基于聚类分析的电子商务用户行为识别
范颖+史梁+邹香玲
摘 要： 在实际电子商务企业发展中，识别电子商务用户行为，对电子商务用户行为进行行之有效的评估，选择出最优的电子商务用户营销决策，以达成电子商务用户营销目的。应用聚类分析方法，通过对电子商务用户的行为进行聚类分析识别，可以优化制定出适合电子商务用户营销的发展决策。结论证实，基于聚类分析方法可以正确识别电子商务用户行为，为优化电商商务用户营销决策提供科学依据。
关键词： 聚类分析； 用户营销； 电子商务； 用户行为识别
中图分类号： TN99?34 文献标识码： A 文章编号： 1004?373X（2017）15?0150?03
Abstract： In the actual development of the practical e?commerce enterprises， how to identify the e?commerce user behavior， evaluate the e?commerce user behavior effectively， and choose the optimal marketing decision of the e?commerce user is the purpose to realize the e?commerce user marketing. The cluster analysis method is used to perform the cluster analysis and recognition for the e?commerce user behavior， which can work out the development decision suitable for the e?commerce user marke?ting. The conclusion proves that the identification based on cluster analysis method can identify the e?commerce user behavior correctly， and provide a scientific basis for the optimization of the marketing decision of e?commerce business user.
Keywords： cluster analysis； user marketing； e?commerce； user behavior identification
0 引 言
在电子商务发展中进行聚类分析，对改进电子商务发展决策发挥着积极影响[2]。同时，在电子商务企业经济发展过程中应用聚类分析方法，通过模式识别、市场研究以及数据分析等多种方式分析电子商务用户行为，识别电子商务用户行为模式，不仅有助于电子商务人员制定电商用户营销模式，提升用户购买决策，也可以帮助市场分析人员应用聚类分析方法根据用户购买模式，从电子商务用户行为库中发现不同的用户行为群[3?4]。在电子商务中应用聚类分析方法可以有效推导对植物、动物以及人的行为进行分类，并且还可以根据不同种类相似功能的因素进行分类以获得种群内常见的结构认识，将相似度高的数据集合在一起，从而挖掘出有用的数据信息，以预测规划数据变化规律[5]。在实际中，相对于电子商务用户行为的分类而言，应用聚类分析方法可以根据观察得出电子商务用户行为的组信息，有效洞察电子商务用户消费者在网上的购物活动行为模式，以便分析识别用户行为，并结合电子商务发展的特点优化电子商务用户发展决策，为电商用户提供优质的电子商务服务。由于数据中存在不规律和网站的各种噪声，本文通过研究商务营销策略优化问题，为提示数据隐藏的规律采用一种有效双路凝聚信息熵数据分析方法，建立有关动态模型，能发现电子商务数据中隐藏的用户购物行为特点及模式，帮助电子商务网站做出正确决策，根据信息熵理论提出一种双路聚类模型进行仿真。
1 聚类分析算法
