英语原文共 21 页，剩余内容已隐藏，支付完成后下载完整资料
用户分析技术：电子商务网站上的比较研究
摘要：
今天的社会充满了很多信息。在万维网上找到我们正在寻找的信息变得很难。当使用电子商务网站时，查找信息太难被认为导致销售量减少。为了方便这个问题，很多网站可以根据用户的需要调整显示给用户的信息。要实现这一点，可以使用几种智能技术。在这项研究中，对这些技术的选择进行了解释和比较，以便让观众感受到不同的可能性，伴随着这些不同技术的优点和缺点。所选择的技术是：贝叶斯网络，决策树，基于案例的推理，关联规则和神经网络。
介绍
在当今社会，人们收到信息超载的情况下，互联网用户越来越难找到所需的信息。太多的信息可能导致认知超载，从而为电子商务网站的客户创造一个令人不快的环境。 Jansen（2012）引用的研究显示，在线转化率在1%到3.5%之间，而离线商店的转化率约为20% - 25%。虽然在线商店的转换率较低并不令人惊讶，但25%的转化率的差异却相当惊人。显然，改善信息呈现给在线商店访问者的潜力很大。
为了使网站的运营商能够向访客提供量身定制的信息，收集和处理有关用户的信息非常重要。通常，网站已经在你购买正在浏览的产品时，也推荐其他人购买的产品。这是向用户提出建议的一个相当简单而且总是可靠的方式。更有趣的是收集有关用户的更多信息，而不仅仅是他/她正在查看的项目，以勾画此人的个人资料。互联网提供了收集大量用户数据的技术。将这些数据处理成有用的信息是需要谨慎的事情。本文讨论不同的技术来帮助从原始数据分析用户的这一过程。重点在于有助于从可用数据创建用户画像，而不是改进搜索结果和呈现信息的技术。所描述的技术将用于创建一个可以从中导出定制信息的基础。
首先广泛介绍劝说和个性化的领域，让读者了解全文。接下来是关于个性化和用户分析的问题的简要讨论。然后讨论用于用户分析的几种技术和它们的优缺点。本文通过比较了前述技术，进一步地，讨论得出结论。
在线劝说
今天，互联网对商业组织变得越来越重要。只有一个实体店不够了。作为一家公司，您需要至少有一个网站，最好有一个网络商店，以生存下来，并有机会对抗竞争对手。但是，您如何能够（潜在）客户在线购买您的产品？在实体店里，你可以做几件事来实现这一点。例如，您可以以有吸引力的方式呈现您的产品，或根据产品的类型，您可以让您的客户感觉到，品味，闻到或尝试您的产品。您的推销员可以根据自己的个人情况或具体的偏好等提供客户建议。但是，您如何将这一劝说过程引入网络？
在我们继续之前，让我们先退后一步，说说劝说的意思。劝说是企图“改变人们的态度或行为。在网上商店的情况下，这意味着会改变访客的态度或行为来刺激产品的销售。说服潜在客户购买产品可以通过不同的概念，如互惠，承诺和一致性，社会证据，喜好，权威和稀缺性来辅助。通过使用这些概念创造欲望，买家更有可能购买某些产品。然而，这种概念有助于销售策略，而不是劝说的方法。以下描述了一些帮助劝说的工具或技术：
bull;减少：实现某些事情所需要的工作越少，做的门槛就越低。
bull;单向讲述：在引导用户通过单向过程时使用说服力。
bull;定制：根据个人需要，兴趣，个性等进行定制化的说服。
bull;建议：在正确的时间在正确的地方提出某种行为。
bull;自我监测：通过监测自己实现预定目标。
bull;监视：当他们意识到他们的行为被监视或跟踪时，人们往往会合作。
bull;调节：使用奖励或积极的强化来说服。
尽管上述所有技术对于店主增加销售都是有价值的，但并不是所有技术都直接适用于在线销售环境。给予一个人被观看的感觉可能会激励他或她遵守某些规则，但它不会说服某人购买（更多）产品。自我监控更有助于说服用户履行自己没有动力去做的任务。这与销售和网站几乎无关。
虽然尝试在互联网上劝说客户的原则在许多方面类似于离线说服力，但研究显示，目前的转换率显着不同：离线店的平均水平为20 - 25％，而网上平均水平为1 - 3.5％（Jansen 2012）。不用说，这里有很多改进的余地。如本章前面所述，供应商可以利用多种技术来增加在线销售。最有希望的技术之一是个性化，这将是本文其余部分的主题。
个性化
如前所述，个性化技术是一种说服技巧，“向个人提供相关信息以改变他们的态度或行为或两者”。应用于网络，它包括“将特定用户或一组用户定制Web体验的任何操作”（Mobasher等人，2000）。个性化可以通过两种方式进行：通过向用户提供建议并通过根据用户需求重组网站（Koutri等人，2002）。
推荐
