基于阿里巴巴大數(shù)據(jù)重復(fù)購(gòu)買預(yù)測(cè)的實(shí)證研究

王克利　鄧飛其

【摘要】淘寶網(wǎng)站能夠收集到海量用戶的購(gòu)物行為日志，它使得掌握用戶的購(gòu)物偏好成為了可能。盡管用戶的購(gòu)買模式具有高度的多樣性和自由性，但是周期性的購(gòu)買是非常頻繁的現(xiàn)象。因此尋找用戶的周期行為對(duì)了解用戶對(duì)商戶的偏好非常重要。本文基于2017年阿里巴巴競(jìng)賽所獲得的數(shù)據(jù)，從海量的購(gòu)物行為數(shù)據(jù)中挖掘了用戶特征、商戶特征和用戶-商戶特征，對(duì)尋常情境下新用戶未來(lái)在同一家店鋪再次購(gòu)買行為的預(yù)測(cè)進(jìn)行了研究。此外，針對(duì)訓(xùn)練數(shù)據(jù)中類別及不平衡的問(wèn)題，提出隨機(jī)抽樣并賦予各類別不同權(quán)重相結(jié)合的策略，并基于該策略將訓(xùn)練樣本劃分為6組，分別用SVM與隨機(jī)森林訓(xùn)練多個(gè)預(yù)測(cè)模型。最后，通過(guò)集成將這多個(gè)預(yù)測(cè)模型共同進(jìn)行預(yù)測(cè)。通過(guò)實(shí)驗(yàn)驗(yàn)證，所提出的組合預(yù)測(cè)方法具有很高的有效性。

【關(guān)鍵詞】組合預(yù)測(cè)方法 SVM模型 隨機(jī)森林 集成學(xué)習(xí) 客戶重復(fù)購(gòu)買

一、引言

隨著人類進(jìn)入信息時(shí)代的步伐加快，電子商務(wù)網(wǎng)站也越來(lái)越流行。截至2017年6月，中國(guó)網(wǎng)民規(guī)模達(dá)7.51億，其中網(wǎng)絡(luò)購(gòu)物用戶規(guī)模達(dá)到5.14億。商家為了發(fā)展忠誠(chéng)的客戶，有時(shí)在特定日期（例如，“雙11（11月11日）”）進(jìn)行大型促銷以吸引大量的新買家，但是許多吸引的買家是一次性的交易獵手，這些促銷活動(dòng)對(duì)銷售可能沒(méi)有長(zhǎng)期的影響，因此為了大大降低促銷成本提高投資回報(bào)率（ROI），商家必須確定誰(shuí)可以轉(zhuǎn)化為重復(fù)的買家。本文基于424170個(gè)不同的用戶、4995個(gè)不同的商戶從某年5月11日到11月12日在天貓的約5000萬(wàn)條海量行為日志，建立用戶的商戶偏好，進(jìn)行商戶篩選并預(yù)測(cè)他們?cè)谖磥?lái)6個(gè)月內(nèi)再次在同一個(gè)商戶的購(gòu)買行為。

傳統(tǒng)的用戶興趣度估計(jì)方法有：王微微等結(jié)合用戶的瀏覽內(nèi)容，采用期望最大化算法實(shí)現(xiàn)用戶聚類，將用戶劃分到對(duì)應(yīng)的簇，創(chuàng)建用戶的興趣度模型。但是聚類可能收斂到局部最小值，在大規(guī)模的數(shù)據(jù)集上收斂的較慢，而且運(yùn)用期望不能準(zhǔn)確的預(yù)測(cè)用戶的重復(fù)購(gòu)買行為。

