数据文件 - 麻省理工学院人工智能研究专业

数据文件

构建场景化知识体系
适用于电子商务行业:
业务分析和挑战

民富1.2, Qiang Chen1, Wei Lin1, Pei Wang1 & Wei Zhang1

1阿里巴巴集团, 余杭区, 杭州 311121, 中国

2计算机学院, 麦考瑞大学, 新南威尔士州北赖德, 悉尼 2109, 澳大利亚

关键词: 电子商务业务; 场景化; 知识体系; 产品分类; 业务目标;

业务挑战

引文: 中号. 福, 问. 陈, 瓦. 林, 磷. 王, & 瓦. 张. 构建电商行业场景化知识体系:

业务分析和挑战. 数据智能 1(2019). 土井: 10.1162/dint_a_00012

已收到: 十二月 31, 2018; 修改: 一月 28, 2019; 公认: 二月 2, 2019

抽象的

在线营销人员努力向客户销售更多产品以增加营业额. 一种方法是
多卖产品是为了保证属于同一场景的产品一起提供. 像这样, 这是
有利于将产品分类为不同的组并将其标记为特定的, 定义的场景. 这
产品与场景之间建立关系的机制称为“基于场景的知识系统”
建造”. 场景化知识体系的构建通常是基于业务运营者的
专业知识和过去的经验, 这往往会导致产品分类不准确. 因此,
在本文中, 探讨构建场景化知识体系的重要性和必要性,
从商业角度来分析, 并讨论其挑战.

1. 介绍

在全球电子商务中, 企业争夺市场, 产品, 顾客, 市场, 卖家, 和
甚至是运营技术来增加利润和整体营业额 [1]. 每一个电商企业,
尤其是大型的, 比如阿里巴巴 [2], 花大力气促使消费者多买
来自在线购物网站的产品. 他们使用的策略之一是确保多种产品

† 通讯作者: Min Fu (电子邮件: hanhao.fm@alibaba-inc.com; ORCID: 0000-0002-1557-0810).

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

属于同一特定场景, 或场景, 展示给顾客，以便他们可以
购买更多产品. 这也称为“商品绑定销售” [3]”. 在这个机制中, 当顾客
搜索特定产品, 显示与该产品共享相同场景的其他产品
顾客, 这可能会让客户选择并购买更多商品. 为了让这个机制
成功的, 零售商需要确定产品的场景; 换句话说, 我们需要对产品进行分类
分成不同的组, 其中每个组都由特定场景标记. 在本文中, 我们称之为
“构建场景化知识体系”.

基于场景的知识体系建设很重要，原因有三: 1) 它提供了详细的
产品和场景之间的关系信息; 2) 它可以用来提出建议
为买家或客户列出产品时向他们展示, 以便他们可以避免新产品搜索; 3) 它
帮助网店店主将相关商品绑定在一起展示商品, 这样他们就可以卖出更多
产品，因此, 增加他们的利润.

现有的基于场景的知识系统构建方法通常依赖于专家知识和
经营者过去将产品分为不同功能类别的经验 [4,5,6].
这些方法不能产生一致或准确的基于场景的知识系统，因为它们不是
可概括的. 此外, 产品和场景之间的关系高度依赖于具体的
电子商务企业制定的业务范围和要求; 因此, 很难分类
产品按特定场景分组. 最后, 我们需要更细粒度的方法来构建
电商场景化知识体系. 为了提出更好的方法, 我们
构建电商场景化知识体系首先要了解业务原因
企业. 随后, 我们需要明确其业务需求, 商业目标, 和商业价值,
随后检查其挑战 [7]. 此外, 我们还应该提出潜在的解决方案
应对这些挑战. 在本文中, 像这样, 我们对场景化知识进行业务分析
通过讨论其业务原因来构建系统, 要求, 目标, 和价值, 我们列出了它的
挑战并尝试通过提出潜在的解决方案来应对这些挑战.

本文的研究贡献如下: 1) 制定场景的官方定义-
电子商务企业基础知识体系, 任何电子商务公司都可以使用
在世界上; 2) 进行详细的业务分析，构建场景化知识
系统, 通过分析其商业原因, 业务需求, 商业目标和商业价值; 3)
详细列出了电子商务场景化知识体系创建所面临的挑战
行业, 随后是对每个挑战和分析的解释; 和 4) 提出一系列潜力
可用于应对这些挑战的解决方案, 可广泛应用于电子商务
世界各地的企业.

