[发明专利]一种基于集成神经网络的用户购买行为预测方法

说明书

本发明公开了一种基于集成神经网络的用户购买行为预测方法，包括步骤：1)对用户行为历史记录进行特征提取和采样，获得样本集合T1；2)利用Boosting集成方法形成分类器C1，对样本集合T1进行分类处理和特征集成，得到新的样本集合T2；3)构建神经网络的基本结构，利用基因算法对神经网络的参数进行启发式搜索，形成集成神经网络分类器C2；4)利用分类器C2对样本集合T2进行分类处理，得到新的样本集合T3；5)利用Bagging集成方法形成分类器C3，对样本集合T3进行分类处理，得到用户会产生购买行为的物品列表，作为对于用户购买行为的预测结果。本发明解决传统方法分类效果差、泛化性差、在大数据情景下效率低下等问题。

技术领域

本发明涉及电子商务的技术领域，尤其是指一种基于集成神经网络的用户购买行为预测方法。

背景技术

随着大数据时代的到来和用户在网上购物的流行，在大数据背景下，通过优秀的推荐算法对用户感兴趣的商品进行推荐，提高商品曝光率、增加用户购买量的行为已经成为了一个电子商务系统的基本功能之一。而对于用户购买行为的精准预测，则是推荐算法的最终目标。如果商家可以掌握消费者的购买意愿，商家就可以合理地安排商品的库存，也可以构建精确的用户画像，反馈给市场、营销等人员，进行有针对性的商品销售。由此可见，对用户购买行为的预测具有重要的理论和现实意义。

目前，在电子商务领域，用户购买行为的预测方法主要分为三种，第一种是利用人工定义的规则，如在某天，某个物品被放入了购物车但是没有购买，那么很有可能在第二天会进行购买；也包括利用调查问卷等形式对用户进行的统计分析等方法；第二种是利用传统的推荐算法，如协同过滤、基于内容的推荐等进行预测，这些方法都已经证明了在推荐领域有一定的效果；第三种是将购买预测视作一个二分类问题，利用典型的机器学习分类器，如支持向量机、决策树等，通过训练一个用户行为的模型，对用户购买行为进行预测。这三种方法都能在一定程度上预测用户的购买行为，但都具有一些缺点。人工的方法大量依赖于人类的劳动，并且分析范围狭窄，准确率低；传统的推荐算法只能推荐用户可能感兴趣的商品，对用户感兴趣的程度进行评分，而对于用户是否会购买的预测无法通过算法本身得到结果，仍然依赖于人工的筛选和评价；传统的分类器方法预测结果准确率较低、模型泛化性差，并且这三种方法在大数据的情景下都存在效率低下、准确率下降等问题。

本发明提出一种基于集成神经网络的用户购买行为预测方法，将用户、物品的特征提取后，通过多种集成方法和优化的神经网络来预测用户的购买行为，利用神经网络非线性、自适应性强等优点，结合集成学习的方法，解决了传统方法分类效果差、泛化性差、大量依赖人工的问题，提高了预测的效率和预测结果的准确率。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于集成神经网络的用户购买行为预测方法，解决传统方法分类效果差、泛化性差、在大数据情景下效率低下等问题，使得预测模型的效率、泛化性和在大数据情景下的准确率得到了提升。

为实现上述目的，本发明所提供的技术方案为：一种基于集成神经网络的用户购买行为预测方法，包括以下步骤：

1)对用户行为历史记录进行特征提取和采样，从中获得能概括用户、物品特征和用户购买标签的样本集合T1；

2)利用Boosting集成方法形成分类器C1，对样本集合T1进行分类处理和特征集成，得到新的样本集合T2；

3)构建神经网络的基本结构，利用基因算法对神经网络的参数进行启发式搜索，得到最优的神经网络，并将得到的最优的神经网络集成起来，形成集成神经网络分类器C2；

4)利用分类器C2对样本集合T2进行分类处理，其中每一个神经网络都会处理样本集合中的一部分，并在分类器C2的输出前进行结果融合和特征集成，最后得到新的样本集合T3；

5)利用Bagging集成方法形成分类器C3，对样本集合T3进行分类处理，得到用户会产生购买行为的物品列表，作为对于用户购买行为的预测结果。