基于異源集成算法的用戶購(gòu)買(mǎi)行為預(yù)測(cè)分析

陳靜靜

（阿里巴巴集團(tuán)控股有限公司 浙江省杭州市 311121）

在電子商務(wù)時(shí)代背景下，互聯(lián)網(wǎng)與物聯(lián)網(wǎng)得到了廣泛地普及，越來(lái)越多的人習(xí)慣在網(wǎng)上進(jìn)行購(gòu)物，在此背景下，更好地了解用戶的購(gòu)物偏好，成為了電商為用戶提供精準(zhǔn)服務(wù)、提升自身經(jīng)濟(jì)效益的重要舉措。現(xiàn)階段，為了更好地滿足電商的發(fā)展需要，以異源集成算法為基礎(chǔ)，對(duì)用戶的購(gòu)買(mǎi)行為加以分析，成為了一項(xiàng)極為必要的舉措。

1 預(yù)測(cè)分析用戶購(gòu)買(mǎi)行為的意義

電子商務(wù)在中國(guó)發(fā)展二十余年，中國(guó)的電子商務(wù)占全球互聯(lián)網(wǎng)零售總額的50%以上，但并沒(méi)有止步于此，目前中國(guó)電子商務(wù)的發(fā)展速度仍快于其他地區(qū)。電商上市公司數(shù)量不斷增加，電商平臺(tái)商品種類越發(fā)豐富，切實(shí)滿足了人們的產(chǎn)品消費(fèi)需要，這一情況的出現(xiàn)很可能增大用戶商品購(gòu)買(mǎi)的倦怠感，進(jìn)而降低商品的成交率。現(xiàn)階段，為切實(shí)解決上述問(wèn)題，電商平臺(tái)方面可以通過(guò)合理應(yīng)用異源集成算法，對(duì)用戶購(gòu)買(mǎi)行為數(shù)據(jù)進(jìn)行調(diào)查分析，對(duì)用戶的購(gòu)買(mǎi)習(xí)慣進(jìn)行合理預(yù)測(cè)，并借助平臺(tái)，自動(dòng)為用戶推薦符合用戶使用需要的商品的方式，進(jìn)一步加快用戶搜尋所需商品的速度，在提升用戶購(gòu)物體驗(yàn)的同時(shí)，提高了電商平臺(tái)的商品轉(zhuǎn)化率，從而為電商企業(yè)長(zhǎng)期穩(wěn)定發(fā)展提供有效的支持。

2 預(yù)測(cè)分析用戶購(gòu)買(mǎi)行為的方法

對(duì)于當(dāng)前的電商行業(yè)來(lái)說(shuō)，預(yù)測(cè)是為用戶提供商品推薦的基礎(chǔ)。近年來(lái)，隨著信息技術(shù)的飛速發(fā)展，電商平臺(tái)可以應(yīng)用異源集成算法對(duì)用戶的歷史購(gòu)買(mǎi)行為進(jìn)行挖掘與分析，找出用戶的購(gòu)買(mǎi)行為特征、消費(fèi)偏好，總結(jié)用戶的行為發(fā)生規(guī)律，并以此為基礎(chǔ)對(duì)用戶未來(lái)的購(gòu)買(mǎi)行為加以預(yù)測(cè)，為商品的精準(zhǔn)推送、營(yíng)銷提供可靠的依據(jù)，從而達(dá)到切實(shí)提升平臺(tái)服務(wù)質(zhì)量的目的。

2.1 機(jī)器學(xué)習(xí)算法

在當(dāng)前的用戶購(gòu)買(mǎi)行為預(yù)測(cè)分析過(guò)程中，機(jī)器學(xué)習(xí)算法理論得到了廣泛的應(yīng)用，并且相較于用戶購(gòu)物行為預(yù)測(cè)算法，機(jī)器學(xué)習(xí)算法可以有效提升用戶購(gòu)物行為預(yù)測(cè)的準(zhǔn)確度。

