摘要
随着网上购物、在线交易成为人们现实生活中不缺少的一部分，超市商业模式的盈利能力越来越低，以互联网为依托的新零售超市商业模式应运而生。“新零售”是将互联网领域的新思维、新技术应用于传统的商品销售领域。能够充分利用数据挖掘技术的发展，采用先进的科学技术来分析、挖掘元数据中蕴含的重要信息，分析用户的购买行为，为企业提高广告回报率，减少营销成本作出重要贡献。新零售平台的用户对商品的购买具有重复性，时间间隔也具有规律性，呈现出的周期性购买规律极其明显，所以基于新零售平台的商品重购推荐研究与传统电商行业有所不同，对新零售行业的用户购买行为进行分析，寻找商品重购的规律和偏好进而对用户进行重购商品推荐，这对提高商品购买率，提升新零售电商平台订单量具有重要的意义。本文主要完成以下几个方面的工作： （1）提出了用于新零售商品重购推荐的数据集的实现过程。基于某新零售电商平台的生产环境数据库，对商品系统、订单系统、用户管理系统数据库数据进行ETL，并进行数据训练前的预处理，得到对应的数据集，然后基于数据集进行重购模型的特征训练。 （2）提出了TLSTM商品重购推荐模型。为提高用户的重复购买率，有效地针对特定用户进行再次购买预测，必须要挖掘用户历史交易订单的时序规律，以此构建用户重购预测模型。在深入研究了商品重购现状后，针对深度学习在商品推荐领域的应用做了大量的调研，分析各种卷积神经网络的优点和适用场景，最终提出了新的重购推荐模型：基于TCN和LSTM的时序卷积神经网络模型。该模型不仅能够自动挖掘用户交易记录中时序信息，而且能够挖掘出用户购买某个商品的时间分布信息。通过输入输出向量表示层、特征学习层和模型预测层来总体实现了TLSTM重购推荐模型，并通过各方面实验指标验证了该模型性能的优势。 （3）本文设计并实现新零售商品重购推荐系统，目的在于验证上文提出的重购模型的有效性。首先，对需求进行分析，进行系统结构设计、系统流程设计；其次，对系统功能模块进行详细介绍，包括各层设计和数据库设计；最后，对该系统功能实现进行展示，展示了系统实现的可视化界面，用户登录注册成功后使用系统功能，根据用户ID和设置重购推荐商品Top个数，进行商品重购推荐，并通过柱状图进行可视化展示分析。
NETL