购买过程中，供应商提供的产品 演示、合同签订、安排发货等服务。
[0092] (3)售后服务。当购买行为完成后，供应商给客户提供在合同范围内的相应的维护 服务，升级服务等相应服务项目。
[0093] (4)价格政策。价格政策是指供应商根据客户的购买总量以及质量要求制定价格， 以及给客户提供的优惠政策。
[0094] B2B平台维度
[0095] 1 ?网站质量
[0096] (1)信息质量。信息质量是指网站上发布的产品信息的全面性、分类情况、信息实 用性。
[0097] (2)信息更新速度。信息更新速度是指新的市场信息上线及无用的市场信息下线 的速度，网站信息与市场信息同步的程度。
[0098] (3)操作便捷性。操作便捷性是指客户使用的界面友好程度。
[0099] 2?平台可信度
[0100] (1)信息可信度。信息可信度是指网站上发布信息的真实性和可靠性，能够将虚假 及广告信息及时清除，能够为客户的浏览带来方便。
[0101] (2)提供诚信认证服务。平台为买卖方双方企业的真实情况提供认证服务，为客户 的选择提供参考。
[0102] 3.附加服务
[0103] (1)行业咨询服务。行业咨询服务是指根据客户需要，针对行业情况，为客户提供 咨询、解惑答疑服务。
[0104] (2)品牌策划推广。品牌策划推广是指为客户打造品牌形象，提升品牌知名度，使 平台用户广泛认同。基于买方客户的品牌推广可以为买方客户获得更多的供应商资源，增 加合作机会。
[0105] (3)融资担保。平台作为信用担保机构，通过介入包括银行在内的金融机构、企业 这些资金出借方与主要为企业资金需求方之间，作为第三方保证机构为债务方向债权方提 供信用担保，担保债务方履行合同或其他类资金约定的责任和义务。该服务为企业的融资 起到了一定的协助作用。
[0106] 买方客户行为维度
[0107] 1?转移成本
[0108] (1)平台转移成本。客户从一个平台转换到另一个平台需要花时间和精力进行信 息搜寻评估，并且要熟悉新的服务规则和流程。
[0109] (2)供应商转换成本。对B2B的买方客户而言，供应商转换成本通常都是巨大的， 一般包含合同违约成本、搜寻成本，增加了寻找新供应商的交易成本。
[0110] 2.对风险的态度
[0111] (1)关系风险。关系风险是指交易对本组织和供应商之间的关系带来的影响。
[0112] (2)专业风险。专业风险是指，做出决策时，组织中其他人对决策者专业水准的看 法。
[0113] 步骤2、构建客户偏好指标体系；
[0114] 本实施例中所构建的客户偏好指标体系及数据来源如表1所示：
[0115] 表1客户偏好指标体系及数据来源 rni 1
[0117]
[0118] 步骤3、根据客户跟电子商务系统的交互，收集客户信息，并根据所建立的客户偏 好指标体系对客户信息进行量化描述；
[0119] 步骤4、利用本发明的数据聚类方法对量化描述的客户信息进行聚类，并通过分析 各个簇中的聚类中心，得出各个簇的特点，从而获得客户偏好；
[0120] 步骤5、对客户和系统的状态进行跟踪，并利用跟踪到的信息对客户信息进行更 新，转步骤3。
[0121] 图2显示了本发明B2B平台客户偏好获取装置的基本结构及原理，如图2所示，该 装置包括：
[0122] 客户信息收集单元，用于对B2B平台中的客户信息进行收集；
[0123] 客户信息描述单元，用于根据预设的客户偏好指标体系对客户信息收集单元所收 集的客户信息进行量化描述；
[0124] 聚类分析单元，使用本发明改进后的蚁群聚类聚类方法对客户信息描述单元所输 出的量化描述的客户信息进行聚类分析，从而得到客户偏好；
[0125] 客户偏好分析部件，工作于电子商务网站服务器端，实现对客户偏好的进一步分 析。
[0126] 跟踪管理部件，该部件可以对客户和系统的状态进行跟踪，并将状态以文本信息 形式存储于管理信息数据库。
【主权项】
