的输入层,再用全连接层作为训练层,最后使用softmax激活函数作为最后的输出层。最终将预测出评分高的商品推荐给用户。实验表明,采用改进词向量方法实现用户评论模型构建,能够解决协同过滤对于文本推荐的局限性;基于用户商品模型融合的推荐算法能够提高高潜用户的准确率,相比于单模型,模型融合的推荐算法平均能将推荐精度提升0.05%;基于神经网络的推荐算法能够将评分矩阵嵌入表示,提升推荐精度。本文提出的个性化推荐系统具有一定的可行性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/46884.html
