融合LSTM和LightGBM的用户购买行为预测算法

近年来,线上购物逐渐成为用户主要的购物手段,为提升用户购物体验,商品推荐系统应运而生。然而,传统的商品推荐系统常依赖简单的协同过滤和基于流行度的算法,难以捕捉用户的个性化偏好。针对此问题,文章基于JData平台提供的真实数据集,提出了融合LSTM和LightGBM的用户购买行为预测算法。首先,针对数据集中正负样本不平衡问题,采用对数据归一化的方法,使各个特征的贡献度更均衡。然后,利用LSTM和LightGBM依次提取商品购买的时间序列特征和非时间序列特征,构建融合LSTM和LightGBM的用户购买行为预测模型。将LSTM和LightGBM作为第一层学习器,并将LightGBM作为次学习器对用户购买行为进行预测。最后,大量实验证明:与单一的LSTM模型、SVM和LightGBM的融合模型以及CNN和LSTM融合模型相比,文章提出的算法在准确率、召回率以及F1值方面性能更优。