新書推薦：
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：NT$
454.0
《
炙野（全2册）
》
售價：NT$
356.0
《
女人的胜利
》
售價：NT$
254.0
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：NT$
1214.0
《
500万次倾听：陪伤心的人聊聊
》
售價：NT$
245.0
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：NT$
367.0
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》
售價：NT$
398.0
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》
售價：NT$
301.0
|
| 內容簡介： |
本书结合机器学习和运营管理的理论、方法等基本知识，以新零售背景下
的产品推荐和运营决策为研究对象，运用文本挖掘、神经网络、博弈理论、优
化理论、消费者行为理论，构建了结合机器学习和运筹优化的数据驱动模型，
基于群体及个人层面的行为变化，以解决新零售环境下考虑运营策略的线上产
品推荐、线下产品组合优化、产品定价等问题。本书运用超图理论，整合不同
渠道的消费者行为特征，构建了全渠道融合的消费者需求预测模型；针对线上
渠道和线下渠道的相互影响机制，基于消费者效用理论，解决全渠道协调的在
线零售商和实体零售商的产品展示推荐问题；基于博弈论，预测消费者因为退
货行为而影响的购买意愿，考虑网络零售商和实体零售商相互协同的产品组合
优化和产品定价联合优化问题；考虑消费者偏好的跨平台异质特征，运用文本
挖掘，从微观用户角度研究不同平台在产品和服务上的替代性和互补性。旨在
为新零售企业实施数字化智能推荐业务提供理论基础和实践指导。
个性化推荐是电子商务企业提升用户体验、缓解信息过载问题、满足
消费者个性化需求的核心工具。现有推荐方法主要关注不同购物阶段消费
者行为信息的识别与挖掘，忽略了对消费者购买全过程行为之间关联性的
刻画。为了充分利用消费者在购物过程中留下的全过程行为数据，全面了
解消费者的兴趣变化，从而更好地预测消费者未来的购买意愿，同时为零
售企业运营决策提供支持，本书针对消费者购前行为（在线搜索）、购买行
为（购买渠道转换行为和购买产品信息）和购后行为（发布产品评论和退货
行为）之间的交互影响展开了相关研究，并在推荐系统和零售商运营决策过
程中考虑消费者行为的影响。
第一部分针对现有推荐技术方法中存在的不足，即侧重从用户—商品矩阵
或购买后的在线评论中学习用户偏好，忽略了用户在购买前通过搜索查询、了
解产品信息过程中的交互特征，并有针对性地开发了一套主题增强的超图神经
网络框架，通过将消费者在线查询中嵌入的潜在主题与点击、购买和在线评论
行为联系起来，从而预测用户的购买意愿，旨在挖掘用户在线查询交互图中存
在的连接信息。同时，为了通过融合主题信息降低文本噪声词的影响，该部分
将主题分布与卷积嵌入相结合，用以更好地表示每个用户和项目融合后的表征
向量可以弥补传统卷积神经网络中主题信息的不足。通过对现实世界数据集的
广泛实验与评估，所提出的超图神经网络框架提高了推荐物品的新颖性和准确
性。从管理角度来看，向消费者推荐多样化、新颖的商品，可以提高用户的满
意度，降低消费者的搜索成本，有利于电子商务企业的可持续发展。
第二部分研究了全渠道环境下零售商在考虑消费者存在退货行为时的产品
定价和组合决策。该部分考虑了竞争性市场的结构因素，包括两家零售商通
过线上和线下渠道销售4种产品。零售商充当产品组合策略和定价策略的决策
者。消费者对每种产品的横向适应度是异质的，在面对欺骗性产品时，其退货
概率是共同的。消费者决定是通过实体店还是网店购买，还是从零售商处购
买，不仅取决于竞争零售商的产品组合策略，还取决于消费者在产品退货时面
临的退货成本。研究结果表明，在线产品退货成本在设计零售商的最优定价策
略和产品组合策略中发挥着重要作用。具体而言，通过网络渠道销售的产品最
