Web数据挖掘在电子商务中的研究与应用
摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第14-18页 |
1.1 课题研究背景及意义 | 第14-15页 |
1.2 研究现状及发展趋势 | 第15-16页 |
1.2.1 数据挖掘的研究现状 | 第15页 |
1.2.2 Web挖掘在电子商务中的现状 | 第15-16页 |
1.2.3 Web挖掘在电子商务中发展趋势 | 第16页 |
1.3 论文研究内容 | 第16-17页 |
1.4 论文组织结构 | 第17-18页 |
第2章 数据挖掘与Web数据挖掘 | 第18-26页 |
2.1 引言 | 第18页 |
2.2 数据挖掘技术 | 第18-21页 |
2.2.1 数据挖掘概述 | 第18页 |
2.2.2 数据挖掘主要技术 | 第18-20页 |
2.2.3 数据挖掘应用领域 | 第20-21页 |
2.3 Web数据挖掘 | 第21-23页 |
2.3.1 Web数据挖掘概念 | 第21页 |
2.3.2 Web数据特点 | 第21-22页 |
2.3.3 Web数据挖掘分类 | 第22页 |
2.3.4 Web挖掘的新研究领域 | 第22-23页 |
2.4 面向电子商务的Web挖掘 | 第23-25页 |
2.4.1 面向电子商务的Web数据源 | 第23-24页 |
2.4.2 面向电子商务的Web挖掘技术 | 第24-25页 |
2.5 本章小结 | 第25-26页 |
第3章 电子商务中推荐系统研究 | 第26-34页 |
3.1 引言 | 第26页 |
3.2 电子商务概述 | 第26-27页 |
3.2.1 电子商务的概念 | 第26页 |
3.2.2 电子商务的类型 | 第26-27页 |
3.3 电子商务的个性化推荐系统类型 | 第27-29页 |
3.3.1 基于协同过滤的个性化推荐系统 | 第27页 |
3.3.2 基于内容的个性化推荐系统 | 第27-28页 |
3.3.3 基于网络结构的个性化推荐系统 | 第28页 |
3.3.4 混合个性化推荐系统 | 第28页 |
3.3.5 基于Web挖掘的推荐系统 | 第28-29页 |
3.4 个性化推荐算法 | 第29-33页 |
3.4.1 协同过滤算法 | 第29-30页 |
3.4.2 聚类分析算法 | 第30-31页 |
3.4.3 贝叶斯网络 | 第31-32页 |
3.4.4 关联规则 | 第32-33页 |
3.5 本章小结 | 第33-34页 |
第4章 基于模糊聚类的客户群划分 | 第34-48页 |
4.1 引言 | 第34页 |
4.2 聚类分析概述 | 第34-36页 |
4.2.1 聚类分析方法 | 第34-35页 |
4.2.2 聚类算法存在问题及改进方法 | 第35-36页 |
4.3 模糊C-均值聚类 | 第36-41页 |
4.3.1 FCM算法思想 | 第36-38页 |
4.3.2 变权划分熵 | 第38-40页 |
4.3.3 模糊加权指数 | 第40-41页 |
4.4 试验数据分析 | 第41-47页 |
4.4.1 数据来源 | 第41-42页 |
4.4.2 FCM核心代码 | 第42-44页 |
4.4.3 实验结果分析 | 第44-47页 |
4.5 本章小结 | 第47-48页 |
第5章 基于网络的电商销售数据分析 | 第48-64页 |
5.1 引言 | 第48页 |
5.2 数据抓取技术 | 第48-50页 |
5.2.1 爬虫原理 | 第48页 |
5.2.2 数据抓取策略 | 第48-49页 |
5.2.3 安全策略 | 第49-50页 |
5.3 数据抓取模块 | 第50-56页 |
5.3.1 系统的整体架构 | 第50-51页 |
5.3.2 数据存储模块 | 第51-53页 |
5.3.3 爬虫模块 | 第53-54页 |
5.3.4 实时监控 | 第54-56页 |
5.4 电商销售数据分析 | 第56-63页 |
5.4.1 可视化和幂律分布 | 第56-57页 |
5.4.2 自相性分析 | 第57-58页 |
5.4.3 度分布 | 第58页 |
5.4.5 数据销量分布试验 | 第58-63页 |
5.5 本章小结 | 第63-64页 |
结论与展望 | 第64-66页 |
参考文献 | 第66-69页 |
攻读学位期间发表的学术论文 | 第69-71页 |
致谢 | 第71页 |