System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及用户行为分析,特别是涉及一种用户购买意向预测方法、系统、计算机设备和存储介质。
技术介绍
1、近年来,随着电子商务的快速发展,私域运营的团队也逐渐积累了大量的客户,根据用户的历史行为去预测用户未来的购买需求,有助于实现精准营销,提高运营团队的工作效率。
2、现有的方法是根据用户过去一段时间与购买相关的历史行为数据(比如浏览、购买、搜索以及咨询等行为的次数)构建特征,通过输入逻辑回归模型,直接对用户是否购买进行预测。但由于历史行为数据存在时效性的问题,比如,越早的历史行为数据其时效性越差,直接根据各种历史行为数据构建的特征无法较全面地体现用户的购买意向,因此存在历史行为数据的时效性导致建立的预测模型不准确,对用户购买意向预测效果不佳的问题。
3、针对相关技术中存在历史行为数据的时效性导致建立的预测模型不准确,对用户购买意向预测效果不佳的问题,目前还没有提出有效的解决方案。
技术实现思路
1、在本实施例中提供了一种用户购买意向预测方法、系统、计算机设备和存储介质,以解决相关技术中历史行为数据的时效性导致建立的预测模型不准确,对用户购买意向预测效果不佳的问题。
2、第一个方面,在本实施例中提供了一种用户购买意向预测方法,包括:
3、根据用户的历史行为数据,获取在预设时间窗口内每日的行为指标数据,结合时间衰减策略,计算得到每个所述行为指标的重要度;
4、根据用户基础信息和所述行为指标的重要度构建第一数据集,并基于所述第一
5、获取实时的所述用户基础信息和所述行为指标的重要度,经过处理后输入所述预测模型,得到用户购买意向值。
6、在其中的一些实施例中,上述方法还包括:
7、通过构建逻辑回归模型,基于所述历史行为数据训练得到每个所述行为指标的权重;
8、根据所述行为指标的权重和所述行为指标的重要度,分别对所述行为指标对应的每个行为类别进行评估,得到所述行为类别的分值;所述行为类别包括浏览、购买、添加购物车、咨询、互动以及搜索;
9、基于所述用户购买意向值,结合每个所述行为类别的分值,对用户的购买意向进行预测。
10、在其中的一些实施例中,所述通过构建逻辑回归模型,基于所述历史行为数据训练得到每个所述行为指标的权重,包括:
11、根据所述行为指标的重要度,结合所述历史行为数据中用户是否下单的情况作为正负样本,构建第二数据集;
12、基于所述第二数据集,对所述逻辑回归模型训练得到每个所述行为指标的权重。
13、在其中的一些实施例中,所述根据用户的历史行为数据,获取在预设时间窗口内每日的行为指标数据,结合时间衰减策略,计算得到每个所述行为指标的重要度,包括:
14、通过统计每日的所述行为指标数据,对所述行为指标数据进行过滤预处理,并获取所述行为指标数据的上限;
15、基于所述行为指标数据的上限对所述行为指标进行评估,得到每日所述行为指标的分值;
16、基于所述时间衰减策略,为每日的所述行为指标分配对应的时间衰减权重,结合每日所述行为指标的分值,得到所述预设时间窗口内每个所述行为指标的重要度。
17、在其中的一些实施例中,所述根据用户基础信息和所述行为指标的重要度构建第一数据集,并基于所述第一数据集对神经网络训练得到预测模型,包括:
18、根据所述用户基础信息和所述行为指标的重要度,结合所述历史行为数据中用户是否下单的情况作为正负样本,构建第一数据集;
19、通过对所述第一数据集进行特征处理,划分得到训练集和测试集;
20、构建tabnet模型,并基于所述训练集对所述tabnet模型进行训练,通过所述测试集验证后得到所述预测模型。
21、在其中的一些实施例中,所述通过对所述第一数据集进行特征处理,包括:
22、通过对所述第一数据集中的特征数据进行数据类型转换,得到数值类型的特征数据。
23、在其中的一些实施例中,所述获取实时的所述用户基础信息和所述行为指标的重要度,经过处理后输入所述预测模型,得到用户购买意向值,包括:
24、根据所述历史行为数据和当前行为数据,获取实时的所述用户基础信息和所述行为指标的重要度,作为所述预测模型的特征数据;
25、通过对所述特征数据进行特征处理后,输入所述预测模型,得到用户购买意向值。
