随着越来越多用户习惯线上消费,电子商务平台积淀了海量的用户行为数据,提供了用户购买预测的数据条件。为更加精准高效地从海量商品中为用户筛选出其最感兴趣的商品,基于用户历史行为预测购买意愿成为电子商务平台推荐系统中的重要一环。用户行为数据中存在大量的浏览、点击行为,而购买行为所占比例极少,存在明显的不均衡情况,若不进行处理会导致严重的预测偏差。然而,在目前的相关研究中很少有学者深入研究用户行为数据的不均衡性处理,并且大多数仍然是基于单个模型进行预测。针对以上问题,本文在经典的过采样算法基础上进行研究与改进,构建了一种基于边界过采样的用户购买预测集成算法,通过面向处于分类边界的样本合成新的少数类别样本,解决用户行为数据普遍存在的极端不均衡问题,并结合Stacking学习法构建了两层的集成模型。为验证改进算法性能提升的稳健性,本文设置了多个具有差异性正负样本比的模拟数据,将边界过采样与传统的数据均衡化处理算法在模拟数据上进行性能对比,同时在真实的电商平台数据上开展算法训练,进一步验证基于边界过采样和集成学习的改进算法的相比常规算法的提升效果。实验结果表明,使用边界过采样不仅相比传统方法有大幅度的提升效果,相比随机过采样、SMOTE在不均衡数据上也有更出色的表现,并且当数据的不均衡性越极端,边界过采样的提升越明显,由此可见边界过采样能够更有效地处理不均衡的用户行为数据,并且能充分利用购买用户的行为信息。除此之外,相比单个模型,使用Stacking集成学习法的融合模型无论是在模拟数据还是真实的用户行为数据集上,相较常用的单一模型都有明显的性能提升,能够更准确、高效地预测出用户在未来是否会进行购买,有利于提高精准营销效率。综上,本文改进的基于边界过采样的用户购买预测集成算法Stack＿bsm的性能大部分情况下都优于其他算法,是一种有效的用户购买预测算法。