数据清洗步骤

用户行为数据缺失值处理

• user_id、item_id是关联用户和商品的唯一标识，缺失后无法建立有效关联
• behavior_type是核心行为标签，缺失无法定义交互类型
• timestamp是时间序列分析的基础，缺失影响序列特征的准确性
• 直接删除比填充更可靠，避免了引入噪声

""" 原始数据示例： user_id | item_id | behavior_type | timestamp ---------|----------|---------------|---------- user_001 | item_001 | click | 2023-10-01 10:00 null | item_002 | cart | 2023-10-01 10:05 user_002 | null | buy | 2023-10-01 10:10 user_003 | item_003 | null | 2023-10-01 10:15 user_004 | item_004 | click | null 清洗后数据： user_id | item_id | behavior_type | timestamp ---------|----------|---------------|---------- user_001 | item_001 | click | 2023-10-01 10:00 """

异常用户/商品ID过滤

• 统一ID格式便于数据管理和特征工程
• 异常ID可能是测试数据或错误数据，会影响模型效果
• 正则表达式匹配确保数据规范性

""" 原始数据： user_id | item_id | behavior_type -------------|-------------|--------------- user_001 | item_001 | click unknown_user | item_002 | cart user_002 | invalid_id | buy test_user | test_item | collect 清洗后数据： user_id | item_id | behavior_type ---------|----------|--------------- user_001 | item_001 | click """

低频用户/商品过滤

• 低频用户行为稀疏，难以学习有效特征
• 低频商品样本不足，难以准确建模
• 过滤后提高数据质量，减少噪声干扰
• 阈值根据业务经验设置（用户≥3次，商品≥5次）

""" 原始数据（用户行为统计）： user_id | 行为次数 ---------|--------- user_001 | 15 user_002 | 8 user_003 | 2 # 低频用户 user_004 | 1 # 低频用户 清洗后保留： user_id | 行为次数 ---------|--------- user_001 | 15 user_002 | 8 """

商品数据异常价格处理

• 负价格是数据错误，需要修正
• 0价格可能是免费商品或数据缺失，需要特殊处理
• 极端高价可能是错误数据，需要截断
• 价格范围(0.01, 10000)根据实际业务场景设置

""" 原始数据： item_id | price | category ---------|--------|---------- item_001 | 99.99 | Electronics item_002 | -10.0 | Clothing # 异常价格 item_003 | 0.0 | Books # 异常价格 item_004 | 999999 | Home # 异常价格 清洗后数据： item_id | price | category ---------|--------|---------- item_001 | 99.99 | Electronics item_002 | 10.0 | Clothing # 修正为有效范围 item_003 | 0.01 | Books # 设置最小有效价格 item_004 | 10000 | Home # 截断到最大值 """

特征工程步骤

用户基础特征提取

• 静态特征：描述用户固有属性，是用户画像基础
• 行为统计特征：量化用户历史行为，反映用户偏好
• 转化率特征：衡量用户从浏览到购买的能力
• 时间特征：反映用户活跃度和新鲜度
• 编码处理：将分类变量转换为数值，便于模型处理

""" 原始用户数据： user_id | age | gender | registration_date ---------|-----|--------|------------------ user_001 | 25 | M | 2023-01-15 user_002 | 35 | F | 2023-03-20 用户行为数据： user_id | behavior_type | timestamp ---------|---------------|---------- user_001 | click | 2023-10-01 10:00 user_001 | cart | 2023-10-01 11:00 user_001 | buy | 2023-10-01 12:00 user_002 | click | 2023-10-01 10:05 特征提取后： user_id | age | gender_encoded | registration_days | total_actions | purchase_count | conversion_rate | days_since_last_action | active_days ---------|-----|----------------|-------------------|---------------|----------------|-----------------|------------------------|------------ user_001 | 25 | 0 | 258 | 12 | 2 | 0.167 | 1 | 6 user_002 | 35 | 1 | 207 | 9 | 1 | 0.111 | 1 | 5 """

商品热度趋势特征

• 多时间窗口统计：捕捉商品不同周期的热度变化
• 趋势比率：反映商品热度的增长/衰减趋势
• 时效性：近期行为比远期行为更具参考价值
• 扛波动性：多时间窗口平滑单日波动影响

""" 原始行为数据（时间序列）： item_id | timestamp | behavior_type ---------|---------------------|-------------- item_001 | 2023-10-01 10:00 | click item_001 | 2023-10-05 14:00 | buy item_001 | 2023-10-07 09:00 | cart item_001 | 2023-10-14 16:00 | click item_002 | 2023-10-01 11:00 | click item_002 | 2023-10-02 10:00 | click 特征提取后（当前时间：2023-10-15）： item_id | total_actions | actions_7d | actions_30d | trend_7d_30d ---------|---------------|------------|-------------|------------- item_001 | 4 | 2 | 4 | 0.5 item_002 | 2 | 0 | 2 | 0.0 """

行为序列特征

• 序列模式：揭示用户行为的内在规律
• 转换概率：量化行为间的转换倾向
• 时间模式：反映用户的行为节奏
• 个性化表征：每个用户的序列特征都是独特的

""" 用户行为序列： 用户: user_001 时间序列: [click, click, cart, click, buy, click, cart, buy] 提取的序列特征： - sequence_length: 8 - unique_items: 5 - click_ratio: 0.5 (4/8) - cart_ratio: 0.25 (2/8) - buy_ratio: 0.25 (2/8) - transition_click_to_cart: 0.25 (从click到cart的转换概率) - transition_click_to_buy: 0.125 - avg_time_interval: 平均行为间隔时间 """

图特征提取

• 结构信息：捕捉用户和商品在图中的位置重要性
• 协同信息：通过共同邻居发现相似用户/商品
• 流行度传播：中心点往往更受欢迎
• 冷启动缓解：新用户/商品可以通过图结构获得特征

""" 用户-商品交互图： 用户节点: [user_001, user_002, user_003] 商品节点: [item_001, item_002, item_003, item_004] 边: (user_001, item_001), (user_001, item_002), (user_002, item_001), ... 提取的图特征： 用户图特征: user_id | graph_degree | weighted_degree | avg_jaccard_similarity ---------|--------------|-----------------|------------------------ user_001 | 2 | 7 | 0.15 user_002 | 1 | 5 | 0.10 商品图特征: item_id | graph_degree | weighted_degree | avg_user_degree ---------|--------------|-----------------|---------------- item_001 | 2 | 12 | 1.5 item_002 | 1 | 5 | 2.0 """