CN106548369A - 基于蚁群算法的电子商务消费者意图识别方法 - Google Patents

Abstract

本发明公开了基于蚁群算法的电子商务消费者意图识别方法，包括以下步骤：S1，根据商品属性和网络平台链接数据，建立智能体仿真的网络结构,同时设置消费者的感知能力；S2，依据所采集的消费者的跳转和操作记录，运行智能体仿真程度，待运行一定步长数S后，此时信息素浓度收敛，采集各商品和各路径上的信息素浓度；S3，将信息素浓度与商品属性、消费者感知能力和网络拓扑一起作为经过历史数据训练后的神经网络分类器的输入，将其用于新返回数据的分类，识别消费者的浏览、收藏、加入购物车和购买等意图，转步骤S2。本发明通过蚁群算法来呈现消费者意图的发展动态性和不确定性，大大提高了准确识别消费者意图的概率。

Description

基于蚁群算法的电子商务消费者意图识别方法

技术领域

本发明涉及一种电子商务消费者意图识别方法，特别是一种基于蚁群算法的电子商务消费者意图识别方法。

背景技术

消费者意图的识别对于电子商务商品推荐、热点引流商品选取、网站布局以及链接的设置有至关重要的影响。目前的大部分研究都认为意图是静态的，即特定的意图是伴随着特定的环境的，因而在特定的环境下不定有变化。然而，消费者在电子商务活动中访问和选购商品时不确定性告诉我们消费者的意图可现为多种形态，并且是多阶段发展的，因此现有的消费者意图识别方法无法呈现消费者意图的发展动态性和不确定性，导致消费者意图的识别准确率不高，不利于电子商务的发展和推广。

发明内容

为解决上述问题，本发明的目的在于提供一种基于蚁群算法的电子商务消费者意图识别方法。

本发明解决其问题所采用的技术方案是基于蚁群算法的电子商务消费者意图识别方法，包括以下步骤：

S1，根据商品属性和网络平台链接数据，建立智能体仿真的网络结构，同时设置消费者的感知能力；

S2，依据所采集的消费者的跳转和操作记录，运行智能体仿真程度，待运行一定步长数S后，此时信息素浓度收敛，采集各商品和各路径上的信息素浓度；

S3，将信息素浓度与商品属性、消费者感知能力和网络拓扑一起作为经过历史数据训练后的神经网络分类器的输入，将其用于新返回数据的分类，识别消费者的浏览、收藏、加入购物车和购买等意图，转步骤S2。

进一步，消费者意图具有两种模型，分别为意图发展模型和意图转移模型，如果消费者在下一个操作时选择在本页继续浏览，则该消费者的消费意图属于意图发展模型，否则该消费者属于意图转移模型。

进一步，当消费者意图属于意图发展模型时，意图强度计算公式为

其中k_pi，k_bi，k_vi，k_ni和k_li分别表示消费者i在t次操作时对商品的价格、品牌、消费者评价、成交量和消费者群体偏好的感受能力，p_j，b_j，v_j，n_j，l_j分别表示商品j在t次操作时的价格、品牌、消费者评价、成交量和消费者群体偏好的属性值，τ_ij(t)为消费者i在t次操作时对商品的意图强度值。

进一步，当消费者意图属于意图转移模型时，意图强度计算公式为τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t)，其中

k_pi，k_bi，k_vi，k_ni和k_li分别表示消费者i在t次操作时对商品的价格、品牌、消费者评价、成交量和消费者群体偏好的感受能力，p_j，b_j，v_j，n_j，l_j分别表示商品j在t次操作时的价格、品牌、消费者评价、成交量和消费者群体偏好的属性值，ρ表示信息素挥发系数，Δτ_ij(t)表示信息素增量，τ_ij(t)为消费者i在t次操作时对商品的意图强度值，τ_ij(t+1)为消费者i在t+1次操作时对商品的意图强度值。

进一步，为消费者意图强度的增加值，在初次操作时时为0，随着算法的进行，由消费者的选择和购买来决定，当消费者选择某条路径或继续在代表某商品的页面上浏览、收藏、加入购物车和购买某商品时，消费者便给该条路径留下了一定量的信息素，使得该商品的信息素增加，即这时系统整体体现为正反馈；如果消费者没有选择浏览该商品或者没有执行浏览、收藏、加入购物车和购买操作，那么该商品的信息素没有增加，即

