Research on Prediction of E-commerce Users’ Purchase Behavior Based on Gradient Boosting Decision Tree Model
Notice bibliographique
Résumé
Driven by big data, e-commerce platforms have accumulated massive user behavior data, which can be transformed into valuable information after cleaning and feature selection. This study analyzes users’ historical behavioral data on e-commerce platforms, constructs a gradient boosting decision tree prediction model based on user, product, category, and two-by-two interaction behavioral features, and extracts designed feature data from raw CSV data based on Hiv as the prediction basis of the model. At the same time, clustering analysis is performed based on the user’s purchasing behavior (dwell time, browsing frequency) to generate user profiles. The experimental results show that after 7 days, the purchase conversion rate of browsing, collecting, adding to cart and purchasing tends to 0. Therefore, the time window for purchase behavior prediction is chosen to be 7 days. In this paper, the prediction model is only trained to 20 epochs, and the Loss value converges to about 0.14, which shows a good training effect. The model has the best classification performance for user purchase behavior prediction, with precision, recall, and F1 values between 0.91 and 0.97. The clustering algorithm divides the user purchase behavior into four clusters, where cluster class 4 has the best user value. In summary, using the gradient boosting decision tree model, e-commerce platforms can more accurately predict user purchasing behavior, thus improving user experience and platform economic benefits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».