基于商品标签化与关联规则的电子商务商品关联推荐研究

王宝军

摘 要：本文通过商品标签化与关联规则数据挖掘技术相结合的方法，建立多维度标签化交易数据集，利用关联规则挖掘算法构建多维度关联规则集，探索电子商务企业商品关联推荐的精准化与智能化应用研究。

关键词：关联规则;精准营销;电子商务

引言：随着大数据与人工智能技术的快速发展与成熟，电子商务领域也迎来了新的发展机遇与挑战，如何更加智能、精准、有效地向客户推送合适的商品，已然成为各大电子商务卖家极力提升的核心竞争力之一。电子商务企业面对海量的商品与多样化的客户需求，在商品关联推荐方面还缺少智能有效的方法与工具，虽然部分企业已经借助关联规则方法为企业进行关联商品推荐，但因未能考虑客户标签因素而精准度不足。因此，本文将通过商品标签化与关联规则挖掘技术结合的方法，探索千人千面背景下电子商务商品关联推荐的精准化与智能化。

一、关联规则及其传统应用方法中的不足

1.关联规则基本概念

关联规则是通过对事务数据库进行关联性分析与挖掘，寻找事务之间的简单关联关系或者序列关联关系，其一般表现形式为：前项→后项（支持度（support）=s%，置信度（confidence）=c%），或简写为X→Y（S=s%，C=c%）。假设在电商环境存在X和Y两种商品，规则X→Y中，支持度表示X和Y同时被购买的概率P（X∩Y），置信度表示X被购买的情况下，Y被购买的条件概率P（Y|X）。

2.关联规则在电子商务商品关联推荐应用中的不足

通过“啤酒与尿布”的故事，我们了解了传统商超市场可以通过关联规则挖掘发现商品之间的相关性，并通过优化商品货架及橱窗摆放提升商品交易额。电子商务环境下，利用关联规则也能帮企业进行商品相关性的挖掘，为客户推送合适的关联商品，然而对比超市货架摆放的单一方式，电子商务平台的商品推荐可以因人而异，然而传统的关联规则方法应用缺少对客户因素的考虑，关联推荐缺乏差异化，不符合未来智能化、精准化的营销发展要求。

二、商品标签化与关联规则组合应用

鉴于传统关联规则方法未能结合客户因素，因人而异的个性化向客户推送关联商品，本文将结合电子商务实际，通过商品标签化与关联规则技术相结合的方法，面向多样的客户标签特征，探索智能化关联商品推荐策略。

1.商品标签化

商品标签化是指根据商品的属性特征和客户标签特征为商品进行打标的过程，通过不同标签维度的打标，实现商品标签与访客标签的有机结合，其过程分为产品归并、标签设计和标签填充，流程详见图1。

图1 商品标签化流程图

（1）商品归并

依据商品上一级商品类目属性以及企业自身商品目录设计对商品进行归并，产生商品统称表，如表1为商品归并示例。

（2）商品标签设计

企业根据消费者标签特征因素，进行不同维度的商品标签设计，商品标签的设计需要结合客户需求，选取对消费者影响较大的维度作为商品標签项，如果客户需求发生了重大变化，商品标签也需要做相应的更新。

商品标签项目设计，还需与客户资料数据库相匹配，能够在客户访问店铺过程中，从客户资料数据库中识别出相应的维度，如消费层级、客户年龄等标签。如果企业所设计商品标签，无法在客户数据库或者客户访问信息中提取到，那这个维度设计将缺乏实用性。例如客户心情标签，企业无法通过客户登录信息而判断客户的心情状况，因此这个标签缺乏实用性。

（3）商品标签填充

对于商品标签的填充不能机械完成，商品标签填充质量的好坏将直接影响到商品关联规则的挖掘，企业需对消费者进行精细调研与细分，结合商品属性因素，正确完成商品标签列表的填充，形成标签化商品列表，如表2示例。

2.商品列表维度化

根据业务需要，将商品统称与商品标签列表结合，形成不同维度的商品维度列表，商品维度化名称通过商品编号关联，如表3。

3.交易数据获取与格式化

进行商品关联规则研究的理想数据来自于企业的订单数据，但是当需要对市场或者竞争对手进行研究时，企业也可以通过采集相关企业电子商务平台公开的评价数据，进行反向交易订单推导，但是这种方法可能会有一定误差且时效有一定滞后。企业获得交易数据后，需要对交易数据格式化处理，生成由（交易序号，商品编号）构成的交易列表，如图2。

