CCF大赛：电商用户购买行为预测解决方案

电商用户购买行为预测

比赛介绍

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但是网上信息量的大幅增长也带来了“信息过载”的问题。这使得用户在面对大量信息时无法从中获得对自己真正有用的信息，导致用户对信息的使用效率大大降低了。为了帮助用户更快速地过滤出有用的信息，需要依据真实的用户购买行为记录，利用机器学习相关技术建立稳健的电商用户购买行为预测模型。

意义

用于预测用户的下一个行为，以此为用户进行商品的推荐，
准确捕获用户的购买兴趣，提高电商平台商品的购买率
提升购物体验，促进电子商务发展

数据集

先查看大赛提供的train.csv训练数据集：
数据集的字段的含义：

模型选择

回归预测问题
可供选择：

机器学习模型：逻辑回归，支持向量机SVM，决策树，融合逻辑回归和支持向量机
深度学习模型：CNN-LSTM

使用CNN从用户行为中提取高影响力的特征，然后利用LSTM建立时间序列预测模型，最后通过全连接层输出模型预测结果

数据预处理

首先进行数据清洗：数据处理和特征构建完成用户历史行为数据清洗，剔除刷单用户、重大促销等不具有一般规律的数据，并采用分段下采样方法进行样本均衡处理。

代码实现：

import time
import numpy as np
import pandas as pd
from tqdm import tqdmfrom sklearn.preprocessing import LabelEncoderimport lightgbm as lgbraw_train = pd.read_csv('./data/train.csv')
raw_test = pd.read_csv('./data/test.csv')
submit_df = pd.read_csv('./data/submit_example.csv')display(raw_train, raw_test, submit_df)#预处理
for df in [raw_train, raw_test]:# 处理空值for f in ['category_code', 'brand']:df[f].fillna('<unkown>', inplace=True)# 处理时间df['event_time'] = pd.to_datetime(df['event_time'], format='%Y-%m-%d %H:%M:%S UTC')df['timestamp'] = df['event_time'].apply(lambda x: time.mktime(x.timetuple()))df['timestamp'] = df['timestamp'].astype(int)# 排序
raw_train = raw_train.sort_values(['user_id', 'timestamp'])
raw_test = raw_test.sort_values(['user_id', 'timestamp'])# 处理非数值特征
df = pd.concat([raw_train, raw_test], ignore_index=True)for f in ['event_type', 'category_code', 'brand']:# 构建编码器le = LabelEncoder()le.fit(df[f])# 设置新值raw_train[f] = le.transform(raw_train[f])raw_test[f] = le.transform(raw_test[f])# 删除无用列
useless = ['event_time', 'user_session', 'timestamp']
for df in [raw_train, raw_test]:df.drop(columns=useless, inplace=True)
#滑动窗口构造数据集
#为了让机器学习模型能够处理时序数据，必须通过滑动窗口构造数据，后一个时间点的作为前一个时间点的预测值# 训练集数据生成：滑动窗口
# 用前一个时间节点的数据预测后一个时间节点是商品
train_df = pd.DataFrame()
user_ids = raw_train['user_id'].unique()
for uid in tqdm(user_ids):user_data = raw_train[raw_train['user_id'] == uid].copy(deep=True)if user_data.shape[0] < 2:# 小于两条的，直接忽略continueuser_data['y'] = user_data['product_id'].shift(-1)user_data = user_data.head(user_data.shape[0]-1)train_df = train_df.append(user_data)train_df['y'] = train_df['y'].astype(int)
train_df = train_df.reset_index(drop=True)# 测试集数据生成，只取每个用户最后一次操作用来做预测
test_df = raw_test.groupby(['user_id'], as_index=False).last()train_df.drop(columns=['user_id'], inplace=True)display(train_df, test_df)user_ids = test_df['user_id'].unique()preds = []
for uid in tqdm(user_ids):pids = raw_test[raw_test['user_id'] == uid]['product_id'].unique()# 找到训练集中有这些product_id的数据作为当前用户的训练集p_train = train_df[train_df['product_id'].isin(pids)]# 只取最后一条进行预测user_test = test_df[test_df['user_id'] == uid].drop(columns=['user_id'])X_train = p_train.iloc[:, :-1]y_train = p_train['y']if len(X_train) > 0:# 训练clf = lgb.LGBMClassifier(**{'seed': int(time.time())})clf.fit(X_train, y_train)# 预测pred = clf.predict(user_test)[0]else:# 训练集中无对应数据# 直接取最后一条数据作为预测值pred = user_test['product_id'].iloc[0]preds.append(pred)submit_df['product_id'] = preds# 分数 0.206
submit_df.to_csv('baseline.csv', index=False)