本文根據(jù)用戶對(duì)商戶的行為數(shù)據(jù)進(jìn)行研究，提取了用戶對(duì)商戶的重要行為特征。根據(jù)這些特征，我們分別基于隨機(jī)森林和SVM構(gòu)造了分類模型。對(duì)新用戶未來(lái)六個(gè)月內(nèi)是否會(huì)再購(gòu)買該商戶的商品進(jìn)行預(yù)測(cè)，并實(shí)現(xiàn)了理想的預(yù)測(cè)結(jié)果。經(jīng)研究發(fā)現(xiàn)，對(duì)于用戶海量購(gòu)物行為數(shù)據(jù)，若提取重要的特征信息，對(duì)于準(zhǔn)確預(yù)測(cè)該用戶的行為取向具有重要的現(xiàn)實(shí)意義。針對(duì)訓(xùn)練數(shù)據(jù)中類別及不平衡的問(wèn)題，我們對(duì)負(fù)樣本進(jìn)行隨機(jī)欠采樣，對(duì)正樣本進(jìn)行隨機(jī)過(guò)采樣。最后，通過(guò)集成將這多個(gè)預(yù)測(cè)模型共同進(jìn)行預(yù)測(cè)如圖1所示：

二、模型算法

（一）SVM原理介紹

支持向量機(jī)的主要理念可以概括為兩點(diǎn)：第一，通過(guò)學(xué)習(xí)尋找最優(yōu)的分割超平面使得兩類之間的分割距離最大；第二，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的理論去特征空間中找最優(yōu)的超平面。當(dāng)支持向量機(jī)用于解決非線性問(wèn)題時(shí)，這個(gè)方法是通過(guò)非線性映射將樣本空間映射到高維空間中或是無(wú)限維度的特征空間以至線性支持向量機(jī)的方法可用于求解非線性樣本空間中的分類問(wèn)題。從樣本空間到特征空間的非線性映射如圖2。

（二）隨機(jī)森林原理

訓(xùn)練過(guò)程是從樹(shù)根節(jié)點(diǎn)開(kāi)始，遞歸學(xué)習(xí)最優(yōu)的分裂函數(shù)來(lái)劃分該節(jié)點(diǎn)上的樣本，使得新生成的孩子節(jié)點(diǎn)上樣本純度不斷增加，直到滿足下列條件之一：（a）達(dá)到樹(shù)生成的最大深度；（b）節(jié)點(diǎn)樣本純度達(dá)到要求；（c）節(jié)點(diǎn)上樣本數(shù)目達(dá)到最小值。因此可使用該模型進(jìn)行分類預(yù)測(cè)。

（三）集成原理

集成學(xué)習(xí)通過(guò)將多個(gè)分類器進(jìn)行結(jié)合，獲得比單一分類器顯著優(yōu)越的泛化性能。為了使集成的分類器獲得盡可能好的性能，應(yīng)該使單個(gè)分類器間盡可能呈現(xiàn)多樣性。為獲取分類器的多樣性，我們的工作主要從三個(gè)方面進(jìn)行：

第一，使用不完全相同的訓(xùn)練樣本訓(xùn)練分類器；

第二，使用不同的分類器模型進(jìn)行訓(xùn)練，我們選擇SVM和隨機(jī)森林這兩類優(yōu)秀的分類器；

第三，設(shè)置分類器不同的參數(shù)進(jìn)行訓(xùn)練。具體而言，我們將訓(xùn)練3個(gè)SVM模型和3個(gè)隨機(jī)森林模型，并且每一個(gè)模型所設(shè)置的參數(shù)都不一致。在預(yù)測(cè)階段，我們將每個(gè)分類器的輸出值進(jìn)行簡(jiǎn)單評(píng)價(jià)獲得最終的預(yù)測(cè)結(jié)果。

三、實(shí)證分析

阿里巴巴大數(shù)據(jù)競(jìng)賽是阿里巴巴集團(tuán)主辦，在阿里巴巴大數(shù)據(jù)科研平臺(tái)—“天池”上開(kāi)展的基于“天貓”（購(gòu)物網(wǎng)站）海量真實(shí)用戶訪問(wèn)數(shù)據(jù)的Repeat Buyers Prediction-Challenge the Baseline大賽。阿里巴巴大數(shù)據(jù)競(jìng)賽官方提供了某年5月到11月天貓部分購(gòu)物行為數(shù)據(jù)。在競(jìng)賽官方網(wǎng)站上提供的數(shù)據(jù)有9類，分別為用戶ID、商品ID、類別ID、商戶ID、品牌ID、用戶年齡、用戶性別、用戶對(duì)商戶的行為和操作時(shí)間。

