| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-15页 |
| 1.1 论文研究的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 人工蜂群算法研究现状 | 第12-13页 |
| 1.2.2 K-均值聚类算法研究现状 | 第13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 2 人工蜂群算法及其改进研究 | 第15-32页 |
| 2.1 引言 | 第15页 |
| 2.2 人工蜂群算法 | 第15-20页 |
| 2.2.1 蜜蜂采蜜过程 | 第15-17页 |
| 2.2.2 人工蜂群算法基本思想 | 第17-18页 |
| 2.2.3 人工蜂群算法具体步骤 | 第18-20页 |
| 2.3 人工蜂群算法优缺点及复杂度分析 | 第20-21页 |
| 2.4 人工蜂群算法参数分析 | 第21页 |
| 2.5 人工蜂群算法特点 | 第21-22页 |
| 2.5.1 系统性 | 第21-22页 |
| 2.5.2 分布性 | 第22页 |
| 2.5.3 自组织性 | 第22页 |
| 2.5.4 反馈性 | 第22页 |
| 2.6 全局最优人工蜂群算法 | 第22-23页 |
| 2.7 带搜索因子的GABC算法 | 第23-25页 |
| 2.7.1 HF-GABC算法基本思想 | 第23-24页 |
| 2.7.2 HF-GABC具体步骤 | 第24-25页 |
| 2.8 性能测试与结果分析 | 第25-31页 |
| 2.8.1 测试函数及参数设置 | 第25-26页 |
| 2.8.2 改进算法的对比试验 | 第26-30页 |
| 2.8.3 结果分析 | 第30-31页 |
| 2.9 本章小结 | 第31-32页 |
| 3 聚类分析算法及其改进研究 | 第32-42页 |
| 3.1 引言 | 第32页 |
| 3.2 聚类分析主要步骤 | 第32-33页 |
| 3.3 聚类分析方法 | 第33页 |
| 3.4 K-均值聚类算法 | 第33-37页 |
| 3.4.1 K-均值聚类算法基本思想 | 第33-34页 |
| 3.4.2 K-均值聚类算法具体流程 | 第34-35页 |
| 3.4.3 K-均值算法的优缺点 | 第35-37页 |
| 3.5 基于HF-GABC的K-均值聚类算法 | 第37-38页 |
| 3.5.1 基本思想 | 第37-38页 |
| 3.5.2 算法流程 | 第38页 |
| 3.6 实验方针与分析 | 第38-41页 |
| 3.6.1 实验数据集及参数设置 | 第38-40页 |
| 3.6.2 实验结果分析 | 第40-41页 |
| 3.7 本章小结 | 第41-42页 |
| 4 改进聚类算法在客户细分中的应用 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 客户细分 | 第42-43页 |
| 4.2.1 客户细分概念 | 第42页 |
| 4.2.2 客户细分步骤 | 第42-43页 |
| 4.3 客户细分技术分类 | 第43-45页 |
| 4.3.1 基于客户自然属性的客户细分 | 第44页 |
| 4.3.2 基于客户行为属性的客户细分 | 第44-45页 |
| 4.3.3 基于客户价值的客户细分 | 第45页 |
| 4.4 客户细分的意义 | 第45-46页 |
| 4.5 HFGABC-K聚类算法在电子商务客户细分中的应用 | 第46-51页 |
| 4.5.1 数据来源 | 第46-47页 |
| 4.5.2 属性选取 | 第47页 |
| 4.5.3 数据预处理 | 第47-49页 |
| 4.5.4 实验与分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间的研究成果 | 第58页 |