[发明专利]一种网络消费者细分的优化方法及优化系统

权利要求书

1.一种网络消费者细分的优化方法，其特征在于，所述网络消费者细分的优化方法包括：

步骤一，利用心理词汇学证据，对用户词汇使用行为构建心理细分词典，获取用户心理地图特征；具体包括：

1)心理地图词库的自动获取：

运用cosine相似度计算词嵌入所产生的词向量之间的相似度；令其中m是词向量维度；基于词向量利用Cosine距离测量词汇语义相似度，具体计算公式如下：

基于cosine相似度，利用自然语言词嵌入算法，计算出与同义词库中种子词最相似的Top10个词汇；设定0.45作为相似值的阈值，并遍历互联网语料库训练的嵌入词，得到与相应心理地图候选词库中最相似的10个种子词；通过阈值过滤后，将扩展词添加到候选词集中；基于更新的候选词集，重复执行利用自然语言词嵌入算法计算相同的过程，直到没有新的词被提取出来；

根据以下候选词的心理地图维度的隶属度公式，计算候选词在每个心理细分维度的得分，其中w_ext是心理细分扩展词集，w_seed1，w_seed2…，w_seedp是各个心理地图各维度种子词：

SVS_scores(w_ext，w_seed1)＝Max{sim(w_ext，w_seed2)，sim(w_ext，w_seed3)，...，sim(w_ext，w_seedp)}；

2)基于词库的用户心理地图自动识别：

将p维度心理地图定义为L＝{L₁，L₂，...，L_p}，用户评论非结构数据集合为{r₁，r₂，...，r_m}，用户评论的总数为m，其中每个r_i为{w_i1，w_i2，...，w_in}，n为数据中词汇的总数；根据所获取的心理地图词典，采用词汇累加，L_u^p是心理地图的各维度得分；

步骤二，利用聚类方法，选取不同聚类簇距离，获取用户细分簇；

步骤三，在每个聚类簇中，构建面向用户消费偏好的机器学习预测模型，通过与基准方法的比较确定聚类簇的可靠性和有效性；

步骤四，选取最优的用户偏好预测模型，人工检视此模型中的用户聚类簇，并赋予市场细分标签。

2.如权利要求1所述的网络消费者细分的优化方法，其特征在于，步骤一进一步包括：运用自然语言处理方法，自动构建施瓦茨价值观量表词库和大五人格模型词库，用于支持消费者心理地图的获取。

3.如权利要求1所述的网络消费者细分的优化方法，其特征在于，

步骤二进一步包括：设置不同聚类簇距离，利用DBSCAN密度聚类算法识别网络用户市场细分。

4.如权利要求1所述的网络消费者细分的优化方法，其特征在于，

步骤二进一步包括：

a)基于DBSCAN的用户心理细分簇获取：

在网络消费者心理地图得分上进行DBSCAN聚类；在聚类簇中，根据用户所在的细分组，预测消费偏好；

b)整合心理细分和深度神经网络的用户偏好预测：

利用深度神经网络捕获非线性的用户心理细分-产品偏好关系，并利用复杂的抽象编码进行更高层的数据表示；若有M个用户和N个产品，R代表训练数据集矩阵，代表测试数据集矩阵；令r_ui为用户u对产品i的偏好，为所预测的偏好得分；

在此基础上，构建DNN体系架构，设置一个输入层、多个隐藏层和特定类别数目节点构成的输出层；通过最小化其中g是网络隐藏层中节点值的线性组合，h是激活函数，基于评价指标最小均平方误差训练网络，并使用梯度下降和反向传播动态更新多个隐藏层之间的权重。

5.如权利要求1所述的网络消费者细分的优化方法，其特征在于，步骤三进一步包括：并利用基于深度神经网络的用户的购买偏好预测中，验证所得用户细分组的准确性。