2009 IEEE International Conference on Control and Automation Christchurch, New Zealand, December 9-11, 2009

ThMPo3.6

Design and Implementation of Web-based DSS for Online Shopping Mall

Hong Wenxing, Yang Weng, Lihua Xie and Li Maoqing

Abstract— Online shopping mall is emerging as a main marketing channel. The web-based decision support system (DSS) in Web 2.0 is constructed to facilitate customers to share profiles and comments. Recommendation system is designed to cluster the customers and products respectively, and produce some association rules between customers and products. These have enabled the system to trigger consumer buying behavior.

Our study proposes a conceptual DSS framework for online shopping mall, involves the search engine as an external layer while the recommendation system as an internal layer. Based on this framework, a solution entitled CommercePro adopts SNS characteristics and logistics regression techniques is developed. This paper illustrates its implementation and experimental result.

1. INTRODUCTION

With more than 30 yearsrsquo; development in Internet, e- commerce and online shopping mall are getting popular world wide. The latest report [1] from China Internet Network Information Center (CNNIC) released on January 2009 showed that, more than 22.6% of Chinese population accessed Internet in 2008, which is a little higher than global average, 21.9%. During this population, 24.8% of them took part in e-commerce in the past year. These statistical data proved that, e-commerce is emerging as a main marketing channel.

Considering trading partners as the category criteria, e- commerce is grouped into four types, i.e. B2B, B2C, C2B and C2C. Table I illustrates the relationships between busi- ness and consumer. As same as usual commerce, the e- commerce subjects to buyer-seller model, also known as con- sumer buying behavior model. The works in [2] and [3] listed six fundamental stages of consumer buying behavior. These six stages consist of need identification, product brokering, merchant brokering, negotiation, purchase and delivery, prod- uct service and evaluation. Our study emphasizes that, to

This work was supported by Information Creative Platform of ”985” Project (Phase II), Xiamen University.

Hong Wenxing is a PhD student of Center of Systems and Control, Xiamen University, Fujian, China, 361005. He currently is a joint-PhD student at Nanyang Technology University, Singapore, with a scholarship offered by China Scholarship Council. hwx@xmu.edu.cn

Yang Weng is a research fellow with School of Electrical amp; Electronic

Engineering, Nanyang Technological University, Singapore, 639798, he is also with School of Mathematics, Sichuan University, Chengdu, Sichuan, P.

R. China, 610064. wengyang@ntu.edu.sg

Lihua Xie is a professor with School of Electrical amp; Electronic Engineering, Nanyang Technological University, Singapore, 639798. elhxie@ntu.edu.sg

Li Maoqing is a professor with the College of Information Sci-

ence and Technology, Xiamen University, Fujian China, 361005.

mqli@xmu.edu.cn

TABLE I

E-COMMERCE VIA BUYER/SELLER CATEGORIZATION

improve the performance of these stages, we can combine the novel characteristics of Web 2.0 into Decision Support System(DSS). For example, by collecting and analyzing the customerrsquo;s profile and search history, our study achieves a good result in “need identification” stage, which aims to distinguish the requirement of customers.

The product presentation layout is related closely with the consumerrsquo;s buying custom, hence, it is recognized as a new categorization standard, which not only divides the e- commerce into four groups but also reflects its development trend. Fig.1 presents and explains our categorization results. According to this trend, the successive stages provides easier and quicker product search mechanisms than the previous ones. This improvement leads consumer to a better purchas- ing experience. Recommendation system (RS) is adopted in our study to satisfy this improvement. The input of RS are customerrsquo;s interests, favorites, profiles, search and pur- chase history, and comments for products, while output are product-customer association learning rules or recommended products. It is a specific application in web-based DSS [4]- [5].

Our study proposes a solution for online shopping mall entitled CommercePro. This solution has been applied to several business cases which have achieved meaningful re- sults, such as Diapers.com, Geilla.com, JagajagaMall.com and cnimages.com, etc. The rest of this paper is organized as follows: Section II reviews the development history of web applications and DSS. Section III describes the conceptual architectural of web-based DSS and external DSS. Section IV presents a logistic regression algorithm for internal DSS. Section V illustrates the implementation of CommercePro solution. Section VI shows the experimental results of Com- mercePro solution. In the final section, conclusions and future work are presented.

Fig. 1. E-commerce development trend.