在聚类分析中可以根据信号分析理论，针对信号高频部分中快速变化的对应特征空间数据点，将其作为聚类分析中的边界；将信号低频部分作为聚类本身。
在聚类分析算法中，假设类簇中心由局部密度低的点围绕，定义局部密度值为低密度点到高局部密度点的距离为則聚类分析公式表示为：
选择为每个点平均邻居数点的1%～2%，则表示为：
聚类分析中密度最大的点， 设置为：
聚类分析的核心思想是：针对给定的空间对象集，通过检测簇为空间内的对象分配各自的簇标签，然后通过小波变换方式转换原特征中的空间，从而找到新空间中存在的密集区。通过聚类分析，可以把用户群对象集合根据指定用户行为模型进行分类，根据输入多维数据对象的特征向量，从而根据不同的分类结果得出聚类对象。
2 对电子商务用户行为进行识别分析的目标
（1） 分析电子商务客户的行为习惯及其收益
在对电子商务用户行为进行分析中，可以根据用户在电商平台中的购买记录识别客户购物的价值，然后根据价值对电子商务客户进行分类[6]，有助于在今后电商产品销售中根据用户行为习惯制定销售决策。
（2） 分析识别客户对电子商务产品的意见
在电子商务中，可以根据不同的客户对各种电子商务产品提出的不同意见识别用户对产品的意见。还可以在电子商务平台推出新产品，或是推出新服务时可以根据客户行为分析得出客户对电子商务新产品的接受程度，优化制定电子商务产品的营销策略。
（3） 分析客户对电子商务平台的忠诚度及潜在客户
基于聚类分析方法，对电子商务用户行为进行识别，对用户行为识别，量化具体用户行为识别指标，从而分析评价用户对电子商务企业的信任度[7?8]。对电子商务用户行为进行识别，有效维持、增强客户同企业的感情纽带，提高电子商务企业竞争力。
基于聚类分析方法，系统分析预测电子商务潜在客户的行为，在电子商务平台中找出最有可能成为自己客户的群体，调整电子商务平台的运营规划，针对这些群体展开营销宣传，吸引更多的客户，扩大电子商务企业的发展。
3 基于聚类分析识别电子商务用户行为的步骤
3.1 电子商务用户行为建模
本文中所选电子商务用户行为数据主要来自A地互联网电商数据网中的400例用户行为日志数据集。采集电子商务用户名、用户的上网时间、用户浏览网页的网址信息以及用户年龄等信息[9]。然后，应用聚类分析方法分析用户的电子商务行为，实现对用户在电子商务中的喜好进行划分，建立可以反映用户特征的多维数据特征项，对用户行为进行建模。
3.2 聚类分析
将电子商务用户行为表示为用户在使用互联网过程中，应用不同网络程序（访问Web网页、网络新闻、电子商务网站、电子游戏）等所消耗流量的比例，如下式所示：
式中表示用户使用网络的流量消耗。
应用聚类分析方法，根据用户在电子商务网站中的行为方式分析统计用户使用电子商务的日志数据。然后从数据中抽取出有用的数据项，并将用户上网时间、用户名、用户上网应用以及用户所耗流量数据等作为用户行为特征。根据电子商务用户行为原始变量进行聚类分析。
3.3 聚类分析结果
实际中，由于电子商务用户行为样本数较大，可以应用迭代聚类方法将电子商务用户行为样本聚类为三类与四类分析。进一步应用因子得分方法进行聚类分析，得出的三类、四类结果如表1～表4所示。
经过聚类分析，电子商务用户中，137人为年轻创业型用户，这部分用户的经济状况不是很好，对电子商务消费态度比较谨慎，个性比较平和稳重，个人看重家庭与婚姻生活；创业型用户对电子商务的消费态度最为友好，生活态度比较保守。123人为中产稳健型用户，这部分用户的经济状况小康，预期生活保守，喜欢尝试新事物，享受生活质量，对电子商务购物有极大兴趣；用户在使用网络方面，多是在周末或是在工作日的中午闲暇时间。同时，部分用户也习惯应用网络在电子商务平台中购物，是电子商务平台中的主要购物人群。140人为保守低调型，不太追求时尚，消费观念较强，不大愿意尝试新事物，喜欢在周末玩网络游戏，用户在工作日的电子商务行为习惯与周末差异较大，忽视电子商务购物。
4 基于聚类分析方法优化设计电子商务用户行为识别决策
4.1 细分电子商务客户群
