CN107392644-CN201710464566-一种商品购买预测建模方法.pdfVIP

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 107392644 A (43)申请公布日 2017.11.24 (21)申请号 201710464566.3 (22)申请日 2017.06.19 (71)申请人 华南理工大学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 李拥军　邱双旭　林浩　 (74)专利代理机构 广州市华学知识产权代理有 限公司 44245 代理人 许菲菲 (51)Int.Cl. G06Q 30/02(2012.01) G06N 99/00(2010.01) 权利要求书1页 说明书5页 (54)发明名称 一种商品购买预测建模方法 (57)摘要 本发明公开了一种商品购买预测建模方法。 该方法包括用购买记录标记训练样本，预测购买 与否；滑动窗口商品购买样本构造；基于时间偏 好的商品购买特征设计；梯度提升决策树算法训 练预测；构造好样本与特征之后，要进行特征处 理与选取的工作，再输入到梯度提升决策树算法 中进行训练预测；特征选取的指标包括特征值分 布与相关性、特征信息增益大小、特征调用频率、 特征敲除的影响等。综合这些指标对特征重要性 进行排序，剔除重要度低的冗余特征。本发明提 出滑动窗口样本构造方法和基于时间偏好的特 征体系，有效提升商品购买预测模型的准确性， A 用于解决大数据背景下商品个性化推荐问题，为 4 用户在合适的时间、合适的地点精准推荐合适的 4 6 2 商品。 9 3 7 0 1 N C CN 107392644 A 权　利　要　求　书 1/1页 1.一种商品购买预测建模方法，其特征体在于包括如下步骤： 1)用购买记录标记训练样本，预测购买与否，结果为1代表购买，为0则代表不购买； 2)滑动窗口商品购买样本构造； 3)基于时间偏好的商品购买特征设计；遵循时间偏好规则：近期频繁做某件事情，就越 有可能在下次继续；通过User‐Item特征、User特征、Item特征、Category特征、User‐ Category特征和Cross特征6大类特征描述用户对商品的购买行为；在6大类特征的基础上， 从8个维度进行特征的提取；所述8个维度分别是计数、比值、Flag、排序、时间间隔、时间层 级、规则和地理位置； 4)梯度提升决策树算法训练预测；构造好样本与特征之后，要进行特征处理与选取的 工作，再输入到梯度提升决策树算法中进行训练预测；特征选取的指标包括特征值分布与 相关性、特征信息增益大小、特征调用频率、特征敲除的影响；综合这些指标对特征重要性 进行排序，剔除重要度低的冗余特征。 2.根据权利要求1所述的商品购买预测建模方法，其特征体在于，所述用购买记录标记 训练样本采用交叉验证法将数据样本切割成较小子集，分别在不同的子集上做训练与验 证，进行优化。 3.根据权利要求1所述的商品购买预测建模方法，其特征体在于，所述滑动窗口商品购 买样本构造是将时间轴分成两个部分，一部分刻画用户的历史行为，另一部分刻画类别标 签，往时间节点前面滑动，充分利用历史信息，产生不同时间节点样本输入到模型，使模型 鲁棒性更好。 4.根据权利要求1所述的商品购买预测建模方法，其特征体在于，所述User-Item特征 为用户-商品特征，描述用户对商品的行为，主要刻画用户对商品的喜好程度；所述User特 征为用户特征，描述用户自身属性，主要刻画用户的活跃度、购买力；所述Item特征为商品 特征，描述商品自身属性，主要刻画商品的销量、受欢迎程度；所述Catego