[发明专利]一种电子商务平台用户重复购买行为预测方法

说明书

本发明公开了一种电子商务平台用户重复购买行为预测方法，包括：获取用户历史购买行为数据；采用分段下采样方法进行样本均衡处理；构建用户特征、商户特征、用户与商户交互特征和隐藏特征；将样本均衡的用户历史购买行为数据输入至双层注意力BiGRU个体模型中，将用户特征、商户特征、用户与商户交互特征和隐藏特征输入至深度Catboost个体模型和DeepGBM个体模型中；对各个体模型分别进行用户重复购买行为预测训练；通过Vote‑Stacking模型，对训练后的各个体模型进行融合，并采用多数投票决策机制输出最终预测结果。本发明融合深度Catboost个体模型、双层注意力BiGRU个体模型和DeepGBM个体模型，对用户历史购买数据中离散的购买记录数值和行为序列特征进行建模，提高了预测结果的准确性。

技术领域

本发明涉及电商购买行为预测技术领域，更具体的涉及一种电子商务平台用户重复购买行为预测方法。

背景技术

为了吸引更多用户的关注和购买，电商平台会在特定日期进行大规模促销。然而，在促销期间获得的新用户多为一次性购买，不能为商家带来长期回报。因此，预测用户重复购买行为是电子商务平台开展精准营销、获得长期客源的关键所在。利用用户的浏览、收藏、加入购物车等行为数据来挖掘其购物习惯、偏好和意愿是实现重复购买行为预测的有效途径。

现有预测模型主要包括个体模型和集成模型两类。logistic回归、支持向量机(SVM)、循环神经网络(RNN)和多层感知机(MLP)等个体模型被广泛应用在用户重复购买行为的预测中，然而随着电子商务的用户规模的逐渐扩大，用户历史行为数据规模激增，采用上述个体模型依靠影响因素特征预测用户重复购买行为并不能取得理想的效果。因此众多研究者结合多种个体预测模型提出了诸如随机森林、GBDT、XGBoost等集成学习的用户重复购买行为预测模型，结果表明集成学习预测模型在精度和鲁棒性方面都优于个体预测模型。然而，现有的集成学习模型主要为基于GDBT的模型，不能很好的处理用户重复购买行为预测中用户行为序列数据，以RNN和LSTM为代表的神经网络在序列数据建模中取得巨大成功，使得构建以LSTM为基础的用户购买行为序列预测模型成为可能。基于GDBT和神经网络的个体模型差异性较大，能有效处理多样的用户历史行为数据类型，对集成学习中组合策略提出新的要求。但是，现有技术中存在的集成模型预测结果准确性有待提高。

发明内容

本发明实施例提供一种电子商务平台用户重复购买行为预测方法，用以解决现有技术中存在的问题。

本发明实施例提供一种电子商务平台用户重复购买行为预测方法，包括：

获取用户历史购买行为数据，并对用户历史购买行为数据进行预处理；

采用分段下采样方法对用户历史购买行为数据进行样本均衡处理；

构建用户特征、商户特征、用户与商户交互特征和隐藏特征；

将样本均衡的用户历史购买行为数据输入至双层注意力BiGRU个体模型中，并将用户特征、商户特征、用户与商户交互特征和隐藏特征输入至深度 Catboost个体模型和DeepGBM个体模型中；

对双层注意力BiGRU个体模型、深度Catboost个体模型和DeepGBM个体模型，分别进行用户重复购买行为预测训练；

通过Vote-Stacking模型，对训练后的双层注意力BiGRU个体模型、深度 Catboost个体模型和DeepGBM个体模型进行融合，并采用多数投票决策机制输出最终预测结果。

进一步地，所述对用户历史购买行为数据进行预处理，包括：

对用户历史购买行为数据进行数据清洗，缺失数据和错误数据剔除。

进一步地，所述采用分段下采样方法对用户历史购买行为数据进行样本均衡处理，包括：

将重复购买用户和未重复购买用户原始样本按照天为单位进行分段；