【技术实现步骤摘要】
本专利技术属于电商平台，具体是指基于大数据的电商用户画像分析方法及系统。
技术介绍
1、电商用户画像分析有助于电商平台深入了解用户的兴趣、购买偏好和消费能力，进而辅助电商平台实施精准的营销策略，进而提高广告的点击率和转换率，降低营销成本。但在现有的电商用户画像分析过程中，存在电商用户行为具有多样性，需要处理大量的用户数据，导致计算资源消耗大的技术问题；存在缺乏一种适应不同用户行为的画像分析方法，从而影响了电商用户画像分析系统的实用性的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于大数据的电商用户画像分析方法及系统，针对在电商用户画像分析过程中，存在电商用户行为具有多样性，需要处理大量的用户数据，导致计算资源消耗大的技术问题，本方案采用基于主题词向量的用户特征提取，通过选择主题词向量减少了无关特征的影响，且简化了数据维度，有助于降低计算成本，提高数据分析的效率；针对在电商用户画像分析过程中，存在缺乏一种适应不同用户行为的画像分析方法，从而影响了电商用户画像分析系统的实用性的技术问题，本方案采用基于自组织映射网络的电商用户聚类模型构建，可以自动发现并捕捉用户行为中的潜在模式和相似性，对不同用户行为具有更强的识别能力，提升了用户画像分析的准确性。
2、本专利技术采取的技术方案如下：本专利技术提供的基于大数据的电商用户画像分析方法，该方法包括以下步骤：
3、步骤s1：数据采集，具体为从电商平台获取电商用户数据；
4
5、步骤s3：用户特征提取，具体为采用lda模型构建主题词向量，采用主成分分析方法对主题词向量进行特征选择，得到主要特征集，采用tf-idf方法计算每个主要特征对应的权重，依据主要特征权重，通过对主要特征进行加权求和，得到用户特征；
6、步骤s4：电商用户聚类模型构建，具体为采用退火算法优化自组织映射网络，基于自组织映射网络对所有用户特征样本进行迭代训练，并生成每个用户样本的聚类标签，得到电商用户聚类模型；
7、步骤s5：电商用户画像生成。
8、进一步地，在步骤s1中，所述电商用户数据包括用户信息和行为信息，所述用户信息包括用户身份、性别、年龄和地址信息，所述行为信息包括浏览记录、收藏信息、购物车信息和购买记录。
9、进一步地，在步骤s2中，所述数据预处理，具体为通过对电商用户数据进行数据去重、异常值过滤和脏数据清除操作，得到用户标准数据。
10、进一步地，在步骤s3中，所述用户特征提取，具体为基于主题词向量的用户特征提取，包括以下步骤：
11、步骤s31：采用lda模型构建主题词向量，包括以下步骤：
12、步骤s311：构建词汇表，具体为通过对用户标准数据进行分词，得到用户词汇表；
13、步骤s312：采用lda模型计算用户词汇表中每个词汇对应的主题词，通过词向量转换和归一化操作，得到主题词向量；
14、步骤s32：采用主成分分析方法对主题词向量进行特征选择，包括以下步骤：
15、步骤s321：依据主题词向量，构建协方差矩阵，通过对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；
16、步骤s322：依据特征值大小，选择最大的k个特征值和对应的特征向量作为主成分特征向量矩阵；
17、步骤s323：将主题词向量的每个样本投影到主成分特征向量矩阵，得到主要特征集；
18、步骤s33：计算用户特征，包括以下步骤：
19、步骤s331：采用tf-idf方法，计算每个主要特征对应的权重，用于计算用户特征，计算公式为：
20、；
21、式中，m（x，y）是主要特征权重，所述主要特征权重用于表示第x个主要特征对应的第y个主题词向量的tf-idf值，x是主要特征索引，y是主题词向量索引，tf（）是词频计算函数，是第x个主要特征，twy是第y个主题词向量，idf（）是逆文档频率函数；
22、步骤s332：依据主要特征权重，通过对主要特征进行加权求和，得到用户特征，计算公式为：
23、；
24、式中，usr是用户特征，g是主要特征权重索引，y是主要特征权重数量，所述主要特征权重数量与主要特征数量相同，mg是第g个主要特征权重，kvg是第g个主要特征权重mg对应的主要特征。
25、进一步地，在步骤s4中，所述电商用户聚类模型构建，具体为基于自组织映射网络的电商用户聚类模型构建，包括以下步骤：
26、步骤s41：初始化自组织映射网络，具体为建立一个六边形的网络结构，每个神经元对应一个节点，并通过随机生成神经元的权重向量来初始化神经元；
