【摘要】：近年來,電子商務飛速發(fā)展,網絡購物逐漸成為主要的消費方式。消費者享受便利的同時,瀏覽時間長、購買轉換率低等問題不斷涌現。為此,電子商務企業(yè)利用機器學習模型對消費者行為進行分析,構建推薦系統(tǒng),得以精準推薦商品。消費者行為分析,對提高推薦系統(tǒng)的運行效率,提升消費者滿意度都有重大意義。面對推薦系統(tǒng)推薦精度高、用戶滿意度高和運行時效高的要求,論文從數據處理、特征工程、分類預測模型和應用前景方面細化研究內容。以消費者行為數據為實驗對象,分別構建了傳統(tǒng)預測模型和深度學習模型。通過對比分析,證明了深度學習模型具有更大的學習潛力。綜上所述,論文主要研究工作如下:(1)消費行為數據處理和特征工程研究。從數據處理流程出發(fā),重點研究了人工提取特征,特征預處理、特征選擇和不平衡數據的隨機采樣技術。(2)傳統(tǒng)模型的對比研究。論文構建了Logistic回歸、隨機森林、神經網絡模型,三種模型的預測結果表明隨機森林具有更強的預測能力,但它在運算中可能產生差異度小的樹,影響正確決策。Logistic回歸不適用于隨機性高、非線性數據預測問題,而淺層神經網絡在訓練中易陷入局部最小,傳統(tǒng)預測模型都只能學習淺層數據特征,因此預估效果普遍不好。(3)深度學習模型的研究。為提高預估的準確率,學習數據更深層的特征,論文構建了深度學習預估模型,實驗證實了DNN模型較傳統(tǒng)模型效果提升10%,但DNN模型運行速度慢,訓練成本高。為解決此問題,結合數據類別分布不平衡的特點,提出了改進模型rDNN,rDNN模型的訓練時間達434.361秒,大大提升了DNN模型的運算效率,使模型更符合推薦系統(tǒng)高時效性要求。(4)rDNN模型的優(yōu)化與應用。分別研究了正負樣本比例、不同激活函數對模型有效性的影響,證實了正負樣本比例為3,激活函數為Relu函數,隱藏層為3層時,rDNN可以發(fā)揮出最大效用。另外,rDNN模型可以學習到消費者行為規(guī)律,給出較為可靠的預測結果,有較高的應用價值。
【學位授予單位】：重慶工商大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F713.55
【圖文】：

圖 4.7 rDNN 訓練集迭代過程 圖 4.8 rDNN 驗證集迭代過程根據 rDNN 訓練集和驗證集迭代過程的圖像測試，當迭代次數達到 160 次時，下降較緩慢，模型得到良好的訓練。綜上，通過基于 DNN 模型和改進模型的實驗結果對比，可以得到如下結論：（1）改進模型 KmDNN、rDNN 模型效果較好于 DNN 模型，在構建模型之前降低數據不平衡的比例，對模型的預測效果有較大的提升。（2）對比 DNN 與 3.5.2 中傳統(tǒng)分析預測模型，深度學習模型實驗效果較好，更深層次的特征學習有利于模型產生更好的效果。（3）在消費行為分析預測問題中，rDNN模型的提出保留了原有 DNN自動學習深層特征和抽象高層特征的能力，在此基礎上融入解決類別數據不平衡問題的方法，減少數據量，減輕 DNN訓練負擔，具有更好的實用性。4.4 本章小結

圖 4.7 rDNN 訓練集迭代過程 圖 4.8 rDNN 驗證集迭代過程根據 rDNN 訓練集和驗證集迭代過程的圖像測試，當迭代次數達到 160 次時，下降較緩慢，模型得到良好的訓練。綜上，通過基于 DNN 模型和改進模型的實驗結果對比，可以得到如下結論：（1）改進模型 KmDNN、rDNN 模型效果較好于 DNN 模型，在構建模型之前降低數據不平衡的比例，對模型的預測效果有較大的提升。（2）對比 DNN 與 3.5.2 中傳統(tǒng)分析預測模型，深度學習模型實驗效果較好，更深層次的特征學習有利于模型產生更好的效果。（3）在消費行為分析預測問題中，rDNN模型的提出保留了原有 DNN自動學習深層特征和抽象高層特征的能力，在此基礎上融入解決類別數據不平衡問題的方法，減少數據量，減輕 DNN訓練負擔，具有更好的實用性。4.4 本章小結

【參考文獻】

相關期刊論文 前10條

1 王永周;鄧燕;;基于大數據預測的消費者購買決策行為分析[J];商業(yè)經濟研究;2016年23期

2 奚雪峰;周國棟;;面向自然語言處理的深度學習研究[J];自動化學報;2016年10期

3 劉萬軍;梁雪劍;曲海成;;不同池化模型的卷積神經網絡學習性能研究[J];中國圖象圖形學報;2016年09期

4 宋濤;王星;;基于二次聚類和隱馬爾可夫鏈的持卡消費行為預測[J];計算機應用;2016年07期

5 張蕾;章毅;;大數據分析的無限深度神經網絡方法[J];計算機研究與發(fā)展;2016年01期

6 張志強;周永;謝曉芹;潘海為;;基于特征學習的廣告點擊率預估技術研究[J];計算機學報;2016年04期

7 王山海;景新幸;楊海燕;;基于深度學習神經網絡的孤立詞語音識別的研究[J];計算機應用研究;2015年08期

8 杜剛;黃震宇;;大數據環(huán)境下客戶購買行為預測[J];管理現代化;2015年01期

9 劉建偉;劉媛;羅雄麟;;深度學習研究進展[J];計算機應用研究;2014年07期

10 董宇蔚;蔡世民;尚明生;;電子商務中人類活動的標度行為實證研究[J];物理學報;2013年02期

相關碩士學位論文 前5條

1 馬姝;基于數據挖掘的消費者購買預測的研究[D];云南財經大學;2016年

2 顧海斌;基于大規(guī)模電商數據的用戶消費行為分析方法研究[D];吉林大學;2016年

3 鄒潤;基于模型組合算法的用戶個性化推薦研究[D];南京大學;2014年

4 楊瓊;數據挖掘在客戶消費行為中的應用研究[D];南華大學;2013年

5 楊銳;基于交叉熵的序列事件周期性檢測及應用研究[D];電子科技大學;2013年

本文編號：2712578