個性化捆綁銷售推薦系統

李姣燕 侯彬鈺

摘要：捆綁銷售是商家慣用的銷售策略，在電子商務領域，可以根據每個用戶個性化數據，可以進行個性化的捆綁方案。該文設計并實現了一個基于用戶和商品兩方面的個性化捆綁銷售系統，并通過對用戶購買力分類，計算顧客對推薦出的商品的購買欲望，從而得出優惠的捆綁價格。經過實驗驗證，該系統提高了商品銷售量并獲得了更多利潤。

關鍵詞：個性化;捆綁銷售;電子商務

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）34-0071-03

1 概述

捆綁銷售作為一種重要的銷售策略，能幫助商家擴大銷售，增加利潤。個性化服務已經是一個互聯網服務廣泛采用的技術，個性化推薦音樂，個性化推薦商品，個性化新聞推送應用越來越多。將個性化技術與捆綁銷售結合起來，可依據互聯網獲得的用戶數據進行針對性更強的個性化定制商品捆綁和定價，可獲得更高的銷售量并獲取更多利潤。

當前針對捆綁銷售的研究涉及捆綁銷售的經濟、管理決策及其影響，以及捆綁銷售不同的策略選擇。Adams and Yellen[1]研究捆綁模式下的福利水平，并奠定來捆綁銷售的重要基礎。Schmalensee[2]則考慮了需求連續分布的情況，及分布對企業利潤的影響。Wendi Hui[3]考慮了顧客兩種異質性，并分析不同情況下哪種捆綁策略更優。則Bitran[4]則提出了一個捆綁組合，并且最優定價。為了更符合顧客心意，Hitt[5]則提出了顧客白定義的捆綁組合方案?；ヂ摼W發展使得個性化推薦得到廣泛應用，個性化捆綁推薦策略變得更為容易和準確。Moran Beladev[6]等提出的捆綁推薦中考慮了顧客個人消費特征對保留價格的影響，以進行個性化定價。Guannan Liu[7]考慮用圖來表示物品之間的關系，在此基礎上來進行推薦。Tang Lei[8]第一次提出了將推薦商品集做一個整體來進行研究。

本文提出并設計實現了一個個性化捆綁銷售系統，系統由兩大塊組成，捆綁商品推薦部分和捆綁商品定價部分。捆綁商品推薦部分主要負責分析商品和用戶信息，針對用戶個性化推薦捆綁商品，而捆綁商品定價模塊，對推薦的商品組進行綜合定價。

2 系統模型

圖1為個性化捆綁銷售模型。

系統由兩大塊組成，捆綁商品推薦部分和捆綁商品定價。捆綁商品推薦部分主要負責分析商品和用戶信息，針對用戶個性化推薦捆綁商品，而捆綁商品定價模塊，對推薦的商品組進行綜合定價。

推薦部分主要由三個模塊構成，商品模塊、用戶模塊、推薦計算模塊。商品模塊和用戶模塊主要作為推薦的數據處理，推薦計算模塊則是數據的計算，按照公式得出結果后，以TOP-N的方式向用戶推薦前N項捆綁商品。

定價部分則由用戶行為模塊計算的用戶行為，及推薦的TOP-N商品，個性化定價模塊計算出推薦商品的捆綁定價。

2.1 商品模塊

該模塊主要功能有兩塊，一是篩選和轉換商品數據，生成推薦系統能直接使用的lson數據，不同電商網站對商品的處理也不同，推薦系統建立中間層轉換商品數據，之后的運算則不需要擔心數據格式問題。二是依據商品數據計算商品杰卡德相似系數。商品杰卡德相似系數的計算需要將商品的一些屬性標簽化，這些屬性包括商品自有屬性和關于用戶行為的屬性。

部分屬性可以直接轉換為標簽，比如商品的分類，在該推薦系統中，商品分類有三個層次，都可以直接作為商品的標簽，部分屬性則需要進行處理，比如價格，可將價格細分等級作為商品標簽，等級的價格的跨度逐漸增大。用戶行為也能作為商品標簽的一部分，根據商品訪問次數和購買次數，可以將商品的熱度分級，再將商品熱度增添至商品的標簽中。

某些電商網站可供用戶自定義商品標簽，此類標簽為大部分用戶所承認，可以直接用作杰卡德相似系數的計算，商品的標簽可以隨時拓展和更新，以滿足不同電商系統的需求，以及應對可能出現的特殊商品。

2.2 用戶模塊

用戶模塊主要做用戶畫像分析和用戶皮爾遜相關系數計算，用戶的購買行為，按商品的分類進行統計，作為計算用戶皮爾遜相關系數的主要依據，用戶畫像則主要用于捆綁商品的定價，使用戶對捆綁商品有較大的購買欲望。

用戶畫像分析的主要數據來源是用戶行為，包括了購買記錄、手機型號、手機系統、ip地址等數據，用戶畫像是動態的，所以也需要能隨時更新與拓展。

2.3 推薦計算模塊

推薦計算模塊主要負責統計用戶的購買數據，為計算商品杰卡德相似系數和用戶皮爾遜相關系數提供依據，還有商品捆綁支持度和商品捆綁置信度的計算，該模塊不對用戶信息和商品信息進行任何調整操作，只進行數據統計和計算。

用戶的購買數據也需要進行篩選，不能盲目地收集用戶所有的信息，比如商品的集中頻繁購買，少量數據的計算結果可能會有較大誤差，但是垃圾數據和異常數據則可能直接導致計算結果錯誤，所以統計時需要有目的的篩選，篩選的規則是需要不斷更新變化的，在統計過程中要預留拓展篩選的功能。

2.4 用戶行為模塊

用戶行為模塊主要用于補充用戶畫像。用戶行為中包含了大量的用戶信息，比如性別，購買記錄和瀏覽記錄的統計結果判斷傾向，根據常用收貨地址或者用戶ip地址判斷用戶地區，以及根據用戶的購買記錄等判斷用戶購買力，根據當時未購買，短期內瀏覽或購買推薦商品輔助判斷用戶興趣。

2.5 捆綁商品定價模塊

捆綁商品的定價，可用收益期望來衡量是否最優。優惠的程度和用戶購買的傾向是成正比的，用戶購買欲望可以用指數函數來表示，我們認為價格的變化對購買概率的影響剛開始比較劇烈，隨后變得平緩，這與指數函數分布的圖像極為相似。當用戶購買數據過少時，可從用戶畫像分析可推測用戶的購買力區間，購買力區間是計算用戶購買概率的重要因素之一。用戶購買概率與捆綁商品利潤的乘積，得到收益期望，計算得到最大的收益期望時的定價作為最終推薦捆綁商品的定價。

參考文獻：

[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.

【通聯編輯：唐一東】

收稿日期：2019-08-15

基金項目：本課題得到湖南省教育廳科學研究項目一般項目資助（12C0769）

作者簡介：李姣燕，講師，研究方向為商務智能，運籌學;候彬鈺，學生，研究方向為個性化推薦系統。