1.目的及意义

随着电子商务的发展，网络购物已经成为一种主要的消费模式。主要的大型购物平台如淘宝、京东都聚集了海量的商品和用户。与此同时，趋同商品与长尾商品必然[1]会出现。趋同商品是指单种商品销量较高，由于种类繁多，形成的累计销售总量较大，能够增加企业盈利空间的商品。在电子商务网站中，用户信息繁杂且购买趋同商品数量种类繁多、数据复杂，因此对用户购买趋同商品的行为与趋势预测具有一定的挑战性。与此同时，电子商务平台上的激烈竞争，使得商家为了更好贴近消费者的实际需求，细化了产品需求，这也使每种产品针对的用户范围更为狭窄了。如何才能快速有效地从茫茫人海中定位出相应的消费者，并建立更有针对性的营销方案，对购买趋势准确的预测，从而把握商品的销量，有效地分配资金、库存、人力资源等物流要点，是电商们在接下来的竞争和发展中，不得不考虑的重要环节。消费者在电子商务平台上产生了大量的行为数据，使得分析清费者的购买意图和消费习惯成为可能，从而实现-对一的的精准推荐，与对商品销量与用户购买行为喜好的完美把控。

商品单一且销量较少的时候，我们通常使用传统统计或是简单的计算来解决对商品销量与用户购买趋势预测的问题[2]，但当商品种类繁多或者销量高的时候，传统的计算与统计就无能为力。此时，利用海量的销售信息信息和丰富的用户个人信息，基于机器学习，采用改进的迭代回归树模型MART(Multiple Additive Regression Tree)，对用户购买趋同商品的行为进行预测分析成为了解决问题的法宝。因此选取各大电子商务网站和社交媒体网站的数据信息，使用真实数据构建回归预测实验，可能会得到一些有意义的发现。或是对于预测用户购买趋同商品的行为给出一个新颖的思路，可以更好更准确地预测趋同商品的销售趋势，可以更好地理解用户个性化需求，挖掘趋同商品市场潜在的经济价值，改进电子商务网站的服务。

1.1国外研究现状

随着电子商务规模的不断扩大，商品的数量和种类都出现井喷式增长，顾客往往需要花费大量的时间和精力才能找出心仪的商品，商家也需要大量时间去分析高销量商品的购买现状。如果能实时分析顾客的购买意图，知晓趋同商品的购买情况，并进行销量预测，来给用户提出合理化建议或是给商家销售方式和进货方式予以改进，无疑会增加顾客的满意度和忠诚度与商家的利润与效率。预测的成功的关键在于对消费者行为的理解，和在此基础上进行的消费者行为预测。消费者分析一直处于大数据革命的中心，这有助于实时捕捉消费现象的巨量数据，为了更好地帮助企业利用这些数据，Sunil、Nobuyuki提出了一个涉及物、人、组织资本的概念框架[4]，适应于以下三个进程: (1) 收集和存储清费活动的记录(2)从大数据中提取消费者洞察力(3) 利用消费者洞察力增强动态的适应能力。
Ranker和Riston (2014)[4]介绍到:亚马逊正在进行项研究，即在特定消费者在前提交订单之前预测出他们会购买什么，采用的数据如:浏览的特定网页以及浏览时长、访间该网站的总时长、在产品图片上光标悬停的时间、购物车和愿望清单等活动可以用来预测购买行为。

介绍完了数据层面，在技术层面相关学者也进行了针对在线信息来提供个性化服务的研究，如Chapelle (2014)等人提出了基于逻辑回归的点击率预估的机器学习框架，主要解决Yahoo!的广告点击率预估问题。YiZuo, Shawkat (2014)等人提出一种利用支持向量机来给消费者分类并对每-类消费者预测购买行为，这个模型不仅依赖于变量之间的联系和分布，还与是线性还是非线性有关。与其他预测模型相比，如线性判别分析、逻辑回归、贝叶斯网络，支持向量机预测的精确度显著提高(从81.49%到88.18%)。为了了解在线用户的实时意图和动态购物车的选择有重要的价值。Shibo.Amy (2015)等人提出了一个个人水平的动态模型，以此来学习用户实时的隐含的购物车选择意向。该模型分析每个单独用户的浏览行为，并测试不同网络营销手段的作用，最后进行相应的网页转换，使购物车下降32.4%，转化率提高了6.9%。

1.2国内研究现状

近几年，国内电商发展迅速，以阿里巴巴，京东为首的电商巨头相继出现，因此，国内对趋同商品销售预测方面的研究也很丰富。

X.Ma、X.Yao. YXi (2009)认为企业应该积极地应对外界环境的变化，即使是通过捕捉消费者的弱信号来预测市场和消费者倾向(这是一种适应能力)。这种适应能力不是来自自身组织结构的变化，而是来自于捕捉消费者活动和发现其中暗藏的规律的能力。