当用户正在浏览而不是搜索时，他或她是比较乐于接受建议。这是推荐的地方。Iskold（2007）建议以下类别的推荐方法：
项目建议：根据事物本身推荐事物这种方法利用基于内容的过滤。显示类似内容的项目。一种常用的方法是使用标签。另一种方式是通过机器学习技术，如人工神经网络。
社会推荐：根据类似用户的过去行为，利用协同过滤，推荐事物。显示其他人喜欢的项目，也喜欢当前项目。这个想法是用户从类似品味的人那里获得推荐。这通常通过评级系统完成。组合和加权不同用户的喜好形成了一个关键问题。
个性化推荐：根据个人过去的行为推荐事物这种方法结合了基于内容的过滤和协同过滤。系统可以根据用户以前查看的项目提供建议。显示其他用户也喜欢的相关项目和项目。这不仅仅是项目和社会建议：推荐的项目不仅是基于一个当前的查看项目，而是基于所查看（或购买）项目的整个历史。
重组
有几个网站提供了根据用户喜好手动自定义网站的选项。例如，用户可以更改背景颜色，重新设计布局或选择内容模块（Koutri等人，2002）。虽然这是一种个性化的形式，但它提供了最小程度的自动化，因此不会详细阐述。
另一方面，适应性网站是通过从用户访问模式学习自动改进组织和表现的网站（Perkowitz和Etzioni，1997）。一个网站的重组可能不同于将链接强调为完全重组网站的布局。自适应网站是下一代互联网的一部分，它利用网络智能（人造智能和信息技术在网络上的结合）。
您可能会认识到熟悉的“它必须在某个地方...”，通过网站的所有菜单和子菜单进行搜索，找到您要查找的信息。特别是当一个网站信息丰富时，在正确的时间向合适的用户呈现正确的信息可能是一个挑战。困难的是不同的用户有不同的目标，同一个用户可以在不同的时间有不同的需求。这是一个典型的A.I.挑战。在特定用户的正确时间显示正确的信息，可以被视为路径预测（即预测用户将要进行的路径）网站，因此将领先一步）。为了创建一个可以做到这一点的系统，应该回答几个问题（Perkowitz和Etzioni，1997）：
bull;我们预测什么？我们试图预测用户的下一步还是用户的最终目标？
bull;我们在什么基础上做出预测？在一个特定用户的基础上或多个用户的泛化？
bull;我们根据我们的预测进行什么样的修改？突出显示链接或更改布局？
对于尚未收集信息的新用户也可以从这样的系统中受益。当个人用户的信息被累积时，可以对主流用户喜欢的一般性进行概括。然后，这可以应用于新的访问者，这使得网站总体上更容易使用。
关心
虽然个性化方面有很多非常有趣的方面，尽管个性化可以为许多在线世界的用户创造更好的体验，但个性化技术应该谨慎使用。在实施这些技术时，应注意与个性化有关的几个问题。由于本研究的重点是探索个性化的可能性，而不是广泛地阐述这些关注的约束或影响。这些关切并不是不重要的。
用户分析
用户个人资料是个人用户的描述，并且包含关于他或她的最重要或有趣的事实。建立用户个人资料，因为每个用户的偏好，兴趣，背景和目标都不同。这些差异是个性化的基础（Schiaffino和Amandi，2009）。
收集信息
在电子商务的背景下，可以存储在用户画像中的几种类型的信息（Schiaffino和Amandi，2009）：
个人信息是最明显的信息类型。这包括年龄，性别，城市，国家等。在网上商店创建帐户时，用户被要求填写此类信息并不罕见。
用户的兴趣是个性化的关键部分。兴趣可以代表爱好相关的话题，工作相关话题，新闻话题等等。这些主题可以从各种来源获得，如采购历史记录或浏览历史记录。
行为是一种隐含收集的信息。为了检测模式，重要的是行为是重复的。例如，“购买产品X时，用户Y通常也会购买产品Z”。
用户的目标对于通过比平常更快地显示想要的结果来检测何时希望优化用户的便利是很重要的。这种类型的信息对于从目标预测中学习是至关重要的。
数据可以隐式地和明确地收集。显式数据是指用户有意提供的信息，例如通过调查或排序项目。通过记录行为，地理位置等收集隐含数据，通过记录或记录操作进行跟踪。可以使用机器学习或数据挖掘等技术来发现模式，从而使收集到的信息非常有用。
智能技术
用户分析的困难部分是如何从原始数据获取有用的信息。在这里，我们将讨论一些智能技术，用于自动创建来自机器学习，数据挖掘或信息检索等领域的用户画像，使用上一节中讨论的收集的信息（Schiaffino和Amandi，2009）
贝因斯网络
贝叶斯网络是表示不确定领域知识的数据结构。它是一个有向非循环图，其中节点表示具有连续或离散值的随机变量。当从节点X到节点Y有箭头时，节点X被称为节点Y的父节点。每个节点Xi具有条件概率分布P（Xi Parents（Xi））（Russell和Norvig，2010）。