1、介绍

随着互联网30多年的发展，电子商务和网上购物商城正风靡全球。从中国互联网络信息中心（CNNIC）在2009年1月发布的报告显示，超过22.6%的中国人在2008年访问互联网，这比全球平均水平21.9%高一点。在这一年中，有24.8%的人参加了电子商务。这些统计数据证明，电子商务正逐渐成为一种主要的营销渠道。

以贸易伙伴为分类标准，将电子商务分为四种类型，即B2B、B2C、C2B和C2C。与一般商业一样，电子商务以买方-卖方模型为主体，也被称为消费者购买行为模型。有一些文章列出了消费者购买行为的六个基本阶段。这六个阶段包括需求识别、产品经纪、商家经纪、谈判、采购和交付、产品服务和评价。我们的研究强调，为了提高这些阶段的性能，我们可以将Web 2的新特性结合到决策支持系统（DSS）中。例如，通过收集和分析客户的兴趣和搜索历史，我们的研究在“需求识别”阶段取得了很好的效果，目的是区分客户的需求。

产品展示布局与消费者的购买习惯密切相关，因此被认为是一种新的分类标准，它不仅将电子商务划分为四个群体，而且重新认识了其发展趋势。根据这一趋势，连续的阶段比以前提供了更容易和更快的产品搜索机制。这种改进使消费者获得更好的购买体验。本研究采用推荐系统（RS）来满足这一改进要求。RS的输入是客户的兴趣、喜好、搜索、搜索和追踪历史，以及对产品的评论，而输出则是“产品-客户”对应的推荐产品。它是基于Web的DSS中的一个特殊应用。

我们的研究提出了一个网上购物商城的解决方案，名为CouthPro。该解决方案已应用于一些有意义的业务案例，如DIASP.com、GEILALAM、JAGAGAGAMALL和CNIMASES等。本文的其余部分整理如下：第二部分回顾了Web应用和DSS的发展历史。第三节描述了基于Web的DSS和外部DSS的概念体系结构。第四部分给出了内部DSS的Logistic回归算法。第五节说明了CurrestPro解决方案的实现。第六节介绍了商业的实验结果。在本文中，给出了结论和今后要进行的的工作。

Internet的迅速发展为Web应用提供了很好的的基础。巴里等人总结了互联网在6年的历史，明确了其时间轴。电子邮件应用程序从1992开始被计算为第一个Web应用程序。从那时起，Netscape开发了一个RST浏览器让PC用户使用互联网。从此之后，越来越多的浏览器提供了一种访问远程数据和获取新消息的新途径。在这一时期，互联网上的资料只由互联网内容提供商（ICP）提供。因此，它们是单向和只读的。实际上，在使用“Web 2”这一术语之前，Web 1没有正式的定义。

提姆奥雷利和他的团队在2004发表了“Web 2”一词。关于Web 2的定义、边界和内容，还有很多争论。但是一个基本的协议是，Web 2是各种Web服务的平台，它鼓励用户贡献网站内容，也称为网络效应。

非常混乱和有趣的是，Web 3已经被提出来了，而Web 2仍然不清楚。奥拉西拉等人在2007中提出了“Web 3”的概念。在本文中，Web 3被认为是语义Web。语义Web是一种可以被计算机理解的信息的视觉，因此它们可以执行更多的繁琐工作，包括在网络上共享、共享和组合信息。从这个意义上说，它是一个“智能代理”。

决策支持系统（DSS）自20世纪50年代发展至今，有一个专门支持企业和组织决策活动的计算机信息系统。D.J.Power正在维护一个文档，其当前版本是在2007出版的4版本，以概述DSS的简要历史。根据他的工作，DSS的历史可以分为以下几种类型的DSS框架：

数据驱动DSS。它是最简单的DSS，它强调对内部数据和外部数据的时间序列的访问和操作。

模型驱动DSS。它强调对统计、金融、优化或模拟模型的访问和模拟。2004，GACHET发布了一个名为“DoDess”的系统，在分布式DSS中采用了许多模型。

通信驱动DSS。也与合作工作平台相关，它支持团队工作在一个共享任务上。来自微软的NetMeeting就是一个很好的例子。

知识驱动DSS。依赖于专家系统，它提供专门的解决问题的知识，存储在事实、规则、程序或类似的结构中。

文档驱动DSS。这是针对电子格式的非结构化信息。为这些材料提供了管理和管理方法。

1995提出了基于Web的决策支持系统的思想。Kun Chang Lee和Namho Chung简述了DSS的发展，这清楚地表明了Web技术推动了DSS的发展。

在我们的研究中，我们提出了一种新的DSS框架。该框架由外部和内部DSS层组成。访问者可以来自外部和内部DSS层。即使访问者使用外部层，搜索结果也会促使他/她访问内部DSS或产品详细页面。该框架的输出是现有订单处理系统的输入。外部DSS作为搜索引擎的集合，如谷歌、雅虎和Windows Live等。交互式搜索引擎使用一些先进的搜索算法来提升搜索结果。例如，谷歌使用其秘密PageRank算法来确定网页的质量以及页面和关键字之间的关系。当用户输入多个术语进行搜索时，谷歌将返回一个URL链接列表，该列表在PageRank顺序中对结果进行排序。这个过程与第一节中提到的消费模型严格相关。

