准确地识别有出境意向的用户具有重要的意义,可为出境服务企业的精准营销实施、出境运营的高效管理和政策制定提供决策支持。针对此需求,提出了一种基于多分类器集成和特征融合的用户出境预测方法。首先利用用户的移动终端信息交互数据...准确地识别有出境意向的用户具有重要的意义,可为出境服务企业的精准营销实施、出境运营的高效管理和政策制定提供决策支持。针对此需求,提出了一种基于多分类器集成和特征融合的用户出境预测方法。首先利用用户的移动终端信息交互数据,挖掘用户的出境相关行为特征和静态特征作为样本特征;其次,通过最小冗余最大相关算法筛选最优特征,并利用贝叶斯优化算法寻找多个分类器最优超参数;最后,基于集成学习思想构建三层架构的用户出境预测模型,模型通过融合前两层分类器的输出特征生成新特征,并将其输入第三层分类器进行学习和预测。实验表明,所提方法的F1值和AUC(Area under the Curve)值分别达到了97.16%和97.21%,对于用户出境具有较高的预测精度。展开更多
文摘准确地识别有出境意向的用户具有重要的意义,可为出境服务企业的精准营销实施、出境运营的高效管理和政策制定提供决策支持。针对此需求,提出了一种基于多分类器集成和特征融合的用户出境预测方法。首先利用用户的移动终端信息交互数据,挖掘用户的出境相关行为特征和静态特征作为样本特征;其次,通过最小冗余最大相关算法筛选最优特征,并利用贝叶斯优化算法寻找多个分类器最优超参数;最后,基于集成学习思想构建三层架构的用户出境预测模型,模型通过融合前两层分类器的输出特征生成新特征,并将其输入第三层分类器进行学习和预测。实验表明,所提方法的F1值和AUC(Area under the Curve)值分别达到了97.16%和97.21%,对于用户出境具有较高的预测精度。
