基于相似偏好模型的产品组合精准营销策略研究

张慧玲

摘要：本文针对用户观看行为建立用户兴趣偏好模型，将用户观看记录、点播记录和观看时长相结合，采用基于用户的协同过滤的算法，刻画用户特征，建立用户相似兴趣偏好矩阵。本文建立了一种基于相似偏好用户的产品组合模型，模型采用TOC约束理论下的产品组合模型为基础，利用约束理论简化模型，并用粒子群算法求得满意解。最后结合某企业给出的大量数据，求解模型，为企业营销提供有力的数据支撑。

本文的研究能够使企业产品组合营销更加智能、高效、便捷。结果表明，该方法能够有效地刻画用户偏好，更好地了解客户需求，提高产品组合套餐的精确性，有利于企业产品营销。

关键词：用户兴趣偏好;产品组合模型;协同过滤

1 绪论

1.1研究背景

1.1.1 研究相似偏好模型的意义

近年来互联网技术的快速发展，“三网融合”（因特网、电信网、广播电视网）为传统广播电视媒介带来了发展前途，广播电视运营商与众多家庭用户实现信息的实时交互，使得全方位、个性化的产品营销和有偿服务成为现实。社会多元化的发展创设了各具特色的电视节目，而由于用户的认知不同、爱好不同，使得用户在种类繁多的电视节目面前表现出了倾向性的选择行为，这样的行为偏好有明显的个体差异，也呈现出群体特征。

本文将利用用户观看电视节目的信息数据，从倾向性选择的海量数据中分析用户特征，揭示出潜藏在用户内心的需求偏好，实现对用户的精准定位和精确推荐，既满足用户个性化需求又提高企业的销售量以及知名度。

1.1.2 研究产品打包精准推荐的意义

当今，在市场分割争夺异常激烈的情况下，各个企业面临的竞争日益加剧，仅仅生产一种产品的企业是很难生存的。产品组合是企业的常见决策之一，产品组合是在已有的市场需求下，优化产品类型和数量，更好的满足消费者的需求，提高企业的竞争力和企业的销售量，帮助企业能够更好、更长远的发展。本文将根据运营公司提供的产品信息数据，设计精准营销推荐方案，既节约成本又提高利润，既留住老用户又吸引新用户，以此不断提高产品在市场的竞争力和可持续占有率。

1.1.3 传统产品打包出现的问题

如何在激烈的市场竞争中保持领先成为企业的首要任务，以Amazon为例，作为全球最大的在线零售商之一，首页流入的用户多，同品类产品数量巨大，如何成功吸引用户，让用户购买到喜欢的商品，成为这类企业不得不关注和解决的问题，而Amazon则是通过热点推荐、爆款和人气单品进行智能推荐，并将经常一起购买的产品打包销售，最后通过同样购买了此商品的用户的购买记录进行相关推荐，找出用户的显示需求和硬是需求。综上所述，本文将结合协同过滤算法和粒子群算法思想，建立基于相似偏好用户的产品打包优化模型，有效解决企业目前的产品销售问题。

1.2 研究内容

1.2.1 用户偏好的研究

用户在考量商品和服务时，根据自身认知、心理感受及理性的经济学权衡所做出的理性的、具有倾向性的选择，称为用户偏好。基于用户的历史观看记录和点播记录，研究用户更加偏好哪些产品，即用户对不同产品的敏感程度，为产品贴上“标签”，命名为“产品偏好系数”。同时也可以根据用户的观看数据，可以为用户贴上“标签”，从而结合产品标签和用户标签，能够精确的进行产品组合和推荐。

1.2.2 产品打包模型的构建

本文提出了一种基于相似偏好用户的产品打包模型，模型采用TOC约束理论下的产品组合模型为基础，利用约束理论简化模型，并用粒子群算法求得满意解。从而达到产品的精准营销，最终改善企业的销售情况。

1.2.3 挖掘目标

本文利用机顶盒收集的大量用户观看记录信息数据，采用数据挖掘技术，对用户的特征进行刻画，得到用户的偏好，提出了基于相似偏好用户的产品精准营销推荐模型，建立合理、能够准确度量用户偏好的方法。通过将用户偏好与产品组合问题充分结合，进而帮助企业了解市场、了解用户，科学的进行产品套餐推荐，最终帮助企业改善销售情况和提高企业竞争力。