本文的其余部分安排如下: 部分 2 讨论背景. 部分 3
讨论相关工作. 部分 4 提出了一个激励人心的例子. 部分 5 进行业务分析
基于场景的知识体系构建. 部分 6 列出基于场景的知识的挑战
系统构建及部分 7 为挑战提供潜在的解决方案. 部分 8 提供了一个
讨论, 最后, 部分 9 提供结论并描述未来的工作.

225

数据智能

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

2. 背景

本节由两个方面组成: 1) 电子商务场景化知识体系的定义
企业和 2) 场景化知识系统在电商行业的使用现状
全世界.

2.1 场景知识系统的定义

为了理解和定义术语“基于场景的知识系统”, 我们应该理解
核心词: “场景”与“知识体系”. 场景是指某个特定客户的场景
为特定目的进行特定购买, 知识体系是指知识的类型
由两个实体之间的某些关系信息表示, 比如之间的关系
产品及场景. 例如, 打球场景中使用一双篮球训练鞋
篮球.

第一的, 我们需要正式定义“场景”这个词. 具体来说, 本研究中的场景是购物
场景. 虽然其他研究工作 [8,9,10] 将购物场景定义为人们进行购物的场景
购买产品以满足购物需求, 例如生活需求或教育需求, 我们
使用 4-W 原则定义场景. 4-W原则包括四个方面: 1) 什么时候, 2) WHO, 3)
在哪里, 和 4) 什么. 这意味着某个人 (WHO) 做某事 (什么) 在某个地点
(在哪里) 在某个时间 (什么时候). 场景中不需要所有四个 W 都出现; 然而, 这
其中必须包含“什么”. 另外三个W (什么时候, 谁和哪里) 可以与什么组合,
单独或联合. 例如, 一个场景可以是“谁做了什么”, “当它完成时”, “在哪儿
完毕”, 或“谁在何时何地做什么”. 购物场景就相当于购物目的
因为场景可以体现顾客想要购买特定产品的原因. 为了
例子, 购买一双篮球训练鞋属于打篮球的场景
它是用来打篮球的. 因此, 根据我们的定义, 场景如图所示:

场景=元组(什么) ∪ {开关 | Sw ∈ 元组(什么时候, WHO, 在哪里)}.

(1)

下一个, 我们应该正式定义“知识系统”这个术语. 根据现有作品
知识图谱, 知识系统是指代表某种类型的知识基础设施
多个知识节点之间完整的关系 [7, 11, 12]. 在电子商务背景下
企业, 我们将知识系统定义为描述两个人之间关系的信息
知识实体, 例如, 产品及场景. 我们随后使用这个知识系统来描述
电子商务行业的知识架构.

最后, 我们需要提供完整术语“基于场景的知识系统”的定义. 这
该术语被定义为包含所有映射关系的面向数据的知识架构
产品和场景两个实体之间. 通常, 知识体系被视为范式
通常以高抽象级别描述实体和实体之间的关系. 从此
场景化知识体系是为了服务于场景内的所有业务服务和活动
电子商务行业, 比如阿里巴巴集团, 我们使用“知识系统”这个术语来暗示深层的知识体系

数据智能

226

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

产品与场景关系的功能和使用见解. 我们表示基于场景的
SBKS知识系统, 它可以定义为:

SBKS = {元组(产品, 场景) | 产品使用场景 & 场景包括产品}.

(2)

2.2 场景化知识系统在电商业务中的应用现状

数家总部位于中国的全球电子商务公司, 例如阿里巴巴集团和京东, 有
构建基于场景的知识系统 [2, 13]. 他们将基于场景的知识系统应用于许多
地区, 包括购物指导, 产品推荐和商品绑定销售 [2, 13]. 通过使用
这个策略, 利润大幅增长, 整体营业额大幅提升, 和客户
满意度有所提高. 京东开发的“东方小院”产品 [13] 可以使用
举例说明. 该产品是京东为了增加用户数量而开发的
访问, 其在线购物应用的用户页面点击量和用户购买率 (应用程序). 它包含更多
比 1,300 购物场景, 其中 200 由应用程序的前端正式使用 [13]. 京东用了一个
结合智能算法和商家运营策略回顾场景
应该使用并手动构建每个产品和场景之间的关系. 然后, 它应用了
构建了基于场景的产品推荐功能知识系统
购物指导. 通过这样做, 用户访问量大幅增长, 及其购买率
产品也增加了. 该产品有, 所以, 在京东内部获得了良好的声誉
团体 [13].

