李 琴

（重慶理工大學 MBA教育中心，重慶 400054）

基于EM聚類和用戶評分的產品營銷與推薦策略研究

李 琴

（重慶理工大學 MBA教育中心，重慶 400054）

網絡技術的發(fā)展，特別是最近幾年來“互聯網+”和大數據的發(fā)展，給企業(yè)產品營銷帶來了極大的機遇和挑戰(zhàn)。相較于傳統(tǒng)的通過簡單粗暴的價格戰(zhàn)來達到營銷目的，一些企業(yè)通過對數據的充分利用和挖掘而在商戰(zhàn)中獲勝。利用數據融合技術從互聯網大數據中挖掘用戶的行為信息，通過分析消費者的個性化需求，利用EM聚類算法構建基于模型的協同過濾推薦算法，給消費者推薦可能喜歡的產品，開展個性化主動營銷服務；制定相應的個性化產品營銷策略，從而提高產品銷售的數量及產品推薦的成功率。利用從亞馬遜網上書城獲取的數據進行實驗，驗證了綜合EM聚類和用戶評分方法具有較好的推薦效果。

產品營銷；產品推薦；EM聚類；用戶評分

伴隨著互聯網技術的發(fā)展，網絡營銷已成為產品銷售的重要方式，也是企業(yè)商戰(zhàn)的必爭之地。網絡的出現打破了傳統(tǒng)企業(yè)產品對銷售模式的限制，對傳統(tǒng)產品的營銷策略造成了極大沖擊[1]。傳統(tǒng)的企業(yè)產品營銷方式建立在大量的人力物力資源耗費和中間環(huán)節(jié)上，網絡營銷則是利用互聯網技術實現產品的交易，中間環(huán)節(jié)和渠道的減少極大地降低了企業(yè)成本，提高了交易效率，優(yōu)化了企業(yè)間的資源配置。

2015年5 月7日，國務院發(fā)布《關于大力發(fā)展電子商務加快培育經濟新動力的意見》，明確指出要大力發(fā)展電子商務，同時降低電子商務準入門檻，并爭取在2020年基本建成統(tǒng)一開放、競爭有序、誠信守法、安全可靠的電子商務大市場。在電子商務環(huán)境下，企業(yè)通過網絡營銷可以為消費者提供更加富有個性化的產品，甚至是定制式產品。隨著云計算和大數據技術的興起，企業(yè)管理者甚至可以從大量的用戶購買行為數據中挖掘數據的潛在價值[2]、了解客戶的需求、從而把握市場規(guī)律并制定行之有效的營銷策略[3-4]。本文構建的營銷策略從信息服務的角度看，通過分析用戶的習慣、偏好等行為，能夠及時跟蹤用戶的需求變化，進而主動調整信息服務的內容與方式，并向用戶定制推薦其感興趣的信息和服務；從產品的角度看，可以更好地發(fā)掘物品的長尾[5]。

一、產品營銷與推薦策略研究

傳統(tǒng)的企業(yè)營銷模式主要利用報紙、電視等媒體進行推銷，并且把主要競爭注意力放在實體市場。但隨著網絡的飛速發(fā)展以及知識經濟的到來，特別是電商平臺及 “互聯網+”的發(fā)展，網絡營銷模式已逐漸在現代產品推薦與營銷中占據越來越重要的地位，甚至成為產品營銷的主流。在網絡營銷模式中，企業(yè)和用戶面臨的最重要問題是：在這個網絡信息超載的時代，企業(yè)如何讓自己生產的產品在眾多產品中脫穎而出是一件十分困難的事情，產品消費者如何從大量的產品中獲取自己感興趣的產品也不是一件容易的事情。解決上述問題的辦法就是公司發(fā)展智能推薦系統(tǒng)，為客戶提供個性化的產品推薦服務[6]。張光前等從消費者的購物記錄中分析出其消費習慣，據此判定某一商品是否符合其消費需求，進而實現對新商品的推薦和營銷[7]。張德鵬等對顧客的口碑和推薦意愿展開研究，并探討顧客心理感知因素在口碑和推薦意愿產生過程中的影響作用[8]。馮嬌等分析了用戶間關系強度對用戶購買意愿的影響,并從社會化媒體的信息流動角度對比分析了在用戶間關系強度的協調作用下不同用戶產生信息對接收信息的差異性影響以及對用戶購買意愿的間接作用[9]。