4.交易列表维度化

依据商品维度化列表，将交易列表中的商品编号替换为商品维度化名称，生成维度化交易列表。维度化交易列表的数量取决于产品标签的数量，不同的标签还可以结合使用，如价格与功效结合，生成价格功效维度交易列表，企业应根据实际需要及客户数据库标签现状，生成所需的维度化交易列表，如表4示例。

5.多维度关联规则挖掘及应用

在生成交易维度化列表后，企业拥有了来自不同标签维度视角的交易数据集，此时企业需要利用合适的关联规则算法，对不同维度的交易数据集进行关联规则挖掘，从不同的维度视角生成多维度关联规则集，然后再根据客户的标签信息（如：消费层级、性别等），从对应维度的关联规则集中提取关联商品进行推送，其应用流程见图3。

三、商品标签化与关联规则应用示例研究

本示例研究将基于商品标签化与关联规则经典算法aprior结合进行，对某家居用品天猫旗舰店商品的关联规则进行研究。本研究通过八爪鱼软件抓取该店铺公开评论数据，并通过将评论数据中的用户名、用户等级及交易日期组合作为用户识别标志，以识别同一客户的评论行为，从而反推一段时期的用户交易数据。本文一共采集评价数据8781条，识别用户交易5448笔。

1.价格维度标签化关联规则挖掘

根据该天猫店铺价格分布特点，对价格区间标签进行填充，即可生成基于价格维度的交易列表，然后通过关联规则挖掘，设定最小支持度S=0.001及最小置信度C=0.4，得到基于价格维度的商品关联规则。为更好展示挖掘结果，表5对挖掘的规则进行重复项及相似项进行剔除，优先展示梯度值较高的5条关联规则。

价格区间标签与消费者的消费层级以及历史平均客单价密切相关，企业可以通过识别客户的消费层级标签，确定客户所处的价格区间，精准应用相应关联规则向客户推送合适的商品。根据挖掘的关联规则，相同或相近价位层级的商品容易共同售出，也体现了消费者在产品价格区间上具有购买习惯，正确价位匹配的商品推荐更容易符合客户的需要，从而产生更高的流量转化率。

2.功能维度标签化关联规则挖掘

根据该天猫店铺商品功能属性，对交易中涉及的商品功能标签属性进行填充，并生成基于商品功能维度的交易列表，然后进行关联规则挖掘，设定最小支持度S=0.001与最小置信度C=0.4，生成基于功能维度的商品关联规则，为更好展示挖掘结果，表6对挖掘的规则进行重复项及相似项进行剔除，优先展示梯度值较高的5条关联规则。

商品功能维度与消费的功能性购物偏好维度关系密切，如皮肤干燥的客户倾向购买滋润型护肤商品，而有美白功能需求的客户则偏向于购买美白类护肤商品，因此企业可以通过挖掘消费者的购物记录，对客户进行功能性打标，然后将客户标签与挖掘的关联规则相匹配，为客户精准的推送功能性相关商品。从挖掘到的关联规则来看，相同或相近功效的商品容易共同售出，也印证了客户购物具有功能性偏好，精准的功能维度产品推送，能更加有效触及客户的需求点，提升流量的转化率。

四、结语

基于电子商务市场竞争的不断加剧，流量成本也在不断攀升，精准有效的关联商品推送是电商平台及企业提升流量价值与企业效益的有效手段，本文通过商品标签化方法与关联规则挖掘应用技术的融合，挖掘构建多维关联规则集，依据客户标签差异化进行商品关联推荐，为电子商务精准化、智能化商品关联推荐提供了一个新的思路。

参考文献：

[1]袁晓建，张岐山，甘智平，陈焕辉，傅龙天.Apriori算法的改进及在电子商务中的应用[J].福州大学学报（自然科学版），2018，46（03）：330-334.

[2]李佳慧，赵刚.基于大數据的电子商务用户画像构建研究[J].电子商务，2019（01）：46-49.

[3]刘海，卢慧，阮金花，田丙强，胡守忠.基于“用户画像”挖掘的精准营销细分模型研究[J].丝绸，2015，52（12）：37-42+47.