CN117151775B - 基于集成学习和神经网络的用户成交预测方法 - Google Patents

基于集成学习和神经网络的用户成交预测方法 Download PDF

Info

Publication number
CN117151775B
CN117151775B CN202311402220.2A CN202311402220A CN117151775B CN 117151775 B CN117151775 B CN 117151775B CN 202311402220 A CN202311402220 A CN 202311402220A CN 117151775 B CN117151775 B CN 117151775B
Authority
CN
China
Prior art keywords
transaction
module
user
data
calculation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311402220.2A
Other languages
English (en)
Other versions
CN117151775A (zh
Inventor
贾玉梅
杨松帆
严清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deruihua Technology Beijing Co ltd
Original Assignee
Deruihua Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Deruihua Technology Beijing Co ltd filed Critical Deruihua Technology Beijing Co ltd
Priority to CN202311402220.2A priority Critical patent/CN117151775B/zh
Publication of CN117151775A publication Critical patent/CN117151775A/zh
Application granted granted Critical
Publication of CN117151775B publication Critical patent/CN117151775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用户成交预测方法领域，尤其涉及基于集成学习和神经网络的用户成交预测方法，包括以下预测步骤：S1、当有用户访问商品信息时，用户成交结果预测系统能够调动用户数据采集模块对用户公开的购买信息进行采集，并能够利用交易数据采集模块对用户成交结果预测系统近段时间的该商品的交易数据进行采集，同时通过市场数据采集模块可以对市场上正售的该类商品的交易信息与商品数据进行采集，实现成交预测数据的采集，本发明通过数据对比模块能够将该用户的往期购买行为与其余已成交用户的购买行为进行数据对比，从而能够为后续的用户成交概率预测与本次成交方式演算提供详尽准确的挤出数据支持，大幅提升了最终预测结果的准确性。