2.1.1 邏輯回歸

2.1.2 支持向量機(jī)

表1： 2017 年12 月-2021 年12 月我國(guó)網(wǎng)購(gòu)用戶規(guī)模及使用情況

2.1.3 隨機(jī)森林

隨機(jī)森林算法是一種以決策樹(shù)作為基本單元的算法，在實(shí)際應(yīng)用過(guò)程中，利用集成學(xué)的思想對(duì)多個(gè)相互不存在關(guān)聯(lián)性的樹(shù)進(jìn)行集成，在新樣本進(jìn)入隨機(jī)森林時(shí)，每棵樹(shù)都會(huì)與樣本進(jìn)行比對(duì)，并應(yīng)用集合策略對(duì)最終結(jié)果加以預(yù)測(cè)。現(xiàn)階段，隨機(jī)森林算法較為常用的場(chǎng)景包括判斷用戶是否存在購(gòu)買(mǎi)行為、用戶下次購(gòu)買(mǎi)商品的日期歸屬等。在隨機(jī)森林算法構(gòu)建時(shí)，首先要以原始訓(xùn)練樣本集N 誒基礎(chǔ)，利用自助法，隨機(jī)從N 中有放回的選取n 個(gè)樣本，并將這n 個(gè)樣本做成一個(gè)新的訓(xùn)練集；其次，從樣本所有特征中隨機(jī)選取K 個(gè)特征值，并以決策樹(shù)學(xué)習(xí)算法為基礎(chǔ)，從K 中計(jì)算、選擇出最優(yōu)化分特征，使之行為新的決策樹(shù)；最后，重復(fù)上述兩個(gè)步驟m 次，生成由m 棵決策樹(shù)構(gòu)成的隨機(jī)森林。

2.1.4 梯度提升決策樹(shù)

2.1.5 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)算，是由深度卷積計(jì)算以及具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)共同組成的，在實(shí)際應(yīng)用過(guò)程中，這一算法區(qū)別于輸入層與隱藏層全連接的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，可以通過(guò)引入卷積層與池化層的方式，實(shí)現(xiàn)特征的自我選擇，同時(shí)該卷積神經(jīng)網(wǎng)絡(luò)可以通過(guò)局部連接的神經(jīng)元、下采樣技術(shù)、權(quán)值共享技術(shù)簡(jiǎn)化網(wǎng)絡(luò)系統(tǒng)，提升算法訓(xùn)練的性能。

2.1.6 深度森林2017 年，深度森林這一概念被首次提出，同時(shí)提出了以隨機(jī)森林微積分類器的多粒度級(jí)聯(lián)森林深度樹(shù)集成方法，并且這一算法與一些和深度神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)的領(lǐng)域表現(xiàn)出了較強(qiáng)的分類性能。在實(shí)際應(yīng)用過(guò)程中，深度森林算法的成功離不開(kāi)神經(jīng)網(wǎng)絡(luò)逐層處理、內(nèi)部變化存在特征、復(fù)雜度足夠這三大特點(diǎn)。

2.2 基于時(shí)間滑窗的特征構(gòu)建

2.2.1 數(shù)據(jù)介紹

對(duì)于電商平臺(tái)來(lái)說(shuō)，用戶購(gòu)買(mǎi)行為數(shù)據(jù)預(yù)測(cè)的真實(shí)性、數(shù)據(jù)量的大小與預(yù)測(cè)評(píng)估模型質(zhì)量之間存在著直接的聯(lián)系，真實(shí)的數(shù)據(jù)集可以有效提升模型的質(zhì)量，強(qiáng)化模型的說(shuō)服力，并且在模型構(gòu)建過(guò)程中獲取的數(shù)據(jù)量與模型的穩(wěn)定性之間存在著正比例關(guān)系。本文在進(jìn)行用戶購(gòu)買(mǎi)行為數(shù)據(jù)預(yù)測(cè)模型設(shè)計(jì)時(shí)，以京東平臺(tái)的真實(shí)用戶歷史行為數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)集，該數(shù)據(jù)集可以被分成商品基本信息表，用戶基本信息表，用戶行為表，用戶訂單表，評(píng)論分?jǐn)?shù)數(shù)據(jù)表這五個(gè)數(shù)據(jù)表，并且在進(jìn)行平臺(tái)模型構(gòu)建過(guò)程中，為避免用戶隱私的泄露，可以用User_ID 表示用戶標(biāo)識(shí)、sku_ID 表示商品標(biāo)識(shí)、用o_ID 表示下單標(biāo)識(shí)。

