[论文解读] eBay users form stable groups of common interest

Joerg Reichardt, Stefan Bornholdt|arXiv (Cornell University)|Mar 16, 2005

Consumer Market Behavior and Pricing参考文献 3被引用 17

一句话总结

本文提出一种基于网络的社区检测方法，仅利用出价竞争数据，无需依赖商品相似性度量或分类层级，以识别eBay用户中具有共同兴趣的稳定重叠群体。关键发现是用户兴趣画像在长时间内保持高度稳定，表明个人专业知识与社会强化共同塑造了持久的消费者环境。

ABSTRACT

Market segmentation of an online auction site is studied by analyzing the users' bidding behavior. The distribution of user activity is investigated and a network of bidders connected by common interest in individual articles is constructed. The network's cluster structure corresponds to the main user groups according to common interest, exhibiting hierarchy and overlap. Key feature of the analysis is its independence of any similarity measure between the articles offered on eBay, as such a measure would only introduce bias in the analysis. Results are compared to null models based on random networks and clusters are validated and interpreted using the taxonomic classifications of eBay categories. We find clear-cut and coherent interest profiles for the bidders in each cluster. The interest profiles of bidder groups are compared to the classification of articles actually bought by these users during the time span 6-9 months after the initial grouping. The interest profiles discovered remain stable, indicating typical interest profiles in society. Our results show how network theory can be applied successfully to problems of market segmentation and sociological milieu studies with sparse, high dimensional data.

研究动机与目标

• 通过分析用户出价行为，研究eBay市场细分，不依赖预设的商品相似性度量或分类层级。
• 仅基于拍卖中的竞争关系，检测稳定且连贯的用户聚类，反映共同兴趣。
• 通过分组后的购买行为验证所识别兴趣画像在时间上的稳定性。
• 证明基于网络的社区检测方法可在稀疏、高维的在线交易数据中揭示社会学意义上的消费者环境。

提出的方法

• 构建一个网络，其中节点代表出价者，边代表至少在一个拍卖中存在竞争，以捕捉用户对商品的共同兴趣。
• 应用社区检测算法，识别具有共同出价模式的用户群集，允许存在分层和重叠结构。
• 使用随机网络零模型验证出价网络中聚类结构的非随机性与非平凡性。
• 使用eBay官方产品类别分类对聚类进行解释，但不将其用于数据降维或相似性计算。
• 通过抽样聚类并分析6–9个月后的购买行为，追踪用户随时间的活动，以检验兴趣画像的稳定性。
• 计算各类别出价与购买的似然比，以量化并比较不同聚类间的兴趣画像。

实验结果

研究问题

• RQ1 在不依赖商品相似性度量的前提下，能否可靠地从在线拍卖数据中检测出具有共同兴趣的用户群体？
• RQ2 尽管eBay提供多样化商品，用户聚类的兴趣画像是否在长时间内保持稳定？
• RQ3 出价网络的结构特性（如层级结构与重叠性）在多大程度上反映了现实中的消费者行为？
• RQ4 用户偏好在多大程度上与eBay官方产品分类一致？该分类体系能否用于解释潜在的兴趣聚类？

主要发现

• 85%的eBay用户可被归入少数几个分离良好、规模较大的聚类，每个聚类均具有明确且连贯的主要兴趣集合。
• 各聚类用户兴趣画像在6–9个月的时间跨度内表现出显著的稳定性，仅次要兴趣发生微小变化。
• 第1号聚类（原主要出价电影）的用户兴趣逐渐转向音乐，而第9号聚类（技术偏好用户）则表现出更广泛的兴趣多样性。
• 收藏家（第7号聚类）与模型玩具制作者（第4号聚类）的兴趣画像几乎未发生变化，表明其偏好具有长期稳定性。
• 兴趣画像的稳定性表明，用户倾向于仅对自身有经验的商品出价，从而降低对不熟悉类别的风险。
• 在线推荐系统可能强化现有兴趣画像，从而促进用户聚类的长期持续存在。