让我们来看看一个例子，以便在这个研究的背景下更好地理解这个概念，另见图1.根据“华尔街日报”（Mattioli 2012），Mac用户在酒店上花费比Windows用户多30％ 。平均夜间酒店预订约为100美元。此外，Mac用户占美国个人电脑市场的9.8％。这意味着平均来说，Mac用户的花费超过100美元，Windows用户的支出低于100美元。
假设有另一个变量“参考站点”，这也对用户花费多于或少于100美元的机会有影响。参考网站是用户访问酒店预订网站时的网站类型。在这个例子中，这可以是一个价格比较网站或一个审查网站。假设用户正在使用的计算机类型对用户访问价格比较站点或审查站点的机会有影响。请注意，这不是一个不现实的假设：鉴于Mac用户预订四星或五星级酒店比PC用户（Mattioli 2012）有40％的可能性，人们可以想像，Mac用户重视质量。为了简化此示例，我们将忽略可能存在其他类型的计算机用户而不是Mac或Windows的事实，可能存在其他类型的引用站点，而不是价格比较或审查站点，并且支出金额可能是恰好是100美元。
图1示出了该信息的贝叶斯网络。当用户访问该网站时，会记录用户正在使用的计算机类型。从这种类型的计算机可以做出假设。例如，当统计数据表明Mac用户通常是大消费者时，可以认为当用户使用Mac时，这个人更有可能是一个大的花费者。据了解，该网站应向用户展示更豪华的产品。当然可以想像这样的假设可能不准确。当收集到更多的信息，例如用户来自的引用站点时，可以对所做出的假设进行微调。最终，当使用大量信息时，这些假设有更大的正确机会。这是用户使用贝叶斯网络进行分析的方式。
朴素贝叶斯通用于用户分析的方法是朴素贝叶斯（Schiaffino和Amandi，2009：211）。朴素贝叶斯实际上是贝叶斯网络中最简单的形式，其中所有随机变量具有相同的父母，并且是独立的，给定了该父母的价值（Zhang 2004）。这种方法被称为天真，因为这些变量实际上（有条件地）独立的情况很少。虽然这是一个现实世界的简化，但它可以令人惊讶的发挥出色。
优缺点
贝叶斯网络是用户分类的强大工具。它们允许系统基于这些不同用户的特征的一些关键功能将用户放在不同的类别中。来自许多来源的统计数据可用于建立有意义的贝叶斯网络。以前有一个例子是关于Mac用户被提供更昂贵的酒店。本例中网站所使用的知识来自多个来源。贝叶斯网络允许使用自己收集的数据，但也允许来自第三方的数据。
贝叶斯网络也有弱点。如果使用不可靠的第三方信息，或者缺乏相关信息，则很难使贝叶斯网络有意义，往往导致较少的相关分类。还需要域专用知识来收集有意义的变量，实际上将用户分类为有意义的类。创建贝叶斯网络是需要手动完成的，因为域特定知识的必要性。特别是当变量是动态的并且不能从数据库或动态数据集计算时，贝叶斯网络可能会很快地过时，可能并且可能导致在时间上不太准确的结果。
贝叶斯网络的强大之处在于，当设计和应用合适的网络时，用户通常可以根据从新用户的首次到达可以知道的几个变量进行分类。以前解释的贝叶斯网络使用易于收集的信息。跟踪用户来自哪里不难，因为这些信息通常是通过引用网站传递的，以及它们正在使用什么操作系统，因为这些信息与网站页面请求一起发送到服务器到服务器。由于用户根据泛化进行分类，因此当其他技术已经收集到更详细的信息时，对于从贝叶斯网络计算得到的信息的重量要更小。贝叶斯网络在分类中可能很粗糙。
决策树
决策树是可以支持决策的工具，例如如何对新用户进行分类。这可以基于从现有用户的数据自动学习的决策树来完成。表1显示了现有用户的小数据集，其数据是否对公司X的营销活动做出或没有回应。从中可以得出决策树，如图2所示。
根据这样的决策树，可以对新客户进行分类。例如，当新客户是男性时，新客户很可能会对类似的营销活动做出回应。当然，这个例子很简单，但是想象一个非常大的数据集的决策树。那么，以这样的方式对客户进行分类并不是很牵强。
优缺点
通过将用户画像变量与树中的变量进行比较，可以轻松分类。决策树的一个重要方面是，他们与贝叶斯网络不同，可以包含一组不同的变量。这方面的副作用是当有关变量的信息丢失时，用户将被该变量的大部分分类。这也被称为贪婪算法，这意味着由于缺少关于某个变量的信息，由
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[25487]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