在电子商务用户行为识别中，基于聚类分析，根据用户的消费行为可以细分电子商务平台中的客户群，然后将有同质分类的客户划分到同一个群体中，从而根据不同用户的消费行为为不同的用户群制定不同的电子商务用户营销决策。
4.2 精选电子商务营销目标客户
基于聚类分析方法，可以根据用户的消费特征，从聚类算法数据库中精选出社会中潜在的电子商务目标客户，降低营销成本，展开电子商务客户营销活动。同时，针对电子商务中创业型的消费者，由于其在电子商务平台中的消费态度较为谨慎，针对这部分客户行为识别结果、经济情况以及消费心理，能够推出一些价格适中、时尚创新的电子商务产品。同时，电子商务企业在发展过程中注意关注这部分创业型消费者的心理需求，尽力提升电子商务产品对用户的吸引度，精确定位电子商务营销用户群体。
4.3 避免客户群流失
基于聚类分析方法，有效找出用户与购买电商产品之间的关系，然后根据得到的数据关联知识推荐用户多购买产品，实现交叉销售，提高电子商务客户的价值，通过识别用户行为对其开展渗透性增值营销。电子商务企业在发展过程中应该加强对保守低调型消费者的电商产品宣传工作，多与用户交流，多为其提供关于电子商务产品的更多信息，強调电子商务产品的高质量、高安全性的特征，以吸引这部分用户，避免电子商务中保守低调型用户流失。
4.4 分析用户欺诈行为
应用聚类分析方法提取电子商务网站欺诈用户的客户信息，分析电子商务中用户欺诈行为的潜在特征，从而建立电子商务欺诈行为预警模型，确保能针对电商欺诈及时采取有效的控制措施，将电子商务网站运营风险降到最低，杜绝电子商务用户欺诈行为的发生。
4.5 确定电子商务产品的营销渠道
在电子商务发展中，基于聚类分析方法，根据电子商务客户消费行为的不同，可以采用挖掘数据技术定位客户在电子商务中的订购渠道，从而根据电子商务网站中提供的产品业务特征优化合理地布局电子商务中的产品渠道，制定基于用户购物习惯的渠道营销策略，提升电子商务产品渠道的利用率，提升客户对电子商务平台产品的感知度。
5 结 论
本文通过研究电子商务用户行为，基于聚类分析方法，识别电子商务用户行为，能够在海量的、不规则的电子商务用户行为数据中发现潜在用户行为的数据模式，从而揭示出电子商务用户行为数据中隐藏的规律，以便能够为电子商务用户营销人员制定营销决策做出有力的数据支撑，取得较好的应用效果。应用聚类算法在识别电子商务用户行为中，能够预处理电子商务用户行为原始数据，提取有价值的电子商务用户行为识别信息，有助于防范电子商务运营风险，降低电子商务营销成本，拓展电子商务平台中用户的成功购物率，增强电子商务平台的发展效益，为电子商务发展提供有效的用户营销决策，提升电子商务市场竞争力。
参考文献
[1] 李乔，何慧，方滨兴，等.基于信任的网络群体异常行为发现[J].计算机学报，2014，37（1）：1?14.
[2] 袁春阳，李青山，王永建，等.基于行为与域名查询关联的僵尸网络聚类联动监测[J].计算机应用研究，2012，29（3）：1084?1087.
[3] 孟彩霞，陈红玉.基于TF?IDF改进聚类算法的网络敏感信息挖掘[J].现代电子技术，2015，38（24）：44?46.
[4] 于晓聪，董晓梅，于戈，等.基于主机行为异常的p2p僵尸网络在线检测方法[J].小型微型计算机系统，2012，33（1）：11?17.
[5] 郭富强.基于SOM网络的依托机构办学行为聚类分析[J].陕西广播电视大学学报，2016，18（1）：18?21.
[6] 王帅鹏，赵凯.基于图像处理的人员异常行为监测设计[J].现代电子技术，2015，38 （6）：111?114.
[7] 陈嘉翼.基于小波聚类的网络用户行为分析[J].计算机光盘软件与应用，2015（1）：45?46.
[8] 陈季梦，陈佳俊，刘杰，等.基于结构相似度的大规模社交网络聚类算法[J].电子与信息学报，2015，21（2）：449?454.
[9] 薛黎明，栾维新.聚类算法在高校网络用户行为分析中的应用[J].现代电子技术，2016，39（7）：29?32.
[10] 谢卓.基于聚类学习算法的网络入侵检测研究[J].现代电子技术，2012，35（2）：91?93.