阿里巴巴的商铺是另一个可以用来阐明当前基于场景的使用情况的例子。
知识体系; 主屏上展示了多种具有不同功能和用途的产品
页面及各店铺详情页面. 当顾客浏览在线商店中列出的产品时,
找到属于同一场景的所有产品可能很困难, 需要额外的时间来寻找
属于同一场景的其他产品. 为了解决这个问题, 阿里巴巴集团研发两款
构建场景化知识体系进行应用: 一个名为“拥有好东西”的应用程序和
另一个名为“必买清单” [2]. 前一个产品用于向客户进行推荐
寻找属于相同购物场景的商品, 后者用于提供有洞察力的
为不太确定应该购买什么产品的顾客提供购物指导 [2]. 这
这两款应用的使用导致用户访问量增加, 页面点击次数, 和
阿里巴巴集团网上商城购买率 [14].

3. 相关作品

由于我们打算采用多种机器学习技术来解决一些挑战
构建电商场景化知识体系, 我们将首先讨论一些作品
与应用机器学习方法解决金融和商业问题有关. 这些作品
包括使用机器学习技术来确定股票市场价格, 预测财务时间
系列, 并预测原油价格 [15]. 这些工作与我们在使用方面的研究相关
机器学习来确定产品的场景并分析有关产品属性的信息
以及场景的特征并挖掘它们之间的关系.

227

数据智能

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

3.1 使用人工神经网络预测股票市场价格

在 2011, 沙阿贾拉勒科技大学的研究人员 (慢的) 提出了一个机制
基于人工神经网络的股票市场价格预测方法 [15, 16]. 该机制解决了
一个重大挑战与股票市场混乱之间的微不足道的关系有关
系统变量和股价 [15, 16]. 他们应用了传统的多层感知器 (多层线性规划)
神经网络模型, 并依靠反向传播 (血压) 计算和更新机制
中间输入和输出的权重值 [15, 16]. 该机制的主要缺点
如下面所述: 1) 神经网络只使用了两个隐藏层并且没有任何解释, 和
他们没有对使用两个隐藏层和使用更多隐藏层的性能进行任何比较
隐藏层; 2) 神经网络中使用的股票市场变量仅考虑
有关公司财务状况的信息, 不考虑其他重要特征,
例如客户规模或启动时间 [15, 16]. 而且, 所提出的方法仅通过评估
一家公司，仅针对两组输入数据进行测试, 并且该方法的有效性不完全
证实 [15, 16].

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

3.2 使用 ANN 进行金融时间序列预测

人工神经网络 (人工神经网络) 被认为是最强大和最有用的机器学习
债券市场研究人员预测股票市场金融时间序列的技术
大学, 澳大利亚 [15, 17]. 虽然用于此类预测的其他方法主要基于
基于进化和优化的技术, 人们更愿意雇用和加强现有的
具有新训练算法的 ANN 模型或希望将 ANN 与新兴技术相结合
混合动力系统 [16, 18]. 然而, 目前尚不清楚现实世界的限制如何影响
金融时间序列预测和股票指数预测的准确性. 此外, 我们也应该
研究投资者的风险收益权衡是否可以改善 [15, 17].

3.3 使用 ANN-Q 预测原油价格

人工神经网络定量 (ANN-Q) 基于模型的价格预测方法
原油是由曼彻斯特大学的研究人员提出的 2010 [15, 18]. 框架
这项研究中提出的解决了原油价格预测的重大挑战: 的价格
原油与很多因素相关，这些因素的变化可能会影响原油价格
石油在很大程度上. 原油是全球波动性较大的主要产品 [15, 18].
通过利用和分析总共 22 影响原油价格的关键因素, 研究人员
提出了ANN-Q模型 [15, 18]. 为了开发更好的模型, 相关数据
这些关键因素进一步分为三类: 影响大, 中等影响和小影响
[15, 18]. 反向传播神经网络 (BP神经网络) 用于输入变量训练 [15, 18].
在基于模拟的实验中, 监测所提出方法的可接受的准确性
逐步, 结果表明，通过更好地调整参数可以提高精度
该模型 [15, 18].

