[发明专利]一种基于两阶段组合的在线消费行为预测方法及系统

说明书

本发明提供一种基于两阶段组合的在线消费行为预测方法及系统，涉及消费预测技术领域。本发明包括用户数据输入模块，用户数据处理模块，用户数据输出模块。将Logistic模型筛选出来的7个变量可以作为决策树模型的输入变量，使用决策树模型对用户浏览商品是否消费的行为进行二次预测，并输出购买商品的概率；将传统的统计模型与人工智能方法相结合，使在线消费行为预测模型既具有解释性又具有准确性，并为商家制定促销方案提供建议。

技术领域

本发明涉及消费预测技术领域，尤其涉及一种基于两阶段组合的在线消费行为预测方法及系统。

背景技术

Qiu等(2017)提出了一个两阶段的网络购物行为预测框架。首先，计算产品之间的相关性。然后，利用支持向量机(SVM)和层次贝叶斯离散选择模型计算顾客对候选产品的偏好。Silahtaroglu(2015)等收集网上购物行为和顾客的人口统计信息，并利用决策树和神经网络预测用户是否会在购物车中购买商品。

传统的统计计量模型具有很好的鲁棒性和可解释性，但其预测精度不够高，无法处理高维数据；人工智能方法准确性高，对数据分布没有严格要求，但其鲁棒性较差，并且机器学习方法是黑箱操作，造成输出结果的可解释性不高。所以，本文建立一个预测在线消费行为的两阶段组合模型。

发明内容

针对现有技术存在的问题，本发明提供一种基于两阶段组合的在线消费行为预测方法及系统。

为了解决上述技术问题，本发明采用以下的技术方案：

一方面，一种基于两阶段组合的在线消费行为预测方法，具体包括以下步骤：

步骤1：对用户在线浏览商品是否消费行为的历史数据进行预处理；其中历史数据包括定量指标值和定性指标值；

步骤1.1：将定量指标值采取最大最小标准化方法进行标准化处理；

步骤1.2：将定性指标值根据定性指标评分表进行打分；

步骤2：基于Logistic模型进行指标组合的筛选；

所述Logistic模型中，设n个独立指标变量x＝{x₁,x₂,…,x_n}，二元响应变量y∈{0,1}，y＝1表示某个用户购买商品，y＝0表示某个用户不购买某个商品；设条件概率p(y＝1|x)＝p为样本x条件下事件y＝1发生的概率，则Logistic回归模型表示为：

其中g(x)＝w₀+w₁x₁+…+w_nx_n，w_n表示第n个独立指标变量的权重；

对比值比取对数得到：

通过公式2求出w₀,w₁,…,w_n，若指标x_m(m＝1,2,…,n)的权重w_m不为0且相应的显著性水平P值小于5％，则说明该特征对借款人的违约状态具有影响，保留该指标；否则删除该指标，以此进行变量筛选。

步骤3：将Logistic模型筛选出来的变量作为决策树模型的输入变量，使用决策树模型对用户浏览商品是否消费的行为进行二次预测，并输出购买商品的概率；