（一）產品的個性化推薦服務

目前比較常見的產品營銷推薦策略可以分為3種：基于內容的產品推薦、基于協同過濾的產品推薦、混合產品推薦[10]?；趦热莸漠a品推薦是依據用戶喜愛的物品內容信息找到相似物品進行推薦[11]；協同過濾的產品推薦是基于用戶的歷史信息分析用戶間的相似度，從而根據相似用戶具有相似偏好的機理進行推薦[12]；混合產品推薦較為常見的是基于內容的推薦和協同過濾推薦的混合[13]。

當前的產品推薦服務利用相似用戶的興趣偏好，或用戶喜歡的相似物品作為推薦的依據[14]，而在消費者的個性化需求方面，基本上還是粗獷式的，即產品推薦系統(tǒng)把所有用戶當作一個（類）人。這種基于粗獷式的推薦結果，將帶給潛在用戶非常負面的用戶體驗，如在電商環(huán)境中，用長期不相關的占用大量篇幅的郵件占領用戶的郵箱，將會引起用戶的極大反感，而對他們的懲罰可能是既簡單而又殘酷的，鼠標輕輕一點便將他們的郵箱地址送到垃圾郵箱，從而再也無法給這個潛在的客戶推送促銷信息。因此，根據用戶行為信息對推薦結果進行篩選、過濾和個性化分析十分必要。特別是在大數據時代，為獲取極其豐富的用戶行為信息成為可能，本文將對用戶行為進行深度分析與挖掘，利用EM聚類算法（期望最大化算法，Expectation Maximization Algorithm）構建基于模型的協同過濾推薦系統(tǒng)，從而實現對產品推薦的個性化分析和過濾，提升產品營銷的準確性。

（二）用戶行為偏好獲取

在大數據時代，很多企業(yè)都可以通過分析自己的數據，獲取對企業(yè)和用戶有價值的信息。大數據研究表明利用數據融合技術對不同數據源的用戶數據進行分析，可以獲得價值更大的信息。用戶行為信息越豐富，越有利于對推薦結果進行個性化過濾。

用戶行為信息是指用戶在互聯網上發(fā)生的所有行為，如搜索、瀏覽、打分、點評、加入購物筐、取出購物筐、加入期待列表、購買、使用減價券和退貨等，甚至包括在第三方網站上的相關行為，如比價、看相關評測、參與討論、社交媒體上的交流、與好友互動等。與實體店通常能收集到的購買、退貨、折扣、返券等和最終交易相關的信息相比，在互聯網上可以收集到大量用戶在購買前的行為信息。

具體而言，利用多源數據融合進行用戶行為分析可分為3種思路與方法：

一是數據層融合：通過對各模態(tài)的數據進行簡單組合形成新的特征向量，然后進行后續(xù)的常規(guī)分類或識別等過程。

二是特征層融合：通過從單模態(tài)數據中提取有效互補的特征，利用時間尺度等規(guī)則將這些特征有機結合在一起，作為統(tǒng)一的多模態(tài)數據特征。

三是決策層融合：從不同模態(tài)的數據中分別提取特征，通過模式識別過程獲得識別結果與權重，再通過融合策略獲得最后的判別或識別結果。

二、產品個性化推薦與營銷策略

（一）用戶行為特征向量構建

用戶行為信息是用戶在互聯網上發(fā)生的所有行為，其表現形式多種多樣，如購買前的行為信息可以深度地反映出潛在客戶的購買心理和購買意向。通過對這些行為信息的分析和理解，制定對用戶的貼心服務及個性化推薦。如在電子商務中，這樣的個性化推薦服務往往會起到非常好的效果，不僅可以提高用戶購買的意愿，縮短購買的路徑和時間，通常還可以在比較恰當的時機捕獲用戶的最佳購買沖動，也減少了傳統(tǒng)的營銷方式對用戶的無端騷擾，還能提高用戶體驗。

本文利用用戶行為數據挖掘用戶的個性化需求，從而實現產品推薦與營銷的個性化服務。將用戶過去的點擊行為、購買行為等以及對用戶購買的物品價值、購買頻率、最近的購買時間等屬性進行量化，并產生用戶的行為空間向量，從而利用EM聚類算法實現構建協同過濾推薦模型，實現相似用戶的聚類分析；同時也對物品原價、折扣金額、能否退款、風格等等分別打分、統(tǒng)計、歸類，對候選推薦物品在當前階段受偏愛情況進行評分。通過對這兩方面因素得到的推薦結果賦予不同的權重因子，并進行權重計算從而得到最終的推薦結果。綜合計算用戶行為和產品屬性的推薦流程如圖1所示。

