隨著移動互聯(lián)網(wǎng)的發(fā)展,電商平臺進(jìn)入了一個快速發(fā)展期,截至目前各電商平臺已積累了海量的用戶行為數(shù)據(jù)。從是否能直接反映用戶喜好這一維度,對用戶行為數(shù)據(jù)可以分為兩類,一類是顯式反饋數(shù)據(jù),一類是隱式反饋數(shù)據(jù)。目前針對隱式反饋的研究較少,但是隱式反饋數(shù)據(jù)在電商平臺上的占比最大,通過對隱式反饋用戶行為數(shù)據(jù)的挖掘可以為電商實現(xiàn)更進(jìn)一步的精準(zhǔn)營銷提供可能,同時對隱式反饋數(shù)據(jù)分析挖掘也是對顯式反饋數(shù)據(jù)很好地補充,所以對于電商平臺來說針對隱式反饋用戶行為的分析挖掘十分重要。因此本文提出了基于數(shù)據(jù)可視化、特征工程和機(jī)器學(xué)習(xí)模型等一系列方法對電商隱式反饋數(shù)據(jù)進(jìn)行處理,以便實現(xiàn)對用戶的購買行為進(jìn)行預(yù)測以及更好的為用戶推送商品。本文首先梳理了有關(guān)隱式反饋、用戶行為、特征工程及購買預(yù)測的相關(guān)研究文獻(xiàn)?？偨Y(jié)了眾多文獻(xiàn)的研究內(nèi)容,分析這些文獻(xiàn)在研究中存在的不足。然后進(jìn)一步提出了本文研究框架和研究方法。本文以電商大規(guī)模隱式反饋數(shù)據(jù)為研究基礎(chǔ),將購買預(yù)測問題轉(zhuǎn)化為機(jī)器學(xué)習(xí)二分類問題。首先對原始數(shù)據(jù)進(jìn)行清洗整理,去掉刷單用戶和爬蟲用戶等,并通過數(shù)據(jù)可視化的方式觀察購買轉(zhuǎn)化率在時間上的分布等規(guī)律。然后基于觀察到的規(guī)律構(gòu)建四大特征指標(biāo),其中針對隱式反饋數(shù)據(jù)中沒法明顯表示用戶喜好的這一缺陷設(shè)計了用戶平均加權(quán)選擇傾向特征來解決這一問題,并取得了不錯的效果,所有特征按照特征群劃分為6個特征群,總計988個特征。隨后使用隨機(jī)森林算法展示特征重要性這一特點,對特征進(jìn)行篩選并留下784維特征。最后使用Logit回歸、CNN卷積神經(jīng)網(wǎng)絡(luò)和Inception網(wǎng)絡(luò)對處理好的數(shù)據(jù)進(jìn)行購買預(yù)測,其中CNN和Inception的訓(xùn)練是將784維的特征轉(zhuǎn)化成28*28的灰度圖進(jìn)行訓(xùn)練。因為樣本數(shù)據(jù)不均衡,所以實驗中使用F1指標(biāo)來評價預(yù)測效果。最終Logit回歸的F1值為11.25、CNN的F1值為11.41、Inception的F1值為12.42。實驗表明,基于Inception網(wǎng)絡(luò)的兩個主要設(shè)計思想:多尺度卷積抽取多維度特征和隱含層也可輸出結(jié)果,本文設(shè)計的Inception網(wǎng)絡(luò)在天池用戶行為數(shù)據(jù)集上取得了不錯的預(yù)測效果。本文以電商用戶行為的隱式反饋數(shù)據(jù)為中心,通過觀察用戶行為、進(jìn)行特征工程和設(shè)計模型,完成了對用戶購買行為的預(yù)測。本文構(gòu)造的用戶平均加權(quán)傾向特征和Inception模型,可以提高最終預(yù)測的效果。為電商平臺向用戶更好的推送商品,提供了一定的參考價值。

基本信息

題目	基于隱式反饋數(shù)據(jù)的用戶行為分析及購買預(yù)測
文獻(xiàn)類型	碩士論文
作者	卞天宇
作者單位	南京郵電大學(xué)
導(dǎo)師	張昌兵
文獻(xiàn)來源	南京郵電大學(xué)
發(fā)表年份	2020
學(xué)科分類	信息科技,經(jīng)濟(jì)與管理科學(xué)
專業(yè)分類	計算機(jī)軟件及計算機(jī)應(yīng)用,企業(yè)經(jīng)濟(jì),貿(mào)易經(jīng)濟(jì)
分類號	F713.36;F274
關(guān)鍵詞	隱式反饋,購買預(yù)測,特征工程
總頁數(shù)：	64
文件大小：	2063K

