眼動行為數據挖掘在提取網上購物決策因子中的應用

施笑畏， 黃瑤佳， 胡鴻韜， 宓為建， 牛延華

(1．上海海事大學 物流工程學院，上海 201306； 2．德馬格起重機械(上海)有限公司，上海 201199)

0 引 言

隨著互聯網通信技術的迅速發展、電子商務規模的急劇膨脹以及近年來物流業的蓬勃發展，網上購物給顧客帶來前所未有的便利，顧客足不出戶就可分享到數以千計的商品和服務信息，并從中選擇自己喜愛的商品或服務.但同時隨著商品經濟的繁榮，網絡提供給客戶的選擇急劇增長，電子商務帶來的便利性也被信息過載這個新困擾逐漸消耗.

個性化內容推薦系統是一個解決信息過載并為用戶推薦個性化內容的高效系統，它根據用戶需求及其相關瀏覽行為等進行分析，將用戶感興趣的內容推薦給用戶，其核心和關鍵技術在于用戶興趣模型的建立.

從目前的研究成果來看，用戶的需求可以表現為顯性需求[1]和隱性需求[2].顯性需求主要依賴用戶對其興趣的準確表達，而隱性需求主要是通過分析挖掘用戶屬性(如年齡、收入、文化水平、職業等)、人機交互行為的歷史數據[3]及相關眼動特征[4]獲得的.要想準確表達用戶興趣模型就必須同時考慮顯性需求和隱性需求.另一方面由于網絡海量信息的影響[5]，用戶的喜好會隨時間和外界的影響發生變化.為挖掘用戶的興趣，提高用戶興趣模型的精度和效率以及用戶網上購物的滿意度，首先利用客戶體驗管理(Customer Experience Management,CEM)分析影響用戶網上購物的因素，然后運用馬爾科夫鏈分析用戶的網上購物行為數據，并結合眼動數據，最終挖掘出主要影響因素以及各自所占的權重,為網上商家提供建設性意見并為用戶的個性化興趣建模提供相關理論依據.

1 網上購物決策因子研究的建立

比較購物是細分出來的網上購物領域中的一個專業搜索引擎.比較購物網站的搜索結果比通用搜索引擎獲得的信息更加集中、全面.好的比較購物網站往往能及時且完整地抓取商品信息，使網絡用戶對市場上某類商品的價格變化、用戶評論、店鋪信用等一目了然.

目前，中國的比較購物環境尚未成熟，比較多的形式是“網上購物導航+網上購物社區”，購物搜索僅僅集成于此類網站中，暫可稱這種模式是國內比較購物的雛形.現階段比較購物主要體現在社區評價，以網上店鋪與用戶的社區互動為主.一些用戶的體驗、產品測評也多數發布在社區.一些網站雖然可以進行初步的商品對比，但模式機械、程序繁瑣、推薦效果不理想，導致網站效率低下，成交額受到嚴重影響.要抓住顧客，就必須研究影響用戶決策的主要因素，使推薦信息具有針對性，以簡化用戶決策流程，提高效率，因此迫切需要對影響用戶網上購物決策的主要因素進行研究，這對網上商家來說更是刻不容緩.根據網絡提供的信息，僅淘寶店鋪而言，上海2009年就有288 600家之多[6]，但正常營業的只有三分之一，大部分中小型網上商家人氣不足、銷量低迷.研究網上購物決策的主要影響因素，給網上商家提供理論依據及建設性意見，對網上商家乃至電子商務行業意義重大.

在事件的發展過程中，若每次狀態的轉移都僅與前一時刻的狀態有關，而與過去的狀態無關，或者說狀態轉移過程是無后效性的，則稱這種狀態轉移過程為馬爾科夫過程.購物網站打開后，客戶就開始網上購物行為:眼睛掃視頁面、注視產品圖片、滾動頁面、鼠標光標移動和點擊等.這些行為沒有規律可循，相互之間也沒有太多的聯系，完全是隨用戶個體的興趣、需求、習慣等而改變，所以得到的數據都是動態的，且前后狀況之間都沒有關系，符合運用馬爾科夫鏈分析的數據的特點.

本文用馬爾科夫鏈分析用戶的網上購物行為數據，得到用戶各網上購物行為所占比例,研究的基本框架見圖1.首先通過CEM得到用戶的清晰反饋，初步得到影響用戶網上購物決策的影響因子；其次以采集到的行為數據結合馬爾科夫鏈算法挖掘主要影響因子；最后通過相關眼動參數和調查研究對主因子進行確認并分析主決策因子對網上購物的影響權重.

