.png){kind=icon}
返回
Precise E-Commerce Information Push Model Based on User Feature and Improved Stacking
.png){kind=icon}
PRE
AI
DOI：10.1007/s44196-026-01228-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精准信息推送在电子商务领域的发展中扮演着关键角色。为克服传统推荐算法在预测精度和推送性能上的局限性，本研究提出了一种基于用户特征融合及改进Stacking集成框架的电子商务信息推送模型。该模型采用随机森林、逻辑回归和极限梯度提升作为基学习器，并以多元线性回归作为元学习器。通过融入用户特征信息，该框架能够生成预测性能更优的个性化产品推荐。实验结果表明，改进的Stacking模型在测试集上达到7.21的均方根误差（RMSE），在稳定性和准确性方面均优于对比算法。在评估包含十项的推荐列表时，该模型实现了0.17的归一化折损累积增益（nDCG），显著高于基线方法，表明其推送性能更优。总体而言，所提出的电子商务信息推送模型在预测精度、稳定性和推荐质量上均优于现有方法，为电子商务平台提供了一种支持更精准高效信息推送策略的稳健框架。
Keyword:
Information push
Ensemble learning
Random forest
K-means clustering
XGBoost
