基于K-means的校園學(xué)生微信消費(fèi)行為研究

楊江?！∴嚭Ｉ涞潞±钚駯|

摘要：為研究校園學(xué)生的消費(fèi)行為規(guī)律，以校內(nèi)食堂的學(xué)生微信消費(fèi)記錄為數(shù)據(jù)基礎(chǔ)，結(jié)合數(shù)據(jù)挖掘技術(shù)對其進(jìn)行研究分析，嘗試挖掘出學(xué)生消費(fèi)的行為規(guī)律。通過對原始數(shù)據(jù)進(jìn)行預(yù)處理、計(jì)算相關(guān)系數(shù)、選取最佳K值和評估輪廓系數(shù)，采用K均值聚類算法找出不同消費(fèi)行為的學(xué)生群體，研究分析其不同群體的消費(fèi)行為規(guī)律特征。研究結(jié)果表明，該算法將學(xué)生分成了低中高水平的消費(fèi)群體，得出了不同時段學(xué)生在食堂各樓層的消費(fèi)習(xí)慣。

關(guān)鍵詞：學(xué)生群體;微信消費(fèi);數(shù)據(jù)挖掘;消費(fèi)行為;K-means聚類算法

中圖分類號：G642? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）08-0016-04

1 引言

國家提倡數(shù)字化以來，校園的數(shù)字化和信息化也緊跟步伐不斷發(fā)展，校園的消費(fèi)方式從線下的紙幣支付轉(zhuǎn)變成了線上掃碼支付，并已在全國高校推廣應(yīng)用。對于線上支付消費(fèi)，學(xué)校都有配套管理系統(tǒng)來記錄學(xué)生的消費(fèi)情況，該系統(tǒng)具有用戶量大、每日交易多、單筆交易金額參差不齊等特點(diǎn)。通過這些龐大的數(shù)據(jù)量，對其進(jìn)行有效地挖掘、分析，可發(fā)現(xiàn)消費(fèi)人群的消費(fèi)特點(diǎn)和規(guī)律。

2 相關(guān)研究

2.1 研究現(xiàn)狀

2015年，姜楠、許維勝[1]在學(xué)生一卡通數(shù)據(jù)上，采用優(yōu)化的K-means算法進(jìn)行聚類分析，輔助管理部門更好地服務(wù)學(xué)生。2020年，李婷等在以陜西工業(yè)職業(yè)技術(shù)學(xué)院校園“一卡通”中教職工交易流水?dāng)?shù)據(jù)為研究對象，利用分類、K-means聚類算法，研究教職工的就餐規(guī)律和消費(fèi)水平等，為后勤部門優(yōu)化提供了科學(xué)依據(jù)[2]。2020年，龔黎旰以高校校園一卡通消費(fèi)記錄為數(shù)據(jù)基礎(chǔ)，利用K-means算法結(jié)合Spark大數(shù)據(jù)計(jì)算框架，深度分析不同群體的消費(fèi)組成結(jié)構(gòu)和消費(fèi)行為特征，為學(xué)校心理輔導(dǎo)提供參考依據(jù)[3]。

2.2 學(xué)生消費(fèi)行為分析

截至目前，校園在線支付已經(jīng)得到非常廣泛的應(yīng)用，小到日用品，大到看病購藥，每天在校園群體中使用得很頻繁。

本文研究數(shù)據(jù)由西京學(xué)院智媒體傳播研究中心資助，主要通過對西京學(xué)院的校園微信消費(fèi)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘分析。第一步，整理歸納校園消費(fèi)數(shù)據(jù)對于現(xiàn)實(shí)的需求;第二步，從數(shù)據(jù)庫中提取原始數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理操作，主要包括數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)篩選、數(shù)據(jù)集成和數(shù)據(jù)歸約等[4];第三步，對于預(yù)處理后的數(shù)據(jù)，將相關(guān)的字段變量按照實(shí)際情況進(jìn)行量化處理，字段包括學(xué)生性別、學(xué)生年級、消費(fèi)金額、商家所在樓層和支付時間;最后，通過聚類算法對該數(shù)據(jù)進(jìn)行分析，提取當(dāng)中潛在的數(shù)據(jù)價值，如消費(fèi)行為規(guī)律。

3 相關(guān)技術(shù)

董新科等人在基于校園一卡通消費(fèi)數(shù)據(jù)的幾種聚類算法的分析比較論文中，使用常用的聚類算法在校園一卡通的消費(fèi)數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)，通過對多個指標(biāo)的分析，得出了K-means 算法最合適在當(dāng)前的數(shù)據(jù)上做聚類分析的結(jié)論[5]。本文基于該結(jié)論，使用K-means對校園微信消費(fèi)數(shù)據(jù)進(jìn)行聚類分析，對學(xué)生在食堂飲食的消費(fèi)習(xí)慣劃分類別。