圖1 綜合計算用戶行為和產品屬性的推薦流程

（二）基于EM聚類和用戶評分的推薦策略

EM算法是一種基于模型的聚類方法，在概率（probabilistic）模型中尋找參數最大似然估計或者最大后驗估計。假設數據實例分布符合高斯混合模型，算法的目的是確定各個高斯部件的參數，充分擬合給定數據并得到一個模糊聚類，即每個實例以不同概率屬于每個高斯分布，概率數值將由以上各個參數計算得到。

在基于用戶行為的聚類分析中，給定訓練數據集{x1,…,xm}，其中x的每一列是一個用戶行為的特征向量，將隱含類別標簽用ci表示。這里假定每一個高斯函數的先驗分布ciMultinomial（φ）（其中φj=1，ci有k個值{1,…,k}可取）。并且在給定ci后，xi滿足多值高斯分布，即xi|ci=jN（μj,∑j）。由此可得到聯合概率分布p（xi,ci）=p（xi|ci）p（ci），從而對這些數據進行建模。

對于高斯混合模型每個實例xi，可以先從k個類別中按多項式分布抽取一個ci，然后根據ci所對應的k個多值高斯分布中生成一個實例xi，整個過程稱作高斯混合模型?；谟脩粜袨榈腅M聚類模型描述如表1所示。

表1 EM聚類算法描述

p（ci=j|xi;Φ,μ,∑）=

在公式中，p（xi|ci=j; μ,∑）的值是利用高斯密度函數計算得來，

P（xi|ci= j, μ,∑ ）=

P（ci=j; Φ）=Φj

利用用戶對物品原價、折扣金額、能否退款、風格等的打分、統(tǒng)計、歸類信息，實現對客戶的可能興趣點進行“預測”，從而得到用戶對候選物品j的評分。

ruj=∑i∈N（u）∩S（j,k）sim（j, i）rui

其中，N（u）是用戶喜歡的物品的集合，S（j,k）是和物品j 最相似的k個物品的集合，sim（j, i）是物品j和i的相似度，rui是用戶u對物品i的興趣。

通過對用戶特征向量進行構建，利用基于EM聚類的協同過濾模型中對物品聚類分析輸出的聚類概率p（i）。通過對這兩個因素得到的推薦結果賦予不同的權重因子，進行權重計算每一推薦物品的評分，從而得到最終的推薦結果。

三、實驗結果與分析

（一）實驗數據

本實驗采用從亞馬遜網上書店抓取的數據作為實驗數據集，數據集中包含543個用戶、2 682本購書記錄、100 000 次評分（ 1～5）。 每個用戶至少對5個購書記錄或感興趣的書籍進行標記和進行評分，每本書至少被1位用戶評分。數據集中提供訓練集和測試集分別占80%和20%，使用訓練集進行訓練，預測未知書籍的評分，與測試集中用戶對書籍的實際評分進行比較和實驗。

（二）評價標準

（三）實驗結果與分析

在本文中，物品的推薦依據是由基于用戶行為的協同過濾和用戶評分兩部分構成，平衡因子α用以計算這兩部分比重。設定α的取值范圍為[0,1]，每次增加0.1，比較其對MAE的影響如圖2所示。

圖2 平衡因子α對MAE的影響

從圖2中可以看出，當α=0.2時，MAE最小，推薦效果最佳。這說明用戶對書籍內容信息的影響較大，與實際情況也相符?，F實生活中，用戶對書籍內容具有偏好性，所購買或感興趣的書籍種類也較相似，即使用戶可能對該類別的某些書籍評分不高，但是選擇書籍時還是存在傾向性。

基于EM聚類分析和用戶評分的方法與基于用戶行為的協同過濾方法、基于物品內容的相似度計算方法進行分析比較，根據圖2中的結論，設定α=0.2，得到的實驗結果如圖3所示。

從圖3中的實驗數據來看，本文中提出的綜合EM聚類分析和用戶評分的方法較傳統(tǒng)的協同過濾方法取得了較好的產品推薦效果（具有較小的MAE值）。同時，當用戶的鄰居數量增加時，模型的MAE值更小（即推薦效果更好），但圖3中的折線也有一個趨勢，當用于計算的相鄰用戶數量不斷增大時，模型的MAE值漸趨近平穩(wěn)，即當相鄰用戶的數量接近50時，再期望通過簡單地增加相鄰用戶的數量來提高模型的性能收效甚微。

圖3 綜合EM聚類和用戶評分方法比較實驗

四、結束語

本文根據當前電子商務環(huán)境下企業(yè)經營的處境，探討網絡產品推薦與營銷的新出路，特別是近幾年來 “互聯網+”和大數據技術的發(fā)展給企業(yè)產品營銷帶來了極大的機遇和挑戰(zhàn)。相較于傳統(tǒng)的通過簡單粗暴的價格戰(zhàn)來達到營銷目的，利用數據融合技術從互聯網大數據中挖掘用戶的行為信息，更有利于分析消費者的個性化需求，向消費者推薦其可能喜歡的產品，開展個性化主動營銷服務，同時更有利于制定相應的個性化產品營銷策略，從而提高產品銷售的數量及產品推薦的成功率。

[1] 江曉東,桂輝.比較型網上產品評論的說服效果研究[J].經濟管理,2015（11）:74-82.

