基于消费者特征及制造技术

本发明专利技术提供了基于消费者特征及

【技术实现步骤摘要】
基于消费者特征及BP神经网络的购买行为预测方法和系统


[0001]本专利技术涉及心理预测
，尤其涉及基于消费者特征及
BP
神经网络的购买行为预测方法和系统
。

技术介绍

[0002]BP
神经网络是基于现代神经学
、
生物学
、
心理学等学科发展起来的计算系统，具有大规模并行
、
分布式处理
、
自组织
、
自学习等特点，可以用来解决分类
、
回归
、
自然语言处理等问题，是一种可以应用到大量问题背景的通用模型；
[0003]消费者是市场经济活动的主体，企业的一切经营活动都是围绕消费者展开的，消费者的偏好决定一切，企业要做大做强，就必须对消费者有更全面的了解，按照消费者所处年龄的不同，消费者可分为少年
、
青年
、
中年
、
和老年，不同年龄段的消费者会有不同的消费偏好和行为，且不同性别
、
性格特征等特质也会引起消费差异，因此，对消费者进行精准的分析和预测对商家来说是有利于实现消费者转化，促进消费行为，然而，目前的分析预测方法很少有基于消费者特征的自学习方法来收集
、
分析
、
预测消费者行为，从而导致预测数据不准
、
滞后等问题，因此，本专利技术提出基于消费者特征及
BP
神经网络的购买行为预测方法和系统以解决现有技术中存在的问题
。