优价格会随着退货成本的升高而先升后降；通过线下销售的产品的最优价格总
是随着在线产品退货成本的升高而升高。同时，无论卖家选择什么样的投放策
略，双方的最优利润都随着在线产品的退货成本升高而先递减、后递增。本书
还通过考虑卖家的退货成本和消费者的错配成本描绘二维市场的结构，从而研
究跨渠道购物平台下的最优销售策略。
本书承蒙国家自然科学基金项目“消费者行为数据驱动的新零售企业线上
线下融合的推荐机制研究”（项目号：72101031）资助，在此深表感谢。同时，
由衷地感谢科学技术文献出版社在本书编辑和出版过程中所做的各项工作。由
于作者水平有限，本书还存在诸多的不足之处，恳请广大读者批评指正。
数据驱动的个性化推荐与运营决策联合优化研究
|
| 目錄：
|
1 数智时代：数据驱动的智慧决策 1
11 数字化的核心是数据驱动的个性化 1
12 数据驱动是新零售成功的关键 11
13 数据驱动为运营决策带来新的革命 22
2 数据驱动的个性化与运营决策研究动态 30
21 传统推荐算法 31
22 基于图学习的推荐技术 32
23 全渠道环境下的产品组合和定价策略研究 34
24 全渠道环境下的消费者退货行为研究 35
25 全渠道环境下的配送优化研究 40
26 跨平台用户行为分析研究 43
27 研究述评 46
28 本书工作简介 47
281 融合主题模型的超图神经网络推荐框架的建立 47
282 考虑在线退货成本时的全渠道销售的产品定价与组合决策 47
283 抖音和微博中用户情感的跨平台比较：社交媒体文本挖掘的
机器学习方法 48
284 考虑消费者公平关切和战略行为的内容产品动态定价策略 49
3 融合主题模型的超图神经网络推荐框架 50
31 问题描述 50
32 融合主题模型的超图神经网络推荐框架的建立 52
321 面向搜索场景的超图生成 53
322 用户和物品的主题特征学习 55
323 用户和物品的卷积特征学习 61
324 预测 62
33 实验结果 63
331 数据描述 63
332 ALDA模型的评估 64
333 推荐的评估 68
34 本章小结 73
4 考虑在线退货成本时的全渠道竞争环境下的产品定价与组合策略 75
41 问题描述 75
42 模型构建 78
421 博弈次序 78
422 线上消费者的需求产生过程 79
423 线下消费者的需求产生过程 81
43 模型分析 82
431 卖家的均衡定价策略 83
432 均衡价格和最优利润的性质 84
433 最优产品组合策略 87
434 竞争的影响 89
435 单渠道与双渠道销售策略 91
44 管理见解 93
45 本章小结 95
5 基于主题模型的跨平台用户情感分析比较研究 97
51 问题描述 97
52 相关理论基础 101
521 实验数据来源及数据类型 101
522 社交媒体的定义和特征 103
523 突发公共事件网络舆情 107
524 主题模型 109
525 KNN算法 111
53 研究设计与方法 111
531 研究设计 111
532 研究方法与步骤 113
54 数据结果分析 120
541 主题关键词集 120
542 主题热度演化折线图 122
543 基于主题的情感态度演化柱状图 124
55 本章小结 128
6 考虑消费者公平关切和战略行为的内容产品动态定价策略 131
61 问题描述 131
62 相关理论基础 134
621 内容产品定价 134
622 动态定价策略 135
623 消费者公平问题 135
63 模型构建 136
631 内容产品开发商 137
632 内容产品消费者 137
633 需求函数 139
64 结果分析 143
641 基础模型：缺乏公平性的动态定价策略 144
642 主模型：公平的动态定价策略 145
643 消费者公平关注对动态定价策略的影响 150
644 模式拓展：短视消费者的加入 152
65 本章小结 158
参考文献 160
数据驱动的个性化推荐与运营决策联合优化研究
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