在聚類分析中，大多數(shù)都是通過優(yōu)化初始聚類中心選擇的方式，來達(dá)到提高聚類效果的準(zhǔn)確性和類內(nèi)密集程度。本文在進(jìn)行聚類分析前，使用相關(guān)系數(shù)對數(shù)據(jù)中的變量進(jìn)行相關(guān)關(guān)系分析，找出正相關(guān)的變量;再通過手肘法選取數(shù)據(jù)的真實(shí)聚類數(shù);最后用輪廓系數(shù)評估聚類結(jié)果。

3.1 皮爾遜pearson相關(guān)系數(shù)

在本次使用的微信消費(fèi)數(shù)據(jù)中，通過總體Pearson相關(guān)系數(shù)來計(jì)算數(shù)據(jù)各變量的相關(guān)性，從而找出協(xié)方差為正的變量。

4） 誤差平方和[SSE]為全部樣本的聚類誤差，其結(jié)果表示聚類效果的優(yōu)劣。

當(dāng)聚類數(shù)k增大，樣本會被更加細(xì)分，每個簇的聚合程度也會被提高，[SSE]也會隨著變小;相反，當(dāng)k值小于真實(shí)聚類數(shù)時，[SSE]的下降幅度會變大;當(dāng)k值接近真實(shí)聚類數(shù)時，[SSE]的下降幅度會減小，之后隨著k值的增大而趨于平緩，最終生成的關(guān)系圖是一個手肘的形狀，而數(shù)據(jù)的真實(shí)聚類數(shù)就對應(yīng)肘部的k值[6]。

3.3 輪廓系數(shù)

本文所研究的消費(fèi)數(shù)據(jù)分類類別是未知的，故使用輪廓系數(shù)作為聚類性能的評估指標(biāo)，以評估分類結(jié)果的準(zhǔn)確度。該系數(shù)的取值范圍在[-1，1]之間，當(dāng)取值靠近1時，證實(shí)聚類成果越優(yōu)越;反之，當(dāng)取值偏向-1時，則證實(shí)聚類效果越弱。其計(jì)算步驟如下：

1） 第[i]個樣本對象到所屬簇中其他對象的平均距離，記為[ai]（體現(xiàn)凝聚度）[7]，稱為樣本對象[i]的簇內(nèi)不相似度;[ai]越小，則該簇對其聚類到內(nèi)的可能性越大。

2） 第[i]個樣本對象和不包含該對象的其他任意簇，記為[bi]（體現(xiàn)分離度）[7]，稱為樣本對象[i]與簇[ci]間的不相似度：[bi=min{bi1，bi2，???，bik}]

3） 依據(jù)樣本對象[i]的簇內(nèi)不相似度[ai]和簇間不相似度[bi]，其樣本對象[i]的輪廓系數(shù)為：

4 數(shù)據(jù)處理與建模

4.1 數(shù)據(jù)提取

本文數(shù)據(jù)從高校的服務(wù)器中提取校園學(xué)生微信消費(fèi)數(shù)據(jù)樣本，包含食堂消費(fèi)、卡機(jī)充值、校園公交消費(fèi)及圖書館消費(fèi)等數(shù)據(jù)。為了保護(hù)學(xué)生個人隱私，以上研究數(shù)據(jù)均已通過脫敏處理。該原始數(shù)據(jù)每天都會從客戶端往服務(wù)器產(chǎn)生大量的消費(fèi)記錄存入數(shù)據(jù)庫中，故選取時間為2021年1～5月份校內(nèi)本科生和研究生作為研究數(shù)據(jù)，約三百萬條消費(fèi)記錄。表中字段如表1所示：