技术实现思路

[0004]针对上述问题，本专利技术提出基于消费者特征及
BP
神经网络的购买行为预测方法和系统，该基于消费者特征及
BP
神经网络的购买行为预测方法和系统通过对收集到的消费者特征和购买特征的数据进行分类
、
训练
、
验证和测试，以解决预测准确性低
、
不全面以及不及时的问题
。
[0005]为实现本专利技术的目的，本专利技术通过以下技术方案实现：基于消费者特征及
BP
神经网络的购买行为预测方法，包括以下步骤：
[0006]S1
：获取消费者特征数据集；
[0007]S2
：对消费者特征数据集进行分类；
[0008]S3
：将不同的消费者特征数据集分别分为训练集
、
验证集和测试集，利用训练集作为
BP
神经网络的输入，通过验证集与实际输出修正连接权重和阈值，待训练完成后，将测试集提供给训练完成的神经网络以再次验证该神经网络的正确性，得到最终的预测模型；
[0009]S4
：使用最终的预测模型对目标消费者群体的购买行为进行预测
。
[0010]进一步改进在于：所述
S1
包括以下步骤：
[0011]根据预先获取的消费者年龄
、
性别对消费者进行初步划分；
[0012]按照初步划分结果统计出不同群体消费者的购买行为特征，包括：产品类型
、
购买次数
、
频次
、
所花费的金额以及购买时间的指标变量；
[0013]使用消费者年龄
、
性别
、
购买行为特征以及消费者性格特征组成整体数据集
。
[0014]进一步改进在于：所述
S2
包括以下步骤：
[0015]结合特征以及消费者在购买店铺相应产品下的评论和回复，利用分类算法识别消费者的性格特征；
[0016]按照所述消费者年龄
、
性别
、
购买行为特征以及性格特征对消费者特征进行分类划分成不同的组别
i。
[0017]进一步改进在于：所述分类算法是采用
k
‑
means
，且具体包括以下步骤：
[0018]将消费者的购买行为特征
、
评论和回复等
n
个信息对象作为数据集；
[0019]构建数据的
k
个初始划分，每个划分就是一个簇，且需满足
k≤n
；
[0020]采用迭代的重定位技术，尝试通过对象在划分间的移动来改进划分，直至各簇中对象不再变换为止；
[0021]最终得出的稳定的分类即为消费者不同的性格特征
。
[0022]进一步改进在于：所述
S3
中，使用
BP
神经网络，包括以下步骤：
[0023]建立预测模型函数：
Z
＝
dot(w
，
x)+b
[0024]其中：
x
表示输入特征向量，
[0025]w
表示权重系数，衡量着每个输入特征的重要程度，
[0026]b
表示阈值，对预测结果产生影响，
[0027]Z
表示预测结果；
[0028]进行网络状态初始化，对不同组的不同特征向量和阈值赋予随机量权重值
w
ij
和阈值
b
ij
；
[0029]由给定的输入输出模式计算隐层
、
输出层各单元输出，并使用激活函数
LReLU
进行激活，函数表达式为
[0030]计算新的连结权值
w
ij
和阈值
b
ij
；
[0031]选用下一个输入模式直到网络输出误差
θ
ij
达到设定要求；
[0032]待训练集和验证集完成后，将测试样本输入到该网络以验证网络分类的正确性；
[0033]将不同的组别
i
重复上述步骤得到每组的连结权值
w
ij
、
阈值
b
ij
以及误差
θ
ij
。
[0034]基于消费者特征及
BP
神经网络的购买行为预测系统，应用于上述基于消费者特征及
BP
神经网络的购买行为预测方法，包括获取消费者年龄
、
性别及购买行为特征模块；
K
‑
means
分类算法识别消费者性格特征模块；数据集划分模块；
BP
神经网络模型训练模块和消费者购买行为预测模块；
[0035]所述获取消费者年龄
、
性别及购买行为特征模块，用于获取消费者的固有特征；
[0036]所述
K
‑
means
分类算法识别消费者性格特征模块，用于结合所述获取消费者年龄
、
性别及购买行为特征模块以及产品评论和回复来对消费者进行分类识别；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于消费者特征及
BP
神经网络的购买行为预测方法，其特征在于，包括以下步骤：
S1
：获取消费者特征数据集；
S2
：对消费者特征数据集进行分类；
S3
：将不同的消费者特征数据集分别分为训练集
、
验证集和测试集，利用训练集作为
BP
神经网络的输入，通过验证集与实际输出修正连接权重和阈值，待训练完成后，将测试集提供给训练完成的神经网络以再次验证该神经网络的正确性，得到最终的预测模型；
S4
：使用最终的预测模型对目标消费者群体的购买行为进行预测
。2.
根据权利要求1所述的基于消费者特征及
BP
神经网络的购买行为预测方法，其特征在于：所述
S1
包括以下步骤：根据预先获取的消费者年龄
、
性别对消费者进行初步划分；按照初步划分结果统计出不同群体消费者的购买行为特征，包括：产品类型
、
购买次数
、
频次
、
所花费的金额以及购买时间的指标变量；使用消费者年龄
、
性别
、
购买行为特征以及消费者性格特征组成整体数据集
。3.
根据权利要求2所述的基于消费者特征及
BP
神经网络的购买行为预测方法，其特征在于：所述
S2
包括以下步骤：结合特征以及消费者在购买店铺相应产品下的评论和回复，利用分类算法识别消费者的性格特征；按照所述消费者年龄
、
性别
、
购买行为特征以及性格特征对消费者特征进行分类划分成不同的组别
i。4.
根据权利要求3所述的基于消费者特征及
BP
神经网络的购买行为预测方法，其特征在于：所述分类算法是采用
k
‑
means
，且具体包括以下步骤：将消费者的购买行为特征
、
评论和回复等
n
个信息对象作为数据集；构建数据的
k
个初始划分，每个划分就是一个簇，且需满足
k≤n
；采用迭代的重定位技术，尝试通过对象在划分间的移动来改进划分，直至各簇中对象不再变换为止；最终得出的稳定的分类即为消费者不同的性格特征
。5.
根据权利要求4所述的基于消费者特征及
BP
神经网络的购买行为预测方法，其特征在于：所述
S3
中，使用
BP
神经网络，包括以下步骤：建立预测模型函数：
Z
＝
dot(w,x)+b
其中：
x
表示输入特征向量，
w
表示权重系数，衡量着每个输入特征的重要程度，
b
表示阈值，对预测结果产生影响，
Z
表示预测结果；进行网络状态初始化，对...

【专利技术属性】
技术研发人员：闫勉，董鑫淼，朱晓雯，汤世纪，邓迎欣，
申请(专利权)人：暨南大学，
类型：发明
国别省市：