互联网技术的日益革新,带领了人们日常生活中各个领域的发展。电子商务这一随着互联网发展起来的行业逐渐占据了人们的生活。十多年来,随着电子商务发展,人们购买方式的不断变化使得品牌逐渐成为人们与商品之间的纽带。人们对品牌的依赖和信任度很大程度上会影响用户的购买意愿,用户对自己信任的品牌会具有更加强烈的购买欲望。而用户的历史行为则是用户对品牌偏好度的最好展现。本课题研究预测用户在未来可能会购买的品牌商品,以达到向用户推荐其偏好度高的品牌的目的。主要利用用户对商品历史交互记录,并将商品和品牌对应起来,构造出用户对品牌的交互行为记录,在此基础上进行特征提取与建模,预测用户在未来一段时间内将要购买的品牌。本文主要内容及创新点包括:1.数据的分析以及特征提取。描述数据来源与数据形式。通过对数据和业务的分析,摒弃并不适用于本课题的研究方法,如协同过滤,并提出特征提取中的关键因素;详细描述各特征提取方法与含义,其中包括用户特征,品牌特征,用户品牌交互特征。2.基础模型建立与选择。通过在提取特征上的研究实验,选择适合本课题的模型,剔除不适用模型,最后我们采用点击率预估的模型作为用户品牌购买预测的基本模型。在此基础上,进行多种学习算法的实验,为后续研究作准备。3.模型融合。在基础模型的研究实验基础上,挑选合适的基础模型作为弱学习器,利用模型融合算法整合各个弱学习器,达到提高模型预测能力的效果。