数据智能

228

构建电商行业场景化知识体系: 商业分析
和挑战

4. 一个激励人心的例子

在这个部分, 我们提出了一个激励性的例子来解释为什么构建基于场景的知识
系统对电子商务企业有利. 拥有成熟的场景化知识体系, 一套
通过将该系统应用于
电子商务业务解决方案, 例如产品推荐和商品绑定销售. 激励人心的
示例如图所示 1.

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

数字 1. 一个激励人心的例子.

一个顾客依附于多个生活场景, 其中之一可能是婴儿的出生. 现场
婴儿出生的场景由几个附属场景组成, 因此, 客户需要制作一个场景
对这个主场景的认可. 分析完主场景的附属场景后, 顾客
观察到它可以分为几个子场景: 选择医院, 进行妊娠扫描,
胎教, 为分娩做准备, 产后护理, 购买新生儿保险, 和
确保给婴儿接种新生儿疫苗. 然后, 基于这些子场景, 顾客
可以产生许多主要的购物需求，这些需求可以分解为几个与儿童相关的需求.
这是在在线应用程序的帮助下完成的, 比如百度, 知乎和微信; 垂直的
站点; 电子商务网站; 以及淘宝App. 随后, 基于这些子要求, 顾客
确定他们需要购买超过 70 婴儿用品, 包括奶粉, 尿布和
牛奶瓶. 下一个, 客户需要从候选列表中选择合适的购物渠道, 这样的
如淘宝App, 京东, 网易, 和猴宝宝树. 然后, 顾客通过以下方式做出购物选择
分析产品的确定性特征, 考虑产品价格, 研究评论

229

数据智能

构建电商行业场景化知识体系: 商业分析
和挑战

以及产品的反馈, 等等. 最后, 客户决定购买什么并下订单
那些产品. 在上面的故事中, 我们可以看到很多产品属于同一个场景、同一个
附属场景. 如果我们把属于同一个场景/子场景的产品组合在一起并放在一起
进入由特定场景标记的类别, 那么客户会发现更容易、更方便
下单属于同一场景的产品. 像这样, 基于场景的构建
知识体系是电商销售的必备要素.

5. 业务分析场景化知识体系建设

本节对场景化知识体系的构建进行了详细的业务分析.
具体来说, 我们提供支持基于场景的知识开发的业务理由
系统, 制定其业务要求, 阐明其业务目标并讨论其业务价值.

5.1 构建场景化知识体系的商业理由

基于我们过去的经验以及其他电子商务专业人士的专业知识
组织, 我们提出了构建基于场景的知识系统的八个理由. 这八个
原因是: 1) 购物场景的品类信息助力电商企业
更好地理解完整的场景 (例如, 母婴购物场景包括购买婴儿
食物, 规划婴儿健康, 以及购买婴儿服装, 除其他购物任务外); 2) 如果特征
线上产品场景化分析, 企业利益相关者将获得更好的
关于在线产品属于哪些场景的想法 (例如, 篮球鞋的特点应包括重量,
材料, 耐久性和颜色); 3) 在线购物系统需要了解在线购物的方式
产品应该放在一起，以及如何将这些分类产品快速销售给客户
一轮 (例如, 篮球鞋和篮球短裤必须捆绑在一起出售); 4) 这
用户访问量和页面点击量与网店购买率高度相关
场景化产品的分类机制 (例如, 将篮球鞋与鞋带绑好后
篮球短裤, 这两个商品的整体点击率和这两个商品的销量都增加了);
5) 为客户, 他们的购物体验质量应该得到提高; 这与
相关产品是否按照场景和用途进行分类 (例如, 如果篮球
鞋子与篮球短裤绑在一起, 客户认为该网站是购买篮球的便捷方式
齿轮); 6) 电子商务企业的总利润和总体营业额可以通过使用来增加
策略, 例如依赖于构建的产品推荐和项目绑定销售
基于场景的知识系统 (例如, 只卖鞋的利润比卖篮球的利润要低
鞋子和篮球短裤); 7) 网络之间的关系缺乏标准化
全球电商产品及购物场景, 因此, 这些企业做
没有统一的机制来根据特定场景对产品进行分类; 8) 当前的
场景知识系统的定义不规范，场景知识的使用
全球各电子商务企业的系统尚未标准化.

