近年来,电子商务飞速发展,网络购物逐渐成为主要的消费方式。消费者享受便利的同时,浏览时间长、购买转换率低等问题不断涌现。为此,电子商务企业利用机器学习模型对消费者行为进行分析,构建推荐系统,得以精准推荐商品。消费者行为分析,对提高推荐系统的运行效率,提升消费者满意度都有重大意义。面对推荐系统推荐精度高、用户满意度高和运行时效高的要求,论文从数据处理、特征工程、分类预测模型和应用前景方面细化研究内容。以消费者行为数据为实验对象,分别构建了传统预测模型和深度学习模型。通过对比分析,证明了深度学习模型具有更大的学习潜力。综上所述,论文主要研究工作如下:(1)消费行为数据处理和特征工程研究。从数据处理流程出发,重点研究了人工提取特征,特征预处理、特征选择和不平衡数据的随机采样技术。(2)传统模型的对比研究。论文构建了Logistic回归、随机森林、神经网络模型,三种模型的预测结果表明随机森林具有更强的预测能力,但它在运算中可能产生差异度小的树,影响正确决策。Logistic回归不适用于随机性高、非线性数据预测问题,而浅层神经网络在训练中易陷入局部最小,传统预测模型都只能学习浅层数据特征,因此预估效果普遍不好。(3)深度学习模型的研究。为提高预估的准确率,学习数据更深层的特征,论文构建了深度学习预估模型,实验证实了DNN模型较传统模型效果提升10%,但DNN模型运行速度慢,训练成本高。为解决此问题,结合数据类别分布不平衡的特点,提出了改进模型rDNN,rDNN模型的训练时间达434.361秒,大大提升了DNN模型的运算效率,使模型更符合推荐系统高时效性要求。(4)rDNN模型的优化与应用。分别研究了正负样本比例、不同激活函数对模型有效性的影响,证实了正负样本比例为3,激活函数为Relu函数,隐藏层为3层时,rDNN可以发挥出最大效用。另外,rDNN模型可以学习到消费者行为规律,给出较为可靠的预测结果,有较高的应用价值。