DOI: https://doi.org/10.3389/fphy.2026.1686157
تاريخ النشر: 2026-02-02
المؤلف: Yuanyuan Wen وآخرون
الموضوع الرئيسي: أنظمة وتقنيات التوصية
نظرة عامة
تقدم هذه الورقة البحثية نموذج الشبكة العصبية التلافيفية مع وحدة انتباه الكتلة التلافيفية المدمجة (EE-CNN-CBAM) كنهج جديد للتنبؤ بسلوك الشراء عبر الإنترنت للمستهلكين باستخدام تحليلات البيانات الكبيرة. تستخدم الطريقة تضمين الكيانات (EE) لتحويل المتغيرات الفئوية ذات الكاردينالية العالية إلى متجهات كثيفة منخفضة الأبعاد، مما يقلل من التحديات الحسابية المرتبطة بمجموعات البيانات الكبيرة. تعمل الشبكة العصبية التلافيفية (CNN) كإطار عمل أساسي، حيث تستخرج أنماط الارتباط المحلي من تسلسلات سلوك المستخدم لكشف الميزات الضمنية لسلوك الشراء. بالإضافة إلى ذلك، تعزز وحدة انتباه الكتلة التلافيفية (CBAM) تركيز النموذج على الميزات المهمة من خلال الانتباه القنوي التكيفي، مما يحسن في النهاية دقة التنبؤ.
تظهر النتائج أن EE-CNN-CBAM تعالج بيانات المستهلك الكبيرة عبر الإنترنت بشكل فعال من خلال معالجة مشكلات الأبعاد المتأصلة في الطرق التقليدية. يلتقط النموذج الخصائص الأساسية لسلوك الشراء، بما في ذلك تنوع الوقت، والولاء، والانتظام، وهي أمور حاسمة لفهم الاعتماد الزمني. بينما تشير النتائج التجريبية إلى تحسين ملحوظ في دقة التنبؤ، تعترف الورقة بالقيود، مثل المعالجة البسيطة لبيانات السلاسل الزمنية ونقص التحليل التفصيلي بشأن الربحية عبر مجموعات المستخدمين المختلفة وفئات المنتجات. علاوة على ذلك، على الرغم من مزايا أدائه، لا تزال قابلية تفسير النموذج تمثل تحديًا، مما يشير إلى مجالات للبحث المستقبلي.
طرق
في قسم تصميم التجارب وتحليل النتائج، يحدد المؤلفون المنهجية المستخدمة للتحقيق في فرضية البحث. استخدمت الدراسة إطارًا تجريبيًا محكومًا، مما يضمن أن المتغيرات تم التلاعب بها بشكل منهجي لعزل آثارها. تم تعريف طرق جمع البيانات بدقة، مع تطبيق تقنيات إحصائية مناسبة لتحليل النتائج، مما يعزز موثوقية النتائج.
كشفت التحليلات عن اتجاهات مهمة تدعم الفرضية الأولية، مع تقديم نتائج كمية من خلال مقاييس إحصائية متنوعة. يؤكد المؤلفون على أهمية إمكانية التكرار في تصميمهم التجريبي، مما يشير إلى أن المنهجيات يمكن تطبيقها في الدراسات المستقبلية لمزيد من التحقق من النتائج. بشكل عام، يبرز القسم قوة النهج التجريبي ووضوح العمليات التحليلية المستخدمة لاستخلاص الاستنتاجات من البيانات.
نقاش
يسلط قسم النقاش في الورقة الضوء على التقدم في تطبيقات التعلم الآلي للتنبؤ بسلوك شراء المستهلكين في الإلكترونيات عبر الإنترنت، مع التركيز على دمج خوارزميات وإطارات عمل متنوعة. تشمل المساهمات الملحوظة تطوير نماذج تستخدم ميزات متعددة الأبعاد مثل بيانات السلاسل الزمنية، وسلوك المستهلك، وديناميات السوق لتعزيز دقة التنبؤ. على سبيل المثال، يستفيد إطار عمل الترتيب الشخصي البايزي (BPR) ونموذج COREL بشكل فعال من بيانات تفاعل المستهلك لتحسين توقعات الشراء. بالإضافة إلى ذلك، تناقش الورقة إدخال تقنيات التعلم العميق، مثل نموذج LSR-IGRU وطريقة استرجاع السلاسل الزمنية المعززة بالتوليد (TimeRAG)، التي تقدمت بشكل كبير في توقعات أسعار الأسهم وسلوك المستهلك.