数据智能

230

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

5.2 场景化知识体系构建的业务需求

我们还制定了构建场景化知识体系的业务需求
电子商务企业. 以下是六项要求: 1) 的场景和购物目的
每天应完整统计所有在网上购物网站购物的顾客，以便
确保我们观察对做出电子商务决策很重要的购物场景; 2) 定义
场景的种类以及各个场景之间的关系必须清晰准确地确定;
3) 每个线上产品与每个场景的映射关系必须准确无误
确定并且这些关系必须易于理解; 4) 众多可以归属的产品
必须正确定义相同的场景; 5) 一个产品是否可以属于多个场景, 然后所有
必须确定场景; 和 6) 构建的基于场景的知识系统必须存储在
以适当的形式放置在合理的位置以便于访问.

5.3 构建场景化知识体系的业务目标

构建场景化知识体系的业务目标如下. 第一的, 系统可以
被所有电子商务企业以通用的方式使用; 不同的电商企业可以
将其视为制定业务决策的标准化工具. 第二, 它可供全世界所有人使用
电子商务企业开发复杂功能的在线购物应用程序. 第三,
通过改进产品，将大大增加在线购物应用程序的用户访问量和页面点击量
推荐和商品绑定销售; 最后, 它将大幅提高购买转化率
费率, 总利润和总营业额.

5.4 构建场景化知识体系的商业价值

构建场景化知识体系的商业价值三重: 1) 它提供了一个标准
用于组织和管理产品, 所有电子商务业务的场景及其关系
全世界; 2) 它有助于实现业务目标, 例如总用户访问量, 用户页面点击率, 用户购买
费率, 营业利润和营业额; 和 3) 它为电子商务企业和公司树立了良好的榜样
在其他领域构建和使用与业务战略密切相关的知识体系.

6. 挑战

在本节中，我们列出了构建基于场景的知识系统项目中的八个约束

对于电子商务如下.

1). 场景的确定并不是一个简单的过程，因为没有标准化的场景
“场景”真正意味着什么. 没有任何以前的工作可以参考来帮助我们理解
场景的内部属性. 所以, 我们必须根据以下内容确定定义
了解我们自己的电子商务公司的背景信息和业务策略.

231

数据智能

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

2). 目前还没有关于系统地定义和制定基于场景的方法的工作。
知识体系; 因此, 我们缺乏描述和制定该系统的参考资料. 像这样, 我们
必须依靠我们自己的上下文和业务范围来系统地制定定义和使用
这个定义来构建产品和场景之间的关系.

3). 场景的核心是“事物”, 但“事物”的定义相当不清楚且不同
人们对事物是什么有不同的看法. 而且, 事物之间的关系
场景的其他方面并不总是那么简单.

4). 很难描述或建模单个客户的购物需求. 有时一个
客户可能不知道他们想要购买某物的真正原因. 购物要求
可能相当复杂, 这使得购物需求建模变得复杂.

5). 场景的定义是基于对操作规则的理解; 然而, 操作
规则很难定义，因为不同的经营者有不同的管理标准
规则和规则往往有多种形式. 因此, 以通用的方式定义它们是具有挑战性的
方式.

6). 确定每个产品和每个场景之间的关系也很严格，因为它是
基于对所有产品及其功能、所有场景及其特点的全面、全局的了解
特性. 这需要较长的时间和大量的人力; 很难自动化
这个流程.

7). 所确定的产品与场景之间的关系的准确性很难验证
它需要人力和大量的人力. 主要取决于业务范围和
电子商务行业的要求. 即使我们使用自动化机制来加速这一过程
过程, 不保证所确定的关系足够准确.

8). 用于构建基于场景的知识系统的机制必须可推广到所有
全球电子商务企业. 这要求很高，因为不同的电子商务企业
有不同的特点, 产品和产品类别.

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

7. 潜在的解决方案

为了应对上述挑战, 我们提出了解决每个问题的潜在解决方案.

