电子商务中用户行为的预测方法技术

本发明专利技术的一种电子商务中用户行为的预测方法属于电子商务和数据处理技术领域。该预测方法包括如下步骤：S1，将用户在电商系统中的行为全部记录到电商系统的数据库中；S2，将数据库中的原始数据经过数据挖掘处理，进而得到知识库；S3，根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View；S4，当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保存到数据源数据库和电商系统的数据库中。通过基于MVC概率的剪枝算法得出用户可能的下一步选择预测，进而给电商和用户提供电商购物指导。

【技术实现步骤摘要】

本专利技术涉及电子商务和数据处理
，尤其涉及一种电子商务中用户行为的 预测方法。
技术介绍
近几十年来，由于互联网的兴起，很多网站、公司内部已经积累了大量的数据，但 是计算机收集和存储数据的能力远远超过从数据中分析、总结和提取知识的能力。面对海 量的数据人们希望计算机能自动智能地分析并抽取出其中蕴涵的知识和信息，因为人们深 深认识到，日积月累的数据中蕴藏着宝贵的信息，而这些宝贵的信息对于商业发展、科学研 究或制定政策，具有显著的经济效益或社会效益，由此数据挖掘得到诸多企业的重视。 数据挖掘融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术， 数据挖掘能对庞杂的数据进行科学的梳理和细分，从中发现潜在的价值规律从而使其市场 潜力被最大程度地释放并带来显著的经济效益。 数据挖掘的三大支柱技术是：数据库技术、人工智能技术和概率与数理统计。 数据挖掘包括不同的分析方法，如分类（Classification)、估值（Estimation)、预 言（Prediction)、相关性分组或关联规则（Affinity grouping or association rules)、聚集 (Clustering)以及描述和可视化（Description and Visualization)。 Alpha-beta剪枝是博弈树搜索中最常用的方法，该方法可以有效地减少搜索过程 中生成的节点数，提高搜索效率。而基于概率的剪枝算法，在估值函数高度稳定的假设基础 上，可以有效地提高搜索效率。 目前在大型电商网站中，用户的购买行为预测是非常薄弱的，网站的分类导航，推 荐商品等等是通过固定样式展示给所有用户，而没有做到个性化的导航排列，精准的商品 推荐。然而电商发展到现阶段，精准的广告、精准商品推荐，精准的分类导航成为了趋势，亿 万级的用户不再只是群体需求，而是个性化的需求。因此用户购买行为的预测要做精准化， 用户每一个点击行为、浏览行为、停留时间都会对下一个页面有实质的参考意义。 所以，在电子商务中精准预测用户行为对于电商来说的意义重大。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种电子商务中用户行为的预测方 法，本专利技术的预测方法是利用概率Alpha-beta剪枝技术，并通过MVC固有的优势，根据分析 出来的结果向用户输出个性化的页面，进而为电商和消费者提供有效的指导。 本专利技术的目的是通过以下技术方案实现的： 一种，包括如下步骤： S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在 电商系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为； S2,将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库 中，将数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库； S3,根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高 到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出 相应的View ; S4,当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值， 并保存到数据源数据库和电商系统的数据库中； S5,重复步骤S1至S4。 用户在网上购物选择的时候，用户下一页面的选择和排列，永远是未知的，需要通 过用户的点击行为作分析处理，加以计算并输出，这与传统博弈是一致的。用户每一个动作 相当于下的每一步棋，电商系统的目标是用户最终得到符合自己的产品，并完成购买行为， 因此在用户行为预测的数据挖掘中加入博弈理念，能高效准确地使得用户到达目的地，达 到双赢的局面。因此，Alpha-beta剪枝在博弈树中的优势可以在此得到充分的利用。 因此，本专利技术是利用概率Alpha-beta剪枝技术，而估值函数是一系列的行为预测 算法，此预测算法是基于数据挖掘出来的数据来做预测的，并通过MVC固有的优势，根据分 析出来的结果向用户输出个性化的页面，进而为消费者提供有效的指导。 【附图说明】 图1为本专利技术的流程框图； 图2为本专利技术步骤S2的数据挖掘流程框图； 图3为本专利技术步骤S3的剪枝算法流程框图； 图4为本专利技术的整体架构及流程图； 图5为数据挖掘流程图； 图6为概率Alpha-beta剪枝过程树状图。 【具体实施方式】 下面结合附图对本专利技术的【具体实施方式】进行详细说明： 如图1、图2、图3、图4、图5和图6所示，本专利技术的一种电子商务中用户行为的预 测方法是基于MVC及Alpha-beta剪枝算法对数据挖掘出来的知识进行动态的判断方法。 如图1、图2和图3所示，该，包括如下步骤： S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在 电商系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为。 其中，所述的用户浏览行为包括：浏览路径记录，每一个页面停留时间，返回上一 页面记录，置顶行为，广告导航点击和推荐商品点击；所述的用户购买行为包括：订单详情 的记录；所述的用户购物车行为包括：购物车商品记录，成功转化购买记录和商品停留时 长。 用户在电商系统中的各种行为，包括：用户浏览行为、用户的购买行为、用户的购 物车行为，全部记录到电商系统的数据库当中，以便为分析提供基础数据。 S2,将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库 中，将数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库。 将电商系统数据库中的用户行为原始数据同时保存到数据源数据库中，为了有效 保护数据的安全，同时，数据源数据库仅保存和处理用户行为数据，效率更高。也可以将电 商系统数据库与数据源数据库设为一个。 如图2和图5所示，步骤S2中所述的数据挖掘处理包括如下步骤： S21，通过预处理算法得到数据仓库，所述的预处理算法包括数据清理，数据集成， 数据变换和数据归约。其中，数据清理包括消除噪音，即清除相互矛盾、不一致的数据；数据 集成包括将多种数据源进行组合；数据变换包括把数据转换为适合下一步数据挖掘算法能 识别的数据；数据归约包括根据挖掘算法，优化数据结构，得到数据仓库，该数据仓库为可 直接进行数据挖掘的数据库。 S22,根据数据仓库的数据，运用数据挖掘算法得到知识库，所述的数据挖掘算法 包括分类算法、聚类算法、关联规则分析和估值预言算法。其中，分类算法及聚类算法是前 置算法，用户辅助后面算法的使用；关联规则分析可分析出推荐商品的成功概率；估值预 言算法用于分析用户下一个路径的预测，并为每个链接计算出用户成功购买的概率。 通过数据挖掘算法，对电商系统中用户的行为作出分析，得到知识库，这里的知识 库包括：群体知识库、用户个性化相关的用户知识库，即用户个性化知识库。 步骤S2中所述的知识库包括群体知识库和用户个性化知识库，其中，所述的群体 知识库是关于本电商系统中所有相关用户的共性分析数据，是所有相关用户的行为预测知 识库，所述的相关用户是指对本电商系统中所有的用户进行分类，包括根据性别、年龄阶 段、区域本文档来自技高网...