本发明的有益效果是：本发明是一种基于蚁群算法的电子商务消费者意图识别方法，本发明将蚁群算法中蚂蚁来表示消费者，信息素来表示消费者意图，通过蚂蚁对信息素的趋好性来获取消费者的浏览、收藏、加入购物车和购买行为的意图，因为消费者意图为商品的客观属性与消费者的主观感受的匹配，所以，我们将信息素表示为商品的客观属性和消费者感知能力的内积，其值即为消费者意图的意图强度值，这样即可以通过蚁群算法来呈现消费者意图的发展动态性和不确定性，大大提高了准确识别消费者意图的概率。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是消费者意图强度的计算流程图；

图2是消费者意图的单层结构示意图；

图3是消费者意图的树状结构示意图；

图4是消费者意图的网状结构示意图；

图5是不同消费者对于商品的影响因素的感受能力表；

图6是消费者意图阶段与网络操作行为的对应图；

图7是消费者的意图识别算法结构图；

图8是消费者数据表；

图9是商品数据表；

图10是参数α、β和ρ的参数值表；

图11是参数与信息素的相关性分析表；

图12是信息素强度分布图；

图13是不同信息素强度下的行为概率分布；

图14是消费者意图识别准确率表格；

图15是电子商务环境网络图。

具体实施方式

本发明是一种基于蚁群算法的电子商务消费者意图识别方法，消费者意图的识别对于电子商务商品推荐、热点引流商品选取、网站布局以及链接的设置有至关重要的影响。目前的大部分研究都认为意图是静态的，即特定的意图是伴随着特定的环境的，因而在特定的环境下不定有变化。然而，消费者在电子商务活动中访问和选购商品时不确定性告诉我们消费者的意图可现为多种形态，并且是多阶段发展的。因此，本研究将蚁群算法中蚂蚁来表示消费者，信息素来表示消费者意图，通过蚂蚁对信息素的趋好性来获取消费者的浏览、收藏、加入购物车和购买行为的意图。因为消费者意图为商品的客观属性与消费者的主观感受的匹配，所以，我们将信息素表示为商品的客观属性和消费者感知能力的内积，其值即为表示消费者意图的信息素的浓度。这样即可以通过蚁群算法来呈现消费者意图的发展动态性和不确定性。然后，本发明通过NetLogo仿真实验以获取数据，再以神经网络来识别和验证消费者的浏览、收藏、加入购物车和购买意图。实验结果表明：在90％的显著性水平下，本发明所提出的模型将意图预测的准确度从48％提升到67％左右，具有良好的现实意义。在电子商务经营活动中，消费者意图是指消费者在进行消费行为前了解、关注、需求和行动的心理表征。消费者意图的识别有助于：商品生产者设计和生产符合消费者意图的商品，电子商务运营者以恰当的策略服务于消费者，并以合适的方式将符合消费者意图的内容展现给消费者。消费者意图的准确识别这对于电子商务商品推荐、爆款引流产品的选取、网站链接及布局的设计都有着重要的影响。因此，准确识别消费者的意图是电子商务经营中的最重要一项工作，吸引了大量的电子商务研究人员的关注，成为了电子商务领域的研究焦点。

消费者意图的识别本质上是一个分类问题。分类问题中的目标结构对分类方法的影响巨大。按照分类目标结构来分，消费者意图可以是单层结构，树状结构和网状结构。

图2是消费者意图的单层结构示意图，如图2所示，持单层结构观点的学者在研究消费者意图的识别问题时，都认为消费者意图是离散的，相互并行的。因此，研究者所需要做的事情是把所有可能的候选意图列举出来，然后通过机器学习将特征值与特定的意图挂钩，即可以找到识别消费者意图的规律；图3是消费者意图的树状结构示意图，如图3所示，持有树状意图观点的学者认为单层的意图不足以表达消费者意图的深入性，消费者意图是逐层深入的，真正能表达消费者意图的是子意图，因此，识别消费者的意图需要判断其子意图，相此于上层的意图来说，每个子意图描述了消费者的一个更为细节的、独特的消费者需求，在研究方法上，通过树状结构来找到各个节点的意图判断条件即可以识别到消费者意图；图4是消费者意图的网状结构示意图，如图4所示，持有网状意图观点的学者认为各个意图之间不是割裂的，而是相互关联的，因此，意图之间在特定的条件下可以相互转化。在研究方法上，研究者们所采用的意图识别方法大部分是是基于图论的网络分析方法。

以上的意图识别方法均忽视了消费者意图的主观能动性，将意图与消费者意图所处的环境以及自身思维活动的动态性割裂开来。这样直接导致只能找到消费者意图点，而不能确定消费者意图的强度，因此将直接导致消费者意图的判断准备度较低。以上的研究的意图识别精度最高值一般在55％左右，大部分情况下会更低，这直接影响了电子商务的运营效率和转化率。