这些解决方案描述如下:

1). 解决与场景定义相关的挑战, 我们建议进行一项商业研究
我们的客户购买某些产品的所有目的. 我们可以对这些驱动器进行建模
尝试从目的中挖掘购物场景信息. 进一步来说, 我们应该
确定场景的各个方面，明确哪些方面是核心方面，哪些方面是
中学.

2). 解决与知识系统定义相关的挑战, 我们建议审查该业务
我们自己的电子商务公司的要求和运营要求，了解
我们公司需要的知识系统类型来确定所需的所有特征和方面
制定知识系统的定义.

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

数据智能

232

构建电商行业场景化知识体系: 商业分析
和挑战

3). 解决“事物”定义的挑战, 我们建议总结所有客观实体
在所有类型的顾客进行网上购物任务的目的范围内，并尝试确定
为每个实体建模的模式. 因此, “事物”将是适当形式的模型
图案.

4). 解决购物需求建模的挑战, 我们建议首先收集历史
所有现有客户的购物要求, 手动或自动方式, 和
随后使用数据分析方法对这些进行数据挖掘和统计学习
数据以发现模拟用户购物需求的正确方法. 该模型应该被存储
以便外部各方可以重用.

5). 解决定义操作规则的挑战, 我们建议确定一个正式的方式
表达操作规则. 恰当、正确地表达操作规则, 我们应该
确定规则中包含哪些因素以及如何组织这些因素以形成规则
科学化、模型化的范式记录运行规则.

6). 解决与确定产品场景关系相关的挑战, 我们建议
结合使用两种机制: 1) 使用机器学习来生成和分类场景
和 2) 让人检查操作规则的一致性. 第一的, 我们生成一个场景
每个产品; 第二, 我们根据产品判断生成的场景是否适合产品
至一致性检查员.

7). 解决与产品场景关系准确性相关的挑战, 我们建议申请
对产品和场景之间关系的确定输出进行交叉验证.
具体来说, 我们可以使用10倍交叉验证, 我们将数据集分为十个部分, 使用
数据训练的十个部分中的九个, 并使用剩余部分进行数据预测
计算预测精度. 执行此过程十次，直到十个部分中的每个部分
已评估, 然后我们计算十个准确度值的平均值并验证
这个平均值是否足够大.

8). 解决系统泛化的挑战, 我们建议首先总结所有产品和
全球每个电子商务企业的场景并随后建立关系
各电商产品、场景之间, 使用每个电子商务的数据
小型场景知识体系的业务. 下一个, 我们将统一所有的知识体系
共同组成一个更大的, 集中式场景知识系统. 不同电商
企业将能够使用相同的集中式知识系统来制定自己的战略
为其应用提供解决方案，以实现各自的业务目标.

8. 讨论

事实上, 基于场景的知识体系构建只是众多策略之一
可用于实现全球电子商务企业的业务目标和要求. 其他
策略可能包括营销解决方案, 比如智能红包 [9], 智能优惠券, 聪明的
价格决定 [6] 或价格折扣机制. 我们认为基于场景的知识系统
比其他策略更可行，因为我们坚信客户购买背后的目的
某些产品是成功电子采购的基础.

233

数据智能

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

而基于场景的知识体系可以用来实现业务目标, 比如增加
用户访问量, 页面访问量, 购买率, 以及整体利润和营业额, 它还可以提供其他
对电子商务企业的好处, 即加强他们的声誉并帮助开展业务
扩展. 因此, 对于全球电商企业来说，建立资源构建网络是至关重要且意义重大的。
基于场景的知识系统.

9. 结论和未来的工作

每个网店老板都致力于向顾客销售更多产品以增加总营业额.
实现这一目标的一种方法是确保属于同一场景的产品被分组在一起.
像这样, 公司必须将产品分类为按特定场景标记的不同组. 我们
将产品与场景之间关系的确定称为“基于场景的知识系统”
建造”. 现有的基于场景的知识系统构建方法通常基于
经营者的专业知识和过去的经验, 这会导致产品不准确
分类. 因此, 本文对基于场景的知识体系进行了详细的业务分析
建造, 讨论其挑战, 并提出应对这些挑战的潜在解决方案.

