[发明专利]一种消费金融场景下的用户购买行为大数据预测方法

权利要求书

1.一种消费金融场景下的用户购买行为大数据预测方法，其特征在于，包括以下步骤：

步骤101对用户的APP操作行为日志数据进行包括对OCC_TIM字段进行切割在内的预处理操作；

步骤102.根据对用户历史APP操作行为日志数据的分析，对训练集和测试集进行特征工程构建，所述对特征工程进行构建是指得到用户历史APP操作行为日志数据构建离散特征、基础统计特征、时序特征、词袋模型特征和词向量模型特征；

步骤103.通过特征选择法对步骤101得到的特征进行降维；

步骤104.建立2个机器学习模型，分别是.xgboost模型和lightgbm模型，.xgboost模型用于预测出结果1，lightgbm模型用于预测出结果2，并将两个机器学习模型基于模型相关性约束排名的融合操作；

步骤105.通过融合操作建立的模型，根据用户个人属性及其历史APP操作行为日志数据对用户在未来一个周是否购买APP上的优惠券进行预测

所述步骤103对构建特征完成的样本集进行特征选择，具体步骤为：首先计算出每一个特征的方差，然后将方差低于阈值0.5的特征删除；然后将剩余特征分别输入算法xgboost、lightgbm、catboost、GBDT、RF、SVM，输出每个特征的特征重要性，以这些输出的特征重要性为基础构建相关矩阵A，再利用PCA将矩阵A降至指定维度500，完成特征选择；

所述步骤104建立2个机器学习模型，并进行模型融合操作具体步骤为：

步骤1041.xgboost模型：主要设置以下参数'max_depth':3、'objective':'rank:pairwise'、'scale_pos_weight':0.7、'eta':0.02、'min_child_weight':18、'colsample_bytree':0.8、'subsample':0.8；

步骤1042.lightgbm模型：主要设置以下参数'boosting_type':'gbdt'、'num_leaves':31、'learning_rate':0.01、'feature_fraction':0.8、'bagging_fraction':0.8；

步骤1043.多模型融合：采用基于模型相关性约束的排名融合方法，首先通过两个模型输出的特征重要性，将这两组特征重要性看做两组向量，计算其皮尔逊相关系数h；然后在排名融合的机制中加入这一系数，用于约束模型权重对融合结果的影响，当h越大，即两个模型越相关时，权重系数的影响就会增大，当h越小，即两个模型越不相关，权重系数的影响就会减小，其遵循公式：

∑|0.5*(1-h)-(weight_i*h)|/rank_i公式   (1)

其中weight_i为第i个单模型根据验证表现得出的权重系数，它根据各个模型验证得分的比例来计算得到，rank_i为样本在第i个模型中的预测值排名，即该样本的预测为正的概率值在整个数据集下的升序排名。

2.根据权利要求1所述的消费金融场景下的用户购买行为大数据预测方法，其特征在于，所述步骤101对用户的APP操作行为日志数据进行预处理操作具体步骤为：

针对于训练集和测试集中的OCC_TIM字段，该字段表示用户行为发生的具体时间，需要事先将它切割为三列分别是：年、月、日。