نموذج EE-CNN-CBAM المقترح هو ابتكار رئيسي في هذا البحث، مصمم لمعالجة بيانات الاستهلاك متعددة المصادر في بيئات البيانات الكبيرة. يجمع بين طبقات التضمين، والشبكات العصبية التلافيفية (CNN)، وآليات الانتباه القنوي والمكاني لالتقاط الأنماط الأساسية في سلوك المستهلك. يعالج النموذج التحديات المتعلقة بالبيانات عالية الأبعاد والضوضاء، مما يعزز القدرات التنبؤية لسلوك الشراء عبر الإنترنت. علاوة على ذلك، يوفر إدخال مؤشرات الخصائص الزمنية – تنوع الوقت، والولاء الزمني، والانتظام الزمني – فهمًا دقيقًا لأنماط شراء المستهلك، وهو أمر حاسم لتحسين أداء النموذج وقابلية تفسيره. بشكل عام، تؤكد النتائج على فعالية دمج تقنيات التعلم الآلي المتقدمة وتحليل السلاسل الزمنية في التنبؤ بسلوك المستهلك في بيئات التجارة الإلكترونية.
DOI: https://doi.org/10.3389/fphy.2026.1686157
Publication Date: 2026-02-02
Author(s): Yuanyuan Wen et al.
Primary Topic: Recommender Systems and Techniques
Overview
This research paper introduces the entity embedding-convolutional neural network-convolutional block attention module (EE-CNN-CBAM) as a novel approach to predicting consumer online purchasing behavior using big data analytics. The method employs entity embedding (EE) to convert high cardinality categorical variables into low-dimensional dense vectors, thereby mitigating computational challenges associated with large datasets. The convolutional neural network (CNN) serves as the core framework, extracting local association patterns from user behavior sequences to uncover implicit features of purchasing behavior. Additionally, the convolutional block attention module (CBAM) enhances the model’s focus on significant features through adaptive channel attention, ultimately improving prediction accuracy.
The findings demonstrate that EE-CNN-CBAM effectively processes consumer online big data by addressing the dimensionality issues inherent in traditional methods. The model captures essential characteristics of purchasing behavior, including time diversity, loyalty, and regularity, which are crucial for understanding temporal dependencies. While the experimental results indicate a marked improvement in prediction accuracy, the paper acknowledges limitations, such as the simplistic treatment of time series data and a lack of detailed analysis regarding profitability across different user groups and product categories. Furthermore, despite its performance advantages, the model’s interpretability remains a challenge, suggesting areas for future research.
Methods
In the section on experimental design and result analysis, the authors outline the methodology employed to investigate the research hypothesis. The study utilized a controlled experimental framework, ensuring that variables were systematically manipulated to isolate their effects. Data collection methods were rigorously defined, with appropriate statistical techniques applied to analyze the results, thereby enhancing the reliability of the findings.
The analysis revealed significant trends that support the initial hypothesis, with quantitative results presented through various statistical measures. The authors emphasize the importance of replicability in their experimental design, suggesting that the methodologies can be applied in future studies to further validate the findings. Overall, the section underscores the robustness of the experimental approach and the clarity of the analytical processes used to derive conclusions from the data.
Discussion
The discussion section of the paper highlights the advancements in machine learning applications for predicting consumer purchasing behavior in online electronics, emphasizing the integration of various algorithms and frameworks. Notable contributions include the development of models that utilize multi-dimensional features such as time-series data, consumer behavior, and market dynamics to enhance prediction accuracy. For instance, the Bayesian Personalized Ranking (BPR) framework and the COREL model effectively leverage consumer interaction data to improve purchase predictions. Additionally, the paper discusses the introduction of deep learning techniques, such as the LSR-IGRU model and the Time Series Retrieval Augmented Generation (TimeRAG) method, which have significantly advanced stock price and consumer behavior predictions.
The proposed EE-CNN-CBAM model is a key innovation in this research, designed to process multi-source consumption data in big data environments. It combines embedding layers, convolutional neural networks (CNN), and channel and spatial attention mechanisms to capture essential patterns in consumer behavior. The model addresses challenges related to high-dimensional data and noise, thereby enhancing the predictive capabilities for online purchasing behavior. Furthermore, the introduction of time characteristic indicators—time diversity, time loyalty, and time regularity—provides a nuanced understanding of consumer purchasing patterns, which is critical for improving model performance and interpretability. Overall, the findings underscore the effectiveness of integrating advanced machine learning techniques and time-series analysis in predicting consumer behavior in e-commerce settings.