Description

基于集成学习和神经网络的用户成交预测方法
技术领域
本发明涉及用户成交预测方法领域，尤其涉及基于集成学习和神经网络的用户成交预测方法。
背景技术
在现有的商品销售中，销售人员采用相同的销售策略对所有用户进行销售，然而，不同的用户购买目标对象的成交概率是不同的，因此，如何确定出用户购买目标对象的成交概率，使得销售人员基于成交概率选择不同的销售策略对不同用户进行销售具有重要意义，而基于集成学习和神经网络的大数据演算则可能会成为在销售过程中的有力推手，为了应对种类繁多的待售产品以及达到更高售出率，双向解决用户与销售平台的各自问题，达到合作双赢，为此我们提出一种基于集成学习和神经网络的用户成交预测方法。
发明内容
本发明的目的是为了解决背景技术中存在的缺点，而提出的基于集成学习和神经网络的用户成交预测方法。
为达到以上目的，本发明采用的技术方案为：基于集成学习和神经网络的用户成交预测方法，包括以下预测步骤：
S1、当有用户访问商品信息时，用户成交结果预测系统能够调动用户数据采集模块对用户公开的购买信息进行采集，并能够利用交易数据采集模块对用户成交结果预测系统近段时间的该商品的交易数据进行采集，同时通过市场数据采集模块可以对市场上正售的该类商品的交易信息与商品数据进行采集，实现成交预测数据的采集；
S2、通过数据处理系统中的数据接收模块能够对数据采集系统所采集的数据进行接收，并会将其转至整合学习分析模块中，利用整合学习分析模块可以对所采集的数据进行分类整合，当整合完成后，通过数据对比模块能够将该用户的往期购买行为与其余已成交用户的购买行为进行数据对比，对用户成交结果预测系统该商品的销售数据与其余平台该商品的销售数据进行对比，对该用户的购买习惯与此刻状态进行对比；
S3、当数据对比完成后，通过数据权重分类模块能够对对比后的数据进行按照权重对数据进行分类整合，之后利用权重占比计算模块可以根据各项数据的预估权重占比对各项数据进行计算，从而得出最终的用户成交概率，通过计算结果显示模块能够将该用户的成交概率显示出来；
S4、在成交概率演算的过程中，通过概率同步演算系统可以根据用户的后续访问过程对成交概率进行同步演算，并利用成交结果计算系统进行实时计算与显示；
S5、在对用户的成交概率进行演算预测的同时，通过成交方式分析模块能够根据数据采集系统采集到的用户购买习惯与已成交的交易流程方式对本次交易的成交方式进行推演与分析，同时能够对用户成交结果预测系统与本商品以及该用户的各时段成交量与成交方式进行分析，利用成交类别分析模块能够根据该商品的类别对商品特征与卖点进行分析；
S6、通过成交流程演算模块针对该用户进行成交流程的基本演算，当成交流程演算流程完成后，会将其上传至概率同步演算系统进行同步演算，从而对该成交流程进行成交概率分析，从而辅助工作人员进行交易。
优选的，所述用户成交结果预测系统包括中央处理器、数据采集系统、数据处理系统、成交结果计算系统、概率同步演算系统和成交方式演算系统，所述中央处理器与数据采集系统、数据处理系统、成交结果计算系统、概率同步演算系统和成交方式演算系统均相连接。
优选的，所述中央处理器连接有数据采集系统，所述数据采集系统连接有数据处理系统，所述数据处理系统连接有成交结果计算系统，所述成交结果计算系统连接有概率同步演算系统，所述概率同步演算系统连接有成交方式演算系统。
优选的，所述数据采集系统包括用户数据采集模块、交易数据采集模块和市场数据采集模块，所述用户数据采集模块连接有交易数据采集模块，所述交易数据采集模块连接有市场数据采集模块。
优选的，所述数据处理系统包括数据接收模块、整合学习分析模块和数据对比模块，所述数据接收模块连接有整合学习分析模块，所述整合学习分析模块连接有数据对比模块。
优选的，所述成交结果计算系统包括数据权重分类模块、权重占比计算模块和计算结果显示模块，所述数据权重分类模块连接有权重占比计算模块，所述权重占比计算模块连接有计算结果显示模块。
优选的，所述成交方式演算系统包括成交方式分析模块、成交时段分析模块、成交类别分析模块和成交流程演算模块，所述成交方式分析模块连接有成交时段分析模块，所述成交时段分析模块连接有成交类别分析模块，所述成交类别分析模块连接有成交流程演算模块。
优选的，所述用户数据采集模块、交易数据采集模块和市场数据采集模块均设置有若干个采集单元。
优选的，所述整合学习分析模块针对数据采集系统所采集的数据的分析计算方式为：
输入：采集数据D＝{(x1，y1)，(x2，y2)，……，(xm，ym)}；
基础学习算法
计算轮数Τ；
过程：
1.FOR t等于1，2，……，Τdo
2.
3.END FOR
输出：
优选的，所述成交结果计算系统进行成交结果计算时，通过加权平均法进行最终成交概率结果计算，计算公式如下：
要求
与现有技术相比，本发明具有以下有益效果：