1. 数据聚类方法，利用LF蚁群聚类方法进行数据的聚类，其特征在于，所述LF蚁群聚 类方法中，负载蚂蚁所负载的数据对象或空载蚂蚁所在网格单元的数据对象Xl与该蚂蚁能 观察到的数据对象之间的相似度f(Xl)按照下式计算：式中，Neighsxs (r)表示该蚂蚁所在网格单元r的大小为SXS的邻域；S为蚂蚁的观察 半径；叫表示Neighsxs(r)中数据对象的总数；dUi,xj表示x#Neighsxs(r)中的数据对 象\之间的欧氏距离。2. 如权利要求1所述数据聚类方法，其特征在于，在所述LF蚁群聚类方法中，空载蚂蚁 按照定向移动策略进行移动，具体如下：空载蚂蚁在初始状态随机移动；之后，空载蚂蚁从 当前时刻尚未发生过位置变化的数据对象中选择一个，并向该数据对象移动；如所有数据 对象均已发生过位置变化，则空载蚂蚁恢复随机移动。3. 如权利要求1所述数据聚类方法，其特征在于，在所述LF蚁群聚类方法中，负载蚂蚁 按照定向移动策略进行移动，具体如下：负载蚂蚁从全局记忆矩阵AM中寻找与该蚂蚁当前 负载的数据对象相似度最大且没有失效的数据对象X，并以坐标为的点作为目标 位置进行移动；如果目标位置在网格内且被其他数据对象占据，则移动至目标位置随机的 相邻空位；如果目标位置超越网格边界，则重新计算目标位置；如果多次计算出的目标位 置均不在网格内，则该负载蚂蚁保持不动并显示定向移动失败；坐标（x_，y_)按照以下公 式确定：其中，（x。，^)为数据对象X的当前坐标，Int是向下取整函数，a是[_1，1]之间的随 机数；所述全局记忆矩阵AM为A3的矩阵，其三列数据分别放置的是被任意一只蚂蚁放 下的数据对象及该数据对象的被放下的概率和位置坐标；全局记忆矩阵AM被所有蚂蚁按 照以下方法进行共享和操作：全局记忆矩阵AM初始化时，从待聚类数据中随机选择的A^个 数据对象，将这些数据编号为1到\，存放在矩阵第一列，对应第二列全部初始化为0,第三 列存放这\个数据对象对应的坐标；当任一只蚂蚁放下数据对象X4寸，此时放下的概率为 pda)，在全局记忆矩阵am中，首先查找是否有被其他蚂蚁"捡起"的数据对象，若被捡起，则 该数据对象成为失效点；若有失效点，则使用新的数据对象XjPPd(i)替换；如果全局记忆 矩阵中没有失效点，则寻找全局记忆矩阵中所存储的所有放下的概率Pd中的最小值Pd_， 如果Pd(i)_〈Pd，使用新的数据对象&和Pd(i)替换，否则保持不变。4. 如权利要求1所述数据聚类方法，其特征在于，在所述LF蚁群聚类方法中，蚂蚁的观 察半径根据算法迭代次数进行自适应调整，具体如下式：其中IntO是向下取整函数，mod〇是取余函数，T_是总迭代次数，t表示当前迭代次 数，S(t+1)表示第t+1次迭代中蚂蚁的观察半径，M、N分别为预设的观察半径下界、上界。5. 如权利要求1~4任一项所述数据聚类方法，其特征在于，在计算欧氏距离时，数据 对象各属性的权重预先通过主成分分析方法确定。6. 如权利要求1~4任一项所述数据聚类方法，其特征在于，所述LF蚁群聚类方法中 的概率转换函数为Sigmoid函数。7. 如权利要求1~4任一项所述数据聚类方法，其特征在于，所述LF蚁群聚类方法中 的算法终止条件为：在算法运行过程中，蚂蚁不再进行捡起和放下的动作。8. -种B2B平台客户偏好获取方法，利用聚类分析挖掘出B2B平台中的客户偏好，其特 征在于，所述聚类分析使用如权利要求1~7任一项所述数据聚类方法。9. 一种B2B平台客户偏好获取装置，包括： 客户信息收集单元，用于对B2B平台中的客户信息进行收集； 客户信息描述单元，用于根据预设的客户偏好指标体系对客户信息收集单元所收集的 客户信息进行量化描述； 聚类分析单元，使用如权利要求1~7任一项所述数据聚类方法对客户信息描述单元 所输出的量化描述的客户信息进行聚类分析，从而得到客户偏好。
【专利摘要】本发明公开了一种数据聚类方法，属于数据挖掘技术领域。本发明对传统LF蚁群算法进行了改进，具体改进之处包括：改进了相似度函数的描述，减少了参数设置，增加了权重因素，能够更加准确的描述相似度；自适应调整蚂蚁观察半径，提高蚂蚁的观察效率，增加收敛速度；为空载蚂蚁和负载蚂蚁分别设计了定向移动策略，以提高蚂蚁的移动效率；引入循环终止控制机制，避免了人为设置迭代次数带来的影响，提高了算法的准确性。本发明还公开了一种B2B平台客户偏好获取方法、装置，采用上述数据聚类方法。相比现有技术，本发明在提高聚类效率的同时，提高了聚类结果的准确性。
【IPC分类】G06Q30/02, G06N3/00
【公开号】CN105023041
【申请号】CN201510490962
【发明人】武忠, 张丽媛, 李媛, 吕思杰, 赵飞祥
【申请人】东南大学, 无锡云歌电子商务有限公司
【公开日】2015年11月4日
【申请日】2015年8月11日