天猫复购预测-挑战赛—

type

Post

status

Published

summary

根据原数据构建了67个特征，尝试了多种算法和多次参数调优最终得分0.6925，记录过程分享一下。感觉数据指标还可以再优化，调参也还有进步空间，可以进一步优化提升。

slug

compete-tianmao-repurchase-predict

date

Oct 30, 2023

整体思路

比赛项目本质是一个二分类任务，而根据官方提供的数据，无法直接进行建模，所以第一步就是构建模型指标体系；第二步处理数据，最后进行建模。

数据挖掘有一句话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。所以整个项目的难点主要是在第一步。现在数据有了，我们的工作就是根据已有数据构建优质特征。那如何构建相对优质的特征呢？

这个问题没有系统性答案，不过总结来说，除了请教业务专家之外，还是要结合业务具体分析。比如针对当前任务来说，什么样的客户更有可能会产生复购行为呢？可以结合我们自己的购物习惯来分析。

用户购买能力：用户购买频率，用户整体转化率，用户购买偏好等

用户购买偏好：用户的忠诚度、消费商家范围等

商家受欢迎程度：体现在商家的复购率，用户转化率等

以上只是简单的列举，可以进一步扩散思考。而一些相同的特征可以对用户、商家、用户-商家都进行统计，以获取更多的数据知识供模型学习。

特征构建

根据官方数据 data_format1 进行特征构建，构建特征的大致思路为：

基础数据：用户 Id、商家 Id、年龄、性别

用户行为数据：根据用户 Id 进行分组统计相关数据

商家行为数据：根据商家 Id 进行分组统计相关数据

用户与商家的交互数据：根据用户 Id 和商家 Id 分组进行相关统计

最终的数据字段详见下表：

数据处理

构建好特征之后，需要将数据处理成相应的字段，这里的处理方式就看跟人习惯了。我的处理方式是：

根据用户 Id 分组，统计相关的用户行为特征；

根据商家 Id 分组，统计相关的商家行为特征；

从训练数据中拿出需要的用户 Id 和商家 Id，将前两步的数据拼接到训练数据上；

根据训练数据的用户 Id 和商家 Id 筛选出相关的数据，再统计交互数据（减少数据量加快计算），并将交互数据拼接；

处理计算过程中产生的 inf（♾️）

数据处理具体代码如下：


# 用日志数据聚合计算用户在商家的操作行为(用户与对应商家的交互数据)
def statistics(x,suf='_um'):
    x_valuse = x.values    # 将df转换为array,提升计算效率
    # display(x)
    
    result_base = {
        f'days{suf}': len(np.unique(x_valuse[:,5])),        # 交互天数
        f'counts{suf}': len(x_valuse[:,1]),                 # 日志数量
        f'brand_num{suf}': len(np.unique(x_valuse[:,4])),   # 品牌数量
        f'cat_num{suf}': len(np.unique(x_valuse[:,2])),     # 品类数量
        f'item_num{suf}': len(np.unique(x_valuse[:,1])),    # 商品数量
        f'action_type0{suf}': sum(x_valuse[:,6]==0),        # 点击量
        f'action_type1{suf}': sum(x_valuse[:,6]==1),        # 加购量
        f'action_type2{suf}': sum(x_valuse[:,6]==2),        # 购买量
        f'action_type3{suf}': sum(x_valuse[:,6]==3),        # 收藏量
        # 偏好程度: 以上四个值加权平均(购买0.5,加购\收藏0.2,点击0.1)
        f'action_type_weight{suf}': (sum(x_valuse[:,6]==0)*0.1 + (sum(x_valuse[:,6]==1)+sum(x_valuse[:,6]==3))*0.2 + sum(x_valuse[:,6]==2)*0.5),
        f'action_rate02{suf}': sum(x_valuse[:,6]==2)/sum(x_valuse[:,6]==0),        # 购买点击比
        f'action_rate12{suf}': sum(x_valuse[:,6]==2)/sum(x_valuse[:,6]==1),        # 购买加购比
        f'action_rate32{suf}': sum(x_valuse[:,6]==2)/sum(x_valuse[:,6]==3),        # 购买收藏比
        f'action_rate22{suf}': sum(x_valuse[:,6]==2)/sum(np.unique(x_valuse[:,5])) # 购买频率
    }
    
    def other_data(suf_inde):
        # 用户复购率 或 商家复购率
        unique, counts = np.unique(x_valuse[x_valuse[:,6]==2][:,suf_inde], return_counts=True)   # 购买数据去重统计
        result_base[f'repaet_rate{suf}'] = np.sum(counts>1) / len(unique)
        # 用户购买量与购买商家数量的比值 或 商家卖出量与购买用户数量的比值  (数值越大越忠诚)
        result_base[f'action_type4{suf}'] = sum(x_valuse[:,6]==2)/len(np.unique(x_valuse[x_valuse[:,6]==2][:,suf_inde]))
        