論文目錄

摘要

abstract

第一章 緒論

1.1 研究背景與意義

1.1.1 研究背景

1.1.2 研究意義

1.2 主要研究內(nèi)容與技術(shù)路線圖

1.2.1 主要研究內(nèi)容

1.2.2 研究技術(shù)路線圖

1.3 主要研究方法

1.4 創(chuàng)新與不足

第二章 文獻(xiàn)綜述

2.1 對隱式反饋的研究

2.2 對用戶行為的研究

2.3 對特征工程與選擇的研究

2.4 對購買預(yù)測的研究

2.5 對現(xiàn)有研究的評述

第三章 數(shù)據(jù)預(yù)處理及分析

3.1 數(shù)據(jù)集介紹

3.2 數(shù)據(jù)清洗

3.3 數(shù)據(jù)探索

3.3.1 四種行為頻次統(tǒng)計

3.3.2 四種行為分組頻次統(tǒng)計

3.3.3 四種行為按天在時間上的分布

3.3.4 三種行為的購買轉(zhuǎn)化率

3.4 訓(xùn)練集和測試集劃分

3.5 特征設(shè)計

3.6 特征處理

3.7 特征選擇

3.7.1 隨機(jī)森林特征選擇概述

3.7.2 特征重要性排名

第四章 模型構(gòu)建及預(yù)測實驗

4.1 實驗評測指標(biāo)

4.2 Logit回歸

4.2.1 原理

4.2.2 Logit訓(xùn)練

4.3 CNN卷積神經(jīng)網(wǎng)絡(luò)

4.3.1 卷積神經(jīng)網(wǎng)絡(luò)的基本概念

4.3.2 設(shè)計卷積網(wǎng)絡(luò)

4.3.3 數(shù)據(jù)轉(zhuǎn)換

4.3.4 卷積網(wǎng)絡(luò)訓(xùn)練

4.4 Inception網(wǎng)絡(luò)

4.4.1 Inception原理

4.4.2 Inception網(wǎng)絡(luò)設(shè)計

4.4.3 Inception網(wǎng)絡(luò)訓(xùn)練

4.5 實驗對比

第五章 總結(jié)與展望

5.1 總結(jié)

5.2 展望

參考文獻(xiàn)

附錄1 程序清單

附錄2 攻讀碩士學(xué)位期間撰寫的論文

附錄3 攻讀碩士學(xué)位期間獲得的獎項

致謝

參考文獻(xiàn)

[1] 基于隱式反饋數(shù)據(jù)的個性化游戲推薦[J]. 電子學(xué)報 2018(11)

[2] 基于機(jī)床反饋數(shù)據(jù)和工藝知識的進(jìn)給速度優(yōu)化[J]. 機(jī)械制造 2017(09)

[3] 畢業(yè)實習(xí)數(shù)據(jù)反饋與高校教學(xué)改革互動機(jī)制建設(shè)[J]. 教育學(xué)術(shù)月刊 2012(11)

[4] 趣味心理測試圖連連看[J]. 讀寫算(科技知識動漫) 2015(Z2)

[5] 一種基于內(nèi)容的新聞推薦系統(tǒng)實例[J]. 電腦知識與技術(shù) 2015(25)

[6] 大數(shù)據(jù)解讀“雙11”[J]. 齊魯周刊 2017(46)

[7] 客戶反饋挖掘技術(shù)研究[J]. 科技廣場 2012(07)

[8] 基于“慧學(xué)云”平臺預(yù)習(xí)反饋數(shù)據(jù)進(jìn)行動態(tài)分層與確立分層教學(xué)目標(biāo)的研究[J]. 中國現(xiàn)代教育裝備 2016(24)

相似文獻(xiàn)

[1]基于隱式反饋數(shù)據(jù)的個性化游戲推薦[D]. 陳聰.杭州電子科技大學(xué)2018

[2]基于機(jī)器學(xué)習(xí)的用戶反饋數(shù)據(jù)中心設(shè)計與實現(xiàn)[D]. 苗林茂.北京交通大學(xué)2017

[3]基于HADOOP的電商實時用戶行為分析系統(tǒng)[D]. 趙東昕.上海交通大學(xué)2016

[4]基于Spark的用戶行為分析系統(tǒng)研究及實現(xiàn)[D]. 肖順.長江大學(xué)2019

[5]基于Spark的用戶行為分析系統(tǒng)的設(shè)計與實現(xiàn)[D]. 殷樂.戰(zhàn)略支援部隊信息工程大學(xué)2018

[6]基于網(wǎng)約車的用戶行為分析系統(tǒng)設(shè)計與實現(xiàn)[D]. 王菲.首都經(jīng)濟(jì)貿(mào)易大學(xué)2018

[7]基于移動用戶行為分析的城市功能區(qū)識別研究[D]. 張令浩.重慶郵電大學(xué)2018

[8]基于Web應(yīng)用的日志異常檢測與用戶行為分析研究[D]. 馮秋燕.華南理工大學(xué)2019

[9]動態(tài)異構(gòu)數(shù)據(jù)分布式處理與特征提取[D]. 陳戈.上海交通大學(xué)2016

[10]基于微博的用戶行為分析及智能推薦[D]. 黃萬云.景德鎮(zhèn)陶瓷大學(xué)2018