1.3 研究现状

1.3.1 相似偏好用户的研究现状

胡昌平等人提出了基于用户行为的用户偏好的研究，他认为可以通过日志分析、Cookie分析和智能代理分析研究出个性化推荐中用户行为产生的影响。江海洋等人提出了基于评论挖掘和用户偏好学习的评分预测协同过滤的研究，该研究首先通过挖掘用户评论学习出用户偏好，再根据用户偏好预测出产品推荐。王伟军提出了一种定向协同过滤推荐算法，该算法的优点是基于用户偏好，结合用户兴趣的相似度，刻画用户个性特征，进而进行个性化推荐。由此可见用户的偏好对于一个产品以及产品的组合研究至关重要，在基于用户的偏好的情况下而形成的产品营销模型能够给企业带来更高的销售量，用户的需求亦得到了满足。

1.3.2 产品打包推荐的研究现状

叶红云在面向金融营销问题的个性化推荐方法研究中针对协同过滤的个性化推荐，提出了通过社团挖掘来细分经融客户的方法。但随着技术的快速发展，商品的多样性增加，导致商品与商品之间的相关性降低，因此，林佳雄设计了一个面向演化规则集的推荐模型，该模型引入了新的概念层次，并建立了演化规则集，这种新思路有效的在协同过滤推荐的技术上提高了商品与商品的相关性。产品与产品的相关性在产品进行组合销售时可以为用户提供相关的推荐，以达到产品的有效营销和用户需求的满足。基于产品的相关性而进行的产品打包推荐能够进行有效的销售。

2 分析方法与过程

2.1 总体流程

2.1.1 研究步骤

研究過程的总体流程图如图2-1-1所示：

2.2 研究方法

2.2.1 基于user的协同过滤（user-based CF）

本文的用户兴趣偏好建模主要基于用户观看电视节目过程中的用户历史点播记录和电视节目的基本属性进行相应的计算。

对于每个用户Ui，定义在用户历史点播记录中，用户Ui观看电视节目V的总次数为Cij，用户Ui观看的电视节目总数为Nj;用户Ui观看电视节目的总次数为Cj;用户Ui观看电视节目Vi的总时长为sum timeij;用户Ui观看电视节目的总时长为sum timej。具体计算公式如下：

对于每个电视节目Vj，定义在用户历史点播记录中，观看电视节目Vj的用户总数为Mi;电视节目Vj被全体用户观看的总次数为Ci;全体用户观看电视节目Vj的总时长为sum timei。具体公式如下：

定义基于全体用户观看同一个节目的平均时长的时间调整系数α计算如下：

其中，α表示用户Ui观看电视节目Vj的时长占全体用户观看电视节目Vj的平均时长的比例，α越大，说明相对于全体用户，用户Ui比较喜欢电视节目Vj。

定义基于全体用户观看同一个节目的平均次数的频率调整系数β计算如下：

其中，β表示用户Ui观看电视节目Vj的次数占全体用户观看电视节目Vj的平均次数的比例，β越大，说明相对于全体用户，用户Ui比较喜欢电视节目。

用户Ui对电视节目Vj的兴趣偏好具体计算公式如下：

其中，Ri，j表示基于用户行为的用户Ui对电视节目Vj的兴趣偏好，Cij表示在用户历史点播记录中，用户Ui观看电视节目Vj的总次数，表示每条用户历史点播记录中，用户Ui观看电视节目Vj的时长占电视节目Vj的时长的比例，α、β分别从全体用户观看同一个节目的平均时长和平均次数。该模型分别从单一用户和全体用户的历史行为，深入挖掘用户对电视节目的兴趣偏好，充分考虑了单一用户的个性化要素和全体用户的一般性要素，提高了用户兴趣偏好建模的准确性。

2.2.2 粒子群算法

粒子群算法凭借它实现容易、精度高、收敛快等优点引起了学术界广泛的重视，并且在解决实际问题中，它能够很好地解决类似于产品组合这样的约束问题，成功体现出了它的优越性。因此，本文将利用粒子群算法解决产品组合问题。