4.2 數(shù)據(jù)預(yù)處理

校園學(xué)生微信消費(fèi)數(shù)據(jù)存在一些不符合規(guī)范或超出范圍的數(shù)據(jù)，在分析研究學(xué)生的消費(fèi)行為之前，需要通過數(shù)據(jù)預(yù)處理技術(shù)對該消費(fèi)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和標(biāo)準(zhǔn)化處理。為了保證數(shù)據(jù)的完整性，即消費(fèi)記錄盡量保證所有學(xué)生都在校內(nèi)食堂消費(fèi)，故排除2021年1月份和2月份的寒假時間，共統(tǒng)計(jì)3個月（2021年3月至2021年5月）的消費(fèi)記錄;并排除在食堂消費(fèi)以外的非餐飲商家消費(fèi)記錄，如圖書館消費(fèi)、校園公交消費(fèi)、醫(yī)務(wù)室消費(fèi)等，數(shù)據(jù)經(jīng)過處理后從原始包含的2983824條消費(fèi)記錄降到2503243條。對于時間字段，需要將消費(fèi)時間的時和分提取出來，存放于單獨(dú)的字段內(nèi)。根據(jù)食堂的就餐開放時間，將6點(diǎn)零分至9點(diǎn)零分劃分為早晨就餐時間，10點(diǎn)零分至13點(diǎn)零分為午餐就餐時間，17點(diǎn)零分至20點(diǎn)零分為晚餐就餐時間。65E71114-E2A4-42E9-96FB-4A0F5E09D398

4.3 變量間相關(guān)性

為了觀察消費(fèi)與各變量的相關(guān)關(guān)系，以方便后面進(jìn)行模型建立。對學(xué)生的消費(fèi)水平進(jìn)行多方面考量，分析校內(nèi)學(xué)生的消費(fèi)結(jié)構(gòu)以及不同時段的消費(fèi)差異，通過選用消費(fèi)金額（pay_surplus）、時段（session）、樓層（level）、性別（sex）及年級（grade）這5個變量進(jìn)行Pearson相關(guān)性計(jì)算。計(jì)算結(jié)果及可視化如圖1、表2所示：

由上述圖表可看出，消費(fèi)與樓層是呈正相關(guān)的，越往高的樓層，消費(fèi)也在隨著增加;在消費(fèi)時段上也是同樣的關(guān)系，晚上時段的消費(fèi)會比上午和下午的消費(fèi)高;而性別和年級呈負(fù)相關(guān)關(guān)系，不適合作為聚類。故選用時段和樓層來作為聚類模型的分類指標(biāo)。

4.4 聚類模型建立與評估

對上述經(jīng)過相關(guān)關(guān)系計(jì)算篩選出來的變量，采用K-means聚類算法對該消費(fèi)數(shù)據(jù)進(jìn)行聚類分析。

首先，將以上3個變量指標(biāo)的數(shù)據(jù)單獨(dú)存放到新的數(shù)據(jù)框中，并對其進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理，即去均值和方差歸一化，使得經(jīng)過處理的消費(fèi)數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布;然后通過手肘方法，依次做K-means聚類，計(jì)算k值取1到10的誤差平方和，看不同值對應(yīng)的簇內(nèi)誤差平方和，以找出最佳k值，結(jié)果如圖2所示，由圖可看出，k值從5開始簇內(nèi)誤差平方和趨于平緩，故k值取5效果最佳。

因此，K-means聚類模型的參數(shù)以k值（n_clusters）為5，初始化方法（init）為K-means++，質(zhì)心初始化值（n_init）為10，最大迭代數(shù)（max_iter）為300，隨機(jī)從訓(xùn)練數(shù)據(jù)中選取初始質(zhì)心（random_state）為0。通過訓(xùn)練得出聚類模型，并以模型為基礎(chǔ)計(jì)算出預(yù)測值;最后利用輪廓系數(shù)，將變量指標(biāo)數(shù)據(jù)和預(yù)測值各取60000條數(shù)據(jù)作為輸入?yún)?shù)，來評估分類結(jié)果的準(zhǔn)確度，評估結(jié)果約為0.923?？梢姺诸愋Ч诲e。

5 結(jié)果分析

校園學(xué)生微信消費(fèi)數(shù)據(jù)通過K-means聚類模型的訓(xùn)練后，將分類后的標(biāo)簽并入到數(shù)據(jù)表中，對聚類后的情況進(jìn)行統(tǒng)計(jì)，結(jié)果如圖3所示?？梢?，學(xué)生的消費(fèi)情況被分成5個群體，3群的占比最大，占總學(xué)生消費(fèi)記錄數(shù)的32.9%，其次是0群，占總記錄數(shù)的28.3%，而4群僅占0.1%。

為進(jìn)一步地刻畫校園內(nèi)學(xué)生的微信支付消費(fèi)情況，對聚類指標(biāo)進(jìn)行統(tǒng)計(jì)分析。各分類群的消費(fèi)區(qū)間分布如表3所示?？梢?，占比最大的3群，其消費(fèi)范圍在2～28元不等，平均消費(fèi)價格在7.5元;0群的消費(fèi)范圍和3群接近，但平均消費(fèi)在6.9元;1群的學(xué)生群體的消費(fèi)則在5.9～60.8元，屬于消費(fèi)偏高的群體，平均消費(fèi)在15.6元;而2群體屬于低消費(fèi)人群，價格在1.8～16.4元，平均消費(fèi)屬于5群體中最低，在4.5元;4群的消費(fèi)價格已超出普通學(xué)生的正常范圍，且僅占消費(fèi)總數(shù)的0.1%，故在此不做深入分析。

