近年來,隨著計(jì)算機(jī)和信息技術(shù)的不斷進(jìn)步,以互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)為代表的新媒體迅速發(fā)展,消費(fèi)者傳統(tǒng)的線下購物、社交、閱讀等行為正在逐漸向線上轉(zhuǎn)移。隨著越來越多的企業(yè)進(jìn)入電子商務(wù)領(lǐng)域,網(wǎng)上零售業(yè)的競爭也日趨激烈。為了能夠在日益飽和的電子商務(wù)環(huán)境中脫穎而出,企業(yè)嘗試用多種先進(jìn)技術(shù)來吸引、保留用戶,如協(xié)同過濾,智能推薦,機(jī)器學(xué)習(xí)定制等。然而,采用這樣的常規(guī)技術(shù)效果并不理想。因此,對(duì)于學(xué)術(shù)界和從業(yè)者而言,如何提高在線轉(zhuǎn)化率是一項(xiàng)艱巨的任務(wù)。目前,向用戶提供推薦的網(wǎng)站一般都會(huì)大規(guī)模地定制,且很多網(wǎng)站都是假設(shè)用戶的偏好和瀏覽行為是靜態(tài)的,進(jìn)而根據(jù)用戶的歷史信息和偏好來推薦。然而,用戶的意圖可能會(huì)因?yàn)樵谠L問網(wǎng)站時(shí)遇到的刺激和信息而改變。常規(guī)推薦方法（例如,協(xié)同過濾,基于內(nèi)容過濾的數(shù)據(jù)挖掘）經(jīng)常會(huì)忽略意圖的這種動(dòng)態(tài)性。此外,常規(guī)的推薦模型不考慮（1）產(chǎn)品推薦是否滿足每個(gè)用戶未觀察到的購買意圖,（2）推薦是否在增加購買轉(zhuǎn)化率同時(shí)減少購物車放棄方面是有效的。針對(duì)以上問題,本文主要做了以下幾個(gè)方面的工作:第一,闡述用戶在線行為和個(gè)性化推薦的研究現(xiàn)狀,并提出本文的研究意義。第二,對(duì)用戶行為特征進(jìn)行量化,如用戶當(dāng)前... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：55 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

隱馬爾科夫模型的工作原理

廣東工業(yè)大學(xué)碩士學(xué)位論文時(shí)間有關(guān)以外，還與用戶對(duì)再一個(gè)會(huì)話中累計(jì)品牌轉(zhuǎn)變數(shù)有關(guān)，瀏覽的品高，越容易放棄商品。一方面，與低意圖狀態(tài)相比，在高意圖時(shí)如果在上一個(gè)會(huì)話中產(chǎn)生了購買行前會(huì)話瀏覽品牌時(shí)，轉(zhuǎn)變品牌較少時(shí)，會(huì)促使用戶將商品加入購物車或者品進(jìn)行關(guān)注。解了用戶的高低意圖與購物車選擇行為之間的關(guān)系后，我們以某一特定用戶續(xù)時(shí)間的不同狀態(tài)意圖中的行為路徑對(duì)比，用戶在連續(xù) t=16 個(gè)頁面的行為-1 所示。


本文編號(hào)：3408854