[2] 馮芷艷,郭迅華,曾大軍,等.大數據背景下商務管理研究若干前沿課題[J].管理科學學報,2013,16（1）:1-9.

[3] 楊善林,周開樂.大數據中的管理問題:基于大數據的資源觀[J].管理科學學報,2015,18（5）:1-8.

[4] 張俊杰,楊利.基于大數據視角的營銷組合理論變革與創(chuàng)新[J].商業(yè)經濟研究,2015（6）:54-55.

[5] 王馨.互聯網金融助解 “長尾” 小微企業(yè)融資難問題研究[J].金融研究,2015（9）:128-139.

[6] 王茜,錢力.大數據環(huán)境下電子商務個性化推薦服務發(fā)展動向探析[J].商業(yè)研究,2014（8）:150-154.

[7] 張光前,白雪.基于消費性格的新商品推薦方法[J].管理科學,2015,28（2）:60-68.

[8] 張德鵬,林萌菲,陳曉雁,等.顧客參與創(chuàng)新對口碑推薦意愿的影響研究:心理所有權的中介作用[J].管理評論,2013,27（12）:131-140.

[9] 馮妖,姚忠 基于強弱關系理論的社會化商務購買意愿影響因素研究[J].管理評論,2015，27（12）:99-109.

[10]扈中凱,鄭小林,吳亞峰,陳德人.基于用戶評論挖掘的產品推薦算法[J].浙江大學學報（工學版）,2013,47（8）:1475-1485.

[11]YAO L,SHENG Q Z,NGU A H H,et al.Unified collaborative and content-based web service recommendation[J].IEEE Transactions on Services Computing,2015,8（3）:453-466.

[12]CAI Y,LEUNG H,LI Q,et al.Typicality-based collaborative filtering recommendation[J].Knowledge and Data Engineering,IEEE Transactions on,2014,26（3）:766-779.

[13]LIAN D,GE Y,ZHANG F,et al.Content-aware collaborative filtering for location recommendation based on human mobility data[C]//Proceedings of the 2015 IEEE International Conference on Data Mining （ICDM）.2015:261-270.

[14]李梁,張海寧,李宗博,等.融合用戶屬性的協同過濾推薦算法在政府采購中的應用[J].重慶理工大學學報（自然科學）,2015,29（1）:76-81.

（責任編輯鄧成超）

The Research of Product Marketing and Recommendation Strategy Based on EM Clustering Algorithm and User Rating

LI Qin

（MBA Center,Chongqing University of Technology, Chongqing 400054, China）

The development of network and Internet technology, especially the development of the “Internet +” and big data has brought great opportunities and challenges to the enterprise product marketing in recent years. Compared to the traditional way of simple and crude price war to achieve marketing objectives, some enterprises win in the battle by leveraging on the data and mining. In this paper, we use data fusion technology to mine user behavior information from the Internet big data, and analyze the individual needs of consumers to recommend consumers their possibly favorite products. Then EM clustering algorithm is used to build model-based collaborative filtering recommendation algorithm. We take the initiative to carry out personalized marketing services, and develop appropriate personalized products marketing strategy to improve the quantity and recommendations of the success rate of the product sold. In this paper, we obtain experimental data from the Amazon online bookstore, and verify the proposed method that integrated EM clustering and user rating has better recommendation results.

product marketing; product recommendation; EM clustering; user rating

2016-03-10

李琴（1973—），女，重慶人，會計師，研究方向：財務管理。

李琴.基于EM聚類和用戶評分的產品營銷與推薦策略研究[J].重慶理工大學學報（社會科學），2016（12）:59-63.

format：LI Qin.The Research of Product Marketing and Recommendation Strategy Based on EM Clustering Algorithm and User Rating[J].Journal of Chongqing University of Technology（Social Science），2016（12）:59-63.

10.3969/j.issn.1674-8425（s）.2016.12.009

F253

A

1674-8425（2016）12-0059-05