2.3 基于相似偏好用户的基本理论模型

2.3.1 模型假设

1） 假设本文中所有的数据来源真实可靠，不存在虚假信息。

2） 假设不考虑其他因素对本文中相关因素的影响。

2.3.2 变量说明

对本文中所有的变量在此进行声明，具体对应的变量含义如表2.3.2所示，（其中j表示产品，i表示用户）：

2.4 面向用户的电视节目推荐方法

本文主要根据用户的收视信息、点播信息以及电视节目的信息采用协同过滤推荐方法提出了一种实时推荐方法，具体包括：（1）用户偏好建模：基于2.2.1提出的用户兴趣偏好建模方法，建立用户兴趣偏好矩阵;（2）实时推荐过程：根据在特定的时间段里当前用户观看的电视节目或是点播的节目，基于电视节目的相似性来进行实时的更新推荐列表。

2.4.1 用户之间相似性计算

一般来说，如果两个用户对同一个节目采取过想同的行为，那说明他们具有相似的偏好。但是要考虑到热门电视节目对用户相似性的影响。

生成推荐列表：针对目标用户mi，根据用户间相似性进行排序，选择相似性最大的N个用户作为目标用户mi的邻近选择集合sum（i）。根据用户偏好矩阵R以及邻近选择集合sum（i）来推测目标用户mi对其他电视节目Vj的偏好wi。

2.4.2 产品之间相似性计算

在计算产品之间的相似性，可通过对某一电视节目Vj所观看的用户人数比例来推测电视节目之间的相似性。

生成推荐列表：根据电视节目之间的相似性，选择相似性最大的K个电视节目作为电视节目Vj的邻近选择集合sum（j）。根据用户偏好矩阵R以及电视节目的邻近选择集合sum（j），预测用户Ui对电视节目的偏好di。

从而推荐出符合用户偏好的电视节目以及产品组合，在满足用户需求的同时也可以提高企业的销售量、提高竞争力。

2.5 数据分析

2.5.1 用户数据分析及产品的精准营销推荐策略

为了能够直观的看到不同用户兴趣偏好建模情况下对个性化推荐结果的影响，现随机在训练集中抽取用户的历史点播记录进行对比实验，得到生成有效的用户历史点播记录，如表2.5.1所示：

对于用户Ui观看的一些电视节目Vj，根据公式（2.2）计算出观看电视节目Vj的用户总数Mi，电视节目Vj被全体用户观看的总次数Ci，全体用户观看电视节目Vj的总时长sum timej，如表2.5.2所示：

根据公式（2.2）、（2.3）、（2.5）来分别计算全体用户观看同一个节目的平均时长的时间调整系数α、全体用户观看同一个节目的平均次数的频率调整系数β，并基于用户偏好的建模方法生成用户Ui对电视节目的兴趣偏好Ri，j，从而生成有效的产品推荐列表，如表2.5.3所示：

采用相同的 top-N 推荐算法分别基于常用的用户兴趣偏好建模方法和本文提出的用户兴趣偏好建模方法为用户Ui生成推荐列表list和list'，并与在测试集中用户Ui实际观看的电视节目进行对比，如表2.5.4所示：

2.5.4 基于不同用户兴趣偏好建模的推荐列表

根据某电视服务商机顶盒收集的用户收视信息、用户单片点播信息、用户基本信息以及电视产品信息作为原始数据进行相关实验，如表2.5.5所示：

由于不同的用戶所观看的频道数目是不一样的，可以根据用户所观看的频道号对应的次数来进行协同过滤或是产品相似性来计算不同用户对不同节目的偏好程度来进行产品的精准推荐。