摘 要： 在实际电子商务企业发展中，识别电子商务用户行为，对电子商务用户行为进行行之有效的评估，选择出最优的电子商务用户营销决策，以达成电子商务用户营销目的。应用聚类分析方法，通过对电子商务用户的行为进行聚类分析识别，可以优化制定出适合电子商务用户营销的发展决策。结论证实，基于聚类分析方法可以正确识别电子商务用户行为，为优化电商商务用户营销决策提供科学依据。
关键词： 聚类分析； 用户营销； 电子商务； 用户行为识别
中图分类号： TN99?34 文献标识码： A 文章编号： 1004?373X（2017）15?0150?03
Abstract： In the actual development of the practical e?commerce enterprises， how to identify the e?commerce user behavior， evaluate the e?commerce user behavior effectively， and choose the optimal marketing decision of the e?commerce user is the purpose to realize the e?commerce user marketing. The cluster analysis method is used to perform the cluster analysis and recognition for the e?commerce user behavior， which can work out the development decision suitable for the e?commerce user marke?ting. The conclusion proves that the identification based on cluster analysis method can identify the e?commerce user behavior correctly， and provide a scientific basis for the optimization of the marketing decision of e?commerce business user.
Keywords： cluster analysis； user marketing； e?commerce； user behavior identification
0 引 言
在电子商务发展中进行聚类分析，对改进电子商务发展决策发挥着积极影响[2]。同时，在电子商务企业经济发展过程中应用聚类分析方法，通过模式识别、市场研究以及数据分析等多种方式分析电子商务用户行为，识别电子商务用户行为模式，不仅有助于电子商务人员制定电商用户营销模式，提升用户购买决策，也可以帮助市场分析人员应用聚类分析方法根据用户购买模式，从电子商务用户行为库中发现不同的用户行为群[3?4]。在电子商务中应用聚类分析方法可以有效推导对植物、动物以及人的行为进行分类，并且还可以根据不同种类相似功能的因素进行分类以获得种群内常见的结构认识，将相似度高的数据集合在一起，从而挖掘出有用的数据信息，以预测规划数据变化规律[5]。在实际中，相对于电子商务用户行为的分类而言，应用聚类分析方法可以根据观察得出电子商务用户行为的组信息，有效洞察电子商务用户消费者在网上的购物活动行为模式，以便分析识别用户行为，并结合电子商务发展的特点优化电子商务用户发展决策，为电商用户提供优质的电子商务服务。由于数据中存在不规律和网站的各种噪声，本文通过研究商务营销策略优化问题，为提示数据隐藏的规律采用一种有效双路凝聚信息熵数据分析方法，建立有关动态模型，能发现电子商务数据中隐藏的用户购物行为特点及模式，帮助电子商务网站做出正确决策，根据信息熵理论提出一种双路聚类模型进行仿真。
1 聚类分析算法
