一种用户的产品复购情况预测方法及装置制造方法及图纸

本发明专利技术提供一种用户的产品复购情况预测方法及装置，涉及数据分析技术领域，所述方法通过多维度全域用户行为数据进行分析挖掘，通过整合线上线下订单数据、品牌活动数据，构建一种通用的用户复购行为预测特征群，基于长周期用户连接强度类特征反映用户对品牌注意力的变化情况、基于改进RFM构建短周期的用户价值类特征；然后通过K‑Means++算法对用户进行聚类并进行混合采样实现样本均衡，最后通过GA‑TabNet‑Stacking模型组合进行用户复购概率的预测。本发明专利技术解决了现有技术中用户行为预测方法特征构建和特征选择缺少普适性和通用性、样本均衡处理引入过多噪声、预测准确率较低的问题，提高了预测结果的准确性。

【技术实现步骤摘要】

本专利技术涉及数据分析，特别涉及一种用户的产品复购情况预测方法及装置。

技术介绍

1、用户复购行为是指用户在某个时间段内多次购买同一产品或服务的行为。复购行为不仅是客户忠诚度的重要体现，也是企业持续盈利的关键因素之一。通过准确预测用户的复购行为，企业可以制定有针对性的营销策略，例如个性化推荐、优惠券发放等，从而提高客户的满意度和忠诚度，增加销售额和利润。

2、而现有技术中，随着目前消费者线上行为的高度碎片化，数据分散，且目前用户决策越来越理智，对品牌的认知需要从认识到熟悉的过程，品牌心智的建立需要通过运营活动为载体，逐步建立起用户心智。同时，用户对品牌的注意力会随着时间发生变化。现有技术中基于消费订单数据的预测，缺少普适性和通用性，并且无法反映上述业务特点。其次，现有技术中用于模型训练的样本自身存在不平衡问题，目前在数据平衡问题，通常采用基于全部样本空间的过采样、欠采样操作。最后，模型准确率层面，目前主要应用机器学习算法做预测，在准确率层面有待提升。

技术实现思路

1、有鉴于此，本专利技术第一方面本文档来自技高网...

【技术保护点】

1.一种用户的产品复购情况预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种用户的产品复购情况预测方法，其特征在于，对预处理后的所述用户行为数据进行特征提取，包括：

3.根据权利要求1所述的一种用户的产品复购情况预测方法，其特征在于，基于遗传算法对样本分类后的所述用户行为数据进行特征选择，获得所述特征子集。

4.根据权利要求3所述的一种用户的产品复购情况预测方法，其特征在于，获得所述特征子集，包括：

5.根据权利要求1所述的一种用户的产品复购情况预测方法，其特征在于，所述获得均衡处理后的样本数据，还包括：

6.根...

【技术特征摘要】

1.一种用户的产品复购情况预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种用户的产品复购情况预测方法，其特征在于，对预处理后的所述用户行为数据进行特征提取，包括：

3.根据权利要求1所述的一种用户的产品复购情况预测方法，其特征在于，基于遗传算法对样本分类后的所述用户行为数据进行特征选择，获得所述特征子集。

4.根据权利要求3所述的一种用户的产品复购情况预测方法，其特征在于，获得所述特征子集，包括：

5.根据权利要求1所述的一种用户的产品复购情况预测方法，其特征在于，所述获得均衡处理后的样本数据，还包括：

6.根据权利要求5所述的一种用户的产品复购情况预测方...

【专利技术属性】
技术研发人员：路新喜，杨溢龙，姜涛，姚宁，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：