我们未来的工作包括以下任务. 第一的, 我们打算提出一种正式的方法来构建
基于场景的知识体系, 使用真实场景实施和评估它. 方法
将是针对第 5 节中描述的挑战的潜在解决方案的组合 7. 一定要细粒度
可泛化不同类型的业务需求，满足多个电子商务行业
在世界上. 第二, 我们需要确定基于场景的知识的其他业务需求
系统应该支持并检查我们的方法是否能够满足这些要求.

作者贡献

这项工作是所有作者的共同努力. 中号. 福 (hanhao.fm@alibaba-inc.com, 相应的
作者) 是该研究项目的主要作者. 问. 陈 (lapu.cq@alibaba-inc.com) 瓦. 林 (weijiang.
lw@alibaba-inc.com), 磷. 王 (wp146049@alibaba-inc.com), 和W. 张 (lantu.zw@alibaba-inc.com)
在业务分析部分和挑战部分提供了见解和信息, 和
本文的方法论部分. 所有作者在修订和修订方面都做出了有意义且有价值的贡献
校对最终的手稿.

参考

2.
3.

S. 夏尔马. 网络营销: 电子商务的支柱. 国际新兴研究杂志
管理 & 技术 6(4) (2016), 38–51. 土井: 10.4018/代数2010100104.
阿里巴巴集团官网. 可用于: https://www.alibaba.com/.
乙. 头巾, D. 国王, J·K. 李, TP. 梁, & 直流电. 头巾. 电子商务: 管理和社交网络-
作品视角. 柏林: 施普林格, 2015. 国际标准书号: 978-3319100906.

数据智能

234

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

右. 曼塞尔. 构建知识驱动发展的知识库. 知识杂志
管理 6(4) (2002), 317–329. 土井: 10.1108/13673270210440839.
A. 戈麦斯-佩雷斯, 氧. 软木, & 中号. 费尔南德斯-洛佩兹. 本体工程: 以各地区为例
知识管理的, 电子商务和语义网. 1圣版. 伦敦: 施普林格, 2004. 国际标准书号:
1852338407.
磷. 库克, & L. 莱德斯多夫. 知识经济的区域发展: 的建设
优势. 技术转移杂志 31(1) (2006), 5–15. 土井: 10.1007/s10961-005-5009-3.
A. 察尔加蒂杜, & 乙. 皮图拉. 移动电子商务的商业模式和交易: 要求
和属性. 计算机网络杂志 37(2) (2001), 221–236. 土井: 10.1016/s1389-1286(01)00216-X.
是. 胡, L. 曹, F. 左, S. 严, 是. 锣, & 时间. 黄. 空间和复杂场景中的动作检测
时间模糊性. 在: IEEE 第十二届计算机视觉国际会议, IEEE, 2009. 土井: 10.1109/
ICCV.2009.5459153.
S. 刘, Z. 歌曲, G. 刘, C. 徐, H. 鲁, & S. 严. 街道到商店: 通过零件对齐实现跨场景服装检索-
更换及辅助装置. 在: IEEE 计算机视觉和模式识别会议论文集,
IEEE, 2012. 土井:10.1109/CVPR.2012.6248071.

10. Z. 海德尔, K.T.S. 文章, A. 侯赛因, & A. 侯赛因. 购物场景中的产品关联显示.
在: 第四届 IEEE 会议论文集 / ACM混合与增强现实国际研讨会, IEEE, 2005.
土井: 10.1109/棕色。2005.46.

11. H. 保尔海姆. 知识图谱细化: 方法和评估方法的调查. 杂志

语义网 8(3) (2016), 489–508. 土井: 10.3233/SW-160218.

12. GL. 吉, K. 刘, S.Z. 他, & J. 赵. 使用自适应稀疏传输矩阵完成知识图. 在:

第三十届 AAAI 人工智能会议论文集, AAAI, 2016, PP. 985–991.
京东官网. 可用于: https://京东网/.

13.
14. 阿里巴巴集团买家官方论坛. 可用于: http://阿里巴巴买家论坛.
15. 中号. 福, 厘米. 黄, H. 朱, 是. 黄, 是. 李, X. 郑, J. 吴, 厘米. 冯, & J. 严. 要点: 机器学习
基于大型电商企业的智能压岁钱判定. 在: 诉讼程序
16第六届面向服务计算国际会议, 施普林格, 2018. 土井: 10.1007/978-3-030-
03596-9_53.

