“新零售”场景下用户购买行为预测模型的构建及应用

发布时间：2023-06-02 20:06

　　随着信息技术的日趋成熟,移动电商、移动支付、虚拟现实及物联网智能终端在社会生活中广泛应用,为零售业的转型奠定了基础。同时,由于网络用户增长率的下降和流量红利的逐渐萎缩,以及人力成本、租金上涨等因素,线上电子商务和线下传统实体零售的发展遭遇“瓶颈”。“新零售”作为零售业的新业态模式,正是在这样的背景下产生。本文以某“新零售”平台为背景,研究用户对品类下商铺的购买行为,构建用户购买行为的预测模型,探求更有效的品类策略管理方法,助力零售业的转型升级。本文首先基于该平台的用户行为数据,运用Neo4j构建知识图谱,对不同用户构建其相似用户集,针对异常值和缺失值进行数据预处理,并对数据集初步进行探索性分析。其次,以用户、品类、商铺三者为中心构建其属性特征、行为特征、交互特征及关系特征,并对该186个特征进行特征选择。再次,分别构建XGBoost、LightGBM及CatBoost模型,并进行优化和训练。三个模型在Accuracy和AUC两个评价指标上均大于0.9,取得了较好的效果,而在F1-score上的提升受到限制,皆小于0.66。针对优化后单模型仍存在的不足,本文进一步研究不同模型下样本覆盖度...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 引言
    第一节 研究背景和意义
        一、研究背景
        二、研究意义
    第二节 研究思路及基本框架
        一、研究思路
        二、基本框架
    第三节 研究综述
        一、 “新零售”及品类管理相关研究
        二、用户购买行为研究
        三、文献评述
    第四节 创新点
第二章 理论概述
    第一节 “新零售”中数据挖掘过程
    第二节 梯度提升算法原理
        一、相关基础理论
        二、XGBoost算法
        三、LightGBM算法
        四、CatBoost算法
第三章 数据预处理及特征工程
    第一节 数据集介绍
        一、数据集来源
        二、训练集和测试集的划分
    第二节 相似用户集的建立
    第三节 数据预处理
        一、重复和缺失值处理
        二、异常值处理
    第四节 “新零售”数据探索性分析
        一、基本信息探索性分析
        二、用户行为信息探索性分析
        三、相似用户行为探索性分析
    第五节 “新零售”预测模型的特征构建
        一、用户基本特征
        二、品类基本特征
        三、商铺基本特征
        四、交互特征
        五、关系特征分析
    第六节 特征选择
        一、归一化处理
        二、相关性分析
        三、特征重要度排序
第四章 “新零售”用户对品类下商铺购买行为预测模型
    第一节 模型评价方法
    第二节 基于XGBoost的“用户-品类-商铺”购买行为预测模型
        一、XGBoost模型参数分析
        二、XGBoost模型建立与优化
    第三节 基于LightGBM模型的“用户-品类-商铺”购买行为预测
        一、LightGBM模型参数设置
        二、LightGBM模型建立与优化
    第四节 基于CatBoost模型的“用户-品类-商铺”购买行为预测
        一、CatBoost模型参数分析
        二、CatBoost模型优化
    第五节 基于级联模型的“用户-品类-商铺”购买行为预测
        一、级联模型的构建
        二、级联模型结果分析与对比
    第六节 基于SHAP框架的模型解释
        一、SHAP value计算逻辑
        二、模型特征解释
第五章 研究结论与展望
    第一节 研究结论
    第二节 研究展望
参考文献
致谢



本文编号：3827949