电商平台的用户消费行为分析预测模型

摘要

信息技术的飞速发展，我们已经进入了网络大数据时代，年轻人的网购已经成为了一种时尚，电子商务平台已聚集了大量消费者的购买数据。很多的电子商务平台利用Hadoop及Spark等大数据和云计算技术[1]，从高维海量的数据中提取有用的信息，对在线用户消费行为进行分析建模，预测消费者的需求。其主要用途在于三个方面。一方面用于商品的展现、个性化推荐和精准地投放广告；另一方面用于通过商品价格、销售量、商品评价等影响用户购买决策；最后用于支持国家、地区和企业基于数据的决策，根据购买数据的分析结果了解消费者的消费行为，及时调整产业结构，使得经济协调、稳定、持续的发展，造福于社会[2]。 本文针对当前电商平台面临的用户消费行为预测准确率问题，将数据挖掘技术引用到用户消费行为分析预测中，对现有的数据挖掘算法进行筛选和组合，构建一种适合于利用网络数据对用户消费行为进行分析与预测的算法。为确保论文具有实际应用价值，本文的数据来源于淘宝网的消费数据。但由于从网上获取的数据常常存在缺失值、异常数据和量纲不一致等特点，所以本文首先对原始数据进行预处理。为避免数据维度过高，本文采取主成分分析方法选取相互独立的因子，从而达到降低数据维度的效果。本文将处理后的数据分为测试数据集和训练数据集，运用朴素贝叶斯模型、决策树（CART 树和条件推断树）模型和梯度提升树模型对测试集数据进行拟合，再将拟合好的模型用于训练集数据的预测，最后利用混淆矩阵(Confusion Matrix)比较不同模型的训练数据集的预测结果和真实结果的准确率，为电子商务平台或企业决策提供科学的依据，孵化基于大数据分析的新兴产业，解决用户的重大需求问题，成为推动社会进步的新引擎。

目录

第一个书签之前

摘 要

ABSTRACT

目 录

1 绪 论

1.1 研究背景

1.2 研究意义

1.3 国内外研究现状

1.4 研究目的

1.5 研究内容

2 数据预处理

2.1 缺失值处理

2.2 数据标准化

2.3 主成分分析

2.3.1 主成分分析的基本思想

2.3.2 主成分分析的数学模型

2.3.3 主成分分析的几何解释

2.4 本章小结

3 朴素贝叶斯

3.1 朴素贝叶斯算法的数学原理

3.2 朴素贝叶斯算法的参数估计

3.3 朴素贝叶斯算法的学习与分类过程

3.4 拉普拉斯平滑

3.5 本章小结

4 决策树

4.1 CART树

4.1.1 基尼指数

4.1.2 条件基尼指数

4.1.3 基尼增益

4.1.4 CART树生成

4.2 条件推断树

4.3 梯度提升树

4.3.1 梯度提升树的基本原理

4.3.2 梯度提升树的负梯度拟合

4.3.3 梯度提升树的学习算法

4.4 梯度提升树的正则化

4.5 本章小结

5 用户消费行为分析预测的实现

5.1 数据预处理

5.1.1 实验数据集

5.1.2 异常数据处理

5.1.3 特征提取

5.2 主成分分析

5.3 模型实现

5.3.1 模型评价标准

5.3.2 模型实现

5.4 本章小结

6 总结与展望

6.1 本文总结

6.2 进一步展望

致 谢

参考文献