[发明专利]基于用户行为特征挖掘用户潜在购买商品和品类的方法

权利要求书

1.基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，包括：

数据清洗与数据预处理，得到预处理后的数据；

对预处理后的数据进行数据编码，并提取基本特征、统计类特征、时间间隔类特征、计算类特征，对提取的特征通过过滤法进行特征重要性评估，筛选出重要特征和冗余特征，在进行特征重要性评估过程，针对某些用户行为离预测时间越近对结果影响越大，引入时间衰退理论，对数据特征进行加权处理，得到用户行为特征数据；

对样本数据进行正负样本分析与分类，将正负样本通过动态欠采样处理生成多个样本子集，作为训练的正负样本数据；

通过正负样本数据对决策树模型进行训练，训练出多个单预测模型，再通过stacking方式对单预测模型进行融合，生成多个融合预测模型；

利用融合预测模型进行预测，将预测结果与期望值进行对比，反馈给决策树模型进行参数调整和模型再训练，直到得出最优的模型参数；

基于多个融合预测模型对用户潜在购买商品和品类进行预测，对各个融合预测模型的预测结果进行处理分析，得到带有权重的用户潜在购买商品和品类。

2.根据权利要求1所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，过滤法指的是采用相关系数法对每个特征按照指标进行打分，这个评分即代表着这个特征的重要性，然后依据评分对特征进行排序。

3.根据权利要求2所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，采用卡方过滤计算每个非负特征和标签之间的卡方统计量，并依照卡方统计量由高到低为特征排名，选出前K个分数最高的特征的类，借此除去最可能独立于标签，与分类目的无关的特征。

4.根据权利要求1所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，样本数据包括某个用户对于某个商品在一段时间内的行为特征数据、商品、用户本身的特征数据。

5.根据权利要求1所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，动态欠采样处理是针对样本数量过大的那部分样本，通过一定的方法抽取部分样本，以协调其与其他样本的比例不均衡情况。

6.根据权利要求5所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，通过随机抽取的方式，从负样本中抽取一定数量的子样本，与正样本组合成新的样本集。

7.根据权利要求1所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，采用的决策树模型为RF和GDBT算法。

8.根据权利要求1所述的基于用户行为特征挖掘用户潜在购买商品和品类的方法，其特征在于，多个单预测模型通过stacking方式生成融合预测模型过程包括：

在处理好正负样本后，生成n个样本训练集train_x、…、train_y和测试集test；

①选择一种未经训练的决策树模型；

②抽取其中n-1份作为小的训练集s_train_x、…、s_train_y，另外一份作为小的测试集s_test，测试集test不变；

③以s_train_x、…、s_train_y训练决策树模型，训练出的模型预测s_test得出对应的s_pred，再预测test得出y_pred；

④在训练集再选择另外一份作为小的测试集s_test_x，其他n-1份作为训练集训练决策树模型；

⑤重复②、③、④步骤n次，得到n个s_pred和n个y_pred；

n个s_pred作为一个train_X，原始的train_y作为train_Y训练融合预测模型得到模型G，n个y_pred取个平均值作为新的test_X，把test_X带入到模型G中得出预测结果；

以上就是stacking的第一层，在第二层中，以第一层的输出训练集train_X、train_Y、测试集test_X再结合其他的特征集再做一层stacking，重复上面的步骤，生成最终的融合预测模型。