26、第二个方面,在本实施例中提供了一种用户购买意向预测系统,包括:行为指标评估模块、预测模型训练模块以及购买意向预测模块;
27、所述行为指标评估模块,用于根据用户的历史行为数据,获取在预设时间窗口内每日的行为指标数据,结合时间衰减策略,计算得到每个所述行为指标的重要度;
28、所述预测模型训练模块,用于根据用户基础信息和所述行为指标的重要度构建第一数据集,并基于所述第一数据集对神经网络训练得到预测模型;
29、所述购买意向预测模块,用于获取实时的所述用户基础信息和所述行为指标的重要度,经过处理后输入所述预测模型,得到用户购买意向值。
30、第三个方面,在本实施例中提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的用户购买意向预测方法。
31、第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的用户购买意向预测方法。
32、与相关技术相比,在本实施例中提供的一种用户购买意向预测方法、系统、计算机设备和存储介质,通过根据用户的历史行为数据,获取在预设时间窗口内对应的行为指标数据,并结合时间衰减策略,计算得到每个所述行为指标的重要度;根据用户基础信息和所述行为指标的重要度构建第一数据集,并基于所述第一数据集对神经网络训练得到预测模型;获取实时的所述用户基础信息和所述行为指标的重要度,经过处理后输入所述预测模型,得到用户购买意向值,能够通过行为指标的重要度表示历史行为数据的时间衰减特性,根据用户基础信息和行为指标的重要度构建第一数据集,并训练得到预测模型,解决了历史行为数据的时效性导致建立的预测模型不准确,对用户购买意向预测效果不佳的问题。
33、本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种用户购买意向预测方法,其特征在于,包括:
2.根据权利要求1所述的用户购买意向预测方法,其特征在于,还包括:
3.根据权利要求2所述的用户购买意向预测方法,其特征在于,所述通过构建逻辑回归模型,基于所述历史行为数据训练得到每个所述行为指标的权重,包括:
4.根据权利要求1所述的用户购买意向预测方法,其特征在于,所述根据用户的历史行为数据,获取在预设时间窗口内每日的行为指标数据,结合时间衰减策略,计算得到每个所述行为指标的重要度,包括:
5.根据权利要求1所述的用户购买意向预测方法,其特征在于,所述根据用户基础信息和所述行为指标的重要度构建第一数据集,并基于所述第一数据集对神经网络训练得到预测模型,包括:
6.根据权利要求5所述的用户购买意向预测方法,其特征在于,所述通过对所述第一数据集进行特征处理,包括:
7.根据权利要求1所述的用户购买意向预测方法,其特征在于,所述获取实时的所述用户基础信息和所述行为指标的重要度,经过处理后输入所述预测模型,得到用户购买意向值,包括:
8.一种用户购买意
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的用户购买意向预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的用户购买意向预测方法的步骤。
...【技术特征摘要】
1.一种用户购买意向预测方法,其特征在于,包括:
2.根据权利要求1所述的用户购买意向预测方法,其特征在于,还包括:
3.根据权利要求2所述的用户购买意向预测方法,其特征在于,所述通过构建逻辑回归模型,基于所述历史行为数据训练得到每个所述行为指标的权重,包括:
4.根据权利要求1所述的用户购买意向预测方法,其特征在于,所述根据用户的历史行为数据,获取在预设时间窗口内每日的行为指标数据,结合时间衰减策略,计算得到每个所述行为指标的重要度,包括:
5.根据权利要求1所述的用户购买意向预测方法,其特征在于,所述根据用户基础信息和所述行为指标的重要度构建第一数据集,并基于所述第一数据集对神经网络训练得到预测模型,包括:
6.根据权利要求5所述的用户购买意向预...
【专利技术属性】
技术研发人员:马一凡,刘璋,谢家龙,
申请(专利权)人:杭州有赞科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。