2.5.2 產品数据分析及相似偏好用户的产品组合推荐策略

根据全体用户对电视节目的观看总次数得到用户比较偏好的电视节目，如表2.5.6所示：

根据协同过滤算法以及用户偏好建模方法对用户进行产品组合推荐，对用户的实际点播的电视节目计算出精准推荐列表2.5.7：

根据协同过滤算法以及用户偏好建模方法对用户进行产品组合推荐，对用户的实际点播的电视节目计算出产品组合推荐列表2.5.8：

在对用户进行实时推荐时所推荐的产品组合能够最大化的将用户感兴趣的电视节目组合在一起，而离线推荐对用户所推荐的产品组合有限，因此实时推荐的推荐效果更佳。

3 研究结论

3.1 研究结论

在市场竞争激烈，用户需求多元化的今天，随着企业推出的产品不断增加，产品组合越来越庞大，进而导致销售下降、产品推出失败，如何在激烈的市场竞争中生存，需要企业制定良好的策略，一个良好的销售策略是提升公司盈利的重要方式。互联网在线购物平台使得产品变得越来越多样化，传统的产品组合问题不再适用。因此本文提出了一种基于相似用户偏好的产品精准营销优化模型。其中本文的主要工作内容如下：

（1）根据对研究背景、理论背景以及当今研究现状的分析，本文提出了基于相似用户偏好的产品精准营销优化模型，并且对论文所涉及的产品组合问题、用户偏好问题和产品推荐进行了梳理与研究，因此本文研究具有可靠的理论与现实依据。

（2）本文建立了基于用户偏好的点播记录的产品组合优化模型。在点播记录下的产品组合优化模型中，主要考虑了较为简单的一组点播记录的情形。实证研究表明，单次点播下的产品组合优化模型在决策时主要考虑产品的售价，其中产品售价由用户偏好系数以及产品利润共同决定。但是单次点播下的产品组合优化模型结果过于单一，考虑目标不够充分。考虑多目标的多次点播下的产品组合优化模型不仅能够为企业选择合适的产品，提高销量与利润，同时也可以有效降低产品库存，从而降低成本。

（3）本文通过产品推荐研究计算用户偏好系数，提高了模型对于用户偏好的感知能力。实证研究表明，用户偏好系数大的商品优先销售，从而提高销量与利润，因此具有良好的应用价值。

综上所述，本文所研究的基于相似用户偏好的产品精准营销优化模型使得企业产品打包推荐更加精准、智能、便捷。因此，基于相似用户偏好的产品精准营销优化模型不仅在理论方面成功结合了用户偏好这一特性，而且在实际方面也有良好的应用价值。

3.2 研究不足

本文是面向电视观众提出的一种基于相似偏好用户的产品精准营销模型。从用户对不同电视节目的观看记录以及节目的点播，对用户进行特征画像，研究用户对每个电视节目的观看喜爱度，以得到用户的偏好，就能对用户进行产品推荐，从而来提高企业的销售量。这种营销模式使得电视节目的推销更加智能化、个性化。因此，提出了基于相似用户偏好的产品精准营销优化模型，尽管模型取得了良好的效果，但仍有如下不足：

（1）影响用户偏好的因素有很多，本文只考虑几个比较有典型特征的因素，因此模型的适用性并不高。

（2）本文所用建模数据都来自于网络，因此本文研究的应用范围具有一定的局限性。

针对上述论文的不足之处，笔者认为仍有以下几处需要进一步研究：

（1）在考虑用户偏好影响因素方面，本文研究仍有不足，今后研究可以考虑更加全面的用户偏好内容。

（2）在建模与实证过程中，本文数据来源较为单一，在未来的研究中可以考虑引入更多的数据来研究。

参考文献

[1]顾辰飞.基于用户偏好的促销产品组合优化研究[D].上海：东华大学，2017.

[2]罗贺，赵培.面向电视观众的用户兴趣偏好模型方法[A].中国管理科学，2016.

[3]胡昌平，邵其赶，孙高岭.个性化信息服务中的用户偏好与行为分析[J].情报理论与实践，2008，31（1）：4-6.

[4]江海洋.基于评论挖掘和用户偏好学习的评分预测协同过滤[J].计算机应用研究，2010，27（12）：4430-4432.

[5]王伟军，宋梅青.一种面向用户偏好定向挖掘的协同过滤个性化推荐算法[J].现代图书情报技术，2014（6）：25-32.

[6]叶红云.面向金融营销问题的个性化推荐方法研究[D].合肥工业大学，2011.

[7]林佳雄.关联规则挖掘在电子商务推荐系统中的应用研究[D].暨南大学，2011.

[8]赵培.面向家庭用户的电视节目动态推荐方法研究[D].合肥工业大学，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.