基于分类模型的电商用户复购行为预测研究

发布时间：2020-07-03 05:17

【摘要】：电商网站每天服务于亿万的用户,人们在淘宝、京东、当当等电商平台消费购物的同时,会产生海量的数据资料,从中挖掘出潜在的价值便具有重大的意义,合理地利用这些数据可以为用户带来更好的消费体验。本文以某电商平台脱敏处理后的某一时段真实用户、商品和行为数据为研究对象,结合数据挖掘技术和机器学习分类算法,主要研究工作如下:(1)电商用户消费行为数据的特征工程研究。重点研究了数据预处理、特征分析、特征构建和特征选择等技术,挖掘出用户的复购行为特点,构造统计特征、衍生特征和行为衰减等特征,将原始数据转化为高维可训练的有效样本数据,并结合相关系数和随机森林选择出影响用户复购行为重要性前10的数据特征。(2)分类模型的对比研究。从传统用户-商品的角度出发,结合机器学习中的分类算法,选取了常用的逻辑斯蒂回归、Xgboost和支持向量机构建出三种预测模型,通过交叉验证和网格搜索的方式对模型的训练参数进行调优,对比结果发现基于Xgboost算法的模型预测效果要优于其他模型。(3)模型融合方法的研究。通过对模型融合的思想和方法研究,本文使用Soft-Voting方法实现预测模型的融合,经过实验结果论证,融合后模型相较融合前预测精度提升3%左右。本文研究以数据为驱动,针对电商用户的复购行为进行预测研究,从用户-商品和用户-商品品类两种角度分析构建特征,并提出了一种将用户-商品角度下(U-I)预测模型和用户-商品品类角度下(U-C)预测模型进行融合的方案,有效解决了单一角度模型数据敏感且易过拟合问题,可应用于电商业务场景,帮助电商平台实现精准营销,提高用户留存率。
【学位授予单位】：杭州师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM73
【图文】：

图 1.1 逻辑框架图1.5 研究创新点根据前面对国内外学者的研究现状评述中发现的问题，本文研究的创新点主要有以下三个方面：第一，本研究解决了电商用户的复购行为预测问题，深度分析和细化了电商用户的购买行为，其现实意义在于提高用户的留存率，实现了对该方向的探索性研究。而用户的留存率增长可以带来企业利润的极大增加，促进企业的快速成长，增加现有用户转化为忠诚用户的可能性。第二，创新性地从用户-商品品类的角度出发构建和选择特征，通过与用户-商品角度下构建的模型进行融合，解决了单一角度模型的数据敏感与易过拟合问题，提高了模型的预测精度与鲁棒性。传统研究使用实证研究方法，即基于现有理论进行假设，并加以验证，而本研究结合了数据挖掘技术和机器学习算法，实

提取出更为重要的特征，因此需要对数据集进行特间表中将异常数据查询出并删除。我们无法通过这些重复数数据来有效地预测出用户的复购行为，如果不去处理，会导致很大，同时也会影响模型的预测效果。异常数据处理。删除缺省值后，我们还需要进一步提取出有户。通过查看数据集，发现存在购买记录为 0 的用户，这些用预测用户的复购行为。同时，通过对数据集的简单查询分析购买数的情况，那么我们理解这些数据可能有三种情况，一是帮他人代付款，三是用户通过朋友发来的链接直接下单。对于认为是属于异常数据，因为用户可能没有浏览行为，可能没有为，但是不会没有点击商品的行为。为了保证模型预测的效行为很多而购买行为很少的异常数据，因为这可能是惰性用户的异常数据。数据集中缺失值、重复数据和异常数据分布如

【参考文献】

相关期刊论文 前8条

1 舒方;马少辉;;客户重复购买的组合预测方法[J];计算机与现代化;2015年05期

2 杜刚;黄震宇;;大数据环境下客户购买行为预测[J];管理现代化;2015年01期

3 肇丹丹;;基于SEM的消费者网购再惠顾意愿度量分析[J];统计与决策;2014年01期

4 赵伊娜;;基于感知风险理论的消费者网络购买行为分析[J];商业时代;2013年13期

5 陈洁;谢文昕;杨升荣;;在线渠道消费者动态品牌选择购买率预测[J];工业工程与管理;2011年03期

6 易法敏;范高峰;;消费者购买意愿对网上购物行为影响的实证研究——以广州市高校大学生为例[J];海南大学学报(人文社会科学版);2010年05期

7 朱阁;马龙;Sangwan Sunanda;吕廷杰;;基于社会认知理论的消费者采用模型与实证研究[J];南开管理评论;2010年03期

8 黄聪;王东;;基于RFM分析模式与马尔可夫链的客户行为预测模型研究[J];情报杂志;2009年S2期

相关博士学位论文 前2条

1 罗胜;电子商务环境下化妆品消费者冲动性购买行为研究[D];华南理工大学;2018年

2 熊晓元;基于互动和感知理论的网络重购行为研究[D];西南交通大学;2014年

相关硕士学位论文 前10条

1 洪硕;旅游移动电商环境下的游客购买决策影响因素研究[D];广西师范大学;2018年

2 周成骥;基于机器学习的商品购买行为预测模型设计[D];广州大学;2018年

3 丁一楠;基于深度学习的消费者行为分析及应用研究[D];重庆工商大学;2018年

4 李日旭;网购生鲜农产品中感知风险对购买意愿的影响研究[D];哈尔滨工业大学;2017年

5 曾宪宇;电商用户消费行为预测与心理建模方法研究[D];中国科学技术大学;2017年

6 刘柏鳞;基于客户网络购物行为分析及预测系统研究[D];北京工业大学;2016年

7 顾海斌;基于大规模电商数据的用户消费行为分析方法研究[D];吉林大学;2016年

8 张延静;网上节日促销中顾客感知价值、顾客满意与顾客网购行为关系研究[D];青岛理工大学;2014年

9 徐雪枫;网络消费者购物决策行为影响因素的实证研究[D];东北财经大学;2012年

10 黄茜;经济型酒店顾客重复购买行为影响因素实证研究[D];湖北大学;2011年

本文编号：2739242