在Web 2环境中，外部DSS被设计为处理以下两个问题。

访问者有两种方法访问内部DSS。一个来自外部DSS层，另一个来自一个新的Explorer会话。内部DSS作为一个推荐系统，为客户带来更精确的产品清单。下一部分提出了DSS中的一般算法流程。

Internet、Web应用和数据库技术的最新进展，为在线客户的购买习惯提供了大量的数据。我们希望提出一种建模这些丰富的数据的方法，以了解电子商务。

具有自身特色的电子商务参与者具有与之相对应的产品，如包装、价格、品牌、审阅率等。对于电子商务参与者，我们希望向他/她展示他/她可能感兴趣的产品，根据参加者提供的信息和历史交易数据。

由于可能有大量的产品与他们之间关联，电子商务参与者将不仅意在少数产品。我们将根据产品特性、客户评论和客户历史交易将产品分成几组。在预测模型中，由整数标记的聚类类别可以被视为响应变量（因变量）。其次，根据参与者提供的私人信息（如年龄、性别、收入等），使用独立变量（也称为人口变量）的多种类型。离散化策略用于低收入、中等收入和高收入的特征。对于用户和专家来说，DIS -克里特岛特性更易于理解、使用和解释。最后，运用Logistic回归模型，建立了顾客与产品之间的关系，即以人口变量的回归函数为自变量，响应变量为因变量。

B、产品的k-均值聚类算法

k-均值算法将每个点分配给其中心（也称质心）最接近的簇。中心是簇中所有点的平均值，即COODI-族是每个簇中的所有点上的每个维度的算术平均值。将基于产品特征的k-均值聚类算法（如包装、价格、交易历史等）对可用产品进行聚类，将k-均值聚类实现如下：

步骤1：选择集群的数量，K.

步骤2：随机生成K簇并确定聚类中心，或者直接生成K个随机点作为聚类中心。

步骤3：将每个点分配到最近的聚类中心。

步骤4：重新计算新的聚类中心。

步骤5：重复前两个步骤，直到满足某些收敛准则。

聚类结果表示为C1、hellip;、CK。

C、逻辑回归

Logistic回归是通过数据的逻辑曲线来预测事件的概率。它是一个用于二项回归的广义线性模型。与许多形式的回归分析一样，它利用了一些预测变量，这些变量可以是数值或是分类的。例如，一个人在特定时间内心脏病发作的概率可以从人的年龄、性别和身体质量指数的知识来预测。Logistic回归广泛应用于医学和社会科学以及营销应用，例如预测顾客购买产品的倾向或停止订阅。

我们表示参与者对集群I有兴趣的概率为：

Pr{tt = i|X = x} = p_i(x; theta;)

该模型在K 1对数概率变换的基础上重新考虑概率总和为1的约束条件。通常通过最大似然估计来估计参数，其中使用Newton Raphson算法来最大化可能性。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21285]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

1. LITERATURE REVIEW
2. The development of web application
剩余内容已隐藏，支付完成后下载完整资料
3. 1. 文献回顾
   2. web应用程序的开发
   1. DSS的发展
   1. 基于Web的概念体系结构购物中心决策支持系统
   1. 关键词。关键字是搜索引擎使用的标准。根据客户对每个产品的个人理解，这些词是随机选择的。同时，每个搜索引擎都有单独的索引服务器来保存自己的关键字。因此，要满足消费者和搜索引擎，问题就是如何选择和确定我们网站中的关键词。
   2. 搜索算法。作为商业秘密，搜索引擎所使用的大多数搜索算法从未公开发表过。对于所有的商业网站，研究人员和Web开发者应该根据开放的W3C标准来生成页面和应用程序。同时，搜索引擎优化（SEO）可以增加网页与搜索算法之间的关系。问题是如何处理SEO，以实现消费者、搜索引擎和网站的合作。
   1. 基于Logistic回归的网络决策支持系统
   2. 内部DSS策略