个性化捆绑销售推荐系统

李姣燕 侯彬钰

摘要：捆绑销售是商家惯用的销售策略，在电子商务领域，可以根据每个用户个性化数据，可以进行个性化的捆绑方案。该文设计并实现了一个基于用户和商品两方面的个性化捆绑销售系统，并通过对用户购买力分类，计算顾客对推荐出的商品的购买欲望，从而得出优惠的捆绑价格。经过实验验证，该系统提高了商品销售量并获得了更多利润。

关键词：个性化;捆绑销售;电子商务

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）34-0071-03

1 概述

捆绑销售作为一种重要的销售策略，能帮助商家扩大销售，增加利润。个性化服务已经是一个互联网服务广泛采用的技术，个性化推荐音乐，个性化推荐商品，个性化新闻推送应用越来越多。将个性化技术与捆绑销售结合起来，可依据互联网获得的用户数据进行针对性更强的个性化定制商品捆绑和定价，可获得更高的销售量并获取更多利润。

当前针对捆绑销售的研究涉及捆绑销售的经济、管理决策及其影响，以及捆绑销售不同的策略选择。Adams and Yellen[1]研究捆绑模式下的福利水平，并奠定来捆绑销售的重要基础。Schmalensee[2]则考虑了需求连续分布的情况，及分布对企业利润的影响。Wendi Hui[3]考虑了顾客两种异质性，并分析不同情况下哪种捆绑策略更优。则Bitran[4]则提出了一个捆绑组合，并且最优定价。为了更符合顾客心意，Hitt[5]则提出了顾客白定义的捆绑组合方案。互联网发展使得个性化推荐得到广泛应用，个性化捆绑推荐策略变得更为容易和准确。Moran Beladev[6]等提出的捆绑推荐中考虑了顾客个人消费特征对保留价格的影响，以进行个性化定价。Guannan Liu[7]考虑用图来表示物品之间的关系，在此基础上来进行推荐。Tang Lei[8]第一次提出了将推荐商品集做一个整体来进行研究。

本文提出并设计实现了一个个性化捆绑销售系统，系统由两大块组成，捆绑商品推荐部分和捆绑商品定价部分。捆绑商品推荐部分主要负责分析商品和用户信息，针对用户个性化推荐捆绑商品，而捆绑商品定价模块，对推荐的商品组进行综合定价。

2 系统模型

图1为个性化捆绑销售模型。

系统由两大块组成，捆绑商品推荐部分和捆绑商品定价。捆绑商品推荐部分主要负责分析商品和用户信息，針对用户个性化推荐捆绑商品，而捆绑商品定价模块，对推荐的商品组进行综合定价。

推荐部分主要由三个模块构成，商品模块、用户模块、推荐计算模块。商品模块和用户模块主要作为推荐的数据处理，推荐计算模块则是数据的计算，按照公式得出结果后，以TOP-N的方式向用户推荐前N项捆绑商品。

定价部分则由用户行为模块计算的用户行为，及推荐的TOP-N商品，个性化定价模块计算出推荐商品的捆绑定价。

2.1 商品模块

该模块主要功能有两块，一是筛选和转换商品数据，生成推荐系统能直接使用的lson数据，不同电商网站对商品的处理也不同，推荐系统建立中间层转换商品数据，之后的运算则不需要担心数据格式问题。二是依据商品数据计算商品杰卡德相似系数。商品杰卡德相似系数的计算需要将商品的一些属性标签化，这些属性包括商品自有属性和关于用户行为的属性。

部分属性可以直接转换为标签，比如商品的分类，在该推荐系统中，商品分类有三个层次，都可以直接作为商品的标签，部分属性则需要进行处理，比如价格，可将价格细分等级作为商品标签，等级的价格的跨度逐渐增大。用户行为也能作为商品标签的一部分，根据商品访问次数和购买次数，可以将商品的热度分级，再将商品热度增添至商品的标签中。

某些电商网站可供用户自定义商品标签，此类标签为大部分用户所承认，可以直接用作杰卡德相似系数的计算，商品的标签可以随时拓展和更新，以满足不同电商系统的需求，以及应对可能出现的特殊商品。