电子商务活动中，消费者意图具有明显的不确定性和动态性。其不确定性体现在：消费者并不确定自身的意图目标，只有在特定的条件下才能明确自己特定的商品目标意图；其动态性体现在：在特定的意图目标条件下，消费者意图的强度也不一样——有时只是希望了解某样商品的信息，而有些条件下可能会对某样商品表现出兴趣、购买意向甚至购买行动。导致消费者意图的不确定性和动态性的原因是其客观因素和主观因素：客观因素是商品的价格、外观、购买量等信息；主观因素是消费者对商品、外观和购买量的感知度和敏感性。

与已有的各类知识库、分叉树、支持向量机、神经网络等监督学习的研究方法不同，考虑到意图的不确定性和动态性，本研究拟采用基于蚁群算法的智能体仿真方法来培植代表消费者意图的信息素数据。基于原本的意图结构数据、商品属性数据和消费者感知能力数据，结合所培植的信息素数据作为预测数据来源，采用神经网络来识别电商消费者的转移、浏览、收藏、加入购物车和购买意图。

本文将基于蚁群算法来探讨电子商务消费者意图的识别问题。在电子商务中，所谓消费者意图，是指消费者在进行消费行为或与消费相关的其他行为之前了解、关注、需求和行动的心理表征。意图是在愿望和行为之间起着某种中介作用的因果关系，是行为启动的先前行为目标的一种最初表现。在实际电子商务环境中，消费者需求是多样的：根据马斯洛需求理论，消费者的意图体现在需求的多层次和同一层次的多种不同商品的影响。同时，考虑到意图受到客观环境因素和消费者自身的主观偏好的影响，我们可以将消费者的意图表示为如式(1)中的向量。

P_k，g＝I_g·F_k (1)

式中，I_g为商品g的客观属性；F_k为消费者k对商品的主观偏好感知；P_k，g则表示消费者k对商品g的意图强度。

消费者意图是不确定的，在不同的情境下会表现出不同的意图，因此，它是与情境相关的。我们可以将电子商务环境描述成网络图结构，图15是电子商务环境网络图，如图15所示，所述网络结构由O、A、B、...和H等节点和连接线构成。其中，O表示当前消费者所在的节点。每个节点代表一项商品所表示的页面。而与之连接的其他节点代表相关的商品页面到当前节点的链接。当在浏览O节点所代表的商品后，消费者可能转向的节点由其意图决定。其下一个节点可能是A、B、C、D、E和F。我们将其表述为节点集合(A，B，C，D，E，F)。由于意图是不确定的，因此，意图的转向是一个概率事件。其当前节点O和下一个节点将形成一条浏览路径。因此，消费者意图将影响到消费者浏览路径的选择，换句话来说，消费者浏览路径也反映了消费者的意图。

消费者购买意图的建立基础是：商品本身能满足自身的需求以及对产品的了解和信任。从了解和信任的角度来看，消费者的意图是发展的，并且具有生命周期的。商品生产者“做大量广告，通过媒体向消费者推销产品或招徕、承揽服务以达到增加了解和信任”也反映了意图是具有生命周期的。

本发明借鉴国际推销专家海英兹.戈得曼的推销模式——AIDA法则，将电子商务消费者意图的生命周期划分为四阶段，四个阶段分别为注意、兴趣、欲望和行动四个阶段，随着阶段的发展，消费意图的强度逐步增大。

在注意意图阶段，网站需要通过广告和显眼的图像效果来吸引消费者的注意，对于消费者来说，在这一阶段的行为特征表现不明显，直到消费者对该广告或信息表现出兴趣，这时就进入了消费者意图的兴趣阶段。消费者在兴趣阶段将浏览产品的信息。如果消费者认为产品能够为其带来较大效益并且有能力或有办法支付，则消费者意图将进入欲望阶段。在这个阶段，电商网站应该提供较大的消费者效益表述，将该产品的优势与其他同类产品进行此较，并且将产品的销量告知电商消费者，以激励其购买商品。网站如果能提供一些促销活动或手段，消费者将进入行动意图阶段，消费者可能会在网络上下订单并支付。

