高级深度学习AI优惠卷特征处理（知识研究）.ppt

基于MySQL的优惠券特征处理

1234背景与挖掘目标数据说明与预处理特征构建特征拼接目录CONTENTS

以优惠券盘活老用户或吸引新客户进店消费是O2O的一种重要营销方式。随机投放的优惠券会对多数用户造成无意义干扰，且影响商家声誉。个性化投放是提高优惠券核销率的重要技术。使用MySQL完成数据处理，并构建模型所需的标签字段和对应的特征字段。项目目标

1234背景与挖掘目标数据说明与预处理特征构建特征拼接目录CONTENTS

提供用户在2016年1月1日至2016年6月30日之间真实线上线下消费行为。为了保护用户和商家的隐私，所有数据均作匿名处理，同时采用了有偏采样和必要过滤。数据说明

用户线下消费和优惠券领取行为ccf_train.csvFieldDescriptionUser_id用户IDMerchant_id商户IDCoupon_id优惠券ID：null表示无优惠券消费，此时Discount_rate和Date_received字段无意义Discount_rate优惠率：x\in[0,1]代表折扣率；x:y表示满x减y。单位是元Distanceuser经常活动的地点离该merchant的最近门店距离是x*500米（如果是连锁店，则取最近的一家门店），x\in[0,10]；null表示无此信息，0表示低于500米，10表示大于5公里；Date_received领取优惠券日期Date消费日期：如果Date=nullCoupon_id!=null，该记录表示领取优惠券但没有使用，即负样本；如果Date!=nullCoupon_id=null，则表示普通消费日期；如果Date!=nullCoupon_id!=null，则表示用优惠券消费日期，即正样本；数据说明

用户获取到优惠券后在15天内进行了使用，这类用户为正样本Date!=nullCoupon_id!=null，且Date-Date_received15天。同时有一部分用户进行未进行使用的，这类用户为负样本Date=nullCoupon_id!=null（领取了优惠券但没有使用）。Date!=nullCoupon_id!=null，但是Date-Date_received15天。用户未使用优惠券进行使用，这类用户为普通样本样本updateccf_trainsetlabel=();标签设定规则数据预处理

1234背景与挖掘目标数据说明与预处理特征构建特征拼接目录CONTENTS

数据处理1.null值修改为空，即NULL2.distance存在缺失值，用该列的均值填充set@dis=(SELECTavg(distance)distancefromccf_train);

哪些因素对你是否使用商家赠送的优惠券有影响？折扣力度、店铺距离、商品品牌、商家知名度……特征构建方向：和优惠券相关和商家相关和用户相关交互关系……1.特征分析特征构建

优惠券流行度（考虑15天内使用的情况）通过“被使用优惠券/优惠券总数”计算公式计算优惠券流行度2.优惠券相关特征构建

商家发放的优惠券的流行度（考虑15天内使用的情况）以构建的标签列进行对优惠券使用统计，和未使用统计。根据“被使用优惠券/优惠券总数”公式可计算出相应的优惠券流行度，但需要依据“Merchant_id”进行分组，求得各个商户所发放优惠卷的受欢迎程度。3.商家相关特征构建

用户领取的优惠券数量以用户ID进行分组，统计每个用户使用的消费卷数量。用户消费过的优惠券数量以用户ID进行分组，设置标签列值为1（用户15天内使用过优惠卷）作为筛选条件，统计每个用户使用的消费卷数量。4.用户相关特征构建

用户在商家使用优惠券的次数根据用户ID和商户ID进行分组统计标签为1的数据数量用户在商家领取的优惠券数根据用户ID和商户ID进行分组统计Coupin_id不为空的数据数量用户在商家消费的次数根据用户ID和商户ID进行分组统计Date不为空的数据数量5.交互关系特征构建

1234背景与挖掘目标数据处理与预处理特征构建特征拼接目录CONTENTS

Coupo_idCoupon_popu26320.25628140350.33333140360.00000140370.00000140380.15385User_idMerchant_idCoupon_id01439408263211439408140332143940826323143940814035414394082632User_idMerchant_idCoupon_idCoupon_popu0143940826320.25628114394081