資源描述：
《基于機(jī)器學(xué)習(xí)的商品購買行為預(yù)測模型設(shè)計》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、DesignofPredictiveModelofCommodityPurchaseBehaviorBasedonMachineLearningAThesisSubmittedfortheMaster’sDegreeByZhouChengJiSupervisor:Prof.XieDongQingGuangzhouUniversityJune2018摘要摘要近年來，越來越多的電商在購物平臺上搭建自己的個性化推薦系統(tǒng)。所謂個性化推薦，即指根據(jù)消費(fèi)者各自的喜好，向不同消費(fèi)者推薦不同商品的營銷模式。目前，由于機(jī)器學(xué)習(xí)已廣
2、泛地應(yīng)用于大數(shù)據(jù)領(lǐng)域，而個性化推薦系統(tǒng)的設(shè)計正好需要依托海量的消費(fèi)者和商品的交互數(shù)據(jù)，因此，將機(jī)器學(xué)習(xí)運(yùn)用到推薦系統(tǒng)中，是一個可行的做法。本文利用阿里提供的某一時段內(nèi)消費(fèi)者與商品的歷史交互記錄，來判斷消費(fèi)者的“喜好”，為以后的個性化推薦系統(tǒng)的搭建，提供重要的依據(jù)。完成的主要工作如下：1、設(shè)計并實現(xiàn)了一種基于時間序列的數(shù)據(jù)預(yù)處理方法。首先，通過數(shù)據(jù)清洗，篩選掉“噪聲”數(shù)據(jù)；然后，針對原始數(shù)據(jù)具有時間序列的特點(diǎn)，設(shè)計了一種數(shù)據(jù)“分片”機(jī)制，并將數(shù)據(jù)進(jìn)行“分片”處理；2、通過對采集數(shù)據(jù)的分析，并結(jié)合業(yè)務(wù)邏輯，設(shè)計衍生特
3、征群，并將數(shù)據(jù)進(jìn)行特征提取、轉(zhuǎn)化，得到高維的可訓(xùn)練的樣本數(shù)據(jù)；3、創(chuàng)造性地將穩(wěn)定性選擇法與Pearson相關(guān)系數(shù)法結(jié)合起來，得到一種全新的特征選擇算法SSP，最后使用SSP算法對樣本進(jìn)行特征選擇；4、提出一種基于時間序列的“均勻下采樣法”，并結(jié)合交叉驗證對樣本進(jìn)行正負(fù)樣本平衡。然后使用網(wǎng)格搜索的方式，對XGBoost模型進(jìn)行訓(xùn)練前的參數(shù)調(diào)整；5、針對單一模型對數(shù)據(jù)過于敏感而容易過擬合的問題，利用Bagging集成學(xué)習(xí)思想，構(gòu)造出一個基于Bagging策略的XGBoost混合模型。本文最后通過兩組對比實驗，證明了S
4、SP算法能夠有效篩選特征，并在一定程度上簡化模型的復(fù)雜度，提高機(jī)器學(xué)習(xí)的分類精度；基于Bagging策略的XGBoost混合模型相比單一的機(jī)器學(xué)習(xí)模型，不容易導(dǎo)致過擬合，從而具有更強(qiáng)的魯棒性。關(guān)鍵詞：機(jī)器學(xué)習(xí)；推薦系統(tǒng)；時間序列；XGBoost；Bagging思想IAbstractAbstractInrecentyears,moreandmoree-commercecompanieshavebuilttheirownpersonalizedrecommendationsystemsonshoppingplatfo
5、rms.Theso-calledpersonalizedrecommendationreferstothemarketingmodeofrecommendingdifferentproductstodifferentconsumersaccordingtotheirownpreferences.Atpresent,machinelearninghasbeenwidelyusedinthefieldofbigdata,andthedesignofpersonalizedrecommendationsystemjus
6、tneedstorelyonmassiveinteractivedatabetweenconsumersandcommodities.therefore,itisfeasibletoapplymachinelearningtorecommendationsystem.ThisarticleusesAli'shistoricalrecordofconsumersandcommoditiesinacertainperiodoftimetojudgeconsumers'"favorites"andprovideimpo
7、rtantbasisforthefutureconstructionofapersonalizedrecommendationsystem.Themaintaskscompletedareasfollows:1.Adatapreprocessingmethodbasedontimeseriesisdesignedandimplemented.First,the"noise"dataisfilteredthroughdatacleaning.Then,accordingtothecharacteristicsoft
8、imeseriesoftheoriginaldata,adata"slicing"mechanismisdesignedandthedatais"sliced"processed;2.Throughanalyzingthecollecteddataandcombiningwiththebusinesslogic,designingaderivedfeaturegroup,
