Онтологический подход к прогнозированию покупательского поведения пользователей в электронной коммерции

Актуальность исследования обусловлена необходимостью повышения точности и интерпретируемости моделей прогнозирования покупательского поведения пользователей интернет-магазинов. Существующие методы машинного обучения демонстрируют высокие показатели качества, однако их эффективность существенно зависит от состава и структуры признакового пространства, которое, как правило, формируется эмпирически и не отражает причинно-следственных связей между пользовательскими действиями. В связи с этим данная работа направлена на разработку метода прогнозирования покупательского поведения, основанного на онтологическом анализе предметной области электронной коммерции. Предложен формализованный подход к описанию сущностей и их взаимосвязей, обеспечивающий системное построение признакового пространства и возможность его масштабирования для различных интернет-магазинов. В качестве инструмента машинного обучения использован алгоритм градиентного бустинга CatBoost, реализованный на данных системы веб-аналитики Яндекс.Метрика. Проведено тестирование на пяти интернет-магазинах различной тематической направленности. Экспериментальные результаты показали устойчивые значения метрик качества (F-мера в 65–83 %), что подтверждает применимость и воспроизводимость предложенного метода. Материалы статьи представляют практическую ценность для разработки интеллектуальных систем поддержки принятия решений в электронной коммерции и могут быть использованы при проектировании масштабируемых аналитических платформ для прогнозирования пользовательской активности и конверсии.

1. Sikelis K., Tsekouras G.E., Kotis K.I. Ontology-Based Feature Selection: A Survey. arXiv. URL: https://doi.org/10.48550/arXiv.2104.07720 [Accessed 18th January 2026].

2. Vicient C., Sánchez D., Moreno A. An Automatic Approach for Ontology-Based Feature Extraction from Heterogeneous Textual Resources. Engineering Applications of Artificial Intelligence. 2013;26(3):1092–1106. https://doi.org/10.1016/j.engappai.2012.08.002

3. Di Noia T., Magarelli C., Maurino A., Palmonari M., Rula A. Using ontology-based data summarization to develop semantics-aware recommender systems. In: The Semantic Web: 15th International Conference, ESWC 2018, 03–07 June 2018, Heraklion, Crete, Greece. Cham: Springer; 2018. P. 128–144. https://doi.org/10.1007/978-3-319-93417-4_9

4. Lu S., Ye Y., Tsui R., et al. Domain Ontology-based Feature Reduction for High Dimensional Drug Data and its Application to 30-Day Heart Failure Readmission Prediction. In: 9th IEEE International Conference on Collaborative Computing: Networking, Applications and Worksharing, 20–23 October 2013, Austin, TX, USA. IEEE; 2013. P. 478–484. https://doi.org/10.4108/icst.collaboratecom.2013.254124

5. Abdollahi M., Gao X., Mei Y., Ghosh Sh., Li J. An Ontology-based Two-Stage Approach to Medical Text Classification with Feature Selection by Particle Swarm Optimisation. In: 2019 IEEE Congress on Evolutionary Computation, 10–13 June 2019, Wellington, New Zealand. IEEE; 2019. P. 119–126. https://doi.org/10.1109/CEC.2019.8790259

6. Kühl N., Mühlthaler M., Goutier M. Supporting customer-oriented marketing with artificial intelligence: automatically quantifying customer needs from social media. Electronic Markets. 2020;30(2):351–367. https://doi.org/10.1007/s12525-019-00351-0

7. Heilman C.M., Kaefer F., Ramenofsky S.D. Determining the appropriate amount of data for classifying consumers for direct marketing purposes. Journal of Interactive Marketing. 2003;17(3):5–28. https://doi.org/10.1002/dir.10057

8. Kotis K.I., Vouros G.A., Spiliotopoulos D. Ontology engineering methodologies for the evolution of living and reused ontologies: status, trends, findings and recommendations. The Knowledge Engineering Review. 2020;35. https://doi.org/10.1017/S0269888920000065

9. Wen Zh., Lin W., Liu H. Machine-Learning-Based Approach for Anonymous Online Customer Purchase Intentions Using Clickstream Data. Systems. 2023;11(5). https://doi.org/10.3390/systems11050255

10. Hesvindrati N., Aminuddin A., Mahadhni J., Pambudi A., Sudaryatno B. Behavior-Based Purchase Intent Prediction in E-Commerce: A Machine Learning Approach. International Journal of Current Science Research and Review. 2025;8(8):3970–3980. https://doi.org/10.47191/ijcsrr/V8-i8-03

