基于特征工程和多模型融合的O2O优惠券个性化投放系统

发布时间：2020-07-23 05:16

【摘要】：近年来,在“互联网+”浪潮下,各行业用数据赋能,增强企业竞争力。在兴起的O2O浪潮中,各类商户拥有丰富的线上线下用户数据,将这些数据加以利用,可以增强商户竞争力,提升用户体验。通过电子优惠券吸引用户是O2O行业性价比最高最有效的营销手段之一,但是海投电子优惠券核销率极低,严重影响营销效果,同时也对商户营销预算提出挑战。如果通过提前预测用户使用结果,为目标用户投放合适的优惠券,可以提高优惠券核销,提升营销效果和用户体验。应用数据工程技术对电子优惠券投放效果进行预测,可以优化投放,提升优惠券核销。在电子商务领域预测任务中,特征工程和算法是不可或缺的部分,是预测成功的关键。目前已经提出和研究了上千种分类算法,但是没有太多讨论O2O优惠券领域特征工程的内容。本文主要研究内容如下:1.为丰富数据信息量,提升预测效果,进行特征构建和选择。本文根据原始数据构建大量特征,并根据特征类型进行分组,通过特征组对结果的影响评估其重要性,进行特征选择。2.为进一步提升预测效果,进行多模型融合。单模型预测中,各类算法各有所长,通过多模型融合,充分发挥各算法的优势,提升预测效果。3.以上述特征工程和多模型融合方法为核心,设计和实现O2O优惠券个性化投放系统。本文数据来源于天池O2O优惠券使用预测大赛提供的基于口碑用户真实线上线下消费数据,评价标准是优惠券核销预测的平均AUC值(AUC值即ROC曲线下面积,AUC值越高预测性能越好)。本文通过特征构建和选择,将AUC值提升到0.80728,通过多模型融合,AUC值进一步提升到0.81120,预测效果提升明显。目前在优惠券核销预测AUC值排行榜上的13329支队伍中排名第二。本文基于以上核心方法,设计和实现了O2O优惠券个性化投放系统,真正实现“投其所好”,提升优惠券核销,增强了商户竞争力和用户体验。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F724.6;TP311.13
【图文】：

折线图,优惠券,活动日志,用户消费

重庆邮电大学硕士学位论文第 3 章特征工程用户在商户的领券和消费行为，对推断用户的习惯和预测用户表现有重要的作用。原始数据中，用户消费活动主要包括领取优惠券和消费。图 3.1 将用户消费活动日志以折线图形式展示，可以发现与用户领取优惠券行为数、用户消费行为数相比，优惠券核销数值很低，从 6 个月整体平均来看，优惠券核销数占领取优惠券数的比例仅为 6%，占消费数比例仅为 8%，表明优惠券发挥的作用有限。

示例,样本,优惠券,日期

图 3.5 样本示例描述表 3.2 历史数据简单特征历史数据简单特征1. 用户领券数2. 用户领取特定优惠券数3. 用户当天领券数4. 用户是否在同一天重复领取特定优惠券5. 用户领券并消费数6. 领券日期是周几7. 领券日期周几（one-hot 离散，7 个特征）8. 领券日期是否为休息日（周末和节假日）9. 距离是否为空10.优惠券是否为满减11.优惠券折扣率历史数据中样本包括用户、商户、优惠券、折扣率、日期、距离等相关数据样本实体和其特征以及特征间的相互关系，可以通过基本特征构建组合特进一步丰富数据信息量，挖掘隐藏信息。组合特征的构建主要从用户偏好

贡献程度,特征组,模型,单模型

29(b) 保留/删除 Coupon 特征组的 AUC 值变化情况图 3.9 不同特征组对模型贡献程度特征组重要性评估的具体步骤是：首先分别使用每个单独的特征组作为特入，训练 XGBoost 单模型分类器并输出预测结果，得到 AUC 值。表 3.5 中的第二列 AUC 值就是各个特征组作为输入特征得到的 AUC 值。然后删除单个

【相似文献】