基于相似偏好模型的產(chǎn)品組合精準營銷策略研究

張慧玲

摘要：本文針對用戶觀看行為建立用戶興趣偏好模型，將用戶觀看記錄、點播記錄和觀看時長相結(jié)合，采用基于用戶的協(xié)同過濾的算法，刻畫用戶特征，建立用戶相似興趣偏好矩陣。本文建立了一種基于相似偏好用戶的產(chǎn)品組合模型，模型采用TOC約束理論下的產(chǎn)品組合模型為基礎(chǔ)，利用約束理論簡化模型，并用粒子群算法求得滿意解。最后結(jié)合某企業(yè)給出的大量數(shù)據(jù)，求解模型，為企業(yè)營銷提供有力的數(shù)據(jù)支撐。

本文的研究能夠使企業(yè)產(chǎn)品組合營銷更加智能、高效、便捷。結(jié)果表明，該方法能夠有效地刻畫用戶偏好，更好地了解客戶需求，提高產(chǎn)品組合套餐的精確性，有利于企業(yè)產(chǎn)品營銷。

關(guān)鍵詞：用戶興趣偏好;產(chǎn)品組合模型;協(xié)同過濾

1 緒論

1.1研究背景

1.1.1 研究相似偏好模型的意義

近年來互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，“三網(wǎng)融合”（因特網(wǎng)、電信網(wǎng)、廣播電視網(wǎng)）為傳統(tǒng)廣播電視媒介帶來了發(fā)展前途，廣播電視運營商與眾多家庭用戶實現(xiàn)信息的實時交互，使得全方位、個性化的產(chǎn)品營銷和有償服務成為現(xiàn)實。社會多元化的發(fā)展創(chuàng)設(shè)了各具特色的電視節(jié)目，而由于用戶的認知不同、愛好不同，使得用戶在種類繁多的電視節(jié)目面前表現(xiàn)出了傾向性的選擇行為，這樣的行為偏好有明顯的個體差異，也呈現(xiàn)出群體特征。

本文將利用用戶觀看電視節(jié)目的信息數(shù)據(jù)，從傾向性選擇的海量數(shù)據(jù)中分析用戶特征，揭示出潛藏在用戶內(nèi)心的需求偏好，實現(xiàn)對用戶的精準定位和精確推薦，既滿足用戶個性化需求又提高企業(yè)的銷售量以及知名度。

1.1.2 研究產(chǎn)品打包精準推薦的意義

當今，在市場分割爭奪異常激烈的情況下，各個企業(yè)面臨的競爭日益加劇，僅僅生產(chǎn)一種產(chǎn)品的企業(yè)是很難生存的。產(chǎn)品組合是企業(yè)的常見決策之一，產(chǎn)品組合是在已有的市場需求下，優(yōu)化產(chǎn)品類型和數(shù)量，更好的滿足消費者的需求，提高企業(yè)的競爭力和企業(yè)的銷售量，幫助企業(yè)能夠更好、更長遠的發(fā)展。本文將根據(jù)運營公司提供的產(chǎn)品信息數(shù)據(jù)，設(shè)計精準營銷推薦方案，既節(jié)約成本又提高利潤，既留住老用戶又吸引新用戶，以此不斷提高產(chǎn)品在市場的競爭力和可持續(xù)占有率。

1.1.3 傳統(tǒng)產(chǎn)品打包出現(xiàn)的問題

如何在激烈的市場競爭中保持領(lǐng)先成為企業(yè)的首要任務，以Amazon為例，作為全球最大的在線零售商之一，首頁流入的用戶多，同品類產(chǎn)品數(shù)量巨大，如何成功吸引用戶，讓用戶購買到喜歡的商品，成為這類企業(yè)不得不關(guān)注和解決的問題，而Amazon則是通過熱點推薦、爆款和人氣單品進行智能推薦，并將經(jīng)常一起購買的產(chǎn)品打包銷售，最后通過同樣購買了此商品的用戶的購買記錄進行相關(guān)推薦，找出用戶的顯示需求和硬是需求。綜上所述，本文將結(jié)合協(xié)同過濾算法和粒子群算法思想，建立基于相似偏好用戶的產(chǎn)品打包優(yōu)化模型，有效解決企業(yè)目前的產(chǎn)品銷售問題。

