Claude推荐模型实战：三款产品转化率提升方案

代码下载链接： https://pan.quark.cn/s/30e0ece503b5recommender 推荐模型简介 目标：有三款产品某企通、某赋通和某票，通过推荐提高用户群体从某企通和某票到某赋通产品的转化率。有关数据的详细情形是, 用户数据的体量, 针对于某企通、某赋通以及某票的比例关系为100比10比1。而推荐算法的选型方面, 已经试验过当下极为流行的ItemCF以及UserCF, 不过所产生的推荐效果却并不怎么理想, 具体的过程是这样的: 在推荐模型领域, 选择了RFM模型、决策树模型以及专业运营人员的专业知识, 具体涉及的推荐架构是如下这般: 关于购买某赋通情形下的数学期望, 其核心思想在于, 把某企通的用户借助Kmeans聚类予以分群, 运用跑手肘法让分层数按照顺序依次成为2、3、4....10。对应不同层数, 分别去计算各个群体购买某赋通的数学期望, 目的在于找出能获取最大数学期望的群体之后进行画像推荐。用户分群呈现这样的效果: 随着分群种类持续增加, 关于用户购买某赋通的数学期望情况如下所示: 由此得出结论: 能够看出购买某赋通的数学期望比较低, 这同样证实了协同过滤推荐算法并不适用, 原因在于数据正朝着未购买的用户群靠近, 所以需要解决购买与不购买数据样本不平衡的问题。解决思路采取了相当弱的分类器决策树, 参照传统RFM模型来开展用户推荐, 环境是Windows10, 使用Python3.6.5, 依赖包用于程序执行, 建模有着特征工程, 其中数据清洗针对文本型数据、数值型数据、时间型数据以及缺失数据展开清洗, 还要进行一致性检查和业务逻辑检查, 特征选择是进行相关性和重要性计算。用户画像, 基于到期时间的推荐, 是要依次推荐给快到期的用户, 让其续费使用, 基于效用的推荐, 则开票量、开票金额以及登录使用次数, 都是构成效用的重要指标, 基于RFM用户价值模型的推荐, 是对消费金额以及消费频次高的用户, 适时产生推荐, 混合推荐, 在现实应用里, 其实很少有直接用。

标签： 推荐模型 用户分群 RFM模型 决策树 转化率提升