近年来,我国电子商务行业发展迅速,从电脑端网站到移动端APP,人们的消费热情不断被激发,在线购物逐渐普及,现有用户近8亿人。目前电子商务行业中各企业之间的竞争进入了白热化阶段,对于平台和企业来说,吸引新用户的成本越来越高,如何使老用户源源不断的进行再次购买是提升业绩的关键。但是,和传统的消费环境相比,在电子商务消费环境下消费者的消费习惯有很大差异,比如,由于商品信息的增加和透明化,消费者的选择范围和选择难度都在加大,并且伴随着转移成本的降低,其忠诚度也在降低。越来越多的学者也基于在线购物中的大数据对消费者的再次购买进行了更加深入的研究,希望有助于增强平台、商家的营销效果,实现更高效的客户关系管理。然而,目前针对再次购买的预测研究主要集中在使用机器学习的方法进行预测,忽略了模型的可解释性,对于营销、运营相关人员来说参考性不强,并且针对行为数据建模的方式有待进一步完善。因此本研究将聚焦如何基于消费者的点击流数据以及购买行为数据进行建模,对消费者行为进行更好的刻画,使得模型兼具解释性和预测的准确性。本文在消费者再次购买的理论研究和在线购物决策研究基础上构建了相对完善的再次购买指标体系,从复杂网络的视角构建了商品网络,提出了一个整体的计量框架。本研究的主要内容如下。（1）再次购买指标体系构建。本研究梳理了消费者再次购买相关理论研究和预测研究,基于期望确认理论构建了基本的再次购买指标体系;另外,为了更好的刻画消费者浏览行为、从行为数据中提取指标,本文以消费者在线购物行为理论中的EKB模式为基础,对消费者浏览商品过程中的“信息比较”行为进行建模,构造了商品浏览次数、浏览时间等指标;更重要的,考虑到浏览过程中存在商品被查看的先后顺序,我们从复杂网络的角度构建了商品之间的有向网络图,并且使用社会网络分析的方法提取了商品的度中心性、特征向量中心性等指标,这些指标可以反映商品的热度和消费者的偏好。总的来说,我们构建了用户基础指标、商品基础指标、消费情境基础指标和用户行为指标,从这四个方面挖掘了影响消费者再次购买行为的关键因素,共40个指标,考虑虚拟变量共计有53个。（2）基于LASSO的变量选择。为了避免冗余变量导致的预测模型过拟合问题,本研究采用LASSO变量选择方法对这53个变量进行筛选。首先对连续型变量进行相关性分析,发现部分变量之间确实存在强相关性,因此使用LASSO对变量进行选择,根据100次实验的结果对变量进行投票,最终有26个变量被选中,其中包括9个用户基础指标、1个商品基础指标、4个消费情境指标、12个消费者行为变量,说明消费者的再次购买除了和自身需求、商品性能、外界促销刺激有关之外,和在线浏览行为、过往购物记录同样有着重要的关系,这些行为相关的指标对于预测再次购买有着重要意义。（3）模型评估。为了评价本研究中计量模型的效果,本文从两方面对模型进行评估。一方面是模型的拟合效果,另外一方面是模型的预测性能和泛化能力。首先,针对模型的拟合效果,为了进一步了解各指标对再次购买的影响,本文构建了4个模型,使用逻辑回归方法对这些模型进行了样本内估计,估计结果表明,经过LASSO变量选择之后的模型中系数显著性更强,同时从拟合性能指标AIC、麦克法登的伪R方来看,模型的效果较好。其次,为了选择预测精度更高、鲁棒性更强的预测模型,本研究基于不同的变量组合构造了5个模型,针对这5个模型分别应用逻辑回归、决策树、支持向量机、随机森林、XGBoost这5个经典机器学习算法,共生成了25个子模型,每一个子模型都进行了100次实验,计算得出模型的平均精度和标准差,并结合敏感性分析、鲁棒性分析验证不同指标的重要性和模型的稳定性。研究结果表明用户的频域类行为特征和网络特征对于再次购买行为预测精度的提升存在明显作用,相较于基础模型,这些特征的加入使得各算法的预测准确度增加10到25个百分点;另外,从模型鲁棒性的角度来看,随机森林、XGBoost等聚合类算法也更适用这一类数据,同时,经过了变量选择的模型表现也更为稳定。总的来说,本文旨在系统性的研究如何对消费者的行为数据进行建模,并应用于再次购买的预测。通过将点击流数据引入消费者再次购买的研究,构建了商品之间的网络,完整地反映了消费者的浏览路径和购物偏好,系统的构建了一个较为完备的再次购买预测框架,丰富了消费者行为建模的方法,并且初步确定了消费者相关行为特征对于再次购买的影响。研究结果表明,消费者的再次购买行为受自身需求、商品性能、消费情境的影响,在这些指标的基础之上,消费者的浏览行为也极大程度上反映了其购物偏好,基于点击流数据构建的频域类特征和网络特征对于预测的精度都有明显的正向影响;其次,使用网络对消费者决策过程中的“信息比较”建模是理论上合理、结果上有效的,较好的解决了数据量大但是信息量匮乏的问题。本研究对于电子商务中的推荐算法改进、营销和运营决策都有一定的意义。