好的推荐系统不仅能够大大提高效率,而且可以提高顾客体验,因此电子商务领域的推荐问题研究具有较好的应用价值和现实意义。预测顾客是否会回到同一家商店重复购买,即成为回头客。这是推荐系统研究中的问题之一。此问题本质上是一个二分类(0/1)问题,影响分类效果的因素主要取决于两个方面,一是特征的好坏;二是模型的选择与融合。原始数据一般仅仅是对顾客行为的记录,分散且没有针对性,如何综合运用多种方式对原始数据进行处理,提取与预测的问题相关联的特征;以及如何选择有效模型并通过多模型的融合提高预测精度是需要研究解决的问题。为此,本文针对特征的提取,以及模型的改进与融合进行了研究,主要工作如下:1)在特征工程方面:从顾客,商家,顾客-商家三个视角进行特征扩展。以月为单位,计算顾客四种行为(点击/购买/喜爱/加入到购物车)的统计特征。然后再将不同的特征集进行组合,得到更为丰富的特征子集。2)在模型选择方面:除了使用几种经典的模型,如神经网络,逻辑回归,随机森林,GBDT进行预测外,还对深度堆栈模型(DSN)模型进行改进,提出了基于RBM特征生成的DSN模型,在电子商务领域数据集上的实验结果表明所提出的推荐算法是有效的。3)在模型融合方面:研究提出基于AUC的多样性度量来确定模型融合权值的方法;并探索了基于贪心策略的模型融合方法。与经典的融合方式相比,如简单平均法、神经网络和逻辑回归学习法,实验结果表明通过基于AUC的多样性度量法来确定权值,其效果要优于其它几种融合方法。