1、当有用户访问商品信息时，用户成交结果预测系统能够调动用户数据采集模块实现成交预测数据的采集，之后通过数据处理系统中的数据接收模块能够对数据采集系统所采集的数据进行接收，并会将其转至整合学习分析模块中，利用整合学习分析模块可以对所采集的数据进行分类整合，并通过数据对比模块能够将该用户的往期购买行为与其余已成交用户的购买行为进行数据对比，对用户成交结果预测系统该商品的销售数据与其余平台该商品的销售数据进行对比，对该用户的购买习惯与此刻状态进行对比，从而能够为后续的用户成交概率预测与本次成交方式演算提供详尽准确的挤出数据支持，大幅提升了最终预测结果的准确性。
2、当数据对比完成后，通过数据权重分类模块能够对对比后的数据进行按照权重对数据进行分类整合，之后利用权重占比计算模块可以根据各项数据的预估权重占比对各项数据进行计算，从而得出最终的用户成交概率，通过计算结果显示模块能够将该用户的成交概率显示出来，在成交概率演算的过程中，通过概率同步演算系统可以根据用户的后续访问过程对成交概率进行同步演算，并利用成交结果计算系统进行实时计算与显示，使得在与用户沟通时，工作人员能够更加清楚的把握此次交易，大幅提高了交易过程的效率。
3、通过成交方式分析模块能够根据数据采集系统采集到的用户购买习惯与已成交的交易流程方式对本次交易的成交方式进行推演与分析，同时能够对用户成交结果预测系统与本商品以及该用户的各时段成交量与成交方式进行分析，利用成交类别分析模块能够根据该商品的类别对商品特征与卖点进行分析，之后通过成交流程演算模块可以针对该用户进行成交流程的基本演算，使得工作人员能够更加轻松自如的与用户交流沟通，并使其能够更好的为用户进行产品介绍，同时能够有效提升最终成交的概率。
4、当成交流程演算流程完成后，会将其上传至概率同步演算系统进行同步演算，从而对该成交流程进行成交概率分析，从而辅助工作人员进行交易，通过对演算的成交方式的模拟验算，能够在保证一定成功率的基础上对工作人员进行引导，使得工作人员能够更加从容的应对用户，同时能够使对该用户的此次交易的概率预测更加的严谨，有利于实际使用。
附图说明
图1为本发明基于集成学习和神经网络的用户成交预测方法的用户成交结果预测系统架构示意图；
图2为本发明基于集成学习和神经网络的用户成交预测方法的数据采集系统架构示意图；
图3为本发明基于集成学习和神经网络的用户成交预测方法的数据处理系统架构示意图；
图4为本发明基于集成学习和神经网络的用户成交预测方法的成交结果计算系统架构示意图；
图5为本发明基于集成学习和神经网络的用户成交预测方法的成交方式演算系统架构示意图；
图6为本发明基于集成学习和神经网络的用户成交预测方法的用户成交结果预测流程示意图；
图7为本发明基于集成学习和神经网络的用户成交预测方法的用户成交方式预测流程示意图。
1、用户成交结果预测系统；11、中央处理器；12、数据采集系统；121、用户数据采集模块；122、交易数据采集模块；123、市场数据采集模块；13、数据处理系统；131、数据接收模块；132、整合学习分析模块；133、数据对比模块；14、成交结果计算系统；141、数据权重分类模块；142、权重占比计算模块；143、计算结果显示模块；15、概率同步演算系统；16、成交方式演算系统；161、成交方式分析模块；162、成交时段分析模块；163、成交类别分析模块；164、成交流程演算模块。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
如图1-图7所示的基于集成学习和神经网络的用户成交预测方法，包括以下预测步骤：
S1、当有用户访问商品信息时，用户成交结果预测系统1能够调动用户数据采集模块121对用户公开的购买信息进行采集，并能够利用交易数据采集模块122对用户成交结果预测系统1近段时间的该商品的交易数据进行采集，同时通过市场数据采集模块123可以对市场上正售的该类商品的交易信息与商品数据进行采集，实现成交预测数据的采集；
S2、通过数据处理系统13中的数据接收模块131能够对数据采集系统12所采集的数据进行接收，并会将其转至整合学习分析模块132中，利用整合学习分析模块132可以对所采集的数据进行分类整合，当整合完成后，通过数据对比模块133能够将该用户的往期购买行为与其余已成交用户的购买行为进行数据对比，对用户成交结果预测系统1该商品的销售数据与其余平台该商品的销售数据进行对比，对该用户的购买习惯与此刻状态进行对比；
S3、当数据对比完成后，通过数据权重分类模块141能够对对比后的数据进行按照权重对数据进行分类整合，之后利用权重占比计算模块142可以根据各项数据的预估权重占比对各项数据进行计算，从而得出最终的用户成交概率，通过计算结果显示模块143能够将该用户的成交概率显示出来；
S4、在成交概率演算的过程中，通过概率同步演算系统15可以根据用户的后续访问过程对成交概率进行同步演算，并利用成交结果计算系统14进行实时计算与显示；