2.2 用户模块

用户模块主要做用户画像分析和用户皮尔逊相关系数计算，用户的购买行为，按商品的分类进行统计，作为计算用户皮尔逊相关系数的主要依据，用户画像则主要用于捆绑商品的定价，使用户对捆绑商品有较大的购买欲望。

用户画像分析的主要数据来源是用户行为，包括了购买记录、手机型号、手机系统、ip地址等数据，用户画像是动态的，所以也需要能随时更新与拓展。

2.3 推荐计算模块

推荐计算模块主要负责统计用户的购买数据，为计算商品杰卡德相似系数和用户皮尔逊相关系数提供依据，还有商品捆绑支持度和商品捆绑置信度的计算，该模块不对用户信息和商品信息进行任何调整操作，只进行数据统计和计算。

用户的购买数据也需要进行筛选，不能盲目地收集用户所有的信息，比如商品的集中频繁购买，少量数据的计算结果可能会有较大误差，但是垃圾数据和异常数据则可能直接导致计算结果错误，所以统计时需要有目的的筛选，筛选的规则是需要不断更新变化的，在统计过程中要预留拓展筛选的功能。

2.4 用户行为模块

用户行为模块主要用于补充用户画像。用户行为中包含了大量的用户信息，比如性别，购买记录和浏览记录的统计结果判断倾向，根据常用收货地址或者用户ip地址判断用户地区，以及根据用户的购买记录等判断用户购买力，根据当时未购买，短期内浏览或购买推荐商品辅助判断用户兴趣。

2.5 捆绑商品定价模块

捆绑商品的定价，可用收益期望来衡量是否最优。优惠的程度和用户购买的倾向是成正比的，用户购买欲望可以用指数函数来表示，我们认为价格的变化对购买概率的影响刚开始比较剧烈，随后变得平缓，这与指数函数分布的图像极为相似。当用户购买数据过少时，可从用户画像分析可推测用户的购买力区间，购买力区间是计算用户购买概率的重要因素之一。用户购买概率与捆绑商品利润的乘积，得到收益期望，计算得到最大的收益期望时的定价作为最终推荐捆绑商品的定价。

参考文献：

[1] Adams W J，Yellen J L.Commodity bundling and the burdenof monopoly[J]. Quarterly Journal of Economics， 1976， 90（3）：475-498.

[2] Schmalensee R.Cauddian demand and commodity bundling[J].journal of business ，1984，57（1）：58-73.

[3] Wendy Hui， Byungjoon Yoo， Vidyanand Choudhary，et al.Sellby bundle or unit？： Pure bundling versus mixed bundling of in-formation goods[J]. Decision Support Systems， 2012（53）：517-525.

[4] Bitran G R，Ferrer J C.On pricing and composition ofbundles[J].Production&Operations Management，2007， 16（1）， 93-108.

[5] Hitt L M，Chen P Y.Bundling with customer self-selection：asimple approach to bundling low-marginal-cost goods. Man-agement Science， 2005，5 1（10）： 1481-1493.

[6] Beladev M，Rokach L，Shapira B.Recommender systems forproduc bundling[M]. Elsevier Science Publishers B.V.2016.

[7] Guannan Liu， YanjieFu， GuoqingChen. Modeling Buying Mo-tives for Personalized Product Bundle Recommendation[J]. ACMTransactions on Knowledge Discovery from Data， 11（3）：1-26.

[8] Tang L，Tang L，Tang L，et al.Bundle recommendation inecommerce[C]// International Acm Sigir Conference on Re-search&Development in Information Retrieval. ACM， 2014.

[9] Wang H，Shi X，Yeung D Y.Relational Stacked DenoisingAutoencoder for Tag Recommendation[C]// Twenty-ninth AaaiConference on Artificial Intelligence. AAAI Press， 2015.[10Toine Bogers， Marijn Koolen， Cataldo Musto. Report onRecSys 2016Workshop on New Trends in Content-Based Rec-ommender Systems[J]. Acm Sigir Forum， 2017， 51（1）：45-51.

【通聯编辑：唐一东】

收稿日期：2019-08-15

基金项目：本课题得到湖南省教育厅科学研究项目一般项目资助（12C0769）

作者简介：李姣燕，讲师，研究方向为商务智能，运筹学;候彬钰，学生，研究方向为个性化推荐系统。