摘要
大数据背景下,电商平台迅速崛起,如何准确识别高价值客户,并向消费者推荐合适的产品,是平台运营商关注的重点,而精准挖掘用户行为规律是提高推荐系统准确率的关键。本文在RFM模型的基础上,针对电商平台退货率、客单价、客单件和用户活跃时长4个核心特征,提出RFM-RUVA模型,筛选高价值客户,并结合客户实例分析,验证RFM-RUVA模型的有效性。此外,将商品的协同过滤算法和基于用户的协同过滤算法相结合,提出基于商品&用户的协同过滤组合算法(Item&User_CF),实验结果表明Item&User_CF相较于基于商品、用户的协同过滤算法准确率分别提高了8.94%、2.63%,可以更准确地为高价值客户推荐商品。
出处
《网络安全技术与应用》
2023年第7期42-45,共4页
Network Security Technology & Application
基金
国家自然科学基金(61976128,82274360)
山西省研究生教育教学改革课题(2022YJJG010)
山西省高等学校教学改革创新项目(J2021059)。