其中，用戶對(duì)商戶行為類型包括點(diǎn)擊、加入購(gòu)物車、購(gòu)買和收藏4種。操作時(shí)間隱藏了年份但精確到了天的級(jí)別。每個(gè)商品ID僅限一家商戶所用。每個(gè)用戶ID對(duì)于相應(yīng)商戶都是新用戶。

（一）數(shù)據(jù)清洗及歸一化處理

在實(shí)驗(yàn)之前，需要對(duì)數(shù)據(jù)進(jìn)行清洗，使之有效。通過(guò)分析，我們對(duì)異常值做了處理：在所給數(shù)據(jù)中，我們將空值和記錄為NULL的值記為異常值。這種情況分別出現(xiàn)在用戶的年齡和性別中，為了提高預(yù)測(cè)的準(zhǔn)確性我們分別用年齡的平均值與性別的平均值來(lái)代替年齡與性別中的異常值。

選取的特征在尺度上可能存在很大的差別。假設(shè)特征向量由兩個(gè)解釋變量構(gòu)成，第一個(gè)變量值范圍[0，1]，第二個(gè)變量值范圍[0，1000000]，這時(shí)就要把第二個(gè)變量的值調(diào)整為[0，1]，這樣才能保證數(shù)據(jù)是單位方差。如果變量特征值的量級(jí)比其他特征值的方差還大，這個(gè)特征值就會(huì)主導(dǎo)學(xué)習(xí)算法的方向，導(dǎo)致其它變量的影響被忽略。通過(guò)對(duì)所選特征的統(tǒng)計(jì)分析，我們計(jì)算了所有訓(xùn)練集中每一維特征的均值（圖4）和標(biāo)準(zhǔn)差（圖5），因?yàn)閿?shù)量級(jí)差別較大，為方便視圖我們?nèi)×藢?duì)數(shù)來(lái)作圖。

由圖5可知，這些維度特征的數(shù)量級(jí)差別較大。為了使分類器的訓(xùn)練更加穩(wěn)定有效，我們對(duì)每一維特征都進(jìn)行了標(biāo)準(zhǔn)化處理，將其歸一化至“0”均值和“1”方差的分布。endprint

（二）處理類別不平衡

為解決訓(xùn)練樣本類別不平衡的問(wèn)題，研究者們過(guò)去進(jìn)行了大量的工作，主要可以概括為四個(gè)方面：

第一，對(duì)大類別的樣本數(shù)據(jù)采用欠采樣的策略，減少大類別的樣本數(shù)量，使得各個(gè)類別的樣本數(shù)量均衡。

第二，使用一些策略人工生成一些小類別的樣本數(shù)據(jù)。

第三，為各類樣本賦予不同的權(quán)重值，對(duì)大類賦予較小的權(quán)重，而對(duì)于小類則賦予較大的權(quán)重，使得類別在分布上達(dá)到平衡。

第四，對(duì)小類別樣本數(shù)據(jù)進(jìn)行重復(fù)采樣以增加小類別的樣本數(shù)量。

其中第一中的方法不失為一種簡(jiǎn)潔的策略，但是會(huì)造成樣本的極大浪費(fèi)。而第二中的方法通過(guò)人工生成樣本數(shù)據(jù)在一些情況下生成的數(shù)據(jù)真實(shí)可靠性有待評(píng)估，甚至在某些情況人工生成的樣本反而導(dǎo)致系統(tǒng)最終性能的下降。為不浪費(fèi)寶貴的訓(xùn)練數(shù)據(jù)，充分發(fā)揮數(shù)據(jù)本身的價(jià)值。我們結(jié)合第二與第三中的方法，先對(duì)各類別的樣本以不同的采樣系數(shù)進(jìn)行隨機(jī)抽樣，獲得6組訓(xùn)練集，然后對(duì)每組訓(xùn)練集中不同的類別賦予不同的權(quán)重系數(shù)。然后使用這6組訓(xùn)練集訓(xùn)練不同的分類器。在預(yù)測(cè)階段，平均各個(gè)分類器的預(yù)測(cè)值獲得最終的預(yù)測(cè)。使用這種策略有兩個(gè)好處：一方面可以很好解決類別不平衡的問(wèn)題，不至于浪費(fèi)樣本；另一方面，我們將訓(xùn)練樣本分成多組不同訓(xùn)練集訓(xùn)練分類器，可以使得各分類器間的多樣性更加豐富，最終使集成更加有效。