1.2 研究內(nèi)容

1.2.1 用戶偏好的研究

用戶在考量商品和服務時，根據(jù)自身認知、心理感受及理性的經(jīng)濟學權(quán)衡所做出的理性的、具有傾向性的選擇，稱為用戶偏好?；谟脩舻臍v史觀看記錄和點播記錄，研究用戶更加偏好哪些產(chǎn)品，即用戶對不同產(chǎn)品的敏感程度，為產(chǎn)品貼上“標簽”，命名為“產(chǎn)品偏好系數(shù)”。同時也可以根據(jù)用戶的觀看數(shù)據(jù)，可以為用戶貼上“標簽”，從而結(jié)合產(chǎn)品標簽和用戶標簽，能夠精確的進行產(chǎn)品組合和推薦。

1.2.2 產(chǎn)品打包模型的構(gòu)建

本文提出了一種基于相似偏好用戶的產(chǎn)品打包模型，模型采用TOC約束理論下的產(chǎn)品組合模型為基礎(chǔ)，利用約束理論簡化模型，并用粒子群算法求得滿意解。從而達到產(chǎn)品的精準營銷，最終改善企業(yè)的銷售情況。

1.2.3 挖掘目標

本文利用機頂盒收集的大量用戶觀看記錄信息數(shù)據(jù)，采用數(shù)據(jù)挖掘技術(shù)，對用戶的特征進行刻畫，得到用戶的偏好，提出了基于相似偏好用戶的產(chǎn)品精準營銷推薦模型，建立合理、能夠準確度量用戶偏好的方法。通過將用戶偏好與產(chǎn)品組合問題充分結(jié)合，進而幫助企業(yè)了解市場、了解用戶，科學的進行產(chǎn)品套餐推薦，最終幫助企業(yè)改善銷售情況和提高企業(yè)競爭力。

1.3 研究現(xiàn)狀

1.3.1 相似偏好用戶的研究現(xiàn)狀

胡昌平等人提出了基于用戶行為的用戶偏好的研究，他認為可以通過日志分析、Cookie分析和智能代理分析研究出個性化推薦中用戶行為產(chǎn)生的影響。江海洋等人提出了基于評論挖掘和用戶偏好學習的評分預測協(xié)同過濾的研究，該研究首先通過挖掘用戶評論學習出用戶偏好，再根據(jù)用戶偏好預測出產(chǎn)品推薦。王偉軍提出了一種定向協(xié)同過濾推薦算法，該算法的優(yōu)點是基于用戶偏好，結(jié)合用戶興趣的相似度，刻畫用戶個性特征，進而進行個性化推薦。由此可見用戶的偏好對于一個產(chǎn)品以及產(chǎn)品的組合研究至關(guān)重要，在基于用戶的偏好的情況下而形成的產(chǎn)品營銷模型能夠給企業(yè)帶來更高的銷售量，用戶的需求亦得到了滿足。

1.3.2 產(chǎn)品打包推薦的研究現(xiàn)狀

葉紅云在面向金融營銷問題的個性化推薦方法研究中針對協(xié)同過濾的個性化推薦，提出了通過社團挖掘來細分經(jīng)融客戶的方法。但隨著技術(shù)的快速發(fā)展，商品的多樣性增加，導致商品與商品之間的相關(guān)性降低，因此，林佳雄設(shè)計了一個面向演化規(guī)則集的推薦模型，該模型引入了新的概念層次，并建立了演化規(guī)則集，這種新思路有效的在協(xié)同過濾推薦的技術(shù)上提高了商品與商品的相關(guān)性。產(chǎn)品與產(chǎn)品的相關(guān)性在產(chǎn)品進行組合銷售時可以為用戶提供相關(guān)的推薦，以達到產(chǎn)品的有效營銷和用戶需求的滿足?；诋a(chǎn)品的相關(guān)性而進行的產(chǎn)品打包推薦能夠進行有效的銷售。

2 分析方法與過程

2.1 總體流程

2.1.1 研究步驟

研究過程的總體流程圖如圖2-1-1所示：

2.2 研究方法

2.2.1 基于user的協(xié)同過濾（user-based CF）

本文的用戶興趣偏好建模主要基于用戶觀看電視節(jié)目過程中的用戶歷史點播記錄和電視節(jié)目的基本屬性進行相應的計算。

對于每個用戶Ui，定義在用戶歷史點播記錄中，用戶Ui觀看電視節(jié)目V的總次數(shù)為Cij，用戶Ui觀看的電視節(jié)目總數(shù)為Nj;用戶Ui觀看電視節(jié)目的總次數(shù)為Cj;用戶Ui觀看電視節(jié)目Vi的總時長為sum timeij;用戶Ui觀看電視節(jié)目的總時長為sum timej。具體計算公式如下：