S5、在对用户的成交概率进行演算预测的同时，通过成交方式分析模块161能够根据数据采集系统12采集到的用户购买习惯与已成交的交易流程方式对本次交易的成交方式进行推演与分析，同时能够对用户成交结果预测系统1与本商品以及该用户的各时段成交量与成交方式进行分析，利用成交类别分析模块163能够根据该商品的类别对商品特征与卖点进行分析；
S6、通过成交流程演算模块164针对该用户进行成交流程的基本演算，当成交流程演算流程完成后，会将其上传至概率同步演算系统15进行同步演算，从而对该成交流程进行成交概率分析，从而辅助工作人员进行交易。
用户成交结果预测系统1包括中央处理器11、数据采集系统12、数据处理系统13、成交结果计算系统14、概率同步演算系统15和成交方式演算系统16，中央处理器11与数据采集系统12、数据处理系统13、成交结果计算系统14、概率同步演算系统15和成交方式演算系统16均相连接。
中央处理器11连接有数据采集系统12，数据采集系统12连接有数据处理系统13，数据处理系统13连接有成交结果计算系统14，成交结果计算系统14连接有概率同步演算系统15，概率同步演算系统15连接有成交方式演算系统16。
数据采集系统12包括用户数据采集模块121、交易数据采集模块122和市场数据采集模块123，用户数据采集模块121连接有交易数据采集模块122，交易数据采集模块122连接有市场数据采集模块123。
数据处理系统13包括数据接收模块131、整合学习分析模块132和数据对比模块133，数据接收模块131连接有整合学习分析模块132，整合学习分析模块132连接有数据对比模块133。
成交结果计算系统14包括数据权重分类模块141、权重占比计算模块142和计算结果显示模块143，数据权重分类模块141连接有权重占比计算模块142，权重占比计算模块142连接有计算结果显示模块143。
成交方式演算系统16包括成交方式分析模块161、成交时段分析模块162、成交类别分析模块163和成交流程演算模块164，成交方式分析模块161连接有成交时段分析模块162，成交时段分析模块162连接有成交类别分析模块163，成交类别分析模块163连接有成交流程演算模块164。
用户数据采集模块121、交易数据采集模块122和市场数据采集模块123均设置有若干个采集单元x，y。
整合学习分析模块132针对数据采集系统12所采集的数据的分析计算方式为：
输入：采集数据D＝{(x1，y1)，(x2，y2)，……，(xm，ym)}；
基础学习算法
计算轮数Τ；
过程：
1.FOR t等于1，2，……，Τdo
2.
3.END FOR
输出：
成交结果计算系统14进行成交结果计算时，通过加权平均法进行最终成交概率结果计算，计算公式如下：
要求
工作原理：
当有用户访问商品信息时，用户成交结果预测系统1能够调动用户数据采集模块121对用户公开的购买信息进行采集，并能够利用交易数据采集模块122对用户成交结果预测系统1近段时间的该商品的交易数据进行采集，同时通过市场数据采集模块123可以对市场上正售的该类商品的交易信息与商品数据进行采集，实现成交预测数据的采集，之后通过数据处理系统13中的数据接收模块131能够对数据采集系统12所采集的数据进行接收，并会将其转至整合学习分析模块132中，利用整合学习分析模块132可以对所采集的数据进行分类整合，当整合完成后，通过数据对比模块133能够将该用户的往期购买行为与其余已成交用户的购买行为进行数据对比，对用户成交结果预测系统1该商品的销售数据与其余平台该商品的销售数据进行对比，对该用户的购买习惯与此刻状态进行对比，当数据对比完成后，通过数据权重分类模块141能够对对比后的数据进行按照权重对数据进行分类整合，之后利用权重占比计算模块142可以根据各项数据的预估权重占比对各项数据进行计算，从而得出最终的用户成交概率，通过计算结果显示模块143能够将该用户的成交概率显示出来，在成交概率演算的过程中，通过概率同步演算系统15可以根据用户的后续访问过程对成交概率进行同步演算，并利用成交结果计算系统14进行实时计算与显示，在对用户的成交概率进行演算预测的同时，通过成交方式分析模块161能够根据数据采集系统12采集到的用户购买习惯与已成交的交易流程方式对本次交易的成交方式进行推演与分析，同时能够对用户成交结果预测系统1与本商品以及该用户的各时段成交量与成交方式进行分析，利用成交类别分析模块163能够根据该商品的类别对商品特征与卖点进行分析，之后通过成交流程演算模块164可以针对该用户进行成交流程的基本演算，当成交流程演算流程完成后，会将其上传至概率同步演算系统15进行同步演算，从而对该成交流程进行成交概率分析，从而辅助工作人员进行交易。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (9)

