[发明专利]一种基于数据全局搜索和特征分类的预测方法

权利要求书

1.一种基于数据全局搜索和特征分类的预测方法，其特征在于，包括以下步骤：

步骤1：将用户群体分为品牌人群和非品牌人群；

步骤2：提取品牌人群的属性特征、偏好特征以及品类特征；提取非品牌人群的属性特征，偏好特征，品类特征，竞品特征和搜索特征；将提取到的特征形成特征集；

步骤3：根据特征集，基于改进的随机森林算法，建立面向O2O的潜在客户识别模型。

2.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于，所述品牌人群为：在一段时间内，只对特定品牌的商品进行浏览或收藏行为，而对其它的品牌商品没有进行过任何操作的用户群体；

所述非品牌人群为：在总的用户群体中除去品牌人群外的用户群体。

3.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述属性特征为用户群体自身的属性特征。

4.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述偏好特征为用户在进行商品浏览或者消费时的兴趣与倾向。

5.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述品类特征指为用户所浏览的所有商品品牌中相关品类的特征。

6.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述竞品特征指为以来自竞品的人群为目标，挖掘用户在竞品的状态、退款、退货、评分和评价特征。

7.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述搜索特征为：在一段时间内，用户搜索并点击品牌的主营类目产生的品牌与用户搜索词之间的相关性。

8.根据权利要求1所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述改进的随机森林算法为：

步骤1:根据Bootstrap方法对特征集划分为若干个不同的特征子集；

步骤2:对每一个特征子集进行训练，得到对应的弱分类器；

步骤3:将所有弱分类器组合生成一个强分类器；

步骤4:对强分类器中对训练结果进行投票，得到面向O2O的潜在客户识别模型。

9.根据权利要求8所述的基于数据全局搜索和特征分类的预测方法，其特征在于：所述对强分类器中对训练结果进行投票，包括

根据袋外估计误差计算每个弱分类器的权重，并根据权重进行加权投票，即：

其中，w(i)表示第i个弱分类器的权重，T表示算法中弱分类器个数，oob_error_i表示第i个弱分类器的袋外估计误差。