天池大赛-天猫重复购买用户预测

比赛项目介绍

当前电商会在双11、黑五或boxing day等进行大量促销活动来吸引买家，但很多被吸引的买家都是一次性交易，这些促销对长期销售的影响就大打折扣。为了便于商家识别哪些用户可以成为重复购买的忠实买家，从而降低促销成本，提高投资回报率（ROI），天猫提供了双11及过去6个月内用户的日志信息来预测未来6个月内用户是否会在同一商铺中重复购买。本次预测任务类似于在线广告的CTR预测，极具挑战性。

一. 项目分析

天猫官方提供了用户信息（年龄段、性别），用户日志包括用户名称、商铺名称、商品名称、商品种类、商品品牌、交互时间以及用户行为方式（点击、加购、收藏或购买）等信息。该项目是一个二分类任务，总体思路是：通过特征工程，根据官方提供的这些基础信息提取出有效特征形成训练数据集，再结合机器学习的建模融合，最终得到用户是否会重复购买的概率。

二. 数据预处理

对用户信息、用户日志进行加载，首先去除数据中的重复记录。然后去除数据中所有特征值全部缺失的记录。当然，我们发现仍存在基础信息数据少部分缺失的情况，我们先保存该用户记录的其他信息，后续会结合模型统一处理。

user_info = pd.read_csv('E:\\repeat buyer\\user_info_format1.csv', usecols=['user_id', 'age_range',
                                                                            'gender']).drop_duplicates()
user_info = user_info.dropna(axis=0,how='all')

user_log = pd.read_csv('E:\\repeat buyer\\user_log_format1.csv', usecols=['user_id', 'item_id', 'cat_id',
                      'seller_id', 'brand_id', 'time_stamp', 'action_type']).rename(columns={'seller_id': 'merchant_id'})
user_log = user_log.dropna(axis=0,how='all')
test = pd.read_csv('E:\\repeat buyer\\test_format1.csv', usecols=['user_id', 'merchant_id'])
train = pd.read_csv('E:\\repeat buyer\\train_format1.csv', usecols=['user_id', 'merchant_id', 'label'])
train = train.drop_duplicates(['user_id','merchant_id'])
test = test.drop_duplicates(['user_id','merchant_id'])
user_log = user_log.merge(user_info, on=['user_id'],how='left',copy=False)

为便于后续挖掘与时间相关的特征，我们在user_log中加入了month和day

user_log['month'] = user_log['time_stamp'] // 100
user_log['day'] = user_log['time_stamp'] % 100

三. 特征工程

以下通过用户、商铺、用户和商铺、比值和ID特征等多个维度完成特征数据的提取。

1. 用户特征

• 用户交互总次数
• 用户各种行为总次数统计（点击、加购、收藏和购买）
• 用户交互了多少商铺数
• 用户交互了多少种商品，多少商品类别和多少商品品牌数量
• 用户每天交互、购买的次数
• 用户每月交互、购买的次数

2. 商铺特征

• 商铺下所有交互总次数
• 商铺下各种行为总次数统计（点击、加购、收藏和购买）
• 商铺下交互的总用户数
• 商铺下有多少被交互的商品，商品类别和商品品牌数量
• 商铺每个月有多少用户交互
• 商铺下交互的用户按年龄段和性别分别统计
• 商铺在各个年龄段和性别组合的交互用户中交互的商品、商品类别和商品品牌总数
• 商铺在各个年龄段和性别组合的购买用户中购买的商品、商品类别和商品品牌总数

3. 用户-商铺特征

• 用户在某商铺中交互的次数
• 用户在某商铺中各种行为次数（点击、加购、收藏和购买）
• 用户在商铺中每月的交互次数
• 用户在商铺中每月的各种行为次数（点击、加购、收藏和购买）
• 用户在商铺中第一次和最后一次交互的时间差
• 用户在商铺中交互有几个月
• 用户在商铺中交互有多少天
• 用户在商铺中有交互的月份每个月交互次数的统计
• 用户在商铺中交互的商品、商品类别和商品品牌的总个数，以及与之交互总次数的均值、最值