从以上的意图阶段发展过程来看，消费者意图的发展除了自身主观活动的感受以外，也需要电子商务网站提供合适的、适合于消费者意图各阶段的相关产品信息。

蚁群算法是由意大利学者Dorigo等人受到蚁群觅食机制的启发而提出的一种进化计算方法。真实蚁群通过在觅食路径上释放信息素，最终凭借着对信息素的感知可以在蚁穴和食物源之间找到一条最短路径。蚁群算法正是模拟真实蚁群的这一机理工作的。蚁群算法已经被成功应用于解决路径选择与调度优化、配电网络规划、电子商务中的物流配送等各个问题。

蚁群算法具有如下的特点：(1)分布式计算、无中心控制；(2)分布式个体之间间接通信，易于协调；(3)易于与其他算法相结合；(4)具有较强的鲁棒性。

蚂蚁是一种社会性动物，它们之间通过相互协作而完成复杂的任务。单个蚂蚁的行为较为简单，但由简单个体所组成的蚂蚁群体却能表现出极为复杂和令人感到惊叹的行为。

当蚂蚁在寻找蚁穴和食物源之间的最短路径时，蚁群在觅食路径上释放信息素，单个蚂蚁通过感知路径上信息素的强度，按照概率选择下一步的行进方向，而蚂蚁之间则通过感知和释放信息素完成间接的信息传递。如果觅食路径上有新的障碍物时，信息素的轨迹暂时被隔断，此时蚂蚁随机地选择下一步的行进方向，这样，障碍物附近新的最短路径的那些蚂蚁将最先重构起连续的信息素轨迹。当路径上的蚂蚁到达一定程度后，使得短路径上的信息素的强度将大于较长路径上的信息素强度，这样，后续的蚂蚁将以较大的概率选择短路径，这种过程所形成的正反馈机制使得蚂蚁可以找到最新的最短路径。

蚁群算法模拟了真实蚁群的觅食机制，引入了信息素的概念及信息素的更新机制。同时，蚁群算法中的蚂蚁被赋予了部分记忆，并且可以感知某些启发信息，但这种记忆不是存储在蚂蚁个体本身，而是分布在路径上。蚂蚁之间通过感知路径上的信息素进行通信。

蚁群算法所成功应用的典型问题是旅行商问题。我们以旅行商问题来说明蚁群算法的信息素及信息素更新规则。

简单来说，旅行商问题就是在有向图G(V，A)中寻找一条长度最短的Hamilton回路。其中，V＝{V₁，V₂，...，V_n}表示n个城市所组成的节点。城市之间边的集合A＝{(i，j)：i，j∈V}。城市i和城市j之间边长的长度为d(i，j)，并且d(i，j)＝d(j，i)。

每一条边都有一个信息素强度值τ(i，j)，它由蚁群算法的信息素更新规则进行更新。在每只蚂蚁走完一步后，要对信息素强度进行更新处理。t+n次操作时在路径(i，j)上的信息素强度可按(2)～(3)式的规则进行调整：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (2)

式中，ρ表示信息素挥发系数；Δτ_ij(t)表示本次循环中路径(i，j)上的信息素增量；m表示蚂蚁总数；表示第k只蚂蚁在本次循环中留在路径(i，j)上的信息素强度。

第k只蚂蚁在觅食过程中，根据各条路径上的信息素强度及路径的启发信息来计算状态转移概率。式(4)中的表示在t次操作时蚂蚁k由城市i转移到城市j的状态转移概率。

式中，α为信息素启发式因子，表示路径上信息素的相对重要性；一般情况下，我们设置η＝1/d(i，j)，表示蚂蚁k在城市i的节点上对于城市j的能见度；β为期望启发式因子，表示能见度的相对重要性；allowed_k表示在t次操作时蚂蚁k允许选择的下一个城市。一般情况下，允许选择的下一个城市范围是指蚂蚁k没有走过的城市的集合。式(4)中的状态转移概率使得蚂蚁倾向于选择路径长度较短且信息素强度较高的路径。

消费者的意图强度的影响因素受到主客观两方面因素的影响。

现有资料表明消费者在浏览电子商务网站时观察到的网站购物服务质量和消费者期望对购物网站的满意度起决定性作用，同时产品质量及价格优势是影响网站顾客满意度最重要的因素；网络购物过程中，商品的收藏量、评分次数和好评数有利于刺激消费者做出购买商品的决策行为，而商品的价格以及分享量对网络购物商品的销售量存在负的显著作用；在B2C市场中，信用等级、商品评价等信用依赖变量决定着消费者商品购买偏好，但成交量、价格等因素仍是影响其偏好的重要变量。我们将以上的客观影响因素分类总结，得到了价格、品牌、评价、历史成交量和消费者群体偏好等五个影响因素对电子商务客户的商品浏览和购买的意图强度的影响较大。

