基于數(shù)據(jù)挖掘的消費者購買預(yù)測的研究.pdf

1、隨著電子商務(wù)的發(fā)展，網(wǎng)絡(luò)購物已經(jīng)成為一種主要的消費模式，相比于線下，線上消費具有價格低廉、品種繁多、比價方便、受營業(yè)時間、地域的影響更小等優(yōu)點。但恰恰是海量的商品信息，更多元的購買選擇，使得消費者要從中搜尋到合適的商品需要花費過多的時間和精力。與此同時，電子商務(wù)平臺上的激烈競爭，使得商家們?yōu)榱烁玫刭N近消費者的實際需要，細化了產(chǎn)品需求，這也使每種產(chǎn)品針對的用戶范圍更狹窄了。如何才能快速有效地從茫茫人海中定位出相應(yīng)的消費者，并建立更有針對

2、性的營銷方案，是電商們在接下來的競爭和發(fā)展中，不得不考慮的重要環(huán)節(jié)。而消費者在電子商務(wù)平臺上產(chǎn)生了大量的行為數(shù)據(jù)，使得分析消費者的購買意圖和消費習(xí)慣成為可能，從而實現(xiàn)一對一的的精準(zhǔn)推薦。
　　本文采用天池大數(shù)據(jù)科研平臺提供的真實數(shù)據(jù)，在用戶交互過的商品中，預(yù)測哪些商品短期內(nèi)將會被該用戶購買。模型的建立分為四步：第一步是數(shù)據(jù)的預(yù)處理。先探索數(shù)據(jù)的基本分布情況，對數(shù)據(jù)進行初步處理。這一步為特征的提取方式以及算法的選取提供參考和依據(jù)。第

3、二步是樣本的選取。樣本數(shù)據(jù)中，存在著正樣本數(shù)量過少，且正負樣本比例懸殊過大的問題。通過三次處理來解決：首先，通過滑窗構(gòu)造取樣增加正樣本的數(shù)量。然后，通過對交互行為時效性的分析，壓縮了預(yù)測期前選取交互樣本的時間窗口，降低了正負樣本比例。最后，對負樣本進行不放回的隨機采樣，而正樣本全部入樣。第三步是特征工程。通過多種角度構(gòu)造出用戶（user）特征、商品（item）特征、商品類別（item_category)特征、用戶-商品交互（user-i

4、tem)特征四大特征群。然后采用不同手段加工、擴充已有的特征群：在簡單特征的基礎(chǔ)上，通過各種變換得到更適用于預(yù)測模型的二次特征；在單一特征的基礎(chǔ)上，通過各種特征的組合方式得到更能體現(xiàn)數(shù)據(jù)特點和業(yè)務(wù)需求的衍生特征。特征是預(yù)測模型的自變量，決定了預(yù)測模型預(yù)測效果的上限，通過嘗試不同的算法以及調(diào)試參數(shù)，可以逼近這個理論上限。第四步是模型訓(xùn)練和預(yù)測。本文采用邏輯回歸和 GBDT分別建立預(yù)測模型，通過測試集的驗證比較，發(fā)現(xiàn) GBDT的預(yù)測效果更好