# 天猫复购预测-挑战Baseline

**Repository Path**: lilizlkhuuvyuv/Task

## Basic Information

- **Project Name**: 天猫复购预测-挑战Baseline
- **Description**: 任务是利用天猫用户行为日志，基于商家信息及“双十一”期间新消费者购买数据，预测这些新消费者在6个月内再次购买的概率，以识别可转化为忠实客户的群体。通过分析用户行为特征，构建预测模型，助力商家精准定位潜在忠诚客户，降低促销成本，提升投资回报率，解决促销活动中一次性消费者占比高、缺乏长远销售增长助力的问题。
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-06-20
- **Last Updated**: 2025-12-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README




# 天猫复购预测
> 本项目是基于国内知名机器学习竞赛网站TIANCHI（天池）上的入门项目“天猫复购预测之挑战Baseline”所搭建的机器学习模型，本模型将根据商家和消费者的相关信息，预测给定的商家中新消费者在未来6个月内再次购买的概率。    
> 相关信息详见：https://tianchi.aliyun.com/competition/entrance/231576/information
---

## 官方文件
> data_format1.zip - 原始数据集，格式1    
> data_format2.zip - 原始数据集，格式2    
> sample_submission.csv - 提交样例，需要提交至官方进行测试的文件模板    
> 注：本项目中完全相同的数据集以两种不同的格式进行了组织和存储，相对地，data_format1.zip中的数据组织形式可能更便于进行特征工程以及模型训练。    
---

## 数据集
> 原始数据集中包含了匿名用户在 "双十一 "前6个月和"双十一 "当天的购物记录，标签为是否是重复购买者。训练集和测试集数据见文件data_format2.zip，数据详情见下表。    
>     
> ***用户购买信息总表***
> | 字段名称 | 描述 |    
> | --- | --- |    
> | user_id | 购物者的唯一ID编码 |    
> | age_range | 用户年龄范围。<18岁为1；[18,24]为2； [25,29]为3； [30,34]为4；[35,39]为5；[40,49]为6； > = 50时为7和8; 0和NULL表示未知 |    
> | gender | 用户性别。0表示女性，1表示男性，2和NULL表示未知 |


| merchant_id | 商家的唯一ID编码 |    
| label | 取值集合为{0, 1, -1, NULL}。取1表示'userid'是'merchantid'的重复买家，取0则反之。取-1表示'user_id'不是给定商家的新客户，因此不在我们预测范围内，但这些记录可能会提供额外信息。测试集这一部分需要预测，因此为NULL |    
| activity_log | {userid, merchantid}之间的每组交易中都记录有itemid, categoryid, brand_id, time，用#分隔。记录不按任何特定顺序排序 |    
| user_id | 购物者的唯一ID编码 |    
| item_id | 商品的唯一编码 |    
| cat_id | 商品所属品类的唯一编码 |    
| merchant_id | 商家的唯一ID编码 |    
| brand_id | 商品品牌的唯一编码 |    
| time_tamp | 购买时间（格式：mmdd） |    
| action_type | 包含{0, 1, 2, 3}，0表示单击，1表示添加到购物车，2表示购买，3表示添加到收藏夹 |


| --- | --- |    
| user_id | 购物者的唯一ID编码 |    
| age_range | 用户年龄范围。<18岁为1；[18,24]为2； [25,29]为3； [30,34]为4；[35,39]为5；[40,49]为6； > = 50时为7和8; 0和NULL表示未知 |    
| gender | 用户性别。0表示女性，1表示男性，2和NULL表示未知 |    
|   
***训练数据和测试数据相关字段(train/test_formatX.csv)***    
| 字段名称 | 描述 |    
| --- | --- |    
| user_id | 购物者的唯一ID编码 |    
| merchant_id | 商家的唯一ID编码 |    
| label | 包含{0, 1}，1表示重复买家，0表示非重复买家。测试集这一部分需要预测，因此为空 |    
|   
本人使用的是data_format1.zip中的数据组织形式，为了便于训练，从上述各表中共提取了以下信息作为样本变量。    
|   
***样本变量表***    
| 字段名称 | 描述 | 权重指数<up>*<up> |    
| --- | --- | --- |    
| total_logs | 记录总数，用户在单一店铺内访问记录的总数 | 11.81891702 |    
| item_count | 物品计数，用户在店铺内访问物品的数量总数 | 17.72627158 |    
| cat_count | 品类总数，用户在店铺内访问物品的品类总数 | 22.70846493 |


| click_on | 点击计数，用户在店铺内点击操作的总数 | 8.67718079 |    
| add_cart | 加购计数，用户在店铺内加购操作的总数 | 0.21255074 |    
| buy_up | 购买计数，用户在店铺内购买操作的总数 | 30.15375663 |    
| mark_down | 收藏计数，用户在店铺内收藏操作的总数 | 2.12038133 |    
| browse_days | 浏览天数，用户在店铺内浏览过的天数 | 6.58247698 |    
     
*注：表中的权重指数是基于CatBoost模型中自带的get_feature_importance()函数求解获得，原本使用的字段还包括用户的年龄范围和性别，由于该两项的权重指数为0，且在实际测试中发现，不使用年龄范围和性别时的模型推断准确率要高于使用时约3%的准确性，故决定不考虑用户年龄范围和性别在判别时的影响。    
---

## 模型训练
根据数据集特点和以往经验，决定在本次比赛中使用CatBoost算法训练模型。由于CatBoost算法的特点，输入的原始数据不需要经过标准化处理，同时也不需要对类别标签预先进行one-hot处理，本算法在训练过程中会自行优化相关变量，特别是对类别标签的处理性能比传统one-hot方法好很多。    
利用CatBoost算法中的get_feature_importance()函数，可以得知输入样本各变量对于最终推断的权重，各变量重要性权重条形图