鉴于上述消费者网络购物行为的分析，我们选取了影响网络购物的五方面的因素：商品价格(P)、商品品牌(B)、消费者评价(V)、商品成交量(N)和消费者群体偏好(L)。

对于不同的消费者来说，这五方面影响因素的客观属性值是一样的。其中，商品品牌包括商品品牌知名度，品牌价值等因素；消费者评价表示当消费者选择商品时其他已经购买或使用过的消费者对该商品的评价，该评价包括商家服务质量，物流及时性，商品使用感受等，这会对该消费者购买商品时起到重要参考作用；商品成交量因素也会对消费者购买商品时起到一定作用；另外，在任何时候，消费者群体的时尚观点会导致商品的流行程度受到影响，因此消费者群体的偏好也会对消费者意图产生影响。

商品的客观属性对消费者意图产生影响的前提条件是消费者对该属性具有感受能力。例如，消费者对商品的价格此较敏感，则其在价格属性上的感受能力就较强。假定消费者f对商品的价格的敏感度较大，则其主观感受值k_pi较大。这样，我们可以用式(5)中的向量表示消费者f的主观感受能力。

C_i(t)＝(k_pi，k_bi，k_vi，k_ni，k_li) (5)

式(5)中，k_pi，k_bi，k_vi，k_ni和k_li分别表示消费者i(i＝1，2，3，...，m)在t次操作时对价格、品牌、消费者评价、商品成交量和消费者群体偏好的感受能力，并且，0≤k_pi，k_bi，k_vi，k_ni，k_li≤1。如图5所示，图5是不同消费者对于商品的影响因素的感受能力表，体现了不同消费者对于商品的影响因素的感受能力。

如式(6)所示，我们用向量O_j(t)表示在t次操作时商品j(j＝1，2，3，...，n)的属性值。

O_j(t)＝(p_j，b_j，v_j，n_j，l_j) (6)

则在t次操作时，商品j对消费者i的实际影响可以表示为式(7)。

式(7)中的τ_ij(t)表示消费者i在电子商务活动中对商品j的各影响因素的敏感程度，其值越大，消费者对该商品的购买意愿越大。

将代表不同商品的页面作为商品节点时，则商品页面之间的相关性与推荐链接则形成了节点间的转换路径。因此，我们可以将上面式(7)的影响力作为蚁群算法中的信息素。

本发明将消费者的意图分为两类：意图发展模型和意图转移模型。当消费者在下一个操作时选择在本页继续浏览，则其处于意图发展状态，否则，则处于意图转移状态。

由于意图识别在消费者与电子商务网站的交互过程中进行，为了识别消费者在交互过程中的意图，我们需要考虑消费者意图在转移和发展过程中的消费者行为特征。如图6所示，图6是消费者意图阶段与网络操作行为的对应图，图6给出了不同消费者意图阶段对应的不同的网络操作行为，在注意意图阶段中，电子商务网站等电子商务服务所需要做的是吸引消费者的注意，如果成功，消费者会注意网站热点商品的推荐、网站首页或其他网页的广告横幅、搜索引擎中的广告信息等；在兴趣意图阶段中，消费者会主动浏览商品详细与购物页面，将商品与其他竞争商品进行此较，或将商品添加入收藏夹，以便进一步此较；当消费者进入欲望意图阶段时，消费者表现出的行为是将商品加入购物车；在行动意图阶段中，消费者通过下单行为完成其意图的实现。

对于电子商务平台，我们需要采集到消费者的浏览、收藏、加入购物车和下单等数据来标识消费者的不同意图阶段，以实现对消费者意图的转移和发展进行预测。

在意图发展模型中，操作意图的强度用公式(7)来计算。不同的强度值对应着不同的操作。按强度值从低到高来看，其操作顺序分别为浏览、收藏、加入购物车和下单。

在意图转移模型中，电子商务活动中的消费者意图包括代表消费者意图方向的商品和代表消费者意图强度的信息素数值，其表述见式(8)。

{v_i(t)，C_k(t)}→{v_j(t+1)，τ_ij(t+1)} (8)

式(8)给出了消费者意图识别的约束与目标：在t次操作时具有感知能力C_k(t)的消费者k在节点v_i(t)选择了第t+1次操作时的节点为v_i(t+1)，t+1次操作时消费者的意图强度为τ_ij(t+1)。

选择节点v_i的概率的计算公式如式(9)

