利用電商平臺上的購物歷史數(shù)據(jù)對用戶購買行為進行預(yù)測有助于提升用戶體驗和營銷效果。提出一種基于CNN-LSTM的用戶購買行為預(yù)測模型。使用"分段下采樣"對樣本數(shù)據(jù)進行均衡化處理以獲得購買用戶和未購買用戶均衡樣本;使用CNN-LSTM組合網(wǎng)絡(luò)實現(xiàn)用戶屬性、商品屬性及用戶行為特征的自動抽取與選擇,并以此對用戶購買行為進行預(yù)測。在阿里巴巴移動電商平臺數(shù)據(jù)集的實驗結(jié)果表明,基于CNN-LSTM的預(yù)測模型F1值比基準模型平均提升了7%～11%,使用"分段下采樣"樣本均衡算法F1值提升了2%左右。 

【文章來源】：計算機應(yīng)用與軟件. 2020,37(06)北大核心

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引 言
1 CNN-LSTM購買行為預(yù)測模型
    1.1 預(yù)測模型框架
    1.2 在線交互行為樣本均衡與特征構(gòu)建
        （1） 在線交互行為樣本均衡。
        （2） 在線交互行為特征構(gòu)建。
    1.3 CNN-LSTM組合的購買行為預(yù)測
2 實 驗
    2.1 數(shù)據(jù)集
    2.2 評估指標
    2.3 實驗結(jié)果與分析
        （1） CNN-LSTM模型驗證。
        （2） “分段下采樣”樣本均衡算法驗證。
3 結(jié) 語


【參考文獻】：
期刊論文
[1]基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J]. 張宜浩,朱小飛,徐傳運,董世都.  計算機學(xué)報. 2019(06)
[2]基于卷積-LSTM網(wǎng)絡(luò)的廣告點擊率預(yù)測模型研究[J]. 厙向陽,王邵鵬.  計算機工程與應(yīng)用. 2019(02)
[3]社區(qū)問答網(wǎng)站中問題的刻面組織方法——以知乎網(wǎng)站為例[J]. 何緋娟,郭朝彤,吳蓓,繆相林,劉均.  情報雜志. 2018(03)
[4]基于機器學(xué)習(xí)融合算法的網(wǎng)絡(luò)購買行為預(yù)測研究[J]. 祝歆,劉瀟蔓,陳樹廣,李靜,張?zhí)煊?  統(tǒng)計與信息論壇. 2017(12)
[5]卷積神經(jīng)網(wǎng)絡(luò)特征重要性分析及增強特征選擇模型[J]. 盧泓宇,張敏,劉奕群,馬少平.  軟件學(xué)報. 2017(11)
[6]用戶在線購買預(yù)測:一種基于用戶操作序列和選擇模型的方法[J]. 曾憲宇,劉淇,趙洪科,徐童,王怡君,陳恩紅.  計算機研究與發(fā)展. 2016(08)

碩士論文
[1]基于機器學(xué)習(xí)的商品購買行為預(yù)測模型設(shè)計[D]. 周成驥.廣州大學(xué) 2018



本文編號：3160151