27、步骤s42：计算最佳匹配神经元，具体为从用户特征中选择一个用户特征样本作为自组织映射网络的输入样本，计算输入样本向量与每个神经元的权重向量之间的欧氏距离，将欧氏距离最小的神经元作为最佳匹配神经元，计算公式为：
28、；
29、式中，ur是输入样本向量，a是最佳匹配神经元，是取最小值操作，所述取最小值操作用于遍历所有神经元，求取使输入样本向量与每个神经元的权重向量之间的欧氏距离最小的神经元，j是神经元索引，q是神经元集合，wj是第j个神经元的权重向量，是输入样本向量与第j个神经元的权重向量的欧氏距离；
30、步骤s43：采用退火算法优化自组织映射网络，包括以下步骤：
31、步骤s431：具体为通过退火算法动态调整领域大小和神经元学习率，用于加快模型收敛速度，计算公式为：
32、；
33、式中，t是时间步，r（t）是领域大小，所述领域大小用于表示第t时间步时的领域核函数扩展半径，r0是领域核初始大小，exp（）是指数函数，min（）是最小值函数，是第t时间步时第j个神经元的权重向量，是第t时间步时最佳匹配神经元的权重向量，，是第t时间步时第j个神经元的权重向量的倒数，是第t时间步时最佳匹配神经元的权重向量的倒数，是第t时间步时第j个神经元学习率，ra是最佳匹配神经元的归一化优化指标；
34、步骤s432：依据领域大小和神经元学习率，更新领域核函数，用于调整神经元的权重向量，计算公式为：
35、；
36、式中，是第t时间步时以最佳匹配神经元为中心的领域核函数，da是最佳匹配神经元在自组织映射网络上的位置，dj是第j个神经元在自组织映射网络上的位置；
37、步骤s44：更新神经元的权重向量，计算公式为：
38、；
39、式中，是第t+1时间步时第j个神经元的权重向量；
40、步骤s45：模型训练，具体为通过重复步骤s42及其后续步骤，对所有用户特征样本进行迭代训练，并生成每个用户样本的聚类标签，得到电商用户聚类模型。
41、进一步地，在步骤s5中，所述电商用户画像生成，具体本文档来自技高网...
【技术保护点】
1.基于大数据的电商用户画像分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤S31中，所述采用LDA模型构建主题词向量，包括以下步骤：
3.根据权利要求2所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤S4中，所述电商用户聚类模型构建，具体为基于自组织映射网络的电商用户聚类模型构建，包括以下步骤：
4.根据权利要求3所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤S5中，所述电商用户画像生成，具体为采用电商用户聚类模型将电商用户映射到相应的聚类簇中，得到聚类结果并生成电商用户画像。
5.根据权利要求4所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤S1中，所述电商用户数据包括用户信息和行为信息，所述用户信息包括用户身份、性别、年龄和地址信息，所述行为信息包括浏览记录、收藏信息、购物车信息和购买记录；
6.基于大数据的电商用户画像分析系统，用于实现如权利要求1-5中任一项所述的基于大数据的电商用户画像分析方法，其特征在于：
7.根据权利要求6所述的基于大数据的电商用户画像分析系统，其特征在于：所述数据采集模块，用于数据采集，具体为收集电商用户画像分析相关数据，通过采集得到电商用户数据，并将所述电商用户数据发送至数据预处理模块；
...【技术特征摘要】
1.基于大数据的电商用户画像分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤s31中，所述采用lda模型构建主题词向量，包括以下步骤：
3.根据权利要求2所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤s4中，所述电商用户聚类模型构建，具体为基于自组织映射网络的电商用户聚类模型构建，包括以下步骤：
4.根据权利要求3所述的基于大数据的电商用户画像分析方法，其特征在于：在步骤s5中，所述电商用户画像生成，具体为采用电商用户聚类模型将电商用户映射到相应的聚类簇中，得到聚类结果并生成电商用户画像。
5.根据权利要求4所述的基于大...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。