随着信息技术的不断发展以及中国人口基数所带来的市场优势,中国的互联网经济得以快速发展,结合国内高效的物流配送体系,网络购物占零售消费品的市场份额不断提升,各细分领域中发展速度最快并且前景最好的便是移动电商,主要得益于移动设备的价格低廉以及操作的便捷性。然而,信息化的快速发展也带来了负面影响,首当其冲的便是信息过载,在网络购物中体现为商家难以对目标用户进行精准营销,同时用户对大量商品推送信息越来越反感。个性化推荐被视为解决上述问题的有效方式,阿里巴巴认为可以通过用户的行为数据来构建用户对商品子集的推荐模型,并以此作为研究课题,对外开放了2014年11月18日到2014年12月18日的移动终端用户行为数据供科研工作者使用。基于对课题以及数据集的分析,文章将问题转化为二分类问题进行解决,通过对用户是否会购买某件商品进行预测来对不匹配的用户商品对进行过滤,以此作为对移动电商用户的购买推荐。文章首先从原始数据进行特征设计,分别从用户、商品以及商品类别的角度进行提取,并考虑了用户与商品、用户与商品类别之间的交互特征,行为特征包括直接的统计特征以及间接的比率特征,表现为浏览、收藏、添加购物车以及购买的行为总数以及相应的购买转化率,并划分出过去1天、过去3天以及过去7天共3个时间维度,按照上述三种原则最终设计出100多个特征。确定特征后便开始对数据进行处理,通过随机森林与梯度提升决策树两种较为成熟的集成学习算法,以F值及ROC曲线作为评估指标进行算法的参数调优,以确定最优的购买预测模型,根据结果作为个性化推荐的重要依据。