点击次数：

论文类型：期刊论文

发表时间：2019-02-22

发表刊物：山东大学学报（理学版）

收录刊物：PKU

卷号：54

期号：3

页面范围：38-45

ISSN号：1671-9352

关键字：用户成长值;用户画像;特征提取;半监督回归;模型融合

摘要：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.