2.2.2 數(shù)據(jù)分析

對(duì)用戶的購(gòu)買(mǎi)行為進(jìn)行分析，可以發(fā)現(xiàn)在電商平臺(tái)挑選貨品時(shí)，大部分用戶會(huì)先使用平臺(tái)的搜索功能，找出與自身所需購(gòu)買(mǎi)的商品，并瀏覽平臺(tái)頁(yè)面上展示出的不同品牌、不同規(guī)格、不同價(jià)格的商品，然后對(duì)商品的性價(jià)比加以比較，同時(shí)，在商品比較挑選的過(guò)程中，用戶會(huì)產(chǎn)生諸如將商品加入購(gòu)物車、瀏覽商品用戶評(píng)價(jià)等一系列的操作行為。對(duì)當(dāng)前電商平臺(tái)用戶行為進(jìn)行收集比較后可以發(fā)現(xiàn)，用戶的采購(gòu)習(xí)慣之間存在著一定的差異性，比方說(shuō)，部分用戶要達(dá)到一定的瀏覽次數(shù)后才會(huì)產(chǎn)生購(gòu)買(mǎi)行為，也有部分用戶習(xí)慣先對(duì)心儀物品進(jìn)行關(guān)注，然后在關(guān)注列表中對(duì)這些商品進(jìn)行進(jìn)一步的分析與購(gòu)買(mǎi)。在當(dāng)前的用戶購(gòu)買(mǎi)行為預(yù)測(cè)過(guò)程中，可以通過(guò)可視化分析的方式對(duì)用戶的購(gòu)買(mǎi)習(xí)慣進(jìn)行收集與整理，從中挖掘出用戶的購(gòu)買(mǎi)規(guī)律與購(gòu)買(mǎi)偏好，從而使用戶購(gòu)買(mǎi)行為預(yù)測(cè)模型的構(gòu)建更有針對(duì)性，也更全面。若用購(gòu)買(mǎi)行為的稀疏度表示用戶在過(guò)去一年內(nèi)的購(gòu)買(mǎi)次數(shù)；用戶的活躍度以及行為的重密度表示用戶瀏覽行為的發(fā)生次數(shù)，那么在某段時(shí)間內(nèi)，京東平臺(tái)上購(gòu)買(mǎi)次數(shù)在六次以內(nèi)的用戶數(shù)占比接近70%，用戶瀏覽關(guān)注行為在60次以內(nèi)的用戶數(shù)超過(guò)了七萬(wàn)人，用戶占比超過(guò)了70%，上述數(shù)據(jù)表示，當(dāng)前大部分電商平臺(tái)用戶瀏覽、關(guān)注、購(gòu)買(mǎi)的歷史行為數(shù)相對(duì)較少，數(shù)據(jù)集在整體上表現(xiàn)較為稀疏。同時(shí)用戶對(duì)牙膏、牙刷、衛(wèi)生紙等日用品類的商品購(gòu)買(mǎi)行為存在一定的規(guī)律性，從理論上講，一個(gè)用戶兩次購(gòu)買(mǎi)行為的時(shí)間差，大多在某一時(shí)間范圍內(nèi)，對(duì)用戶購(gòu)買(mǎi)同類商品的持續(xù)規(guī)律進(jìn)行準(zhǔn)確分析，計(jì)算出用戶購(gòu)買(mǎi)該類商品的間隔時(shí)間，可以為后續(xù)產(chǎn)品的推送、銷售工作的順利推進(jìn)提供有效的支持。同樣對(duì)某段時(shí)間內(nèi)京東平臺(tái)上用戶購(gòu)買(mǎi)行為的平均時(shí)間間隔進(jìn)行分析可以發(fā)現(xiàn)，若用戶瀏覽或關(guān)注某商品的時(shí)長(zhǎng)小于20d，那么用戶購(gòu)買(mǎi)行為出現(xiàn)的可能性相對(duì)較高，若關(guān)注或?yàn)g覽的時(shí)長(zhǎng)在30-90d 內(nèi)，那么用戶購(gòu)買(mǎi)該商品的可能性與時(shí)間長(zhǎng)短之間呈反比例關(guān)系。通過(guò)對(duì)用戶購(gòu)買(mǎi)行為的時(shí)間數(shù)據(jù)進(jìn)行橫向?qū)Ρ确治龊?，可以確定當(dāng)前電商平臺(tái)的時(shí)間滑動(dòng)窗口可以設(shè)置為三個(gè)，其大小分別為30 天，90 天與180 天，并且窗口的權(quán)重依次遞減，分別設(shè)置為2、1.5 與1。

