O2O即Online to Offline,是一種線下商戶與互聯(lián)網(wǎng)相互結(jié)合的商業(yè)模式。近年來,隨著移動(dòng)端網(wǎng)絡(luò)消費(fèi)的興起,O2O消費(fèi)得到了各大商業(yè)平臺(tái)的廣泛關(guān)注,其中蘊(yùn)藏著巨大的商業(yè)價(jià)值。消費(fèi)券投放是O2O的一種重要營(yíng)銷策略,但隨機(jī)投放會(huì)對(duì)大多數(shù)用戶造成干擾,同時(shí)也會(huì)增加商家的營(yíng)銷成本。精準(zhǔn)投放是提高消費(fèi)券核銷率的重要技術(shù),它可以讓商家直接面向具有一定消費(fèi)偏好的用戶,使其得到真正的實(shí)惠,在降低商家營(yíng)銷成本的同時(shí)促進(jìn)商家的營(yíng)業(yè)額,實(shí)現(xiàn)商家、用戶共贏。O2O行業(yè)的特性使其天然與數(shù)以億計(jì)的消費(fèi)者相關(guān)聯(lián),記錄著海量的用戶歷史流水信息。本文通過對(duì)這些真實(shí)的用戶歷史流水記錄進(jìn)行挖掘,并構(gòu)建相應(yīng)的特征群訓(xùn)練得到用戶的消費(fèi)券核銷預(yù)測(cè)模型,以此預(yù)測(cè)用戶未來是否會(huì)使用消費(fèi)券,從而為消費(fèi)券的精準(zhǔn)投放提供決策依據(jù),主要的研究工作可以分為以下四個(gè)方面:（1）首先從消費(fèi)券、商戶以及用戶三個(gè)方面進(jìn)行數(shù)據(jù)探索并在此基礎(chǔ)上構(gòu)建相應(yīng)的特征群,用以表征用戶的消費(fèi)行為習(xí)慣,商戶和消費(fèi)券本身的信息屬性,并通過方差選擇和極端梯度提升樹算法XGBoost對(duì)原始特征進(jìn)行特征篩選,以去除相應(yīng)的冗余特征,完成數(shù)據(jù)集的構(gòu)建;（2）為了增強(qiáng)特... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

用戶歷史交互記錄Fig.2-1Userhistoryinteractionrecord每條記錄都含有7個(gè)字段，分別表示用戶ID、商戶ID、消費(fèi)券ID、消費(fèi)券的折扣

圖 2-15 用戶對(duì)同一類型消費(fèi)券的重復(fù)領(lǐng)取記錄Fig. 2-15 Repeated receiving records of the same type of consumer vouchers by users圖2-15是用戶對(duì)同一類型消費(fèi)券重復(fù)領(lǐng)取記錄的節(jié)選，各字段屬性分別為用戶ID、消費(fèi)券 ID、消費(fèi)券領(lǐng)取時(shí)間、距離以及用戶消費(fèi)時(shí)間。如果最后一個(gè)字段為 null，那么用戶并沒有消費(fèi)，否則就為使用消費(fèi)券消費(fèi)。通過觀察可以得知，如果對(duì)同一類型消費(fèi)券進(jìn)行重復(fù)領(lǐng)取，那么用戶大概率會(huì)有核銷消費(fèi)券的行為。與商戶有出售范圍類似，用戶也有相應(yīng)的活動(dòng)范圍。通常情況下，用戶基于遠(yuǎn)距離消費(fèi)的一種重要原因就是該消費(fèi)行為受商家促銷活動(dòng)的吸引，也即是說用戶的活動(dòng)范圍越廣泛，那么該用戶消費(fèi)券的核銷幾率也會(huì)相應(yīng)的上升。2.3 特征選擇在 2.2 節(jié)中

第四章 模型訓(xùn)練與結(jié)果分析型訓(xùn)練與結(jié)果對(duì)比通過上述參數(shù)設(shè)置訓(xùn)練得到基于 XGBoost 的消費(fèi)券核銷預(yù)測(cè)模型，DT 模型進(jìn)行對(duì)比，兩種模型的訓(xùn)練時(shí)間、AUC 值以及 ROC 曲線如表 4-3 XGBoost 與 GBDT 結(jié)果對(duì)比Tab. 4-3 Comparison of XGBoost and GBDT results模型 訓(xùn)練時(shí)間 AUCGBDT 5min20s 0.8149XGBoost 2min33s 0.8198

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的論文個(gè)性化推薦算法[J]. 王妍,唐杰.  中文信息學(xué)報(bào). 2018(04)
[2]基于隨機(jī)森林算法的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 沈晶磊,虞慧群,范貴生,郭健美.  計(jì)算機(jī)科學(xué). 2017(11)
[3]基于深度學(xué)習(xí)加強(qiáng)的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(10)
[4]XGBoost算法在電子商務(wù)商品推薦中的應(yīng)用[J]. 張昊,紀(jì)宏超,張紅宇.  物聯(lián)網(wǎng)技術(shù). 2017(02)
[5]基于SDAE及極限學(xué)習(xí)機(jī)模型的協(xié)同過濾應(yīng)用研究[J]. 潘昊,王新偉.  計(jì)算機(jī)應(yīng)用研究. 2017(08)
[6]利用交叉推薦模型解決用戶冷啟動(dòng)問題[J]. 朱坤廣,楊達(dá),崔強(qiáng),郝春亮.  計(jì)算機(jī)應(yīng)用與軟件. 2016(05)
[7]基于DNN算法的移動(dòng)視頻推薦策略[J]. 陳亮,汪景福,王娜,李霞.  計(jì)算機(jī)學(xué)報(bào). 2016(08)



本文編號(hào)：3020690