[发明专利]用户复购概率预测/用户质量确定方法、装置及电子设备

说明书

本发明实施例提供一种用户复购概率预测方法、装置及电子设备，涉及互联网技术领域。其中，所述用户复购概率预测方法包括：从训练样本集中学习获得用户复购概率的预测模型；获取待预测用户的特征数据集；将待预测用户的特征数据集作为预测模型的输入，通过预测模型获得待预测用户的复购概率预测值。本发明实施例提供的技术方案，使得可根据用户的较多特征维度的数据，通过预测模型自动获得待预测用户的复购概率预测值，从而达到提高预测准确率及预测效率的效果。

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种用户复购概率预测方法、装置及电子设备。

背景技术

在O2O(Online To Offlin，在线离线/线上到线下)领域，新用户(买家)的复购率是衡量商户质量的一个重要指标，而商户质量又是平台确定如何对商户进行新用户补贴的重要依据。例如，某天在一个商户中有大量的新用户，而新用户的复购率较低，则说明这个商户中这天的新用户质量较差，不能为O2O电子商务平台带来有效的收益；这种情况下，平台可以限制对该商户的新用户补贴，以减少平台损失。

复购概率是指消费者在平台进行第2次购买行为的可能性。复购行为可以是按天确定的复购行为，也可以是按小时确定的复购行为，甚至按月确定的复购行为。在实际应用中，最为常见的是按天确定的复购行为。在按天确定复购行为时，不管用户第一次购买行为当天又进行了多少次购买，都只算作第一次购买；这种情况下，用户复购概率可以是3天复购概率、7天复购概率、15天复购概率等。

现有技术中，新用户的复购率通常采用如下两种方式确定：1)在实际复购行为发生后，根据用户实际复购行为确定；2)在用户的第一次购买行为发生后，平台运营人员根据用户特征，利用人工经验对该用户的复购概率进行预测，然后再根据各个新用户的复购概率的预测值确定新用户的复购率。然而，上述两种方式均存在一些缺点。其中，由于第一种方式只能在实际复购行为发生后才能计算获得，而无法提前得到，因而数据的时效性较低。例如，只能得到7天前新用户的7天复购率，而平台根据该数据限制商户新用户补贴的行为通常发生在小于7天的时间范围内(如3天)，因此，该数据对平台而言已经失效。上述第二种方式虽可提前预测用户的复购概率，并依据用户的复购概率计算出新用户的复购率，但由于用户复购概率的预测要依赖人工经验，因此对人的要求比较高，且不同人预测的结果可能并不相同，因而预测的准确率及效率均无法保证，从而无法保证新用户复购率的准确率及效率。

从上述分析可以看出，现有技术存在预测准确率及预测效率均较低的问题。

发明内容

本发明实施例提供了一种用户复购概率预测方法、装置及电子设备，以及一种用户质量确定方法、装置及电子设备，用以解决现有技术中用户复购概率的预测准确率及预测效率均较低的问题。

第一方面，本发明实施例提供了一种用户复购概率预测方法，该方法包括：从训练样本集中学习获得用户复购概率的预测模型；所述训练样本包括历史用户的特征数据集和复购标记之间的对应记录；获取待预测用户的特征数据集；将所述待预测用户的特征数据集作为所述预测模型的输入，通过所述预测模型获得所述待预测用户的复购概率预测值。

结合第一方面，本发明在第一方面第一种可能的实现方式中，通过迭代决策树GBDT模型与逻辑回归模型组合的方式，从所述训练样本集中学习获得所述预测模型。

结合第一方面的第一种实现方式，本发明在第一方面第二种可能的实现方式中，若所述预测模型的预测准确率低于预设阈值，则重新设置所述GBDT模型和/或所述逻辑回归模型的模型参数，并根据重置的模型参数重新学习获得所述预测模型。

结合第一方面、第一方面的第一种实现方式或第一方面的第二种实现方式，本发明在第一方面第三种可能的实现方式中，所述特征数据包括：订单特征数据，用户行为特征数据；所述获取待预测用户的特征数据集，包括：从所述待预测用户的订单数据中提取所述订单特征数据；从所述待预测用户的用户行为数据中提取所述用户行为特征数据。