基于遗传算法的个性化定价

肖巧龙

摘 要：随着个性化时代的到来，个性化定价逐步受到人们的重视，得到了一定程度的发展。本文提出基于遗传算法的个性化定价，能够为商家选择具有较强购买意愿的目标客户，实现个性化的定价。在挖据目标客户方面具有一定的准确性和实用性。

关键词：个性化服务；个性化定价；目标客户；遗传算法

中图分类号：TP311

随着Internet的普及，电子商务市场日益繁荣，互联网承载着越来越多的信息，信息过载的时代即将来临。如何过滤无关信息，将用户"感兴趣"的直接呈现给用户，是互联网发展中亟待解决的问题。在这种情形下，数据挖掘学科和个性化推荐服务得到一定的发展。电子商务进入个性化时代，以用户为中心的个性化定价还不像个性化商品那样迅速发展、受人瞩目，但是在文献[2]中作者对电子商务中个性化定价的未来给予了肯定：“考虑到电子商务的先天优势以及愈加复杂的定价机制，我们对个性化定价在电子商务领域的前景是乐观的”。本文将对电子商务中的个性化定价的特点，如何通过遗传算法进行个性化的定价等问题进行探讨。

1 电子商务中的个性化定价及其特点

在20世纪的最后二十年和本世纪的前十年里，我们见证了商业管理从“以产品为中心”向“以客户为中心”的转变。信息技术的迅猛发展把我们带入了个性化的时代，以客户为中心的个性化定价得到了一定程度的发展。个性化定价：在我们拥有的大量客户信息的基础下，通过数据挖据技术建立个人兴趣模型，根据个人的支付意愿来制定个性化的价格。

个性化定价主要包括三个步骤：

第一：识别每位顾客最多愿意支付多少钱。

第二：在了解客户支付意愿支付的基础上，我们需要决定商品应该卖给哪些客户。

第三：设计“价格歧视”的机制：在以上两步骤的基础上，我们需要制定一个“价格歧视”机制。这个机制能让不同的顾客享受不同商品价格的优惠。

电子商务中的个性化定价主要有以下几个特点：

1.1 个性化定价需要对用户个体数据进行精确分析。电子商务网站在这方面具有先天优势，能够提供比传统零售企业更方便地收集在线用户的数据，包括年龄、性别等个人信息，产品购买和浏览信息等，并利用各种智能算法工具对这些信息进行分析挖掘，并获得准确的客户支付意愿信息。

1.2 个性化定价能够为电商企业挖掘“隐藏利润”。个性化定价可以从愿意支付高价的客户身上获得超额利润，并且能够用低价吸引顾客。

1.3 个性化价格能够提高在线客户的忠诚度和满意度。个性化价格方案把每一个客户看成一个细分市场，从而真正实现一对一营销，使得消费者愿意和企业保持一个良好的关系。

2 遗传算法在个性化中的应用

遗传算法（Genetic Algorithm，GA）是一种集效率与效果于一身的优化搜索方法。它利用结构化的随机信息交换技术组合群体中各个结构中最好的生存因素，从而复制出最佳代码串使之一代一代地进化，最终获得满意的优化结果。在本文中把个性化定价问题转化为寻找最优的目标客户的问题。对客户的购买特性进行遗传编码，从而构成一个个用户染色体，通过选择、交叉、变异等遗传操作，不断的搜索问题域空间，使其不断得到进化，逐步得到最优的目标客户。

2.1 遗传编码。定义：设商品集为I={i1，i2，….，in}，客户集为U={u1，u2…um}，客户购买特征集（用户购买商品数量）为F（u->i）={f1，f2，…fn}。由此可以建立客户于购买商品的二维矩阵（0表示客户已购买，1表示未购买）：

在二维矩阵中，例如第一行0/f1表示客户u1没有买过i1商品，1/f2表示客户u1买过i2商品并且累计购买数量为f2个。在个性化定价和促销活动中，我们在已知促销商品的情况下，尽可能的向买过此类商品或者有意愿的客户进行推荐。但是考虑到推荐数量和利益的最大化有时购买此类商品的客户并不能满足商家的需求，因此我们在选取目标客户时带入购买过热门商品的客户以满足需求。在以上的分析的基础上我们可以在每一行中选取待促销商品和热门商品所在列组成一个染色体。如：我们促销商品为i1，i2，热门商品为i9，i10..，所以我们的一个染色体可以为0110。

2.2 遗传操作。交叉、变异因子：在已知促销商品的前提下，我们保证进行交叉和变异的因子在促销商品的位置进行变异，这样可以增加交叉率和变异率来改进遗传算法的性能，而不必担心高的变异率和交叉率造成太多的随机变动。同时可以保证算法的迅速收敛。

2.3 适应度函数。适应度函数是评价染色体优劣的重要标准。如前所述，我们需要从众多的客户中获取对促销商品最感兴趣的用户。设染色体A={i1，i2…}，i1到in表示客户购买的商品，集合B={i1，i2，i3，j1，j2…}，集合B为促销商品和热门商品的合集。我们可以通过MinHash算法来快速检测两个集合的相似性。

J（A，B）=|A∩B|/|A∪B|=|A|/|B|（在本文中|A∩B|=|A|，|A∪B|=|B|）

容易知道该系数是0-1之间的值。两个集合越相似那么该值越接近1，反之越接近0。通过MinHash算法可以得到具有购买意愿的待选择的客户。为了更好的反应客户的购买意愿，我们把顾客购买的商品数量作为权值带入计算。促销商品的系数α，热门商品的系数β分别取1和0.8。CF（购买意愿）=∑（in×fn）+∑0.8×（jm×fm），CF值越大目标客户的购买值就越大。

2.4 算法及结果

（1）确定遗传算法的有关参数，用户/商品的二维矩阵，迭代次数。

（2）初始化种群P（t）。

（3）按照适应度函数的定义，计算各个体适应度值。

（4）遗传操作。

（5）若满足终止条件，则退出，否则转（3）。

本次的实验中，数据来源视客眼镜网（www.sigo.cn）2012年的销售数据。选取的商品规模为100个（热门商品为10个），促销商品数量分别为4，10，15，20个。测试结果如下图所示：

从结果可以看出当促销商品数量较小时准确率越高，促销商品越多，购买过此次促销所有商品的客户数量相对减少，购买过热门商品的客户的比重相对增加。为了尽可能的减少热门商品的影响可以降低系数β，提高准确率。

3 总结

应用本文中的算法，可以准确的获得商家所需的目标客户，进行个性化的定价。遗传算法是目前实现个性化定价的所采用的主要方法之一，在现有存货、商品利润率等信息的基础上，帮助我们决定应该把商品推荐给哪些客户，实现企业利润的最大化。

参考文献：

[1]Liang Xiang.Temporal Recommendation，Phd.Thesis，CASIA，2011.

[2]苏萌.Putting One-to-One Marking to Work：Personalization，Customization and Choice，2008.

[3]苏萌，柏林森.个性化商业的未来，2012.

[4]郭建，郭华.电子商务的个性化定价研究，2012.