[发明专利]一种电商平台的推荐方法及系统

权利要求书

1.一种电商平台的推荐方法，其特征在于，所述方法应用到电商平台回访预测中，包括：

将第一预测算法、第二预测算法作为Stacking算法的初级学习器，先通过建立好的训练集作为输入对所述第一预测算法、第二预测算法这两个初级学习器进行预测，得到两个预测数据集；所述的第一预测算法采用XGBoost算法，第二预测算法采用LightGBM算法；所述的训练集中的数据包括多个顾客的历史购买量、购买种类的集中程度以及历史转化率；

选取多个强特征，求出训练集中所述强特征对应的多组权重向量，利用多组权重向量分别对所述的两个预测数据集进行赋权，得到每一组权重向量赋权后对应的预测数据集；

利用每一组权重向量赋权后对应的预测数据集分别训练次级学习器，得到对应的多个训练模型；

利用多个训练模型对待预测数据集进行预测，将多个训练模型预测结果的平均值作为最终的预测结果；所述预测结果为顾客对某一品类商品再次购买的概率；

所述选取多个强特征，求出训练集中所述强特征对应的多组权重向量，包括：

择训练集中历史购买量、购买种类的集中程度以及历史转化率作为强特征进行归一化，得到历史购买量的权重向量、购买种类的集中程度的权重向量以及历史转化率的权重向量。

2.一种电商平台的推荐系统，其特征在于，包括：

预测数据集建立模块，用于将第一预测算法、第二预测算法作为Stacking算法的初级学习器，先通过建立好的训练集作为输入对所述第一预测算法、第二预测算法这两个初级学习器进行预测，得到两个预测数据集；所述的第一预测算法采用XGBoost算法，第二预测算法采用LightGBM算法；所述的训练集中的数据包括多个顾客的历史购买量、购买种类的集中程度以及历史转化率；

预测数据集赋权模块，用于选取多个强特征，求出训练集中所述强特征对应的多组权重向量，利用多组权重向量分别对所述的两个预测数据集进行赋权，得到每一组权重向量赋权后对应的预测数据集；

训练模型建立模块，用于利用每一组权重向量赋权后对应的预测数据集分别训练次级学习器，得到对应的多个训练模型；

预测模块，用于利用多个训练模型对待预测数据集进行预测，将多个训练模型预测结果的平均值作为最终的预测结果；所述预测结果为顾客对某一品类商品再次购买的概率；

所述选取多个强特征，求出训练集中所述强特征对应的多组权重向量，包括：

择训练集中历史购买量、购买种类的集中程度以及历史转化率作为强特征进行归一化，得到历史购买量的权重向量、购买种类的集中程度的权重向量以及历史转化率的权重向量。