Release Time:2020-04-09  Hits:

Indexed by: Journal Article

Date of Publication: 2019-02-22

Journal: 山东大学学报（理学版）

Included Journals: PKU

Volume: 54

Issue: 3

Page Number: 38-45

ISSN: 1671-9352

Key Words: 用户成长值;用户画像;特征提取;半监督回归;模型融合

Abstract: 用户成长值反映用户粘性,预测用户成长值有助于实现精准营销.聚焦用户成长性画像研究,针对用户原始数据记录复杂多样、难以提取有效特征的问题,通过散点图分析挖掘影响用户成长值的因素,提取行为特征和相对稳定的时间特征,并对比基于树的特征筛选算法和L1范数进行特征筛选.针对已标注成长值的用户数据不足问题,改进COREG算法,通过半监督学习模型丰富训练数据,提高模型的预测准确度,同时降低原算法的时间复杂度,最后采用模型融合整合不同模型的优势.在CSDN博客平台提供的SMP CUP 2017数据集上进行实验,结果表明,建立的模型有效地提高了泛化能力和预测准确度.