對于每個電視節(jié)目Vj，定義在用戶歷史點播記錄中，觀看電視節(jié)目Vj的用戶總數(shù)為Mi;電視節(jié)目Vj被全體用戶觀看的總次數(shù)為Ci;全體用戶觀看電視節(jié)目Vj的總時長為sum timei。具體公式如下：

定義基于全體用戶觀看同一個節(jié)目的平均時長的時間調(diào)整系數(shù)α計算如下：

其中，α表示用戶Ui觀看電視節(jié)目Vj的時長占全體用戶觀看電視節(jié)目Vj的平均時長的比例，α越大，說明相對于全體用戶，用戶Ui比較喜歡電視節(jié)目Vj。

定義基于全體用戶觀看同一個節(jié)目的平均次數(shù)的頻率調(diào)整系數(shù)β計算如下：

其中，β表示用戶Ui觀看電視節(jié)目Vj的次數(shù)占全體用戶觀看電視節(jié)目Vj的平均次數(shù)的比例，β越大，說明相對于全體用戶，用戶Ui比較喜歡電視節(jié)目。

用戶Ui對電視節(jié)目Vj的興趣偏好具體計算公式如下：

其中，Ri，j表示基于用戶行為的用戶Ui對電視節(jié)目Vj的興趣偏好，Cij表示在用戶歷史點播記錄中，用戶Ui觀看電視節(jié)目Vj的總次數(shù)，表示每條用戶歷史點播記錄中，用戶Ui觀看電視節(jié)目Vj的時長占電視節(jié)目Vj的時長的比例，α、β分別從全體用戶觀看同一個節(jié)目的平均時長和平均次數(shù)。該模型分別從單一用戶和全體用戶的歷史行為，深入挖掘用戶對電視節(jié)目的興趣偏好，充分考慮了單一用戶的個性化要素和全體用戶的一般性要素，提高了用戶興趣偏好建模的準確性。

2.2.2 粒子群算法

粒子群算法憑借它實現(xiàn)容易、精度高、收斂快等優(yōu)點引起了學術(shù)界廣泛的重視，并且在解決實際問題中，它能夠很好地解決類似于產(chǎn)品組合這樣的約束問題，成功體現(xiàn)出了它的優(yōu)越性。因此，本文將利用粒子群算法解決產(chǎn)品組合問題。

2.3 基于相似偏好用戶的基本理論模型

2.3.1 模型假設(shè)

1） 假設(shè)本文中所有的數(shù)據(jù)來源真實可靠，不存在虛假信息。

2） 假設(shè)不考慮其他因素對本文中相關(guān)因素的影響。

2.3.2 變量說明

對本文中所有的變量在此進行聲明，具體對應的變量含義如表2.3.2所示，（其中j表示產(chǎn)品，i表示用戶）：

2.4 面向用戶的電視節(jié)目推薦方法

本文主要根據(jù)用戶的收視信息、點播信息以及電視節(jié)目的信息采用協(xié)同過濾推薦方法提出了一種實時推薦方法，具體包括：（1）用戶偏好建模：基于2.2.1提出的用戶興趣偏好建模方法，建立用戶興趣偏好矩陣;（2）實時推薦過程：根據(jù)在特定的時間段里當前用戶觀看的電視節(jié)目或是點播的節(jié)目，基于電視節(jié)目的相似性來進行實時的更新推薦列表。

2.4.1 用戶之間相似性計算

一般來說，如果兩個用戶對同一個節(jié)目采取過想同的行為，那說明他們具有相似的偏好。但是要考慮到熱門電視節(jié)目對用戶相似性的影響。

生成推薦列表：針對目標用戶mi，根據(jù)用戶間相似性進行排序，選擇相似性最大的N個用戶作為目標用戶mi的鄰近選擇集合sum（i）。根據(jù)用戶偏好矩陣R以及鄰近選擇集合sum（i）來推測目標用戶mi對其他電視節(jié)目Vj的偏好wi。

2.4.2 產(chǎn)品之間相似性計算

在計算產(chǎn)品之間的相似性，可通過對某一電視節(jié)目Vj所觀看的用戶人數(shù)比例來推測電視節(jié)目之間的相似性。

生成推薦列表：根據(jù)電視節(jié)目之間的相似性，選擇相似性最大的K個電視節(jié)目作為電視節(jié)目Vj的鄰近選擇集合sum（j）。根據(jù)用戶偏好矩陣R以及電視節(jié)目的鄰近選擇集合sum（j），預測用戶Ui對電視節(jié)目的偏好di。