圖1 網上購物決策因子研究框架

2 CEM下用戶決策的影響因子分析

為研究用戶網上購物過程中各影響因素所占比重，采用CEM[7]對各影響因素進行系統分類，再運用調查問卷對分類出的因素進行選擇，從中找出最為重要的幾個影響因素，分析篩選出重要因素.本次調查得到有效問卷123份，根據CEM匯總分析這些數據，得到影響用戶網絡購物決策的顯性因素,具體情況見表1.

表1 CEM匯總分析

分析發現品牌形象不只是用戶的關鍵體驗，也是目前網購做得最差的地方，計算出來的滿意度權重是-16分.另外，產品、價格、便利性也有一定的提升空間，所以品牌形象、產品、價格和便利性就是本次重點研究的影響用戶網購決策的4個因素.

3 網上購物行為數據分析

3.1 用戶決策數據獲取

本文利用java等技術記錄用戶的瀏覽行為，其優點在于整個過程不需要用戶的主動參與，不需要中斷用戶的瀏覽操作，也不會給用戶帶來不良的瀏覽情緒.通過Live Record對實驗者在實驗中的操作進行記錄，可以發現用戶在瀏覽時的行為主要包括以下幾個方面：滾動頁面、點擊鼠標、移動光標、其他(主要指用戶走神或與網上購物關聯不大的行為).

馬爾科夫預測法[8]的基本要求是狀態轉移概率矩陣必須具有一定的穩定性.因此，必須具有足夠的統計數據，才能保證預測的精度與準確性.具有大量的統計數據是運用馬爾科夫預測法的一個基本條件.本文隨機選取48位調查者作為本次研究的實驗者，在常用網上購物網站的日用品——洗發水網頁上實現購買行為.分別進行2次及以上實驗，得到實驗者的行為數據，滿足馬爾科夫預測法的基本條件.匯總數據，將所有實驗數據求平均，算出網上購物行為所占比例，見表2.

表2 網上購物行為所占比例 %

為得到實驗者較為穩定的網上購物行為數據，進行多次實驗并求其平均值，并將幾次實驗中各種行為之間的轉化情況記錄下來，見表3.

表3 實驗中網上購物行為轉化比例 %

3.2 基于馬爾科夫鏈的用戶行為預測

3.2.1 創建初始轉移概率矩陣

設某一事件發展過程有E1，E2，…，En等n種可能的狀態.記從Ei到Ej的狀態轉移概率矩陣為P，則

(1)

轉移概率矩陣中

(2)

由表3可得該實驗的一步轉移概率矩陣

3.2.2 決定初始狀態的市場概率矩陣

初始狀態概率矩陣

(3)

3.2.3 建立馬爾科夫鏈模型

由式(1)和(3)可得

(4)

運用馬爾科夫鏈，得到用戶進行網上購物操作中的各種行為終極狀態所占的比例,見表4.

表4 網上購物行為終極狀態所占比例 %

從實驗錄像中可以看出,實驗者網上購物行為與購物時受到的影響有直接聯系.每一個行為的產生都是由不同的因素所導致的，而同一個因素也可以導致不同行為的產生.[9]根據實驗錄像，將主要網上購物行為及其產生原因匯總于表5.

表5 不同因素導致的網上購物行為所占比例 %

將表4和5按乘法原理處理可以得到表6.從表6可得在影響網上購物的4個主要因素中，品牌形象所占比例最高，即在網上購物時優先選擇信譽較高、可靠度高的網上購物網站，在購買產品時也會優先考慮該產品的品牌、知名度，因為用戶覺得品牌是產品質量的保證.其次是價格，標有特價、折扣價的產品會更容易吸引用戶的興趣，會讓用戶去點擊了解商品.如果該商品有較高的性價比，就比較會被用戶放進購物車.再其次是產品(產品圖片)的吸引力以及購買流程和付款收貨的便捷程度.

表6 結合影響因素的網上購物行為終極狀態比例 %

4 結論驗證

4.1 結合眼動參數的結論驗證

相關研究已經表明眼動特征能在一定程度上反映用戶的興趣點所在.[10]通過研究網絡用戶的眼動特征，包括瞳孔直徑、第一次注視點、注視點分布、眼動軌跡[11]等從側面驗證網上購物者的興趣所在，從而進一步提高本研究的正確性和精度.運用眼動儀收集本研究中測試者的眼動數據，記錄測試者在發生網上購物行為時的眼動特征，結合實時錄像分析測試者的興趣.