（三）特征分析

為分析用戶成為某一商店忠實(shí)客戶的概率，我們所選取的特征分為如下三類：基于用戶的特征、基于商戶的特征與基于用戶-商戶之間的特征。統(tǒng)計(jì)基于用戶的特征主要目的是分析用戶自身的偏好及購(gòu)物習(xí)慣；統(tǒng)計(jì)基于商戶的特征主要目的是分析商戶在當(dāng)前市場(chǎng)的受歡迎程度及商戶自身對(duì)忠實(shí)用戶的吸引力；統(tǒng)計(jì)用戶-商戶之間的特征主要目的是分析給定用戶及商戶之間所形成的關(guān)系，以得到更好的預(yù)測(cè)效果。具體提取的特征如表1：

（四）實(shí)驗(yàn)結(jié)果分析

我們所獲取的淘寶用戶行為記錄數(shù)據(jù)由天池競(jìng)賽平臺(tái)發(fā)布，其中帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)中包括20萬(wàn)的負(fù)樣本和2萬(wàn)的正樣本。我們使用其中的10萬(wàn)負(fù)樣本和1萬(wàn)正樣本用于模型的訓(xùn)練，總共分成6組訓(xùn)練集訓(xùn)練6個(gè)分類器模型，而剩余的樣本用于評(píng)估所訓(xùn)練的分類器的預(yù)測(cè)性能。

基于表1所列的特征，我們分別訓(xùn)練了SVM和隨機(jī)森林預(yù)測(cè)模型，將未來(lái)半年新用戶是否會(huì)再次在同一家商戶購(gòu)買的問(wèn)題轉(zhuǎn)化為一個(gè)樣本分類的問(wèn)題，這樣可以運(yùn)用機(jī)器學(xué)習(xí)的分類算法來(lái)預(yù)測(cè)未來(lái)的購(gòu)買行為，最后運(yùn)用集成將分類器的效果組合起來(lái)。

我們使用AUC來(lái)作為預(yù)測(cè)精度的指標(biāo)。統(tǒng)計(jì)一下所有的 M×N（M為正類樣本的數(shù)目，N為負(fù)類樣本的數(shù)目）個(gè)正負(fù)樣本對(duì)中，有多少個(gè)組中的正樣本的score大于負(fù)樣本的score。當(dāng)二元組中正負(fù)樣本的score相等的時(shí)候，按照0.5計(jì)算，然后除以MN。實(shí)現(xiàn)這個(gè)方法的復(fù)雜度為O（n^2），n為樣本數(shù)（即n=M+N）。

從實(shí)驗(yàn)結(jié)果中可以觀察到，在單個(gè)分類器的情形下，使用我們的特征基本可以獲得0.64的分?jǐn)?shù)。如果使用我們的采樣策略訓(xùn)練分類器，結(jié)合多個(gè)分類器的輸出，可以進(jìn)一步大幅提升預(yù)測(cè)結(jié)果的準(zhǔn)確性。

我們使用AUC作為模型的性能評(píng)價(jià)指標(biāo)，各模型的AUC分?jǐn)?shù)如表2所示：

由上表可知：SVM模型的精度要高于隨機(jī)森林模型的精度，但運(yùn)用集成將兩種模型組合起來(lái)的精度更高，效果更好。根據(jù)以上信息可知，我們能夠有效的根據(jù)用戶的偏好進(jìn)行再次購(gòu)買行為的預(yù)測(cè)。

四、結(jié)束語(yǔ)

本文基于2017年阿里巴巴大數(shù)據(jù)競(jìng)賽，在所給數(shù)據(jù)中研究用戶及商戶的特點(diǎn)，并從中提取有效特征，得出了預(yù)測(cè)用戶未來(lái)購(gòu)買商戶的有效辦法。正確管理和利用這部分大數(shù)據(jù)基礎(chǔ)將為企業(yè)帶來(lái)豐厚利潤(rùn)。運(yùn)用大數(shù)據(jù)營(yíng)銷，還可以有效幫助企業(yè)進(jìn)行市場(chǎng)預(yù)測(cè)，及時(shí)發(fā)現(xiàn)市場(chǎng)機(jī)會(huì)、加快業(yè)務(wù)決策。該研究有助于在海量數(shù)據(jù)交易下商戶對(duì)電子用戶行為的把握，對(duì)商家大大降低促銷成本，提高投資回報(bào)率（ROI）具有重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1]中國(guó)互聯(lián)網(wǎng)信息中心.第40次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[EB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708 /t20170803_69444.htm，2017-08-03.

