谷歌商店顾客购买力预测研究

• 作 者: 叶志宇
• 出 处: 南京航空航天大学
• 发表日期: 2020年01期
• 关键词: 数据挖掘 深度模型 集成学习 LightGBM 特征工程

在进行谷歌商店顾客购买力预测时,首先,轻量化梯度促进机(LightGBM)等集成学习模型只对数据信息进行一次挖掘,无法自动地细化数据挖掘粒度及深入挖掘数据更加潜在的内部关联信息。其次,一般用于预测谷歌商店顾客购买力的方案,没有结合时序模型算法原理以及商业活动中存在的忠诚性购买概念,无法将两者共有性质迁移到机器学习模型中。针对上述两处不足,本文提出的解决方案如下:1.提出深度LightGBM,该模型由滑动窗口和加深两部分组成。首先,通过滑动窗口使得模型能够自动地细化数据挖掘粒度,从而更加深入地挖掘数据中潜在的内部关联信息,同时赋予其一定的表示学习能力。其次,基于滑动窗口,加深步骤则进一步地提升模型的表示学习能力。最后,结合特征工程对数据集进行处理。实验结果表明,本文所提出的深度LightGBM比原始解决方案的预测误差低6.16个百分点。这一结果表明本文所提出的方法能够自动地细化数据挖掘粒度,从而获取更多数据中的潜在信息,并且深度LightGBM与传统深度神经网络相比是非神经网络的深度模型,参数更少,可解释性更强。2.提出概念转化以及基于概念转化的直觉性特征工程,为非时序模型——LightGBM开辟学习时序信息的新方向。首先,通过分析时序模型算法原理,并结合忠诚性购买概念,对数据集进行改造,将两者共有性质——回溯性,转化为数据挖掘任务中的分类问题。其次,通过观察和分析改造后数据集中的数据特点,直觉性地产生额外有效特征。最后,将新数据集放入LightGBM中分别进行分类和回归任务,并融合两类预测结果。实验结果表明,概念转化以及基于概念转化的直觉性特征工程,比原始解决方案的预测误差低19.786个百分点。这一结果表明本文所提方案能够为LightGBM这一非时序模型提供有效学习时序信息的新方向。