在聚类分析中可以根据信号分析理论，针对信号高频部分中快速变化的对应特征空间数据点，将其作为聚类分析中的边界；将信号低频部分作为聚类本身。
在聚类分析算法中，假设类簇中心由局部密度低的点围绕，定义局部密度值为低密度点到高局部密度点的距离为則聚类分析公式表示为：
选择为每个点平均邻居数点的1%～2%，则表示为：
聚类分析中密度最大的点， 设置为：
聚类分析的核心思想是：针对给定的空间对象集，通过检测簇为空间内的对象分配各自的簇标签，然后通过小波变换方式转换原特征中的空间，从而找到新空间中存在的密集区。通过聚类分析，可以把用户群对象集合根据指定用户行为模型进行分类，根据输入多维数据对象的特征向量，从而根据不同的分类结果得出聚类对象。
2 对电子商务用户行为进行识别分析的目标
（1） 分析电子商务客户的行为习惯及其收益
在对电子商务用户行为进行分析中，可以根据用户在电商平台中的购买记录识别客户购物的价值，然后根据价值对电子商务客户进行分类[6]，有助于在今后电商产品销售中根据用户行为习惯制定销售决策。
（2） 分析识别客户对电子商务产品的意见
在电子商务中，可以根据不同的客户对各种电子商务产品提出的不同意见识别用户对产品的意见。还可以在电子商务平台推出新产品，或是推出新服务时可以根据客户行为分析得出客户对电子商务新产品的接受程度，优化制定电子商务产品的营销策略。
（3） 分析客户对电子商务平台的忠诚度及潜在客户
基于聚类分析方法，对电子商务用户行为进行识别，对用户行为识别，量化具体用户行为识别指标，从而分析评价用户对电子商务企业的信任度[7?8]。对电子商务用户行为进行识别，有效维持、增强客户同企业的感情纽带，提高电子商务企业竞争力。
基于聚类分析方法，系统分析预测电子商务潜在客户的行为，在电子商务平台中找出最有可能成为自己客户的群体，调整电子商务平台的运营规划，针对这些群体展开营销宣传，吸引更多的客户，扩大电子商务企业的发展。
3 基于聚类分析识别电子商务用户行为的步骤
3.1 电子商务用户行为建模
本文中所选电子商务用户行为数据主要来自A地互联网电商数据网中的400例用户行为日志数据集。采集电子商务用户名、用户的上网时间、用户浏览网页的网址信息以及用户年龄等信息[9]。然后，应用聚类分析方法分析用户的电子商务行为，实现对用户在电子商务中的喜好进行划分，建立可以反映用户特征的多维数据特征项，对用户行为进行建模。
3.2 聚类分析
将电子商务用户行为表示为用户在使用互联网过程中，应用不同网络程序（访问Web网页、网络新闻、电子商务网站、电子游戏）等所消耗流量的比例，如下式所示：
式中表示用户使用网络的流量消耗。
应用聚类分析方法，根据用户在电子商务网站中的行为方式分析统计用户使用电子商务的日志数据。然后从数据中抽取出有用的数据项，并将用户上网时间、用户名、用户上网应用以及用户所耗流量数据等作为用户行为特征。根据电子商务用户行为原始变量进行聚类分析。
3.3 聚类分析结果
实际中，由于电子商务用户行为样本数较大，可以应用迭代聚类方法将电子商务用户行为样本聚类为三类与四类分析。进一步应用因子得分方法进行聚类分析，得出的三类、四类结果如表1～表4所示。
经过聚类分析，电子商务用户中，137人为年轻创业型用户，这部分用户的经济状况不是很好，对电子商务消费态度比较谨慎，个性比较平和稳重，个人看重家庭与婚姻生活；创业型用户对电子商务的消费态度最为友好，生活态度比较保守。123人为中产稳健型用户，这部分用户的经济状况小康，预期生活保守，喜欢尝试新事物，享受生活质量，对电子商务购物有极大兴趣；用户在使用网络方面，多是在周末或是在工作日的中午闲暇时间。同时，部分用户也习惯应用网络在电子商务平台中购物，是电子商务平台中的主要购物人群。140人为保守低调型，不太追求时尚，消费观念较强，不大愿意尝试新事物，喜欢在周末玩网络游戏，用户在工作日的电子商务行为习惯与周末差异较大，忽视电子商务购物。
4 基于聚类分析方法优化设计电子商务用户行为识别决策
4.1 细分电子商务客户群