[2]中國(guó)產(chǎn)業(yè)信息中心.2017年中國(guó)網(wǎng)絡(luò)購(gòu)物應(yīng)用行業(yè)用戶規(guī)模及使用率走勢(shì)分析[EB/OL].http：//www.chyxx.com/industry/201708/ 549105.html，2017-08-09.

[3]王微微，夏秀峰，李曉明.一種基于用戶行為的興趣度模型[J].計(jì)算機(jī)工程與應(yīng)用，2012，（08）：148-151+199.

[4]Liu Z，Lv X，Liu K，etal.Study on SVM compared with the other text classification methods[C]//Education Technology and Computer Science （ETCS），2010 Second International Workshop on.IEEE，2010：219-222.

[5]Shi J，Lee W J，Liu Y，etal.Forecasting power output of photovoltaic systems based on weather classification and support vector machines[J].IEEE Transactions on Industry Applications，2012，48（3）：1064-1069.

[6]Lin J Y，Cheng C T，Chau K W.Using support vectormachines for longterm discharge prediction[J].Hydrological Sciences Journal，2006，51（4）：599-612.endprint

[7]Cui W，Yan X.Adaptive weighted least square support vector machine regression integrated with outlier detection and its application in QSAR[J].Chemometrics and Intelligent Laboratory Systems，2009，98（2）：130-135.

[8]Li P，Xu S.Support vector machine and kernel function characteristic analysis in pattern recognition[J].Computer Engineering and Design，2005，26（2）：302-304.

[9]Yongyi Chen，Xiaoding Yu，Xuehao Gao，Hanzhong Feng.A New Method For Non-Linear Classify And Non-Linear Regression：Introduction To Support VectorMachine[J].Quarterly Journal of Applied Meteorology，2004，15（03）：345-354.

[10]Xiaodan Wang，Jiqin Wang.Research and Application of Support Vector Machine[J].Journal of Air Force Engineering University（Natural Science Edition），2004，5（03）：49-55.

[11]Liaw A，Wiener M.Classification and regressionby random Forest[J].R news，2002，2（3）：18-22.

[12]Biau G，Devroye L.On the layered nearest neighbor estimate，the bagged nearest neighbour estimateand the random forest method in regression and classification[J].Journal of Multivariate Analysis，2010，101（10）：2499-2518.

[13]Immitzer M，Atzberger C，Koukal T.Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data[J].Remote Sensing，2012，4（9）：2661-2693.

[14]Jiang P，Wu H，Wang W，etal.MiPred：classification of real and pseudo microRNA precursors using random forest prediction model with combined features[J].Nucleic acids research，2007，35（suppl_2）：W339-W344.

[15]Shi T，Seligson D，Belldegrun A S，etal.Tumor classification by tissue microarray profiling：random forest clustering applied to renal cell carcinoma[J].Modern Pathology，2005，18（4）：547.

[16]Dietterich T G.Ensemble methods in machine learning[C]//International workshop on multiple classifier systems.Springer Berlin Heidelberg，2000：1-15.

[17]Yen S J，Lee Y S.Cluster-based under-sampling approaches for imbalanced data distributions[J].Expert Systems with Applications，2009，36（3）：5718-5727.

[18]Huang J，Ling C X.Using AUC and accuracy in evaluating learning algorithms[J].IEEE Transactions on knowledge and Data Engineering，2005，17（3）：299-310.

作者簡(jiǎn)介：王克利（1991-），女，漢族，河南平頂山，華南理工大學(xué)碩士研究生，研究方向：數(shù)據(jù)挖掘；鄧飛其（1962-），男，教授，博士生導(dǎo)師，研究方向：隨機(jī)系統(tǒng)建模、分析與控制理論。endprint