11. Liu D., Huang H., Zhang H., Luo X., Fan Zh. Enhancing customer behavior prediction in e-commerce: A comparative analysis of machine learning and deep learning models. Applied and Computational Engineering. 2024;55(1):181–195. https://doi.org/10.54254/2755-2721/55/20241475

12. Abhichandani D., Vadrevu N.R.T., Doshi P., Shrivastava Sh. Predicting Online Purchases Using Six Machine Learning Models Based on Customer Demographics. In: 2025 6th International Conference on Data Intelligence and Cognitive Informatics (ICDICI), 09–11 July 2025, Tirunelveli, India. IEEE; 2025. P. 1787–1792. https://doi.org/10.1109/icdici66477.2025.11135228

13. Ayyadapu A.K.R., Saini P., Gupta P., et al. Fuzzy Logic and Machine Learning Hybrid Model for Influencing Consumer Purchasing Behavior in E-Commerce. In: 2025 International Conference on Computing Technologies & Data Communication, 04–05 July 2025, HASSAN, India. IEEE; 2025. P. 1–6. https://doi.org/10.1109/icctdc64446.2025.11158906

14. Li H. Research on Consumer Behavior Prediction Based on E-commerce Data Analysis. BCP Business & Management. 2023;49:106–110. https://doi.org/10.54691/bcpbm.v49i.5411

15. Htar T.T., Zaw M.M. Predicting Consumer Purchasing Behavior Using SVM and Random Forest Classification Methods. International Journal of Scientific Research in Engineering and Management. 2025;9(8). https://doi.org/10.55041/ijsrem51727

16. Huang W. Analysis of Promotional Online Shopping Behavior Based on Machine Learning. Highlights in Science, Engineering and Technology. 2023;56:65–72. https://doi.org/10.54097/hset.v56i.9817

17. Usha U.M., Swamy K.P.N. Anticipatory Modeling of Product Purchases. International Journal of Advanced Research in Science, Communication and Technology. 2024;4(1):137–143. https://doi.org/10.48175/ijarsct-19117

18. Chaudhuri N., Gupta G., Vamsi V., Bose I. On the platform but will they buy? Predicting customers' purchase behavior using deep learning. Decision Support Systems. 2021;149. https://doi.org/10.1016/j.dss.2021.113622

19. Bhutani P., Baranwal Sh.K., Jain S. Semantic Framework for Facilitating Product Discovery. In: ACI'21: Workshop on Advances in Computational Intelligence at ISIC 2021, 25–27 February 2021, Delhi, India. 2021. P. 30–36.

20. García M. del M.R., García-Nieto J., Aldana-Montes J.F. An ontology-based data integration approach for web analytics in e-commerce. Expert Systems with Applications. 2016;63:20–34. https://doi.org/10.1016/j.eswa.2016.06.034

21. Kim H. Developing a Product Knowledge Graph of Consumer Electronics to Manage Sustainable Product Information. Sustainability. 2021;13(4). https://doi.org/10.3390/su13041722

22. Preece Ch., Rojas Gaviria P. An ontology of consumers as distributed networks: a question of cause and effect. Journal of Marketing Management. 2024;40(7-8):628–634. https://doi.org/10.1080/0267257X.2024.2346010

23. Esmeli R., Bader-El-Den M., Abdullahi H. Towards early purchase intention prediction in online session based retailing systems. Electronic Markets. 2020;31:697–715. https://doi.org/10.1007/s12525-020-00448-x

24. Liu Zh., Zhang Y., Abedin M.Z., et al. Profit-driven fusion framework based on bagging and boosting classifiers for potential purchaser prediction. Journal of Retailing and Consumer Services. 2024;79. https://doi.org/10.1016/j.jretconser.2024.103854

25. Zhang W., Wang M. An improved deep forest model for prediction of e-commerce consumers' repurchase behavior. PLoS ONE. 2021;16(9). https://doi.org/10.1371/journal.pone.0255906

26. Zhou Sh., Hudin N.S. Advancing e-commerce user purchase prediction: Integration of time-series attention with event-based timestamp encoding and Graph Neural Network-Enhanced user profiling. PLoS ONE. 2024;19(4). https://doi.org/10.1371/journal.pone.0299087

27. Chauleva B., Capeska Bogatinoska D., Karadimce A. Optimizing Customer Journey through Advanced Analytics Techniques over Google Analytics 4 Data in Google BigQuery. WSEAS Transactions On Computers. 2024;23:336–346. https://doi.org/10.37394/23205.2024.23.33

28. Святов Р.С. Прогнозирование покупательского поведения пользователей интернет-магазинов на основе событийных данных. Моделирование, оптимизация и информационные технологии. 2025;13(4). https://doi.org/10.26102/2310-6018/2025.51.4.064