從而推薦出符合用戶偏好的電視節(jié)目以及產(chǎn)品組合，在滿足用戶需求的同時也可以提高企業(yè)的銷售量、提高競爭力。

2.5 數(shù)據(jù)分析

2.5.1 用戶數(shù)據(jù)分析及產(chǎn)品的精準營銷推薦策略

為了能夠直觀的看到不同用戶興趣偏好建模情況下對個性化推薦結(jié)果的影響，現(xiàn)隨機在訓練集中抽取用戶的歷史點播記錄進行對比實驗，得到生成有效的用戶歷史點播記錄，如表2.5.1所示：

對于用戶Ui觀看的一些電視節(jié)目Vj，根據(jù)公式（2.2）計算出觀看電視節(jié)目Vj的用戶總數(shù)Mi，電視節(jié)目Vj被全體用戶觀看的總次數(shù)Ci，全體用戶觀看電視節(jié)目Vj的總時長sum timej，如表2.5.2所示：

根據(jù)公式（2.2）、（2.3）、（2.5）來分別計算全體用戶觀看同一個節(jié)目的平均時長的時間調(diào)整系數(shù)α、全體用戶觀看同一個節(jié)目的平均次數(shù)的頻率調(diào)整系數(shù)β，并基于用戶偏好的建模方法生成用戶Ui對電視節(jié)目的興趣偏好Ri，j，從而生成有效的產(chǎn)品推薦列表，如表2.5.3所示：

采用相同的 top-N 推薦算法分別基于常用的用戶興趣偏好建模方法和本文提出的用戶興趣偏好建模方法為用戶Ui生成推薦列表list和list'，并與在測試集中用戶Ui實際觀看的電視節(jié)目進行對比，如表2.5.4所示：

2.5.4 基于不同用戶興趣偏好建模的推薦列表

根據(jù)某電視服務商機頂盒收集的用戶收視信息、用戶單片點播信息、用戶基本信息以及電視產(chǎn)品信息作為原始數(shù)據(jù)進行相關(guān)實驗，如表2.5.5所示：

由于不同的用戶所觀看的頻道數(shù)目是不一樣的，可以根據(jù)用戶所觀看的頻道號對應的次數(shù)來進行協(xié)同過濾或是產(chǎn)品相似性來計算不同用戶對不同節(jié)目的偏好程度來進行產(chǎn)品的精準推薦。

2.5.2 產(chǎn)品數(shù)據(jù)分析及相似偏好用戶的產(chǎn)品組合推薦策略

根據(jù)全體用戶對電視節(jié)目的觀看總次數(shù)得到用戶比較偏好的電視節(jié)目，如表2.5.6所示：

根據(jù)協(xié)同過濾算法以及用戶偏好建模方法對用戶進行產(chǎn)品組合推薦，對用戶的實際點播的電視節(jié)目計算出精準推薦列表2.5.7：

根據(jù)協(xié)同過濾算法以及用戶偏好建模方法對用戶進行產(chǎn)品組合推薦，對用戶的實際點播的電視節(jié)目計算出產(chǎn)品組合推薦列表2.5.8：

在對用戶進行實時推薦時所推薦的產(chǎn)品組合能夠最大化的將用戶感興趣的電視節(jié)目組合在一起，而離線推薦對用戶所推薦的產(chǎn)品組合有限，因此實時推薦的推薦效果更佳。

3 研究結(jié)論

3.1 研究結(jié)論

在市場競爭激烈，用戶需求多元化的今天，隨著企業(yè)推出的產(chǎn)品不斷增加，產(chǎn)品組合越來越龐大，進而導致銷售下降、產(chǎn)品推出失敗，如何在激烈的市場競爭中生存，需要企業(yè)制定良好的策略，一個良好的銷售策略是提升公司盈利的重要方式。互聯(lián)網(wǎng)在線購物平臺使得產(chǎn)品變得越來越多樣化，傳統(tǒng)的產(chǎn)品組合問題不再適用。因此本文提出了一種基于相似用戶偏好的產(chǎn)品精準營銷優(yōu)化模型。其中本文的主要工作內(nèi)容如下：

（1）根據(jù)對研究背景、理論背景以及當今研究現(xiàn)狀的分析，本文提出了基于相似用戶偏好的產(chǎn)品精準營銷優(yōu)化模型，并且對論文所涉及的產(chǎn)品組合問題、用戶偏好問題和產(chǎn)品推薦進行了梳理與研究，因此本文研究具有可靠的理論與現(xiàn)實依據(jù)。