如果本文对你有帮助，欢迎点赞、订阅以及star我的项目。
你的支持是我创作的最大动力！

CCF大赛：电商用户购买行为预测解决方案相关推荐

电商用户购买行为预测-排名48-0.23
任务:依据电子商务平平台上真实的用户行为记录,利用机器学习相关技术,建立稳健的电商用户购买行为预测模型,预测用户下一个可能会购买的商品. 数据简介数据整理自一家中等化妆品在线商店公布的网上公开数据集 ...
利用Python对电商用户购买行为进行预测!这都能预测到？
任务:依据电子商务平平台上真实的用户行为记录,利用机器学习相关技术,建立稳健的电商用户购买行为预测模型,预测用户下一个可能会购买的商品. 数据简介数据整理自一家中等化妆品在线商店公布的网上公开数据集 ...
电商用户行为预测数据初探
电商用户行为预测数据初步探究电商用户行为预测数据分析导入相关包自定义采样函数读取数据数据预处理数据浏览用户的交互行为_训练集 trn_click.csv文件数据中每个字段的含义用户 ...
电商用户购买行为数据分析
1 相关背景数据来源:该数据集来自The UCI Machine Learning Repository 数据背景:该数据集是英国某电商在2年内的全部在线销售数据,该电商主要销售独特的全时礼品,多数 ...
对电商用户的数据分析！
一.以淘宝等为主的用户分析场景以淘宝.京东和拼多多为典型的用户+商品消费场景,是国内用户量最多的业务场景,也是产生利润最多的业务场景.在这其中,客户拥有最大的自主权,如何有效地加以利用或辨别客户在行 ...
基于大数据的线上线下电商用户数据挖掘研究
From:http://www.thebigdata.cn/JieJueFangAn/11932p2.html Online-to-Offline( 简称 O2O)电子商务模式,是一个连接线上用户和线 ...
基于 flink 的电商用户行为数据分析【9】| 电商常见指标汇总 + 项目总结
本文已收录github:https://github.com/BigDataScholar/TheKingOfBigData,里面有大数据高频考点,Java一线大厂面试题资源,上百本免费电子书籍,作者 ...
mysql统计今日首充用户_电商用户行为MySQL分析
一:分析背景近年来电商行业发展迅猛,发展的模式也从最开始粗糙的供给结构开始向精细化电商发展.我国政策也指出: 促进电子商务发展是推进供给侧结构性改革重要的途径.因此分析用户的行为,可打造爆款商品,爆 ...
数据分析实战(六)：英国电商用户行为分析
案例:英国电商用户行为数据分析 Part 1. 数据获取 1.1 数据集简介 https://archive.ics.uci.edu/ml/datasets/online+retail# 该数据集为英 ...

CCF大赛：电商用户购买行为预测解决方案

电商用户购买行为预测

比赛介绍

意义

数据集

模型选择

数据预处理

CCF大赛：电商用户购买行为预测解决方案相关推荐

最新文章

热门文章

CCF大赛：电商用户购买行为预测 解决方案

电商用户购买行为预测

比赛介绍

意义

数据集

模型选择

数据预处理

CCF大赛：电商用户购买行为预测 解决方案相关推荐

最新文章

热门文章

CCF大赛：电商用户购买行为预测解决方案

CCF大赛：电商用户购买行为预测解决方案相关推荐