1.基于集成学习和神经网络的用户成交预测方法，其特征在于：包括以下预测步骤：
S1、当有用户访问商品信息时，用户成交结果预测系统(1)能够调动用户数据采集模块(121)对用户公开的购买信息进行采集，并能够利用交易数据采集模块(122)对用户成交结果预测系统(1)近段时间的该商品的交易数据进行采集，同时通过市场数据采集模块(123)可以对市场上正售的该类商品的交易信息与商品数据进行采集，实现成交预测数据的采集；
S2、通过数据处理系统(13)中的数据接收模块(131)能够对数据采集系统(12)所采集的数据进行接收，并会将其转至整合学习分析模块(132)中，利用整合学习分析模块(132)可以对所采集的数据进行分类整合，当整合完成后，通过数据对比模块(133)能够将该用户的往期购买行为与其余已成交用户的购买行为进行数据对比，对用户成交结果预测系统(1)该商品的销售数据与其余平台该商品的销售数据进行对比，对该用户的购买习惯与此刻状态进行对比；
S3、当数据对比完成后，通过数据权重分类模块(141)能够对对比后的数据进行按照权重对数据进行分类整合，之后利用权重占比计算模块(142)可以根据各项数据的预估权重占比对各项数据进行计算，从而得出最终的用户成交概率，通过计算结果显示模块(143)能够将该用户的成交概率显示出来；
S4、在成交概率演算的过程中，通过概率同步演算系统(15)可以根据用户的后续访问过程对成交概率进行同步演算，并利用成交结果计算系统(14)进行实时计算与显示；
S5、在对用户的成交概率进行演算预测的同时，通过成交方式分析模块(161)能够根据数据采集系统(12)采集到的用户购买习惯与已成交的交易流程方式对本次交易的成交方式进行推演与分析，同时能够对用户成交结果预测系统(1)与本商品以及该用户的各时段成交量与成交方式进行分析，利用成交类别分析模块(163)能够根据该商品的类别对商品特征与卖点进行分析；
S6、通过成交流程演算模块(164)针对该用户进行成交流程的基本演算，当成交流程演算流程完成后，会将其上传至概率同步演算系统(15)进行同步演算，从而对该成交流程进行成交概率分析，从而辅助工作人员进行交易。
2.根据权利要求1所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述用户成交结果预测系统(1)包括中央处理器(11)、数据采集系统(12)、数据处理系统(13)、成交结果计算系统(14)、概率同步演算系统(15)和成交方式演算系统(16)，所述中央处理器(11)与数据采集系统(12)、数据处理系统(13)、成交结果计算系统(14)、概率同步演算系统(15)和成交方式演算系统(16)均相连接。
3.根据权利要求2所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述中央处理器(11)连接有数据采集系统(12)，所述数据采集系统(12)连接有数据处理系统(13)，所述数据处理系统(13)连接有成交结果计算系统(14)，所述成交结果计算系统(14)连接有概率同步演算系统(15)，所述概率同步演算系统(15)连接有成交方式演算系统(16)。
4.根据权利要求2所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述数据采集系统(12)包括用户数据采集模块(121)、交易数据采集模块(122)和市场数据采集模块(123)，所述用户数据采集模块(121)连接有交易数据采集模块(122)，所述交易数据采集模块(122)连接有市场数据采集模块(123)。
5.根据权利要求2所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述数据处理系统(13)包括数据接收模块(131)、整合学习分析模块(132)和数据对比模块(133)，所述数据接收模块(131)连接有整合学习分析模块(132)，所述整合学习分析模块(132)连接有数据对比模块(133)。
6.根据权利要求2所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述成交结果计算系统(14)包括数据权重分类模块(141)、权重占比计算模块(142)和计算结果显示模块(143)，所述数据权重分类模块(141)连接有权重占比计算模块(142)，所述权重占比计算模块(142)连接有计算结果显示模块(143)。
7.根据权利要求2所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述成交方式演算系统(16)包括成交方式分析模块(161)、成交时段分析模块(162)、成交类别分析模块(163)和成交流程演算模块(164)，所述成交方式分析模块(161)连接有成交时段分析模块(162)，所述成交时段分析模块(162)连接有成交类别分析模块(163)，所述成交类别分析模块(163)连接有成交流程演算模块(164)。
8.根据权利要求1所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述用户数据采集模块(121)、交易数据采集模块(122)和市场数据采集模块(123)均设置有若干个采集单元(x，y)。
9.根据权利要求1所述的基于集成学习和神经网络的用户成交预测方法，其特征在于：所述成交结果计算系统(14)进行成交结果计算时，通过加权平均法进行最终成交概率结果计算，计算公式如下：
要求wi ≥0,
CN202311402220.2A 2023-10-27 2023-10-27 基于集成学习和神经网络的用户成交预测方法 Active CN117151775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311402220.2A CN117151775B (zh) 2023-10-27 2023-10-27 基于集成学习和神经网络的用户成交预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311402220.2A CN117151775B (zh) 2023-10-27 2023-10-27 基于集成学习和神经网络的用户成交预测方法