（2）本文建立了基于用戶偏好的點播記錄的產(chǎn)品組合優(yōu)化模型。在點播記錄下的產(chǎn)品組合優(yōu)化模型中，主要考慮了較為簡單的一組點播記錄的情形。實證研究表明，單次點播下的產(chǎn)品組合優(yōu)化模型在決策時主要考慮產(chǎn)品的售價，其中產(chǎn)品售價由用戶偏好系數(shù)以及產(chǎn)品利潤共同決定。但是單次點播下的產(chǎn)品組合優(yōu)化模型結(jié)果過于單一，考慮目標不夠充分?？紤]多目標的多次點播下的產(chǎn)品組合優(yōu)化模型不僅能夠為企業(yè)選擇合適的產(chǎn)品，提高銷量與利潤，同時也可以有效降低產(chǎn)品庫存，從而降低成本。

（3）本文通過產(chǎn)品推薦研究計算用戶偏好系數(shù)，提高了模型對于用戶偏好的感知能力。實證研究表明，用戶偏好系數(shù)大的商品優(yōu)先銷售，從而提高銷量與利潤，因此具有良好的應用價值。

綜上所述，本文所研究的基于相似用戶偏好的產(chǎn)品精準營銷優(yōu)化模型使得企業(yè)產(chǎn)品打包推薦更加精準、智能、便捷。因此，基于相似用戶偏好的產(chǎn)品精準營銷優(yōu)化模型不僅在理論方面成功結(jié)合了用戶偏好這一特性，而且在實際方面也有良好的應用價值。

3.2 研究不足

本文是面向電視觀眾提出的一種基于相似偏好用戶的產(chǎn)品精準營銷模型。從用戶對不同電視節(jié)目的觀看記錄以及節(jié)目的點播，對用戶進行特征畫像，研究用戶對每個電視節(jié)目的觀看喜愛度，以得到用戶的偏好，就能對用戶進行產(chǎn)品推薦，從而來提高企業(yè)的銷售量。這種營銷模式使得電視節(jié)目的推銷更加智能化、個性化。因此，提出了基于相似用戶偏好的產(chǎn)品精準營銷優(yōu)化模型，盡管模型取得了良好的效果，但仍有如下不足：

（1）影響用戶偏好的因素有很多，本文只考慮幾個比較有典型特征的因素，因此模型的適用性并不高。

（2）本文所用建模數(shù)據(jù)都來自于網(wǎng)絡(luò)，因此本文研究的應用范圍具有一定的局限性。

針對上述論文的不足之處，筆者認為仍有以下幾處需要進一步研究：

（1）在考慮用戶偏好影響因素方面，本文研究仍有不足，今后研究可以考慮更加全面的用戶偏好內(nèi)容。

（2）在建模與實證過程中，本文數(shù)據(jù)來源較為單一，在未來的研究中可以考慮引入更多的數(shù)據(jù)來研究。

參考文獻

[1]顧辰飛.基于用戶偏好的促銷產(chǎn)品組合優(yōu)化研究[D].上海：東華大學，2017.

[2]羅賀，趙培.面向電視觀眾的用戶興趣偏好模型方法[A].中國管理科學，2016.

[3]胡昌平，邵其趕，孫高嶺.個性化信息服務中的用戶偏好與行為分析[J].情報理論與實踐，2008，31（1）：4-6.

[4]江海洋.基于評論挖掘和用戶偏好學習的評分預測協(xié)同過濾[J].計算機應用研究，2010，27（12）：4430-4432.

[5]王偉軍，宋梅青.一種面向用戶偏好定向挖掘的協(xié)同過濾個性化推薦算法[J].現(xiàn)代圖書情報技術(shù)，2014（6）：25-32.

[6]葉紅云.面向金融營銷問題的個性化推薦方法研究[D].合肥工業(yè)大學，2011.

[7]林佳雄.關(guān)聯(lián)規(guī)則挖掘在電子商務推薦系統(tǒng)中的應用研究[D].暨南大學，2011.

[8]趙培.面向家庭用戶的電視節(jié)目動態(tài)推薦方法研究[D].合肥工業(yè)大學，2017.

[9]Kim E， Pyo S， Park E， et al. An automatic recommendation scheme of TV program contents for （IP） TV personalization[J]. Broadcasting， IEEE Transactions on， 2011， 57（3）： 674-684.