1.一种消费金融场景下的用户购买行为大数据预测方法，其特征在于，包括以下步骤：

101.对用户的APP操作行为日志数据进行包括对OCC_TIM字段进行切割在内的预处理操作；

102.根据对用户历史APP操作行为日志数据的分析，对训练集和测试集进行特征工程构建，所述对特征工程进行构建是指得到用户历史APP操作行为日志数据构建离散特征、基础统计特征、时序特征、词袋模型特征和词向量模型特征；

103.通过特征选择法对步骤101得到的特征进行降维；

104.建立2个机器学习模型，分别是.xgboost模型和lightgbm模型，.xgboost模型用于预测出结果1，lightgbm模型用于预测出结果2，并将两个机器学习模型基于模型相关性约束排名的融合操作；

105.通过融合操作建立的模型，根据用户个人属性及其历史APP操作行为日志数据对用户在未来一个周是否购买APP上的优惠券进行预测。

2.根据权利要求1所述的消费金融场景下的用户购买行为大数据预测方法，其特征在于，所述步骤101对用户的APP操作行为日志数据进行预处理操作具体步骤为：针对于训练集和测试集中的OCC_TIM字段，该字段表示用户行为发生的具体时间，需要事先将它切割为三列分别是：年、月、日。

3.根据权利要求1所述的消费金融场景下的用户购买行为大数据预测方法，其特征在于，所述步骤102构建离散特征、基础统计特征、时序特征、词袋模型特征和词向量模型特征，具体包括：

1021.离散特征：对于EVT_LBL点击模块字段，对其进行拆分，分为一级模块、二级模块、三级模块，再分别对其离散，每一个模块拥有一列值，这些值是统计了用户对于该模块的点击量；对于TCH_TYP事件类型字段，也做同样的处理，以反映出用户喜好使用的设备类型；

1022.基础统计特征：用户总的点击次数、用户点击天数、用户每天平均点击量、用户各种行为类型次数对用户总次数的占比、用户在一周各天对用户总次数的占比、用户在各个小时对用户总次数的占比；

1023.时序特征：用户点击的时间间隔、用户最大连续点击天数、用户最后一次点击距离最后一天的间隔；对于最后一天的统计包括：总点击，各用户对各一级模块，各用户对二级模块，各用户对三级模块，用户在各小时，用户对各事件类型；对于最后二天的统计包括：总点击，各用户对各一级模块，各用户对二级模块，各用户对三级模块，用户在各小时，用户对各事件类型；在最后一天用户的各种行为类型的占比、在最后二天用户的各种行为类型的占比；前十天，中间十天，最后十天分别统计：用户总次数，用户对各一级模块，用户对各二级模块，用户对各三级模块，用户在各个小时的统计，用户对各个事件的统；分别统计4个区间的用户出现总次数、用户对各个事件的点击总次数，然后再用后一个区间的统计值减去前一个区间的统计值；

1024.词袋模型特征：每个用户在每个一级模块出现的次数、每个用户在每个二级模块出现的次数、每个用户在每个三级模块出现的次数；

1025.词向量模型特征：通过word2vec,得到所有模块的词向量，然后计算每个用户点击过模块的均值向量作为特征；统计一个事先指定窗口大小为5的word共现次数，以word周边的共现词的次数作为当前word的向量，得到一个共现矩阵，然后再对该共现矩阵使用SVD奇异值分解进行降维以及降低稀疏性，得到矩阵U，最后对U进行归一化得到一个稠密矩阵作为词向量特征。

4.根据权利要求3所述的消费金融场景下的用户购买行为大数据预测方法，其特征在于，所述步骤103对构建特征完成的样本集进行特征选择，具体步骤为：首先计算出每一个特征的方差，然后将方差低于阈值0.5的特征删除；然后将剩余特征分别输入算法xgboost、lightgbm、catboost、GBDT、RF、SVM，输出每个特征的特征重要性，以这些输出的特征重要性为基础构建相关矩阵A，再利用PCA将矩阵A降至指定维度500，完成特征选择。

5.根据权利要求3所述的消费金融场景下的用户购买行为大数据预测方法，其特征在于，所述步骤104建立2个机器学习模型，并进行模型融合操作具体步骤为：

1041.xgboost模型：主要设置以下参数'max_depth':3、'objective':'rank:pairwise'、'scale_pos_weight':0.7、'eta':0.02、'min_child_weight':18、'colsample_bytree':0.8、'subsample':0.8；

1042.lightgbm模型：主要设置以下参数'boosting_type':'gbdt'、'num_leaves':

31、'learning_rate':0.01、'feature_fraction':0.8、'bagging_fraction':0.8；

1043.多模型融合：采用基于模型相关性约束的排名融合方法，首先通过两个模型输出的特征重要性，将这两组特征重要性看做两组向量，计算其皮尔逊相关系数h；然后在排名融合的机制中加入这一系数，用于约束模型权重对融合结果的影响，当h越大，即两个模型越相关时，权重系数的影响就会增大，当h越小，即两个模型越不相关，权重系数的影响就会减小，其遵循公式：∑|0.5*(1-h)-(weighti*h)|/ranki公式 (1)其中weighti为第i个单模型根据验证表现得出的权重系数，它根据各个模型验证得分的比例来计算得到，ranki为样本在第i个模型中的预测值排名，即该样本的预测为正的概率值在整个数据集下的升序排名。

6.根据权利要求5所述的消费金融场景下的用户购买行为大数据预测方法，其特征在于，所述步骤105通过建立的模型，根据用户个人属性及其历史APP操作行为日志数据对用户在未来一个周是否购买APP上的优惠券进行预测具体步骤为：融合方式采用基于模型相关性约束的排名融合，其中ranki为第i个模型的rank排序，weighti为第i个模型AUC值所占权重，为了让每个将进行融合的模型都起到一定作用，而不受个别效果突出模型影响过大，首先对 的值取对数进行平滑，再将各模型求和得到的score用于计算最终AUC得分：

当score大于0.9的时候，当取值0.9时，F1值能够达到最优，说明该条测试数据对应的用户很大可能会在未来一周购买APP上的优惠券。