2.2.3 數(shù)據(jù)處理

完成用戶購(gòu)買(mǎi)行為數(shù)據(jù)集的采集后，為進(jìn)一步提升用戶采購(gòu)行為預(yù)測(cè)模型的準(zhǔn)確度，需要對(duì)數(shù)據(jù)進(jìn)行去除唯一屬性、數(shù)據(jù)去重、樣本均衡化、缺失值處理，從而得到一個(gè)更為準(zhǔn)確的特征數(shù)據(jù)集。在數(shù)據(jù)集處理完成后，需要對(duì)其中的正負(fù)樣本進(jìn)行統(tǒng)計(jì)，在數(shù)據(jù)層面可以通過(guò)采樣技術(shù)達(dá)到數(shù)據(jù)的類別平衡，現(xiàn)階段較為常用的數(shù)據(jù)采樣方法為SMOTE 采樣法，這一方法在實(shí)際使用過(guò)程中可以通過(guò)生成新的負(fù)樣本數(shù)對(duì)數(shù)據(jù)集加以平衡。

2.3 基于深度森林的復(fù)購(gòu)預(yù)測(cè)模型

在完成數(shù)據(jù)特征提取工作后，可以進(jìn)入用戶購(gòu)買(mǎi)行為預(yù)測(cè)模型的構(gòu)建與實(shí)驗(yàn)階段。

2.3.1 實(shí)驗(yàn)準(zhǔn)備

為保證模型搭建的可靠性，應(yīng)當(dāng)在正式構(gòu)建模型前，對(duì)其評(píng)估指標(biāo)加以確認(rèn)，然后在明確數(shù)據(jù)提取特征的基礎(chǔ)上，選定合適的訓(xùn)練集與測(cè)試集的劃分方法。