与标准蚁群算法不同的是：此处的节点可以跳转回其已经经过的节点和路径。其中，i为当前节点，j为候选节点，η_ij(t)采用如式(10)的公式计算。

代表意图强度的信息素强度τ_ij(t)的计算见式(7)。在本文中，在第一次操作时为0，随着算法的进行，由消费者的选择和购买来决定，当消费者选择某条路径或继续在代表某商品的页面上浏览、收藏、加入购物车和购买某商品时，消费者便给该条路径留下了一定量的信息素，使得该商品的信息素增加，即这时系统整体体现为正反馈。如果消费者没有选择浏览该商品或者没有执行浏览、收藏、加入购物车和购买操作，那么该商品的信息素没有增加，即

在一段时间内，针对特定的消费者和特定的商家，商品信息素的变化可以用(11)式来表示。

图1是消费者意图强度的计算流程图，图7是消费者的意图识别算法结构图，如图1和图7所示，本发明提出的意图识别算法为：S1，根据商品属性和网络平台链接数据，建立智能体仿真的网络结构，即建立网络拓扑，同时设置消费者的感知能力；

S2，依据所采集的消费者的跳转和操作记录，运行智能体仿真程度，待运行一定步长数S后，此时信息素浓度收敛，采集各商品和各路径上的信息素浓度；

S3，将信息素浓度与商品属性、消费者感知能力和网络拓扑一起作为经过历史数据训练后的神经网络分类器的输入，将其用于新返回数据的分类，识别消费者的浏览、收藏、加入购物车和购买等意图，转步骤S2。

本发明采用NetLogo 5.0.4进行仿真实验以验证所提出的识别模型的有效性。

考虑到仿真步长20,000步以后仿真结果具有收敛性，我们将仿真步长设为20,000步。系统中包括两类的页面节点：列表页面和商品页面。列表页面代表首页、频道主页、活动促销页面等；商品页面则显示商品的详细信息、给出收藏等按钮并有可能会显示所推荐的其他相关的商品信息。

本发明的数据来自某个电子商务网站早期。我们记录了180个消费者的21619条消费者访问和操作记录。考虑到网站开始运营时，有一部分访问消费者并非商业消费者，我们取其中100个消费者访问82个商品页面的10723条访问记录作为本发明的有效数据。每个消费者记录其浏览、收藏、加入购物车、购买和跳转链接(点击其他商品链接)的操作。这些访问和操作记录中，7271条为页面内的浏览、收藏、加入购物车和购买操作记录，3452条为链接跳转记录。

消费者敏感程度数据通过每条访问记录的前3-5个页面对应属性的平均值计算出来。具体计算公式如下：

，其中J＝3，4，5。

图8是消费者数据表，图9是商品数据表，经标准化处理后的商品和消费者数据如图8和图9所示。

本发明的具体验证步骤如下：

(1)系统初始化。初始化82个商品页面、10个列表页面和消费者。商品页面和列表页面用圆圈表示，消费者用蚂蚁表示，商品之间用无向链接相互联系，形成一张相互联结的网络。同时设置α、β和ρ作为可调整的变量参数，与NetLogo界面上的滑动控件绑定；

(2)参数初始化。设置以下变量的值：消费者数量m、商品数量n、消费者感受能力k_pi，k_bi，k_vi，k_ni，k_li(i＝1，2，3，....m)，商品属性值p_j，b_j，v_j，n_j，l_j(j＝1，2，3，....n)。初始次操作时路径上的信息素τ_ij(0)＝0；

(3)训练。将真实网站按照(12)式所计算得到的数据作为感知能力数值，设置消费者的感知能力值。在训练启动时，所有的消费者都按照所采集的数据进行操作和跳转，同时按照公式(2)、(3)和(7)更新路径上的信息素；

(4)测试。将所需要进行意图识别的条件数据来设置消费者所在的商品页面，按照公式(9)给出的概率跳转到链接或停留在商品页面，或通过BP神经网络来识别其在商品页面上的浏览、收藏、加入购物车和购买操作行为。所获取到的跳转或页面操作行为即为消费者意图；

(5)验证结束。

参数α、β和ρ的选择。消费者意图由信息素的强度决定，因此，在本发明中参数α、β和ρ的值的选择主要考虑它们对信息素强度的影响。图10是参数α、β和ρ的参数值表，我们在如图10出的因素和水平下进行了1331次实验，每次实验的步长值为20,000，以考察不同的因素的水平对信息素的影响。