為了比較全面地分析學(xué)生在食堂的消費(fèi)規(guī)律，故以類別為依據(jù)，按樓層和時段的分類結(jié)果，結(jié)合各群體的消費(fèi)范圍做整體分析，如表4表5所示。

在表4樓層分類中，屬于中等消費(fèi)且占總量較大的0和3群體，其消費(fèi)習(xí)慣主要分布在食堂的1和2層，3層也有部分消費(fèi);屬于高消費(fèi)的1群體在食堂的消費(fèi)習(xí)慣大部分集中在3層，小部分在4層;而平均消費(fèi)最低的2群體出現(xiàn)在1和2層，兩層的消費(fèi)各占50%?？梢姡?層和2層的是學(xué)生比較習(xí)慣去消費(fèi)的樓層，且屬于中低消費(fèi)群體，占到了總消費(fèi)記錄的78.6%;而3層和4層屬于高消費(fèi)群體經(jīng)常去的地方，僅占到了21.3%。由此說明校園內(nèi)學(xué)生的消費(fèi)普遍屬于經(jīng)濟(jì)性。

在表5時段分類中，中等消費(fèi)的0群和3群的消費(fèi)群體各集中在中午和早上時段，高消費(fèi)1群體的消費(fèi)分布在中午和晚上，低消費(fèi)的2群體主要集中在晚上。由此可見session在群組中是較好的分群變量。

從學(xué)生消費(fèi)的整體客觀因素來看，2群的消費(fèi)習(xí)慣是根據(jù)時段消費(fèi)的;而1群和4群更側(cè)重于樓層的選擇，如表6所示：

綜上分析，可得出以下結(jié)論：消費(fèi)價格范圍在1.8～16.4

元的低消費(fèi)學(xué)生群體，其消費(fèi)規(guī)律主要在晚上的1層和2層;處在2～28元的中消費(fèi)學(xué)生群體，其出現(xiàn)在中午的1和2層，小部分在第三層;而高消費(fèi)的學(xué)生在5.9～60.8元范圍消費(fèi)，主要出現(xiàn)在3和4層的中午和晚上。

6 結(jié)語

本文通過多個計(jì)算方法對研究數(shù)據(jù)進(jìn)行篩選和處理，再對其進(jìn)行聚類統(tǒng)計(jì)分析，與實(shí)際情況相結(jié)合，從而大致了解學(xué)生在校的消費(fèi)水平和行為規(guī)律，研究結(jié)果可為學(xué)校餐飲部門或者在獎學(xué)金的發(fā)放上提供相關(guān)參考依據(jù)。本文通過對校園學(xué)生消費(fèi)數(shù)據(jù)使用數(shù)據(jù)挖掘技術(shù)，來探險其中的數(shù)據(jù)價值，為以后相關(guān)的校園數(shù)據(jù)研究建設(shè)打下基礎(chǔ)。

參考文獻(xiàn)：

[1] 姜楠，許維勝.基于數(shù)據(jù)挖掘技術(shù)的學(xué)生校園消費(fèi)行為分析[J].大眾科技，2015，17（1）：26-28，39.

[2] 李婷，李海平，尉亦兵.校園“一卡通”消費(fèi)行為數(shù)據(jù)分析[J].微型電腦應(yīng)用，2020，36（4）：42-46.

[3] 龔黎旰，顧坤，明心銘，等.基于校園一卡通大數(shù)據(jù)的高校學(xué)生消費(fèi)行為分析[J].深圳大學(xué)學(xué)報（理工版），2020，37（S1）：150-154.

[4] 徐云.多通道數(shù)據(jù)采集系統(tǒng)數(shù)據(jù)預(yù)處理方法研究[D].杭州：浙江大學(xué)，2014：14-18.

[5] 董新科，張暉.基于校園一卡通消費(fèi)數(shù)據(jù)的幾種聚類算法的分析比較[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（1）：158-161，183.

[6] 夏海峰，陳軍華.基于文本挖掘的投訴熱點(diǎn)智能分類[J].上海師范大學(xué)學(xué)報（自然科學(xué)版），2013，42（5）：470-475.

[7] 張冬梅.基于輪廓系數(shù)的層次聚類算法研究[D].秦皇島：燕山大學(xué)，2010.

【通聯(lián)編輯：王力】65E71114-E2A4-42E9-96FB-4A0F5E09D398