4. 比值特征

在统计比值特征时，我们需要对比值进行平滑处理。这样可以避免不同用户由于统计次数有限导致较大的比例偏差。

• 用户交互次数在所有用户交互总次数的占比
• 用户购买次数在所有用户购买总次数的占比
• 商铺交互次数在所有商铺交互总次数的占比
• 商铺购买次数在所有商铺购买总次数的占比
• 商铺中购买的用户数在所有商铺购买用户数的占比
• 用户在某商铺的交互次数在该用户所有交互次数的占比
• 用户在某商铺的购买次数在该用户所有购买次数的占比
• 用户在某商铺的交互次数在该商铺所有交互次数中的占比
• 用户在某商铺的购买次数在该商铺所有购买次数中的占比
• 用户在商铺中各种行为次数在交互总次数中的占比
• 商铺中回购（购买次数>1）的用户数占总购买用户数的比例（用户回购率）
• 商铺中回购的总次数占用户总购买次数的比例
• 商铺中回购的商品类别总数在用户购买商品类别总数的占比
• 用户有回购的商铺数在该用户所有购买行为商铺数的占比
• 用户回购次数在该用户所有购买总次数的占比
• 用户每月购买的次数在当月总交互次数的占比

5. ID特征
用户、商铺、商品、商品类别以及商品品牌ID可以通过one-hot编码的方式形成稀疏向量加入数据特征训练，目的是进一步挖掘用户、商铺以及商品之间的关联和相似性。

四. 模型建立

鉴于训练数据中存在少量缺失的情况，为尽可能多的利用原始数据，建议采用树模型进行建模。本项目采用的是xgboost，catboost和lightgbm，不仅仅是由于他们可以直接处理缺失数据，更因为在多种预测项目中他们的出色表现。
本次项目中，计划以以上三种模型为基础，通过在不同训练集上训练多个子模型后进行融合后形成增强模型，从而得到最终预测结果

1. 训练/测试集的构造
将原始训练数据集按4:1的比例分出训练集和测试集，同时需要保证正负样本在训练集和测试集中比例一致。我们采用了StratifiedKFold函数，而没有用sklearn中的train_test_split。通过StratifiedKFold将数据进行5折交叉切分，即其中的任一一份作为测试集，这样就得到5个交叉训练集和测试集。
同时，我们对原始数据集统计发现正负样本的比例约为1:15.4，根据经验可以不对该数据集进行采样处理，可以直接进行训练。

2. 模型构建

根据得到的5个训练集和测试集，分别训练xgboost、catboost和lightgbm，通过参数调整优化，一共得到15个子模型。

xgboost

xgb = XGBClassifier(n_estimators=n_xgb, max_depth=depth_xgb, 
								learning_rate=lr_xgb, min_child_weight=child_weight, 
								eval_metric='auc', reg_lambda=reg, 
								random_state=10, n_jobs=-1)
xgb.fit(trainX[i],trainY[i],eval_set=[(testX[i],testY[i])],
		early_stopping_rounds=num_stop,eval_metric='auc')
 print(xgb.evals_result_)

catboost
catboost是基于gbdt专门对categorial feature进行了优化的优秀模型，这次训练中存在user_id，merchant_id等类别特征有待训练，这也是我们选取该模型的原因之一

cat = CatBoostClassifier(learning_rate=lr_cat, iterations=n_cat, eval_metric='AUC', 
						od_wait=num_stop, od_type='Iter', random_state=10, 
						depth=depth_cat, thread_count=8, l2_leaf_reg=reg)
cat.fit(trainX[i], trainY[i], eval_set=[(testX[i], testY[i])], early_stopping_rounds=num_stop,
        use_best_model=True,cat_features=cat_features)
print(cat.evals_result_)

lightgbm

lgbm = LGBMClassifier(n_estimators=n_lgbm,objective='binary',num_leaves=31,
					  max_depth=depth_lgbm,learning_rate=lr_lgbm,
					   reg_lambda=reg,metric=['auc'], random_state=10,n_jobs=-1)
lgbm.fit(trainX[i],trainY[i],eval_set=[(testX[i],testY[i])],early_stopping_rounds=num_stop,
		 eval_metric='auc',  categorical_feature=cat_features)
print(lgbm.evals_result_)

3. 模型融合
在完成所有模型的训练后，利用测试数据集得到预测概率值，之后我们利用逻辑回归二分类中sigmoid反函数先取得返还值，再求平均。最后再用sigmoid函数求得概率值得到最终融合结果。

def sigmoid_ver(x):
    return np.log(x/(1-x))
def sigmoid(x):
    return 1/(1 + np.e**(-x))

pred_t = np.zeros(len(predict))
for i in range(5):
     pred_t += (sigmoid_ver(pred_lgbms[i]) + sigmoid_ver(pred_cats[i]) + sigmoid_ver(pred_xgbs[i]))
 result = sigmoid(pred_t/15)

五. 总结

本次项目实战中通过部分技巧提升了模型整体的预测精度，最终线上测试的成绩还不错。限于时间原因，后续仍有可改善的空间：

1. 提取特征的进一步筛选，不断优化模型
2. 缺失数据可用众数、中位数或均值进行替代，再训练模型对比

本文源码链接：https://github.com/cloudinwalk/tmall-repeat-buyer-prediction