基于机器学习的电子商务平台重复购买客户预测

摘要

随着网络时代的到来和智能手机、计算机的普及，全社会电子商务应用意识逐渐增强，使得电子商务发展逐渐进入密集创新和快速扩张的新阶段，给现有的电子商务网站带来了不小的竞争压力，各大电商平台竞争尤为激烈。为了争夺市场，各大电商平台的商家展开多样化的打折促销活动吸引新客户。同时随着信息技术的发展，越来越多的电商平台开始收集基于客户的数据，因为维持老客户的成本远小于发展新客户。为了有针对性的向潜在重复购买客户开展营销活动，如何利用客户的行为数据，来预测促销活动期间商家的新客户中，哪些会成为重复购买客户引起了研究者注意。　　本文提出使用基于机器学习的模型融合算法来预测重复购买客户。首先，根据天猫“双11”当天某些商家的新客户及之前半年客户的行为数据，提取客户与商家的相关特征；其次，在特征向量上训练逻辑回归、GBM(Gradient Boosting Machine)和XGBoost(Xtreme Gradient Boosting)单一模型；最后，把最优单一模型的预测结果使用加权混合法进行融合，进一步提高模型的预测效果。本文的工作主要包括以下几个方面：　　（1）设计特征工程。通过分析影响客户重复购买行为的因素，提出基本数据统计特征、整合特征、复杂特征、年龄与性别特征和近期行为特征五大类特征，并使用XGBoost对特征的重要程度进行评估和选择，提高模型的泛化能力。　　（2）研究单一模型在特征工程上的应用。选择线性模型逻辑回归和基于决策树的非线性模型GBM、XGBoost分别建模，在对模型进行优化后通过比较发现，非线性模型能更好的利用特征得到较好的预测结果。　　（3）研究单一模型的融合。为了避免线性模型易欠拟合、决策树模型易过拟合的缺点，使用模型融合算法把单一模型的预测结果进行整合，得到的预测结果与单一模型相比有进一步的提高。

目录

声明

第一章 绪 论

1.1 研究背景

1.2 国内外研究现状

1.3 主要研究内容

1.4 文章的组织结构

第二章 相关知识及理论

2.1 电子商务中数据挖掘过程

2.2 逻辑回归算法

2.3 决策树算法

2.4 基于决策树的组合模型介绍

2.5 本章小结

第三章 数据预处理及特征工程

3.1 明确业务问题

3.2 数据理解

3.3 数据准备

3.4 特征工程

3.5 本章小结

第四章 模型的建立与评估

4.1 实验环境与实验工具介绍

4.2 实验过程

4.3 模型的评估方法

4.4 逻辑回归算法

4.5 GBM算法

4.6 XGBoost算法

4.7 模型结果对比与分析

4.8 本章小结

第五章 基于模型融合的预测算法

5.1 模型融合方法简介

5.2 构建融合模型

5.3 融合模型结果的比较与分析

5.4 本章小结

第六章 总结和展望

6.1 工作总结

6.2 工作展望

参考文献

在学期间研究成果

致谢