        pass
    

    if suf=='_u':      # 额外的用户数据
        result_base[f'merchant_num{suf}'] = len(np.unique(x_valuse[:,3]))   # 访问的商家数
        other_data(3)
    elif suf=='_m':    # 额外的商家数据
        result_base[f'user_num{suf}'] = len(np.unique(x_valuse[:,0]))       # 商家访问人数
        other_data(0)
    else:              # 额外的交互数据
        # 用户对商家是否有复购行为
        result_base[f'is_repaet{suf}'] = 1 if sum(x_valuse[:,6]==2)>1 else 0

    
    return pd.Series(result_base)


def concat_processing_data(data_format1):
    # ----- 连接用户数据,商家数据,基础信息,到标签数据 -----
    # 以用户标签数据为主, 连接用户信息
    data_info = data_format1.merge(user_info_format1,how='left',on='user_id')
    data_info['age_range'].fillna(0,inplace=True)   #缺失值用0取代(分段处理并用独热编码)
    data_info['gender'].fillna(2,inplace=True)      #缺失值用2取代(分段处理并用独热编码)
    data_info = data_info.join(pd.get_dummies(data_info.age_range, prefix = "age"))
    data_info = data_info.join(pd.get_dummies(data_info.gender, prefix = "gender"))
    data_info.drop(columns = ["age_range","gender"],inplace = True)
    # 将商家数据拼接到标签数据
    data_info = data_info.merge(merchant_actions_df,how='left',on='merchant_id')
    # 将用户数据拼接到标签数据
    data_info = data_info.merge(user_actions_df,how='left',on='user_id')
    print('输入数据形状:',data_format1.shape, '\n拼接用户基础信息,拼接商家总数据信息数据形状:',data_info.shape)
    
    # ----- 计算交互数据 -----
    # 筛选训练集需要的日志数据 , 用标签数据中的user_id,merchant_id来筛选日志数据(减小数据量,提高计算效率)
    user_id_unique = list(data_info['user_id'].unique())   # 获取训练集中的用户ID
    merchant_id_unique = list(data_info['merchant_id'].unique())   # 获取训练集中的商家ID
    new_user_log_format1 = user_log_format1.query('user_id==@user_id_unique and merchant_id==@merchant_id_unique')   # 筛选用户日志  
    print('用户总日志量数据形状:',user_log_format1.shape, '\n筛选之后日志量数据形状:',new_user_log_format1.shape)
    # 对筛选出来的数据进行聚合,统计用户与商家之间的互动数据(不区分双十一之前和当天)
    user_log_format1_gr = new_user_log_format1.groupby(['user_id','merchant_id']).apply(statistics)
    # display(user_log_format1_gr.head(1))
    print('筛选日志聚合数据形状:',user_log_format1_gr.shape)
    
    # ----- 交互数据合并到大部队 -----
    all_filed_data_df = data_info.merge(user_log_format1_gr, how='left', on=['user_id','merchant_id'])
    # 计算用户对某商家的操作占总操作的占比
    for i in range(4):
        all_filed_data_df[f'action_type{i}_um_u_rate'] = all_filed_data_df[f'action_type{i}_um'] / all_filed_data_df[f'action_type{i}_u']
        # all_filed_data_df[f'action_type{i}_um_m_rate'] = all_filed_data_df[f'action_type{i}_um'] / all_filed_data_df[f'action_type{i}_m']
    all_filed_data_df.fillna(0 ,inplace=True)
    print('最终数据形状', all_filed_data_df.shape)
    print('--'*50)
    
    all_filed_data_df = all_filed_data_df.replace([np.inf, -np.inf], np.nan).fillna(0)
    
    return all_filed_data_df


# 统计所有商家数据
merchant_actions_df = user_log_format1.groupby('merchant_id').apply(statistics, suf='_m').reset_index()
# 统计所有用户数据
user_actions_df = user_log_format1.groupby('user_id').apply(statistics, suf='_u').reset_index()

# 训练数据处理
# 拆分数据和标签
train_data_label_all = train_format1['label']   # 训练数据标签
train_data_value_all = train_format1[train_format1.columns.difference(['label'])]   # 训练数据----未处理的数据

# 训练数据处理
all_filed_data_df = concat_processing_data(train_data_value_all)

# 预测数据处理
forecast_data_value = test_format1[['user_id','merchant_id']]
all_forecast_data_df = concat_processing_data(forecast_data_value)

构建模型

模型构建就相对简单，按照既定流程推进即可。经过模型选择，参数调整，效果评估，最终是用所有训练数据进行训练，然后预测提交。

我最终选择的是 LightGBM，使用网格搜索 5 折交叉验证来调的参数。不过在训练时得出的 auc 分数会比提交的分数略低，可能是因为在调参时没有是用全部数据，最终预测的模型是使用了所有的训练数据导致的。

天猫复购预测-挑战赛——Top 0.5%

整体思路

特征构建

数据处理

构建模型