【技术保护点】
一种电子商务中用户行为的预测方法，其特征在于，包括如下步骤：S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在电商系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为；S2，将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库中，将数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库；S3，根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应的View；S4，当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保存到数据源数据库和电商系统的数据库中。

【技术特征摘要】
1. 一种电子商务中用户行为的预测方法，其特征在于，包括如下步骤： S1，将用户在电商系统中的行为全部记录到电商系统的数据库中，所述的用户在电商 系统中的行为包括用户的浏览行为、用户的购买行为和用户的购物车行为； 52, 将记录于电商系统数据库中用户行为的原始数据同时保存到数据源数据库中，将 数据源数据库中的原始数据经过数据挖掘处理，进而得到知识库； 53, 根据知识库，建立MVC架构，Controller根据剪枝算法，得到下一个链接从高到低 的成功率排序，把成功率较低的去掉，把成功率较高的部分放到页面最醒目位置，输出相应 的 View ; 54, 当用户点击链接后，Controller根据用户的选择，在博弈树中选择相应分值，并保 存到数据源数据库和电商系统的数据库中。2. 根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，还包括步骤 S5,所述的步骤S5重复步骤S1至S4。3. 根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，所述的用户 浏览行为包括：浏览路径记录，每一个页面停留时间，返回上一页面记录，置顶行为，广告导 航点击和推荐商品点击；所述的用户购买行为包括：订单详情的记录；所述的用户购物车 行为包括：购物车商品记录，成功转化购买记录和商品停留时长。4. 根据权利要求1所述的电子商务中用户行为的预测方法，其特征在于，步骤S2中所 述的数据挖掘处理包括如下步骤： S21，通过预处理算法得到数据仓库，所述...

【专利技术属性】
技术研发人员：陈秋汝，
申请(专利权)人：深圳德协保税电子商务有限公司，
类型：发明
国别省市：广东;44