我们在不同的因素水平对信息素平均值和信息素方差值的相关性来确定参数取值对信息素的影响。图11是参数与信息素的相关性分析

如图11所示，所有的p值(p-value)都远远大于0.1，所以我们支持无效假设，即参数α、β和ρ对于信息素的分布没有实质影响。

考虑到蚁群算法的收敛速度和计算效率，我们取α＝1，β＝1和ρ＝0.5进行下面的预测分析。

图12是信息素强度分布图，仿真系统训练后各条路径信息素强度的分布如图12所示。横轴给出了信息素范围，纵轴给出了信息素强度出现的次数。从图中可以看出，信息素的分布以15为界划分成两个部分：第一个部分是信息素强度处于较低值的部分，此时消费者进来主要是通过营销活动进来，进行低意愿度的查看；在第二个部分，信息素强度在靠近40时消费者选择的路径频率较高，此时消费者处于活跃的状态。在这个部分，当消费者的信息素强度进一步增强时，达到50以上时，消费者下订单购买商品的概率会增加。

图13是不同信息素强度下的行为概率分布，如图13所示，浏览、收藏、加入购物车和购买均有合适的信息素强度范围。因此，我们可以将不同商品上的信息素浓度作为识别消费者意图的依据。

从仿真所获取的信息素浓度与消费者感知能力的数据中，我们分析其中不同的消费者感知与信息素浓度的相关性。我们从消费者感知能力与信息素浓度的散点图分布来看，单一的感知能力与信息浓度并没有明显的相关性。不同的消费者行为与信息素浓度具有明显的相关性。随着消费者的浏览、收藏、加入购物车和购买行为，其信息素浓度会逐步增强，这与AIDA理论及本研究所提出的观点相符。这进一步说明，我们可以将基于消费者感知能力和商品属性的信息素浓度作为识别消费者意图的重要指标。

按照消费者对意图的趋同性，我们来分析消费者跳转不同的商品前后的信息素浓度。从信息素浓度箱线图的对此来看，在原始仿真数据下，跳转前后的信息素浓度并没有明显的变化。其原因在于：大部分购买意图较强的消费者均具有此较浏览行为，即其在购买次操作时前，会通过反复地在两三个商品页面中跳转。因此，从统计数据来看，导致跳转前后的信息素浓度没有太大的变化。从验证数据来看，此较型浏览是消费者购买意图体现的主要操作行为：在95位购买商品的消费者中，有93位是在此较型浏览后才确定购买的。即此较型浏览消费者占总购买消费者人数的97.89％。此较型浏览的93位消费者中，有79人再次通过此较型浏览后再次购买。此较型浏览行为中的回头顾客此例达到了84.95％。这之中，回头次数最多的消费者的回头次数达到了14次。

意图识别考虑因素：(1)消费者感知能力(价格、品牌、评价、成交量和公众偏好)；(2)商品属性(价格、品牌、评价、成交量和公众偏好)；(3)本点信息素浓度；(4)连接数；(5)外连信息素平均浓度；(6)外连信息素最大浓度。

图14是消费者意图识别准确率表格，我们将以上的因素进行组合，通过以下验证方法得到了图14中的意图识别准确率：(1)输入原始数据，即消费者感知能力、商品属性、商品页面外链数；(2)将原始数据和仿真训练后得到的信息素作为识别依据，此时意图识别的考虑因素包括：消费者感知能力、商品属性、商品页面外链数、本点信息素浓度、外链信息素平均浓度和外链信息素最大浓度；(3)进行NetLogo仿真。

验证时，真实系统的访问数据总共有10723条，我们将其中的9000条作为训练数据，其余1723条作为测试数据。训练数据用于三方面的训练：(1)训练仿真系统以获取到各商品及各路径中的信息素浓度；(2)训练原始数据识别的神经网络；(3)训练原始数据和信息素浓度以识别用户意图的神经网络。所述神经网络采用MatLab 2011a版中的模式识别神经网络patternnet，采用试凑法确定隐含层的神经网络个数为18。

从图14的验证结果可以看出，蚁群信息素的引入对于提高电子商务消费者意图识别的准确率具有明显的效果。

本发明这种基于蚁群算法来识别消费者意图的方法有助于解决消费者意图识别的动态性和不确定性两个难点问题：(1)蚁群算法中信息素的动态性能够描述消费者意图的发展性；(2)而蚂蚁的路径选择能够描述消费者意图转移的不确定性。本发明通过真实电子商务网站采集的数据作为仿真系统的训练数据，模拟真实系统来获取各项商品和链接路径上的信息素浓度，通过信息素浓度来辅助商品属性值和消费者感知能力值来识别消费者意图。

