【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种用户复购行为的预测方法、装置、电子设备及存储介质。
技术介绍
1、随着大数据时代的到来，通过分析海量的用户交易数据，来预测用户未来的购买意向，已经成为企业管理中至关重要的环节。在现有的场景中，预测用户复购行为主要依赖于线上平台，通过获取已购产品的用户行为特征来进行预测。基于这些行为特征，可以预测用户是否会再次购买该企业的产品，以便通过精准的营销策略更好地满足用户需求。
2、现有的用户复购行为的预测方法是通过机器学习模型，对用户复购行为进行预测。但该方法具有一定的局限性，在实际购买场景中，重复购买的用户数量通常小于单次购买的用户数量，使得样本集中这两种类别(重复购买和单次购买)对应的数据量不均衡，容易导致模型过拟合，进而导致对用户复购行为的预测精度较低。
技术实现思路
1、本专利技术提供一种用户复购行为的预测方法、装置、电子设备及存储介质，用以解决现有的用户复购行为的预测方法具有一定的局限性，导致用户复购行为的预测精度较低的缺陷，该方法基于交易相关数据样本、复购行为结果样本和目标类别权重构建得到的复购行为预测模型，该目标类别权重可以重新分配不同类别样本的重要程度，有效避免数据量不均衡所带来的影响，这样一来，采用该复购行为预测模型，能够实现对用户复购行为的准确预测，有效提高预测精度。
2、本专利技术提供一种用户复购行为的预测方法，包括：
3、获取待测用户对应的交易相关数据；
4、将所述交易相关数据输入至
5、根据本专利技术提供的一种用户复购行为的预测方法，所述复购行为预测模型的构建步骤如下：获取用户样本对应的所述交易相关数据样本和所述复购行为结果样本；将所述交易相关数据样本输入至原始复购行为预测模型中，得到所述原始复购行为预测模型输出的预测复购行为结果；根据所述复购行为结果样本和所述预测复购行为结果，对所述原始复购行为预测模型的类别权重进行更新，得到所述目标类别权重；根据所述目标类别权重，调整所述原始复购行为预测模型，得到训练后的复购行为预测模型。
6、根据本专利技术提供的一种用户复购行为的预测方法，所述根据所述复购行为结果样本和所述预测复购行为结果，对所述原始复购行为预测模型的类别权重进行更新，得到所述目标类别权重，包括：对所述复购行为结果样本进行分类，从所述交易相关数据样本中，确定复购成功的第一交易相关数据样本和复购失败的第二交易相关数据样本；在所述第一交易相关数据样本的第一数量小于所述第二交易相关数据样本的第二数量的情况下，确定所述类别权重，所述类别权重包括所述第一交易相关数据样本对应的第一权重和所述第二交易相关数据样本对应的第二权重，所述第一权重大于所述第二权重；在所述预测复购行为结果与所述复购行为结果样本不匹配的情况下，以最大化所述原始复购行为预测模型的f1分数为目标，调整所述第一权重和所述第二权重，得到所述目标类别权重。
7、根据本专利技术提供的一种用户复购行为的预测方法，所述以最大化所述原始复购行为预测模型的f1分数为目标，调整所述第一权重和所述第二权重，得到所述目标类别权重，包括：根据所述原始复购行为预测模型的精确率和召回率，确定所述f1分数；以最大化所述原始复购行为预测模型的f1分数为目标，调整所述第一权重和所述第二权重，得到所述目标类别权重。
8、根据本专利技术提供的一种用户复购行为的预测方法，所述根据所述目标类别权重，调整所述原始复购行为预测模型，得到训练后的复购行为预测模型，包括：根据所述目标类别权重，确定所述原始复购行为预测模型的对数损失函数；根据所述对数损失函数，调整所述原始复购行为预测模型，得到训练后的复购行为预测模型。
9、根据本专利技术提供的一种用户复购行为的预测方法，所述根据所述目标类别权重，确定所述原始复购行为预测模型的对数损失函数，包括：根据所述交易相关数据样本、所述复购行为结果样本、所述预测复购行为结果和所述目标类别权重，确定所述原始复购行为预测模型的对数损失函数。
10、根据本专利技术提供的一种用户复购行为的预测方法，所述交易相关数据样本包括：销售订单数据样本、行业周期指标数据样本、设备运行维保数据样本、融资债券数据样本、月份数据样本、区域数据样本、用户经营数据样本和用户关系数据样本；所述获取用户样本对应的所述交易相关数据样本，包括：对初始销售订单数据样本进行异常检测处理，确定所述销售订单数据样本；对初始行业周期指标数据样本进行年度集计和分类编码，确定所述行业周期指标数据样本；对初始设备运行维保数据样本进行分组集计和特征衍生，确定所述设备运行维保数据样本；对初始融资债券数据样本进行数值编码处理，并进行数值特征分组集计和特征衍生，确定所述融资债券数据样本；对初始月份数据样本进行类别编码转换，确定所述月份数据样本；对初始区域数据样本进行类别编码转换，确定所述区域数据样本；对初始用户经营数据样本进行分类编码，确定所述用户经营数据样本；根据关联标识字段，对初始用户关系数据样本进行关联整合，确定所述用户关系数据样本。
