| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-15页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究目的和内容 | 第13-14页 |
| 1.3 本文组织结构 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 相关技术综述 | 第15-25页 |
| 2.1 用户画像 | 第15-17页 |
| 2.1.1 用户画像的定义 | 第15-16页 |
| 2.1.2 用户画像的构建 | 第16-17页 |
| 2.1.3 用户画像的应用 | 第17页 |
| 2.2 机器学习算法 | 第17-22页 |
| 2.2.1 线性模型 | 第17-18页 |
| 2.2.2 决策树 | 第18-20页 |
| 2.2.3 随机森林 | 第20-21页 |
| 2.2.4 迭代决策树 | 第21-22页 |
| 2.3 分布式平台 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 面向企业营销的全景用户画像与模型预测系统架构 | 第25-31页 |
| 3.1 系统逻辑架构 | 第25-26页 |
| 3.2 数据平台层 | 第26-29页 |
| 3.2.1 设施平台设计 | 第26-27页 |
| 3.2.2 数据流设计 | 第27-28页 |
| 3.2.3 数据存储设计 | 第28-29页 |
| 3.3 基于多源数据融合的用户画像构建 | 第29页 |
| 3.4 基于迭代决策树和线性模型融合的模型预测 | 第29-30页 |
| 3.5 应用层 | 第30页 |
| 3.6 本章小结 | 第30-31页 |
| 第4章 基于多源数据融合的用户画像构建 | 第31-46页 |
| 4.1 全景用户画像设计理念 | 第31-33页 |
| 4.1.1 基于多源数据融合构建 | 第31-32页 |
| 4.1.2 基于实际业务分模块构建 | 第32页 |
| 4.1.3 基于多维度全方位构建 | 第32-33页 |
| 4.2 全景用户画像内容设计 | 第33-35页 |
| 4.2.1 用户基本信息 | 第33页 |
| 4.2.2 用户获取红包信息 | 第33-34页 |
| 4.2.3 用户使用红包信息 | 第34页 |
| 4.2.4 用户预订包厢信息 | 第34-35页 |
| 4.2.5 用户在线消费信息 | 第35页 |
| 4.2.6 用户点歌信息 | 第35页 |
| 4.2.7 用户标签信息 | 第35页 |
| 4.3 全景用户画像数据库设计 | 第35-36页 |
| 4.4 全景用户画像的实现 | 第36-41页 |
| 4.4.1 整体技术方案 | 第36-37页 |
| 4.4.2 用户数据收集 | 第37-39页 |
| 4.4.3 用户标签模型 | 第39-41页 |
| 4.5 全景用户画像结果 | 第41-44页 |
| 4.5.1 用户基本数据模块 | 第42-44页 |
| 4.5.2 用户标签数据模块 | 第44页 |
| 4.6 本章小结 | 第44-46页 |
| 第5章 基于迭代决策树与线性模型融合的模型预测 | 第46-67页 |
| 5.1 算法描述 | 第46-49页 |
| 5.1.1 现存算法模型的不足 | 第46-47页 |
| 5.1.2 迭代决策树与线性模型的融合算法 | 第47-49页 |
| 5.2 用户性别分类预测 | 第49-56页 |
| 5.2.1 特征工程 | 第49-50页 |
| 5.2.2 迭代决策树与逻辑斯蒂回归融合的分类模型 | 第50页 |
| 5.2.3 性别分类实验 | 第50-56页 |
| 5.3 用户消费额度预测 | 第56-63页 |
| 5.3.1 特征工程 | 第56-57页 |
| 5.3.2 迭代决策树与线性回归融合的回归模型 | 第57-58页 |
| 5.3.3 用户消费额度预测实验 | 第58-63页 |
| 5.4 全景用户画像与模型预测应用 | 第63-66页 |
| 5.4.1 运营数据支持 | 第63-64页 |
| 5.4.2 用户信息推送 | 第64页 |
| 5.4.3 红包概率发放 | 第64-65页 |
| 5.4.4 数据信息挖掘 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文总结 | 第67-68页 |
| 6.2 未来研究方向 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间主要的研究成果 | 第72-73页 |
| 致谢 | 第73页 |