16. 郑华. 汗, TS. 文章, & 嘛. 侯赛因. 使用人工神经网络进行股票市场价格预测 (神经网络).

国际计算机应用杂志 22(2) (2011), 42–47. 土井: 10.5120/2552-3497.

17. 乙. 克罗尔纳, 乙. 范斯通, & G. 菲尼. 利用机器学习技术进行金融时间序列预测:
一项调查. 在: 第 18 届欧洲人工神经网络研讨会论文集, 2010. PP. 25–30.
可用于: http://works.bepress.com/gavin_finnie/37/.

18. 序列号. 阿卜杜拉, & X. 曾. 利用人工神经网络预测原油价格的机器学习方法
网络定量 (ANN-Q) 模型. 在: 诉讼程序 2010 国际神经网络联合会议
网络 (IJCNN), IEEE, 2010. 土井: 10.1109/IJCNN.2010.5596602.

235

数据智能

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

构建电商行业场景化知识体系: 商业分析
和挑战

作者简介

付敏阿里巴巴集团高级工程师, 中国, 并拥有荣誉称号
麦考瑞大学奖学金, 澳大利亚. 他拥有博士学位
新南威尔士大学, 澳大利亚 (新南威尔士大学) 并且拥有超过
四年的研究经验和六年以上的IT行业经验.
他已发表超过 23 在国际会议上发表的论文, 包括
国际软件工程会议 (国际科学教育协会), IEEE/IFIP
国际可靠系统和网络会议 (数据服务网络),
面向服务计算国际会议 (国际社会科学委员会), 和
期刊包括《软件实践与经验杂志》 (固相萃取) 和IEEE
可靠且安全的计算交易 (时差差示扫描量热法). 他的主要
研究兴趣包括面向服务的计算, 云计算,
分布式系统, 数据挖掘, 大数据和机器学习, 网络
安全, 软件系统和架构.

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

陈强阿里巴巴知识图谱团队二级工程师
团体. 他毕业于中国科学院计算技术研究所
中国科学院负责的Good项目
指导. 他的研究领域包括自然语言处理, 机器
学习和知识图谱.

e
d
你
d
n

我

t
/

我

A
r
t
我
C
e
–
p
d

F
/

1
3
2
2
4
6
8
3
7
7
4
d
n
_
A
_
0
0
0
1
2
p
d

我

乙
y
G
你
e
s
t

哦
n
0
7
S
e
p
e
米
乙
e
r
2
0
2
3

林伟阿里巴巴集团高级工程师, 中国. 他目前是一名
中国科学技术大学在职博士生.
加入阿里巴巴集团之前, 曾任科大讯飞研究员
中国科学院. 主要研究兴趣包括知识
绘图, 语音识别和机器翻译.

数据智能

236

构建电商行业场景化知识体系: 商业分析
和挑战

王培阿里巴巴集团二级工程师. 他曾担任研究
新加坡信息通信研究所工程师, 其中重点
关于先进信息技术. 加入阿里巴巴集团之前, 他
曾是电子商务公司的算法工程师, 京东集团. 他有
具有丰富的电子商务业务领域数据挖掘经验. 他
目前从事文本挖掘工作, 电商知识图谱与产品
评论分析.

张伟阿里巴巴集团高级工程师, 中国又是大师
复旦大学导师, 中国. 他拥有博士学位
曾任新加坡国立大学自然科学系负责人
语言处理 (自然语言处理) 信息通信研究院应用实验室,
新加坡. 作品多次在国际会议上发表, 这样的
作为自然语言处理经验方法会议
(EMNLP), ACM 网络搜索和数据挖掘国际会议
(WSDM), AAAI 人工智能会议 (AAAI), 国际联合
人工智能会议 (IJCAI), 和国际环球
网络会议 (万维网). 主要研究兴趣包括知识
图形, 自然语言处理, 和机器学习. 他是该杂志的常务审稿人
计算语言学协会会刊 (处理) 关于自然语言处理.

237

数据智能

我

D
哦
w
n
哦
A
d
e
d

F
r
哦
米
H

t
t

:
/
/

d
我
r
e
C
t
.

米

我
t
.

e
d
你
d
n

我