基于Spark的电商网站用户行为分析预测系统研究

以Spark软件为工具,对电商网站用户行为分析预测系统进行探讨,在此基础上,对一家电商平台进行了一系列的预处理,包括在一定的时间段内,对用户的行为进行处理,提出时间序列规则处理原始数据动态滑动窗口。用户行为分析实验表明,XGBoost的训练模式表现最好,而决策树的学习效果最差。XGBoost模型无需对全部的训练进行集合,是通过XGBoost在每一个滑行窗口内使用XGBoost来输出最后的预测。XGBoost在预测结果正确率、稳定性方面均较好。Spark平台主要由数据读入、RDD的创建、用户行为预测计算三部分构。相比Hadoop平台,基于Spark平台系统效率提高了近8倍,系统运行速度降低幅度较大,减少了电商网站运营成本,Spark平台系统可靠性较高。

基于支持向量机的用户回购行为预测

在互联网日益发达的今天,网络购物成为人们生活中不可或缺的一部分,而网店卖家之间的竞争也随之愈加激烈,正确预测用户的回购行为对网店的经营有积极的作用。为此,提出了一种基于支持向量机的用户回购行为预测算法。首先,基于淘宝网成交记录数据,通过训练数据集构建模型和基于随机梯度下降算法,进行多次迭代学习,并通过淘宝双十一交易记录数据进行验证,准确地得出了多个方面的预测数据,研究淘宝用户的回购行为。