基于用户行为及环境信息的智能货柜复购预测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115409577A(43)申请公布日2022.11.29(21)申请号202211058391.3(22)申请日2022.08.31(71)申请人拓元（广州）智慧科技有限公司地址511455广东省广州市南沙区丰泽东路106号（自编1号楼）X1301-B013290(72)发明人龚科陈子良陈添水(51)Int.Cl.G06Q30/06(2012.01)G06Q30/02(2012.01)G06K9/62(2022.01)权利要求书3页说明书7页附图1页(54)发明名称基于用户行为及环境信息的智能货柜复购预测方法及系统(57)摘要本发明提供了一种基于用户行为及环境信息的智能货柜复购预测方法及系统，所述方法包括：S1、数据收集及预处理：从智能货柜中收集所有用户的基本信息和历史订单信息，并获取每笔历史订单的环境信息，根据上述信息得到融合了环境信息的用户画像数据，即环境用户画像数据；其中，所述环境信息包括订单成交时的天气信息、日期信息和周边竞品信息；S2、特征构建及筛选；S3、模型训练和验证；S4、复购行为预测。本发明充分挖掘无人零售场景下的用户画像，并引入环境信息作为用户历史购买行为的上下文补充，能够实现精确识别复购用户，对营销策略产生积极的指导意义。CN115409577ACN115409577A权利要求书1/3页1.一种基于用户行为及环境信息的智能货柜复购预测方法，其特征在于，包括以下步骤：S1、数据收集及预处理：从智能货柜中收集所有用户的基本信息和历史订单信息，并获取每笔历史订单的环境信息，根据上述信息得到融合了环境信息的用户画像数据，即环境用户画像数据；其中，所述环境信息包括订单成交时的天气信息、日期信息和周边竞品信息；S2、特征构建及筛选：将S1中生成的环境用户画像数据转换成连续型或离散型数值特征，拼接之后得到用户特征向量；通过人为设计的特征交叉规则对用户特征向量进行扩充，输出扩充后的用户特征向量集合；对扩充后的用户特征向量集合中的特征进行筛选，计算特征重要性并降序排列，删除重要性低于一定阈值的特征，得到最终的用户特征向量集合；S3、模型训练和验证：建立模型，基于S2中筛选后的特征拟合用户复购行为，对一定时间后的用户复购概率进行预测；并通过交叉验证法或者留一法进行模型验证和参数选择，得到最终模型M；S4、复购行为预测：调用最终模型M对用户的复购率进行预测，并更新到智能货柜的后台数据库。2.根据权利要求1所述的基于用户行为及环境信息的智能货柜复购预测方法，其特征在于，所述S1具体包括以下步骤：S101、从智能货柜的线上日志中提取所有用户的基本信息和历史订单信息；S102、根据用户的注册时间和历史购买时间筛选出活跃用户，输出活跃用户集合U；S103、针对活跃用户集合U中的用户，获取其人口属性，并通过用户ID检索得到历史订单信息；基于上述信息构建用户画像数据，并以用户ID为索引输出；S104、基于爬虫技术，爬取每笔历史订单成交时的天气信息、日期信息和周边竞品信息；基于上述信息构建订单环境数据，并以订单ID为索引输出；S105、将用户画像数据和订单环境数据以(用户ID，订单ID)的对应关系进行组合，得到结构化的环境用户画像数据，并上传到本地或云端储存介质。3.根据权利要求2所述的基于用户行为及环境信息的智能货柜复购预测方法，其特征在于，所述人口属性包括性别、年龄、昵称、是否开通免密支付；所述历史订单信息包括每个订单的购买时间、订单内已购商品列表、每种已购商品的单价和数量；所述日期信息包括订单成交日期是否为周末或法定节假日；所述周边竞品信息包括周边便利店数量以及竞品价格。4.根据权利要求3所述的基于用户行为及环境信息的智能货柜复购预测方法，其特征在于，所述S102具体包括以下步骤：S1021、根据用户注册时长，区分新用户和非新用户；S1022、根据最近一段周期内有无购买行为，从非新用户中区分活跃用户和静止用户。5.根据权利要求3所述的基于用户行为及环境信息的智能货柜复购预测方法，其特征在于，在S1021中，区分新用户和非新用户的方法为：选取某个月份作为起始月份，计算起始月份的注册用户在后续若干个月份的留存率，当从某个月份开始留存率趋于稳定时，计算该月份和起始月份的差值，作为新用户观察期；2CN115409577A权利要求书2/3页注册时间超过所述新用户观察期后，还存在购买行为的用户，定义为非新用户，其余为新用户。6.根据权利要求3所述的基于用户行为及环境信息的智能货柜复购预测方法，其特征在于，在S1022中，从非新用户中区分活跃用户和静止用户的方法为：计算用户N+1月购买率，其中，用户N+1月购买率的定义为：用户连续N个月未发生购买行为，且在第N+1个月发生购买行为的概