由上述验证结果本发明可以得到以下几项结论：(1)基于蚁群算法的信息素的引入可以大幅提升消费者意图识别的准确率；(2)蚁群算法的参数α、β和ρ的设置对于信息素浓度的分布没有明显的影响；(3)此较浏览行为是消费者购物前的重要特征行为；(4)出现此较浏览行为的消费者有很大可能会成为回头顾客。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (5)

1.基于蚁群算法的电子商务消费者意图识别方法，其特征在于，包括以下步骤：

S1，根据商品属性和网络平台链接数据，建立智能体仿真的网络结构，同时设置消费者的感知能力；

S2，依据所采集的消费者的跳转和操作记录，运行智能体仿真程度，待运行一定步长数S后，此时信息素浓度收敛，采集各商品和各路径上的信息素浓度；

S3，将信息素浓度与商品属性、消费者感知能力和网络拓扑一起作为经过历史数据训练后的神经网络分类器的输入，将其用于新返回数据的分类，识别消费者的浏览、收藏、加入购物车和购买等意图，转步骤S2。

2.根据权利要求1所述的基于蚁群算法的电子商务消费者意图识别方法，其特征在于：消费者意图具有两种模型，分别为意图发展模型和意图转移模型，如果消费者在下一个操作时选择在本页继续浏览，则该消费者的消费意图属于意图发展模型，否则该消费者属于意图转移模型。

3.根据权利要求2所述的基于蚁群算法的电子商务消费者意图识别方法，其特征在于：当消费者意图属于意图发展模型时，意图强度计算公式为

其中k_pi，k_bi，k_vi，k_ni和k_li分别表示消费者i在t次操作时对商品的价格、品牌、消费者评价、成交量和消费者群体偏好的感受能力，p_j，b_j，v_j，n_j，l_j分别表示商品j在t次操作时的价格、品牌、消费者评价、成交量和消费者群体偏好的属性值，τ_ij(t)为消费者i在t次操作时对商品的意图强度值。

4.根据权利要求2所述的基于蚁群算法的电子商务消费者意图识别方法，其特征在于：当消费者意图属于意图转移模型时，意图强度计算公式为τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t)，其中

$\begin{array}{c}{\mathrm{\τ}}_{ij}\left(t\right)=C_i\left(t\right)\·O_j\left(t\right)\\ =\left(k_{pi},k_{bi},k_{vi},k_{ni},k_{li}\right)\·{\left(p_j,b_j,v_j,n_j,l_j\right)}^T\\ =k_{pi}{p}_j+k_{bi}{b}_j+k_{vi}{v}_j+k_{ni}{n}_j+k_{li}{l}_j\end{array},$

$\begin{array}{c}{\mathrm{\Δ\τ}}_{ij}^k\left(t\right)=k_{pi}\left(t\right)p_j\left(t\right)+k_{bi}\left(t\right)b_j\left(t\right)+k_{vi}\left(t\right)v_j\left(t\right)+k_{ni}\left(t\right)n_j\left(t\right)+k_{li}\left(t\right)l_j\left(t\right)\\ -k_{pi}\left(t-1\right)p_j\left(t-1\right)+k_{bi}\left(t-1\right)b_j\left(t-1\right)+k_{vi}\left(t-1\right)v_j\left(t-1\right)+k_{ni}\left(t-1\right)n_j\left(t-1\right)+k_{li}\left(t-1\right)l_j\left(t-1\right)\end{array}$ ，

k_pi，k_bi，k_vi，k_ni和k_li分别表示消费者i在t次操作时对商品的价格、品牌、消费者评价、成交量和消费者群体偏好的感受能力，p_j，b_j，v_j，n_j，l_j分别表示商品j在t次操作时的价格、品牌、消费者评价、成交量和消费者群体偏好的属性值，ρ表示信息素挥发系数，Δτ_ij(t)表示信息素增量，τ_ij(t)为消费者i在t次操作时对商品的意图强度值，τ_ij(t+1)为消费者i在t+1次操作时对商品的意图强度值。

5.根据权利要求4所述的基于蚁群算法的电子商务消费者意图识别方法，其特征在于：为消费者意图强度的增加值，在初次操作时时为0，随着算法的进行，由消费者的选择和购买来决定，当消费者选择某条路径或继续在代表某商品的页面上浏览、收藏、加入购物车和购买某商品时，消费者便给该条路径留下了一定量的信息素，使得该商品的信息素增加，即这时系统整体体现为正反馈；如果消费者没有选择浏览该商品或者没有执行浏览、收藏、加入购物车和购买操作，那么该商品的信息素没有增加，即