引言
与一般的电商网站类似,用户在利用科技云网站进行浏览、下载、操作以
及购买资源服务时会产生海量的数据,从这些海量的数据中可以挖掘出用户行
为的潜在价值,并对用户未来访问和购买行为进行预测。对于可能复访或复购
的用户,结合其前期访问偏好进行精准的推荐并制定个性化的运营策略,这有利
于优化用户购买体验,实现忠诚用户留存、新用户增加和潜在用户的挖掘,促进
平台的可持续发展。
用户浏览、访问、操作资源服务的行为数据以日志文件的形式存储在后台
服务器。如何高效地利用这些在线行为数据分析用户偏好,预测用户复访或者
复购行为是非常有意义的。
在电商环境下对用户行为的预测主要包括用户购买行为、点击行为和活跃
度的预测等,关注最多的主要是购买行为预测,因为这一行为直接为电商带来收
益。用户的购买行为与点击行为、活跃度是高度相关的,而这些因素极大地反
映了用户的复访概率。由于复访的用户发生购买行为的概率比较高,本文主要
通过研究预测用户的复访行为来反映用户的购买意愿。
1 相关工作
传统的购买行为预测模型主要有 SMC 模型、RFM 模型和 BG/NBD 模
型。多数研究都是基于这些模型的改进。其中,RFM 模型是从市场营销领域延
伸而来,少量研究将其应用在其他领域进行用户分类,如通信和电商领域
[1-2]
。大
数据、机器学习兴起之后,大量学者结合机器学习和神经网络等算法构建模型,
以提升模型的预测准确性。Silahtaroglu G 等人从用户点击数据中提取信息,使
用决策树和多层神经网络构建消费者购买行为预测模型
[3]
。J Qiu 等人从商品角
度出发,通过分析商品之间的关联 ,建立候选商品集,通过用户对商品特征的偏
好训练模型 COREL,预测用户可能购买的商品集。这一模型可以直接应用于商
品推荐
[4]
。周成骥等人基于交互行为数据,提出一种基于时序的数据预处理方法
和基于 SSP 特征选择方法,并构建 Bagging 和 XGBoost 混合模型提升模型
的预测精确度
[5]
。顾海斌等人从数学角度、贝叶斯方法和神经网络对用户消费
行为建模
[6]
。李美其等人基于大众点评网的用户数据,构建 Pareto/NBD 预测模
型,并通过引入协变量改进预测效果
[7]
。
评论0
最新资源