2.3.2 深度森林模型

相較于其他模型構(gòu)建方式，深入森林算法可以利用多粒度掃描模塊進(jìn)一步增強(qiáng)輸入特征的差異性，同時(shí)，由于深度神經(jīng)網(wǎng)絡(luò)有著較強(qiáng)的處理特征關(guān)系的能力，在深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的啟發(fā)下，深度森林模型在構(gòu)建應(yīng)用過(guò)程中，可以以多粒度掃描結(jié)構(gòu)為基礎(chǔ)，對(duì)原始輸入數(shù)據(jù)特征進(jìn)行轉(zhuǎn)換，以便實(shí)現(xiàn)進(jìn)一步提升級(jí)聯(lián)森林特征提取工作質(zhì)量、提高初始特征表達(dá)能力的目的。同時(shí)受到深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，表征學(xué)習(xí)需要對(duì)原始特征進(jìn)行逐層處理的影響，深度森林采用級(jí)聯(lián)結(jié)構(gòu)，實(shí)現(xiàn)表中學(xué)習(xí)功能的完工。在實(shí)際應(yīng)用過(guò)程中，首先，每一層級(jí)聯(lián)結(jié)構(gòu)在工作前，都需要先接收并處理前一層聯(lián)機(jī)結(jié)構(gòu)輸出的特征數(shù)據(jù)，然后對(duì)本層數(shù)據(jù)進(jìn)行處理，將綜合處理結(jié)果輸入到下一層。其次，該級(jí)聯(lián)結(jié)構(gòu)的每一集都是由若干個(gè)隨機(jī)森林組成，每個(gè)森林又有若干個(gè)決策樹(shù)集成而成，因此當(dāng)前的級(jí)聯(lián)森林結(jié)果可以被看作是集成的集成。

2.3.3 復(fù)購(gòu)預(yù)測(cè)模型

在完成用戶購(gòu)買(mǎi)行為預(yù)測(cè)分析模型的初步構(gòu)建后，可以通過(guò)對(duì)用戶復(fù)購(gòu)行為進(jìn)行預(yù)測(cè)的方式，進(jìn)一步提升用戶網(wǎng)購(gòu)行為預(yù)測(cè)的準(zhǔn)確性。在開(kāi)展深入森林構(gòu)建工作的過(guò)程中，模型構(gòu)建是森林構(gòu)建的核心。而森林的建立離不開(kāi)決策樹(shù)的支持，而構(gòu)成森林的決策的質(zhì)量與數(shù)量會(huì)對(duì)模型的訓(xùn)練效果與分類效果產(chǎn)生直接的影響?，F(xiàn)階段在購(gòu)進(jìn)深度森林模型時(shí)，可以聯(lián)合多種模型、從多個(gè)角度對(duì)用戶的購(gòu)買(mǎi)行為進(jìn)行預(yù)測(cè)分析，以便為后續(xù)級(jí)聯(lián)模型種類與超參數(shù)的設(shè)定提供有效的支持。經(jīng)過(guò)對(duì)上述京東某段時(shí)間內(nèi)用戶網(wǎng)購(gòu)行為進(jìn)行數(shù)據(jù)分析后，可以發(fā)現(xiàn)各森林模型整體均呈現(xiàn)新增加后續(xù)平穩(wěn)的發(fā)展趨勢(shì)，同時(shí)在對(duì)模型的超參數(shù)進(jìn)行設(shè)置時(shí)，不同的模型所選取的超參數(shù)也應(yīng)有所不同。

2.3.4 實(shí)驗(yàn)分析

在完成用戶購(gòu)買(mǎi)行為預(yù)測(cè)模型的初步搭建以及超參數(shù)值的確定工作后，可以通過(guò)實(shí)驗(yàn)分析的方式，多角度的對(duì)模型的表現(xiàn)情況進(jìn)行分析，調(diào)整預(yù)測(cè)模型帶入的參數(shù)值，為后續(xù)實(shí)驗(yàn)的開(kāi)展提供最優(yōu)的預(yù)測(cè)模型。具體來(lái)說(shuō)，本文搭建的用戶購(gòu)買(mǎi)行為預(yù)測(cè)分析平臺(tái)為以Python 語(yǔ)言為基礎(chǔ)，實(shí)驗(yàn)硬件環(huán)境為8g 內(nèi)存的英特爾i7-770cpu@3.60 兆赫茲，系統(tǒng)的處理器為Win 10 專業(yè)版。為更好地了解該用戶購(gòu)買(mǎi)行為預(yù)測(cè)分析模型的使用效果，可以通過(guò)引入傳統(tǒng)機(jī)器算法，并將兩者的邏輯回歸情況，支持向量機(jī)情況，決策數(shù)，深度卷積神經(jīng)網(wǎng)絡(luò)集成算法隨機(jī)森林等內(nèi)容進(jìn)行預(yù)測(cè)與比對(duì)。通過(guò)比對(duì)后可以發(fā)現(xiàn)，深度森林模型在用戶復(fù)購(gòu)行為預(yù)測(cè)上有著較好的效果，但相較于深度卷積神經(jīng)網(wǎng)絡(luò)，深度森林模型優(yōu)勢(shì)并不明顯，但這一情況的存在并不影響深度森林模式，在電商平臺(tái)應(yīng)用場(chǎng)景下仍存在著較高的應(yīng)用優(yōu)勢(shì)。