在电子商务用户行为识别中，基于聚类分析，根据用户的消费行为可以细分电子商务平台中的客户群，然后将有同质分类的客户划分到同一个群体中，从而根据不同用户的消费行为为不同的用户群制定不同的电子商务用户营销决策。
4.2 精选电子商务营销目标客户
基于聚类分析方法，可以根据用户的消费特征，从聚类算法数据库中精选出社会中潜在的电子商务目标客户，降低营销成本，展开电子商务客户营销活动。同时，针对电子商务中创业型的消费者，由于其在电子商务平台中的消费态度较为谨慎，针对这部分客户行为识别结果、经济情况以及消费心理，能够推出一些价格适中、时尚创新的电子商务产品。同时，电子商务企业在发展过程中注意关注这部分创业型消费者的心理需求，尽力提升电子商务产品对用户的吸引度，精确定位电子商务营销用户群体。
4.3 避免客户群流失
基于聚类分析方法，有效找出用户与购买电商产品之间的关系，然后根据得到的数据关联知识推荐用户多购买产品，实现交叉销售，提高电子商务客户的价值，通过识别用户行为对其开展渗透性增值营销。电子商务企业在发展过程中应该加强对保守低调型消费者的电商产品宣传工作，多与用户交流，多为其提供关于电子商务产品的更多信息，強调电子商务产品的高质量、高安全性的特征，以吸引这部分用户，避免电子商务中保守低调型用户流失。
4.4 分析用户欺诈行为
应用聚类分析方法提取电子商务网站欺诈用户的客户信息，分析电子商务中用户欺诈行为的潜在特征，从而建立电子商务欺诈行为预警模型，确保能针对电商欺诈及时采取有效的控制措施，将电子商务网站运营风险降到最低，杜绝电子商务用户欺诈行为的发生。
4.5 确定电子商务产品的营销渠道
在电子商务发展中，基于聚类分析方法，根据电子商务客户消费行为的不同，可以采用挖掘数据技术定位客户在电子商务中的订购渠道，从而根据电子商务网站中提供的产品业务特征优化合理地布局电子商务中的产品渠道，制定基于用户购物习惯的渠道营销策略，提升电子商务产品渠道的利用率，提升客户对电子商务平台产品的感知度。
5 结 论
本文通过研究电子商务用户行为，基于聚类分析方法，识别电子商务用户行为，能够在海量的、不规则的电子商务用户行为数据中发现潜在用户行为的数据模式，从而揭示出电子商务用户行为数据中隐藏的规律，以便能够为电子商务用户营销人员制定营销决策做出有力的数据支撑，取得较好的应用效果。应用聚类算法在识别电子商务用户行为中，能够预处理电子商务用户行为原始数据，提取有价值的电子商务用户行为识别信息，有助于防范电子商务运营风险，降低电子商务营销成本，拓展电子商务平台中用户的成功购物率，增强电子商务平台的发展效益，为电子商务发展提供有效的用户营销决策，提升电子商务市场竞争力。
参考文献
[1] 李乔，何慧，方滨兴，等.基于信任的网络群体异常行为发现[J].计算机学报，2014，37（1）：1?14.
[2] 袁春阳，李青山，王永建，等.基于行为与域名查询关联的僵尸网络聚类联动监测[J].计算机应用研究，2012，29（3）：1084?1087.
[3] 孟彩霞，陈红玉.基于TF?IDF改进聚类算法的网络敏感信息挖掘[J].现代电子技术，2015，38（24）：44?46.
[4] 于晓聪，董晓梅，于戈，等.基于主机行为异常的p2p僵尸网络在线检测方法[J].小型微型计算机系统，2012，33（1）：11?17.
[5] 郭富强.基于SOM网络的依托机构办学行为聚类分析[J].陕西广播电视大学学报，2016，18（1）：18?21.
[6] 王帅鹏，赵凯.基于图像处理的人员异常行为监测设计[J].现代电子技术，2015，38 （6）：111?114.
[7] 陈嘉翼.基于小波聚类的网络用户行为分析[J].计算机光盘软件与应用，2015（1）：45?46.
[8] 陈季梦，陈佳俊，刘杰，等.基于结构相似度的大规模社交网络聚类算法[J].电子与信息学报，2015，21（2）：449?454.
[9] 薛黎明，栾维新.聚类算法在高校网络用户行为分析中的应用[J].现代电子技术，2016，39（7）：29?32.
[10] 谢卓.基于聚类学习算法的网络入侵检测研究[J].现代电子技术，2012，35（2）：91?93.