眼瞼情況[12]：記錄眼瞼變化及時間，同步比對影像，得到用戶感興趣的地方.注視情況[9]：記錄注視變化及時間，同步比對影像，得到用戶感興趣的地方.瞳孔情況[13]：記錄瞳孔直徑變化及時間，同步比對影像，得到用戶感興趣的地方.影像記錄：眼動儀在記錄以上參數變化的同時，還記錄每一秒用戶的參數變化.分析最后生成的Excel表格中時間以及對應的參數變化和Live Record所記錄的用戶具體購物操作，就可以知道哪些地方是用戶的興趣點.利用SPSS對比眼瞼和瞳孔情況，采用曲線估計分析眼瞼和瞳孔數據.選取實驗者在瀏覽和選購時的數據進行分析.運用SPSS可以得曲線估計圖2和3.

圖2 眼瞼曲線估計

圖3 瞳孔曲線估計

從圖2和3可以看出，測試者在看見自己感興趣的網頁時會全神注視，同時瞳孔會保持張大的狀態.同時可知:當單位眨眼數越小、瞳孔直徑比正常直徑大、一定時間內不滾動頁面、眼睛注視同一片區域時，說明用戶對該信息感興趣.再根據影像記錄，匯總引起實驗者興趣的是哪類影響因素，得出其主要影響因素是品牌及價格.

為驗證本文分析的正確性，在人人網上發布網上購物決策影響因子調查問卷(問卷的對象是網上購物用戶).實得有效問卷235份，經統計分析得到以下結論：品牌形象的權重為33%，價格的權重為20%，產品(產品圖片)的權重為15%，便利性的權重為11%.由此可知，實驗結論可較為準確地反映影響網上購物行為的因素權重.

在網上購物的缺點上，認為商品質量低劣的用戶占56.25%，認為到貨時間偏長和郵費貴的用戶各占31.25%，認為網上購物存在欺詐行為的占25%.這也是網上購物用戶一般在選購商品和服務時非常看重品牌形象的主要原因，他們認為品牌商品有品質保障并且售后服務到位.

5 結束語

根據實驗分析得到影響網上購物的主要因素的權重：首要因素是品牌形象、價格,其次是產品(產品圖片)、便利性，再其次是服務以及其他因素.雖本文將馬爾科夫鏈算法與一些相關算法結合，但仍存在缺陷，數據分析存在一定的誤差，值得用更為先進的技術手段進行進一步的研究.

參考文獻：

[1]RYEN W W. The use of implicit evidence for relevance feedback in Web retrieval[J]. Lecture Notes in Comput Sci, 2002, 2291: 449-479.

[2]ZIGORIS P, ZHANG Y. Bayesian adaptive user profiling with explicit & implicit feedback[C]//Proc 15th ACM Int Conf Inform & Knowledge Manage， ACM, 2006: 397-404.

[3]付關友. 基于瀏覽行為分析的用戶興趣挖掘[D]. 重慶: 重慶大學, 2004.

[4]燕保珠. 眼動研究在網站可用性測試中的應用[D]. 北京: 北京郵電大學， 2011.

[5]施笑畏, 宓為建. 基于模糊邏輯的多級代理推薦系統[J]. 上海海事大學學報, 2011, 32(4): 71-75.

[6]王賢文, 徐申萌. 中國C2C淘寶網絡店鋪的地理分布[J]. 地理科學進展, 2011, 30(12): 56-61.

[7]SCHMITT B H. Customer experience management: a revolutionary approach to connecting with your customers[M]. New Jersey: Wiley, 2003: 234-238.

[8]GILKS W R, RICHARDSON S, SPIEGELHALTER D J. Markov chain Monte Carlo in practice[M]. London: Chapman & Hall, 1996: 56-60.

[9]HUANG J, WHITE R W, DUMAIS S. No clicks, no problem: using cursor movements to understand and improve search[C]//Proc SIGCHI Conf Human Factors Computing Systems， ACM, 2011: 1225-1234.

[10]BALL L J, LUCAS E J, MILES J N V,etal. Inspection times and the selection task: what do eye-movements reveal about relevance effects? [J]. Q J Exp Psychol, 2003, 56(6): 1053-1077.

[11]DIXSON B J. Eye tracking reveals men’s appreciation of the female form[J]. Human Natural, 2010, 21: 355-370.

[13]GLAHOLT M G, WU M C, REINGOLD E M. Predicting preference from fixations[J]. PsychNology J, 2009, 7(2): 141-158.