2.4 基于Stacking的日期預(yù)測(cè)模型

為實(shí)現(xiàn)用戶一段時(shí)間內(nèi)購(gòu)買(mǎi)行為發(fā)生的時(shí)間范圍的準(zhǔn)確預(yù)測(cè)，可以在完成用戶購(gòu)買(mǎi)行為細(xì)粒度預(yù)測(cè)后，以Stacking學(xué)習(xí)法思想為基礎(chǔ)，搭建更為精準(zhǔn)的集成學(xué)習(xí)法框架，為預(yù)測(cè)工作的順利推進(jìn)提供有效的支持。

2.4.1 Stacking 模型的介紹

Stacking 是一種多層異源集成框架，兩層Stacking 算法是這一模型中應(yīng)用頻率較高的算法模型。對(duì)兩層Stacking 模型進(jìn)行分析后可以發(fā)現(xiàn)，多個(gè)不同類型的基學(xué)習(xí)機(jī)器共同組成了該模型的第一層，在這一模型的實(shí)際應(yīng)用過(guò)程中，訓(xùn)練時(shí)可以先向第一層輸入原始數(shù)據(jù)集，第一層基學(xué)習(xí)器會(huì)將自身訓(xùn)練得到的一次訓(xùn)練結(jié)果傳到第二層，由第二層模型對(duì)一次訓(xùn)練結(jié)果進(jìn)行二次訓(xùn)練處理，在兩次訓(xùn)練工作完成后，將會(huì)得到最終的訓(xùn)練結(jié)果。Stacking 模型集中了對(duì)多個(gè)不同模型的優(yōu)點(diǎn)，相較于相互獨(dú)立的預(yù)測(cè)模型，這種多層異源集成模型非線性表達(dá)能力更為強(qiáng)大，在數(shù)據(jù)處理過(guò)程中，可以有效降低泛化誤差的出現(xiàn)概率。