Publications (2)

Publication Number Publication Date
CN117151775A CN117151775A (zh) 2023-12-01
CN117151775B true CN117151775B (zh) 2024-01-30

Family

ID=88884529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311402220.2A Active CN117151775B (zh) 2023-10-27 2023-10-27 基于集成学习和神经网络的用户成交预测方法

Country Status (1)

Country Link
CN (1) CN117151775B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN110570251A (zh) * 2019-09-11 2019-12-13 瞿秋昱 一种基于大数据的用户购买意愿预测系统及其方法
CN113095861A (zh) * 2020-01-08 2021-07-09 浙江大搜车软件技术有限公司 目标对象成交概率的预测方法、装置、设备及存储介质
CN116402577A (zh) * 2023-04-03 2023-07-07 陕西中睿荣晟信息科技有限公司 一种基于网络购物的交易信息读取方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230281635A1 (en) * 2022-03-03 2023-09-07 Worldpay, Llc Systems and methods for predictive analysis of electronic transaction representment data using machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN110570251A (zh) * 2019-09-11 2019-12-13 瞿秋昱 一种基于大数据的用户购买意愿预测系统及其方法
CN113095861A (zh) * 2020-01-08 2021-07-09 浙江大搜车软件技术有限公司 目标对象成交概率的预测方法、装置、设备及存储介质
CN116402577A (zh) * 2023-04-03 2023-07-07 陕西中睿荣晟信息科技有限公司 一种基于网络购物的交易信息读取方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络的电子商务平台重复购买客户预测;解姗姗;;长春工程学院学报(自然科学版)(01);全文 *

Also Published As

Publication number Publication date
CN117151775A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
TWI772673B (zh) 行業識別模型確定方法和裝置
CN102890803B (zh) 电子商品异常交易过程的确定方法及其装置
Zhao et al. Sales forecast in e-commerce using convolutional neural network
CN108665311B (zh) 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法
CN109670546B (zh) 一种基于预设模板的商品匹配及数量回归识别算法
CN107767191A (zh) 一种基于医药大数据预测药品销售趋势的方法
CN108550047A (zh) 交易量的预测方法及装置
CN102629341B (zh) 一种基于用户地理位置信息的Web服务QoS在线预测方法
CN112308124B (zh) 一种面向用电信息采集系统的智能防窃电方法
CN114519610A (zh) 信息预测方法以及装置
Jank et al. An automated and data-driven bidding strategy for online auctions
CN109697636A (zh) 一种商户推荐方法、商户推荐装置、电子设备和介质
TW201800987A (zh) 問題推薦方法及設備
CN117710054B (zh) 线上商城商品智能化展示系统
CN103309885B (zh) 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置
CN114663167A (zh) 基于拍品信息的估价方法、装置、电子设备及存储介质
CN117151775B (zh) 基于集成学习和神经网络的用户成交预测方法
CN118115189A (zh) 航空物流成本预测方法、装置及存储介质
CN110428281B (zh) 针对多种关联产品联合确定对等资源量的方法和装置
CN116151857A (zh) 一种营销模型的构建方法及装置
CN108446923B (zh) 一种基于自助式劳务众包平台的任务定价方法
CN113763032B (zh) 一种商品购买意愿识别方法及装置
CN112581188A (zh) 工程项目投标报价预测模型构建方法、预测方法及模型
CN110751492A (zh) 一种高价值人群识别方法和装置
CN110210692A (zh) 一种商户模式识别方法、装置、存储介质及终端设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 101149 Room 101-410, 4th Floor, Building 23, No. A1 Guanghua Road, Tongzhou District, Beijing

Patentee after: Deruihua Technology (Beijing) Co.,Ltd.

Country or region after: China

Address before: 119-51, 1st Floor, Block B, Building 1, No. 9 Dazhongsi East Road, Haidian District, Beijing, 100080

Patentee before: Deruihua Technology (Beijing) Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address