基于非线性模型平均法对网购平台用户价值的研究.pdf

哈尔滨工业大学应用统计硕士专业学位论文

摘要

目前，随着互联网技术的迅速发展，在进行营销活动时电子商务平台更加

看重用户之间的差别，其主要基于用户价值做精准营销，期望高价值用户得到

更好的购物体验，吸引其加大购物力度。随着平台所收集的数据越来越繁杂，众

多学者开始采用机器学习技术来构建模型，对用户价值进行研究。本文针对用

户价值聚类问题，融合了K-means++算法简洁高效的优点和DBSCAN不易受噪

声值影响的优点，提出了一种新的双阶段聚类模型。针对用户购买行为预测问

题，基于非线性模型平均法融合了AdaBoost、GBDT和XGBoost模型，构建了

一种新的用户购买行为预测模型。本文在淘宝用户购物数据集和京东用户购物

数据集上对模型进行了实证分析。

本文在两个公开数据集上进行用户价值聚类研究，提出了一种双阶段聚类

模型。首先从画像信息、RFM信息、商品信息、日志信息、评价信息五个维度

进行特征扩展；其次针对扩展特征使用PCA方法进行降维；最后将降维后的数

据输入本文模型，聚类为三个类别，即高黏性高价值用户，高黏性中价值用户，

低黏性低价值用户。针对聚类结果，从轮廓系数、DB指数和CH指数来看，对

比K-measn、K-means++、DBSCAN模型均是本文模型表现最优，从业务角度分

析，中高价值用户以不足50%的人数贡献了超过85%的购买金额，符合实际业

务。

本文在两个公开数据集上进行用户购买行为研究，提出了一种基于非线性

模型平均法的用户购买行为预测模型。首先基于聚类结果结合扩展特征，输入

到AdaBOost、GBDT、XGBoost模型；其次基于非线性模型平均法对三种机器学

习模型做模型融合得到本文模型；最后从短期(7天内是否购物)和中期(30天

内是否购物)两个角度进行预测对比。实证分析结果表明，从准确率、精准率、

召回率、F1值、AUC值和ROC曲线六个评估指标来看，均是本文模型更优。

关键词：非线性模型平均法；用户价值研究；双阶段聚类模型；用户购买行为

预测

-I-

哈尔滨工业大学应用统计硕士专业学位论文

Abstract

Withtherapiddevelopmentofinternettechnology,ecommerceplatformshavebe-

comeincreasinglyattentivetothedifferencesbetweenusersintheirmarketingstrategies.

Theseplatformsarenowemphasizingprecisemarketingbasedonuservalue,withthegoal

ofprovidinghigh-valueuserswithabettershoppingexperienceandenticingthemtomake

morepurchases.Astheplatformcollectsincreasinglycomplexdata,manyresearchers

areturningtomachinelearningtechnologytobuildmodelsandstudyuservalue.This

paperproposesanewtwo-stageclusteringmodelforuservalueclusteringthatcombines

theadvantagesoftheK-means++algorithm’ssimplicityandefficiencywiththeDBSCAN

algorithm’snoisesusceptibility.Additionally,anewuserpurchasebehaviorprediction

modelisconstructedusingthenonlinear