2.4.2 模型選擇

在實(shí)際的用戶購(gòu)買(mǎi)行為預(yù)測(cè)體系構(gòu)建過(guò)程中，為降低模型的構(gòu)建難度，可以先試用較為簡(jiǎn)單的SVM、決策樹(shù)模型等傳統(tǒng)機(jī)器學(xué)習(xí)模型，但對(duì)這些模型的分析結(jié)果進(jìn)行整合研究后可以發(fā)現(xiàn)，這些模型的輸入特征的利用率偏低，使得得到的模型存在欠擬合的問(wèn)題。面對(duì)這一情況，可以應(yīng)用CBDT、XGBoosts 等主流集成學(xué)習(xí)框架，使模型的非線性表達(dá)能力得到有效的增強(qiáng)，需要注意的是，由于集成學(xué)習(xí)模型由多棵決策樹(shù)共同組成，在進(jìn)行分析時(shí)，每棵樹(shù)都需要在節(jié)點(diǎn)分裂時(shí)掃描所有數(shù)據(jù)的計(jì)算分裂增益，并從中選出分裂正義最大的特征，并對(duì)其進(jìn)行分裂處理，這使得決策模型在應(yīng)用過(guò)程中需要對(duì)大量數(shù)據(jù)進(jìn)行多次情景處理，這在一定程度上增大了模型使用過(guò)程中的資源消耗、延長(zhǎng)了數(shù)據(jù)處理的時(shí)間、降低了模型的收斂速度?，F(xiàn)階段，為切實(shí)解決上述問(wèn)題，在構(gòu)建模型的過(guò)程中，可以將LightGBM 集成學(xué)習(xí)算法引入其中，在進(jìn)一步提升訓(xùn)練速度的基礎(chǔ)上，有效降低了模型在數(shù)據(jù)分析時(shí)消耗的內(nèi)存，這一情況的出現(xiàn)使得該模型的長(zhǎng)期使用過(guò)程中，即便后期數(shù)據(jù)量持續(xù)增大，但仍能維持著較高穩(wěn)定性。需要注意的是，在以異源集成算法為基礎(chǔ)，分析用戶購(gòu)買(mǎi)行為時(shí)，為進(jìn)一步提升集成方法的準(zhǔn)確性，推動(dòng)基礎(chǔ)學(xué)習(xí)器的多樣化發(fā)展，成為了一項(xiàng)極為必要的工作?，F(xiàn)階段，在模型構(gòu)建過(guò)程中，為進(jìn)一步提升基礎(chǔ)學(xué)習(xí)器的多樣性，可以將基于Bagging 的隨機(jī)森林算法引入模型體系搭建過(guò)程中，使LightGBM 與隨機(jī)森林算法模型共同組成Stacking 集成算法的第一層，通過(guò)這種方式，可以有效提升Stacking 模型的基礎(chǔ)學(xué)習(xí)器種類，并且通過(guò)對(duì)這些基礎(chǔ)學(xué)習(xí)器進(jìn)行整合處理的方式，可以有效避免因模型較為單一而出現(xiàn)較為明顯偏向性的問(wèn)題，進(jìn)一步提升預(yù)測(cè)結(jié)果的可靠性。

2.4.3 算法描述

在進(jìn)行模型構(gòu)建過(guò)程中，可以先輸入249 維特征向量數(shù)據(jù)，并將這一數(shù)據(jù)作為輸入數(shù)據(jù)直接輸入到模型的第一層中，在模型構(gòu)建過(guò)程中，Stacking 算法框架第一層有3 個(gè)基于決策樹(shù)的模型，其中一個(gè)為隨機(jī)森林模型，另兩個(gè)為L(zhǎng)ightGBM 模型，這兩個(gè)模型的超參數(shù)設(shè)計(jì)不同，這種多樣化的模型構(gòu)建方式，有效提升了模型的數(shù)據(jù)分析準(zhǔn)確度。在模型工作時(shí)，模型可以得到輸出結(jié)果Di，再對(duì)上述三個(gè)模型得到的輸出結(jié)果進(jìn)行拼接處理，則可以得到第一層的最終輸出D’，然后將D’輸入到第二層模型中，由第二層模型對(duì)輸出權(quán)重進(jìn)行計(jì)算，從而達(dá)到得出最終輸出結(jié)果的目的。

2.4.4 日期預(yù)測(cè)評(píng)價(jià)函數(shù)

3 結(jié)論

總而言之，在互聯(lián)網(wǎng)技術(shù)飛速發(fā)展的背景下，人們的網(wǎng)購(gòu)行為越發(fā)頻繁，這一情況的出現(xiàn)增加了人們網(wǎng)購(gòu)的信息數(shù)據(jù)，基于異源集成算法，對(duì)這些數(shù)據(jù)進(jìn)行細(xì)致地分析，可以使電商方面更好地了解用戶的購(gòu)物需要，更好地滿足用戶的購(gòu)物行為需求，從而為電商產(chǎn)品轉(zhuǎn)化率以及自身市場(chǎng)競(jìng)爭(zhēng)力的提升，提供有效的支持。