11、本专利技术还提供一种用户复购行为的预测装置，包括：
12、获取模块，用于获取待测用户对应的交易相关数据；
13、预测结果确定模块，用于将所述交易相关数据输入至复购行为预测模型中，得到所述复购行为预测模型输出的复购行为预测结果，所述复购行为预测模型是基于交易相关数据样本、复购行为结果样本，及所述复购行为预测模型对应的目标类别权重构建得到的。
14、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述用户复购行为的预测方法。
15、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述用户复购行为的预测方法。
16、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述用户复购行为的预测方法。
17、本专利技术提供的用户复购行为的预测方法、装置、电子设备及存储介质，通过获取待测用户对应的交易相关数据；将交易相关数据输入至复购行为预测模型中，得到复购行为预测模型输出的复购行为预测结果，复购行为预测模型是基于交易相关数据样本、复购行为结果样本，及复购行为预测模型对应的目标类别权重构建得到的。该方法基于交易相关数据样本、复购行为结果样本和目标类别权重构建得到的复购行为预测模型，该目标类别权重可以重新分配不同类别样本的重要程度，有效避免数据量不均衡所带来的影响，这样一来，采用该复购行为预测模型，能够实现对用户复购行为的准确预测，有效提高预测精度。
本文档来自技高网...【技术保护点】
1.一种用户复购行为的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述复购行为预测模型的构建步骤如下：
3.根据权利要求2所述的方法，其特征在于，所述根据所述复购行为结果样本和所述预测复购行为结果，对所述原始复购行为预测模型的类别权重进行更新，得到所述目标类别权重，包括：
4.根据权利要求3所述的方法，其特征在于，所述以最大化所述原始复购行为预测模型的F1分数为目标，调整所述第一权重和所述第二权重，得到所述目标类别权重，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标类别权重，调整所述原始复购行为预测模型，得到训练后的复购行为预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标类别权重，确定所述原始复购行为预测模型的对数损失函数，包括：
7.根据权利要求2所述的方法，其特征在于，所述交易相关数据样本包括：销售订单数据样本、行业周期指标数据样本、设备运行维保数据样本、融资债券数据样本、月份数据样本、区域数据样本、用户经营数据样本和用户关系数据
8.一种用户复购行为的预测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述用户复购行为的预测方法。
10.一种非暂态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如权利要求1至7任一项所述用户复购行为的预测方法。
...【技术特征摘要】
1.一种用户复购行为的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述复购行为预测模型的构建步骤如下：
3.根据权利要求2所述的方法，其特征在于，所述根据所述复购行为结果样本和所述预测复购行为结果，对所述原始复购行为预测模型的类别权重进行更新，得到所述目标类别权重，包括：
4.根据权利要求3所述的方法，其特征在于，所述以最大化所述原始复购行为预测模型的f1分数为目标，调整所述第一权重和所述第二权重，得到所述目标类别权重，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标类别权重，调整所述原始复购行为预测模型，得到训练后的复购行为预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标...
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。