电商平台移动端网络购买预测研究

《电商平台移动端网络购买预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、暨南大学硕士学位论文题名（中英对照）：电商平台移动端网络购买预测研究——基于特征选择和分类算法ResearchonMobileNetworkBuyingPredictionofOneE-commercePlatform—BasedonFeatureSelectionandClassificationAlgorithm作者姓名：李国凤指导教师姓名：郑少智及学位、职称：硕士教授学科、专业名称：统计学应用统计学位类型：专业学位论文提交日期：2018年4月论文答辩日期：2018年6月答辩委员会主席：论文评阅人：学位授予单位和日期：暨南大学

2、硕士毕业论文摘要随着互联网和移动端的发展，网络购物越来越普及。商家或者平台不能和用户面对面沟通，这就导致，商家不能更好的把握用户的态度和需求，从而促成交易。但是随着科技的发展，用户在互联网上发生的行为都会被存储器记录，通过对这些历史数据的挖掘，可以实现对购买决策的预测。从数据挖掘的角度，利用机器学习的方法获得电商用户购买决策的影响因素并预测其未来的购买行为正成为新时代、新技术的发展方向。得到的结论可应用于电商平台的推荐系统中，实现用户的精准推荐满足用户购物需求并激发用户购买欲望，提高转化率，优化仓储。利用SQL语言拉取某电商真实用

3、户历史数据，根据业务经验选择有价值且影响显著的原始特征并在其基础上构造衍生特征。在特征全集中，利用Relief算法进行特征选择，提取权重较大的前10个特征作为预测模型的输入变量。基于该结果，利用机器学习的三种不同分类算法——logistic回归、CART决策树和朴素贝叶斯来构建预测模型是文章的整体脉络。最终得到结论，对于影响用户购买决策的因素而言，购物行为过程中的分享行为和商品所属品类这两个特征影响显著，而对于预测的精准性而言，CART决策树效果更理想一些，从误判率和结果来看都明显优于其他两个模型。关键词：网络购买行为；数据挖掘；

4、Relief特征选择；预测I暨南大学硕士毕业论文AbstractWiththedevelopmentoftheInternetandmobileterminals,onlineshoppingisbecomingmoreandmorepopular.Businessesorplatformscannotface-to-facecommunicationwithusers,whichledtobusinessescannotbettergrasptheuser'sattitudesandneeds,thusfacilitatingt

5、hetransaction.However,withthedevelopmentofscienceandtechnology,thebehaviorofusersontheInternetwillberecordedbymemory.Byminingthesehistoricaldata,thepredictionofpurchasingdecisioncanberealized.Inthispaper,fromtheperspectiveofdatamining,weusethemethodofmachinelearningto

6、obtaintheinfluencingfactorsofae-commerceuser'spurchasingdecisionandpredictitsfuturebuyingbehavior。Theresultsobtainedinthispapercanbeappliedtotherecommendersystemofe-commerceplatform,toachievetheaccuraterecommendationofuserstomeettheneedsofusersshoppingandmotivatepurch

7、asedesire,improvetheconversionrateandoptimizethestorage.Inthispaper,weuseSQLlanguagetopullhistoricaldataofarealuserofane-commercebusiness,constructderivativefeaturesbasedonbusinessexperience,anduseReliefalgorithmtoextractthetop10featureswithlargerweightsforfeaturesele

8、ction.Basedonthisresult,weusethemachinelearningclassificationalgorithm-logisticregression,CARTdecisiontreeandnaiveBayesianto