[论文解读] Motif Analysis in the Amazon Product Co-Purchasing Network

Abhishek Srivastava|arXiv (Cornell University)|Dec 18, 2010

Complex Network Analysis Techniques参考文献 2被引用 9

一句话总结

本文分析了亚马逊产品共购买网络中的3节点和4节点网络基序，以揭示客户购买行为中的重复模式。通过将基序分析与社区检测相结合，研究发现汇聚型基序（表明少数热门产品频繁被共同购买）主导了网络结构，为在线零售商提供需求预测和产品趋势识别的洞见。

ABSTRACT

Online stores like Amazon and Ebay are growing by the day. Fewer people go to departmental stores as opposed to the convenience of purchasing from stores online. These stores may employ a number of techniques to advertise and recommend the appropriate product to the appropriate buyer profile. This article evaluates various 3-node and 4-node motifs occurring in such networks. Community structures are evaluated too.These results may provide interesting insights into user behavior and a better understanding of marketing techniques.

研究动机与目标

• 识别亚马逊产品共购买网络中重复出现的结构模式（基序），以理解用户购买行为。
• 评估基序频率与随机网络的差异，识别具有统计显著性的交互模式。
• 将社区检测与基序分析相结合，以提高识别产品共购买趋势的准确性。
• 探索基序结构与长尾现象等大规模零售现象之间的关系。
• 为在线零售商提供关于需求预测与精准产品广告投放的可操作洞见。

提出的方法

• 使用斯坦福网络分析项目（SNAP）数据集的一个子集，数据采集于2003年3月2日，包含262,111个节点和1,234,877条有向边，表示共购买关系。
• 应用基序检测算法，识别所有3节点和4节点有向子图模式，并与随机化的Erdős–Rényi随机图进行频率比较。
• 为每个基序计算z得分，以确定其统计显著性，识别出出现频率高于随机预期的基序。
• 采用Girvan–Newman算法与模块度最大化方法进行社区检测，以识别紧密相关的产品群组。
• 通过基于共享购买模式将产品聚类为社区，对网络进行粗粒化处理，实现局部基序分析。
• 随时间监控基序统计量，以检测购买行为的变化及新兴产品趋势。

实验结果

研究问题

• RQ1 在亚马逊共购买网络中，哪些3节点和4节点基序在频率上显著高于随机网络？
• RQ2 基序频率如何与现实中的产品需求及客户行为模式相关联？
• RQ3 网络中的社区结构在多大程度上提升了基于基序分析的可解释性与准确性？
• RQ4 基序分析能否检测到新兴产品趋势或消费者偏好转变的早期信号？
• RQ5 基序模式如何与在线零售网络中的长尾现象共存？

主要发现

• 出现频率最高的基序是汇聚型基序（两条边指向同一个节点），表明少数产品经常与其他众多产品被共同购买。
• 该网络具有较高的聚类系数（0.424），且闭合三角形占比达23.61%（占所有可能三角形的比例），表明存在强烈的局部连通性。
• 最大强连通分量包含92.2%的全部节点，表明大多数产品属于一个紧密互联的购买网络。
• 汇聚型基序显著过度代表，暗示一组核心热门产品驱动了大部分共购买行为。
• 社区检测通过隔离具有相似购买模式的产品群组，提升了基序分析的准确性，使趋势检测更加精确。
• 汇聚型基序的主导性并不与长尾现象矛盾；相反，它反映了微观层面的行为特征——少数关键产品作为枢纽，而长尾则在更大尺度上显现。