本文關(guān)鍵詞：用戶品牌購買預(yù)測，，由筆耕文化傳播整理發(fā)布。

【摘要】：互聯(lián)網(wǎng)技術(shù)的日益革新,帶領(lǐng)了人們?nèi)粘Ｉ钪懈鱾�領(lǐng)域的發(fā)展。電子商務(wù)這一隨著互聯(lián)網(wǎng)發(fā)展起來的行業(yè)逐漸占據(jù)了人們的生活。十多年來,隨著電子商務(wù)發(fā)展,人們購買方式的不斷變化使得品牌逐漸成為人們與商品之間的紐帶。人們對品牌的依賴和信任度很大程度上會影響用戶的購買意愿,用戶對自己信任的品牌會具有更加強烈的購買欲望。而用戶的歷史行為則是用戶對品牌偏好度的最好展現(xiàn)。本課題研究預(yù)測用戶在未來可能會購買的品牌商品,以達到向用戶推薦其偏好度高的品牌的目的。主要利用用戶對商品歷史交互記錄,并將商品和品牌對應(yīng)起來,構(gòu)造出用戶對品牌的交互行為記錄,在此基礎(chǔ)上進行特征提取與建模,預(yù)測用戶在未來一段時間內(nèi)將要購買的品牌。本文主要內(nèi)容及創(chuàng)新點包括:1.數(shù)據(jù)的分析以及特征提取。描述數(shù)據(jù)來源與數(shù)據(jù)形式。通過對數(shù)據(jù)和業(yè)務(wù)的分析,摒棄并不適用于本課題的研究方法,如協(xié)同過濾,并提出特征提取中的關(guān)鍵因素;詳細描述各特征提取方法與含義,其中包括用戶特征,品牌特征,用戶品牌交互特征。2.基礎(chǔ)模型建立與選擇。通過在提取特征上的研究實驗,選擇適合本課題的模型,剔除不適用模型,最后我們采用點擊率預(yù)估的模型作為用戶品牌購買預(yù)測的基本模型。在此基礎(chǔ)上,進行多種學(xué)習算法的實驗,為后續(xù)研究作準備。3.模型融合。在基礎(chǔ)模型的研究實驗基礎(chǔ)上,挑選合適的基礎(chǔ)模型作為弱學(xué)習器,利用模型融合算法整合各個弱學(xué)習器,達到提高模型預(yù)測能力的效果。
【關(guān)鍵詞】：電子商務(wù) 數(shù)據(jù)挖掘 購買預(yù)測 推薦系統(tǒng) 模型融合
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要3-4
• ABSTRACT4-11
• 第一章 緒論11-19
• 1.1 研究背景11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.2.1 個性化推薦13-14
• 1.2.2 廣告與搜索14-15
• 1.3 研究內(nèi)容15-19
• 1.3.1 問題描述15
• 1.3.2 評估指標15-19
• 第二章 相關(guān)研究工作19-23
• 2.1 協(xié)同過濾19-21
• 2.1.1 協(xié)同過濾定義19
• 2.1.2 基于鄰域的方法19-21
• 2.1.3 基于模型的方法21
• 2.2 點擊率預(yù)估21-22
• 2.3 本章小結(jié)22-23
• 第三章 數(shù)據(jù)分析與特征提取23-33
• 3.1 數(shù)據(jù)分析23-26
• 3.1.1 數(shù)據(jù)源23
• 3.1.2 交互與未交互推薦23-24
• 3.1.3 數(shù)據(jù)時間維度24-26
• 3.2 特征提取26-31
• 3.2.1 用戶特征26-27
• 3.2.2 品牌特征27-29
• 3.2.3 交互特征29-31
• 3.3 本章小結(jié)31-33
• 第四章 模型建立與選擇33-45
• 4.1 數(shù)據(jù)集劃分33-34
• 4.2 分類與回歸34-36
• 4.2.1 分類問題34-36
• 4.2.2 回歸問題36
• 4.3 邏輯斯蒂回歸模型 (Logistic Regression - LR)36-39
• 4.3.1 邏輯斯蒂回歸36-37
• 4.3.2 LR特殊處理37-39
• 4.4 隨機森林模型 (Random Forest - RF)39-41
• 4.4.1 決策樹39-40
• 4.4.2 隨機森林40-41
• 4.5 梯度漸進回歸樹 (Gradient Boost Regression Tree - GBRT)41-43
• 4.5.1 GBRT41-42
• 4.5.2 算法實現(xiàn)42-43
• 4.6 本章小結(jié)43-45
• 第五章 模型融合45-51
• 5.1 模型融合框架45-47
• 5.2 基礎(chǔ)模型選擇47-48
• 5.3 模型融合算法48-49
• 5.4 本章小結(jié)49-51
• 第六章 實驗結(jié)果51-55
• 6.1 基礎(chǔ)模型實驗結(jié)果51-52
• 6.1.1 邏輯斯蒂回歸51-52
• 6.1.2 隨機森林52
• 6.1.3 梯度漸進回歸樹52
• 6.2 模型融合實驗結(jié)果52-53
• 6.3 本章小結(jié)53-55
• 全文總結(jié)55-57
• 參考文獻57-63
• 致謝63-65
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄65-67
• 攻讀學(xué)位期間參與的項目67-69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬少華,高峰,李敏,吳成東;神經(jīng)網(wǎng)絡(luò)分類器的特征提取和優(yōu)選[J];基礎(chǔ)自動化;2000年06期

2 管聰慧,宣國榮;多類問題中的特征提取[J];計算機工程;2002年01期

3 胡威;李建華;陳波;;入侵檢測建模過程中特征提取最優(yōu)化評估[J];計算機工程;2006年12期

4 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識別中的應(yīng)用[J];小型微型計算機系統(tǒng);2007年04期

5 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計算機技術(shù)與發(fā)展;2007年05期

6 馮海亮;王麗;李見為;;一種新的用于人臉識別的特征提取方法[J];計算機科學(xué);2009年06期

7 朱笑榮;楊德運;;基于入侵檢測的特征提取方法[J];計算機應(yīng)用與軟件;2010年06期

8 王菲;白潔;;一種基于非線性特征提取的被動聲納目標識別方法研究[J];軟件導(dǎo)刊;2010年05期

9 陳偉;瞿曉;葛丁飛;;主觀引導(dǎo)特征提取法在光譜識別中的應(yīng)用[J];科技通報;2011年04期

10 王華,李介谷;人臉斜視圖象的特征提取與恢復(fù)[J];上海交通大學(xué)學(xué)報;1997年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學(xué)會年會論文集[C];2005年

9 劉紅;陳光

本文編號：297736