1. 研究目的与意义（文献综述）

随着 移动设备的完善和普及，移动互联网 各行各业进入了高速发展阶段，比如移动电商业务的快速发展，2017年天猫双11全球狂欢节总交易额（gmv）达到1682亿元人民币，移动端成交占比90%，覆盖超过220个国家和地区。这相比2009年双11只有5200万元的交易额，增长了超过3000倍。然而，移动电商业务给人们的生活带来方便的同时，由于其中商品的种类丰富而且营销方式多种多样，这些海量信息也为用户在挑选所需商品的同时增添了诸多困难。因此，借助技术手段准确分析用户购买行为，为用户决策或商家营销提供支撑，已成为当前面向商务智能的数据挖掘领域重要的研究问题，对于改善用户体验、提高电商收益具有重要意义。在此背景下，协同过滤等定向推荐技术应运而生，并广泛运用于各电商网站的营销系统中。这些传统的推荐技术主要分析用户的购买行为，并以此为依据推荐相似或者相关的商品来供用户选择。然而，它们仅着眼于孤立的购买行为，却忽略了这些购买与用户其他类型的行为（如在购买时对商品的浏览、收藏、加入购物车等）之间的关联。因此，定向推荐技术往往能够分析出用户会购买哪一类型的产品，却不能精准预测用户最终选择哪个商品进行购买。在线购买行为预测对于提高电商网站经济效益有着重要的意义，所以，如何利用用户在对商品的各种行为操作来描述用户的当前购买意图，准确预测用户将要发生的购买行为是现在需要关注的核心问题。本课题从用户在电商平台的行为数据入手，采用数据挖掘等相关算法，从商品特征、用户购买习惯等多维度建立购买行为预测模型，为电商更精准的个性推荐奠定基础。

国外学者针对非契约情境下用户的购买行为预测也提出了很多具有代表性的模型，如 pareto/nbd模型、nbd 模型、bg/nbd 模型、lsd 模型、nbd-dirichlet 模型等。这些模型中schmittlein、morrison和colombo提出的pareto/nbd模型，被称为刻画非契约情境下用户购买行为和流失行为的最经典概率模型。之后很多学者由于各种原因尝试对此模型进行了改进，同时国内外很多学者利用 pareto/nbd模型进行了实证研究。

国内外大型电子商务企业都不同程度上运用了商品推荐算法，学者也将统计和机器学习方法用于商品推荐的研究中，以期提高预测的准确度。雷名龙分别采用随机森林、逻辑回归和 svm 分类模型，以阿里巴巴电子商务平台4个月的购物数据为研究对象，对用户未来是否会购买某种商品做出行为预测。张春生等考察了品牌可信度、价格、付款人数等多种评价指标对于用户购买行为的相关性。vieira等采用深度置信网络和自编码器等深度学习策略，就筛选出的商品及用户特征进行建模，将其与传统的决定树、随机森林等算法进行比较，发现深度学习方法有利于获得更好的预测结果。马月坤等采用构建用户行为知识库的方法，对客户的行为信息进行了有效存储和更新管理。

2. 研究的基本内容与方案

基本内容：利用数据挖掘和机器学习领域的理论和方法，以用户在电商平台的行为数据为基础，采用数据挖掘等相关算法，从商品特征、用户购买习惯等多维度建立购买行为预测模型。

目标：在竞争激烈的电子商务市场中，各大电商都在探求产品促销的精准定位方案，以达到增加用户粘合度、提升网站竞争力的目的，本课题拟构建在线购买行为预测模型，为电商更精准的个性推荐奠定基础。

3. 研究计划与安排

（1）2018/1/14——2018/2/28：确定选题，查阅文献，外文翻译和撰写开题报告

（2）2018/3/1——2018/4/30：完成解决方案合理性、科学性认证，包含算法的设计与实验结果分析

（3）2017/5/1——2017/5/25：撰写及修改毕业论文

4. 参考文献（12篇以上）

[1] 雷名龙. 基于阿里巴巴大数据的购物行为研究[j]. 物联网技术, 2016, 第6卷(5):57-60.

[2] 张春生, 图雅, 翁慧等. 基于电子商务同类商品的推荐算法研究[j]. 计算机技术与发展, 2016, 第26卷(5):17-21.

[3] armando vieira. predicting online user behaviour usingdeep learning algorithms[j]. statistics, 2015, vol.2