RF-LightGBM：一种用于预测社区电商用户复购行为的概率集成方法
机器学习
2021-09-03 v1 人工智能
摘要
据报道，中国在线支付用户数量已达8.54亿；随着社区电商平台的出现，电商与社交应用融合的趋势日益加剧。社区电商并非成熟完善的综合性电商，其品类较少且品牌价值较低。有效留存社区用户并充分挖掘客户价值，已成为社区电商运营者面临的重要挑战。鉴于上述问题，本文采用数据驱动方法研究社区电商客户复购行为的预测。主要研究内容包括：1. 针对特征工程的复杂问题，改进客户关系管理领域的经典模型RFM，提出一种包含五项指标的改进模型以刻画客户购买行为特征。2. 针对SMOTE-ENN中机器学习训练样本不平衡的问题，提出一种基于SMOTE-ENN的训练样本平衡方法。实验结果表明，机器学习模型可在平衡样本上更有效地训练。3. 针对调参过程的复杂性，提出一种基于TPE方法的自动超参数优化方法。与其他方法相比，模型预测性能提升且训练时间减少450%以上。4. 针对单一模型预测能力弱的问题，提出基于软投票的RF-LightGBM模型。实验结果表明，本文提出的RF-LightGBM模型能有效预测客户复购行为，F1值为0.859，优于单一模型及已有研究结果。
引用
@article{arxiv.2109.00724,
title = {RF-LighGBM: A probabilistic ensemble way to predict customer repurchase behaviour in community e-commerce},
author = {Liping Yang and Xiaxia Niu and Jun Wu},
journal= {arXiv preprint arXiv:2109.00724},
year = {2021}
}
备注
15 pages, 8 figures, 5 tables, 20 refences