| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 主要研究方法概述 | 第15-21页 |
| 1.2.1 数据挖掘与分析 | 第15-18页 |
| 1.2.2 大数据处理流程 | 第18-20页 |
| 1.2.3 大数据处理工具 | 第20-21页 |
| 1.3 本文的主要工作及结构安排 | 第21-23页 |
| 第二章 准备知识 | 第23-39页 |
| 2.1 传统营销理论 | 第23-25页 |
| 2.2 大数据分析中的营销理论 | 第25-28页 |
| 2.2.1 大数据营销理论 | 第25-27页 |
| 2.2.2 大数据营销的现状 | 第27-28页 |
| 2.3 大数据挖掘分析模型 | 第28-34页 |
| 2.3.1 聚类分析 | 第28-32页 |
| 2.3.2 关联分析 | 第32-33页 |
| 2.3.3 矩阵数据分析法 | 第33-34页 |
| 2.4 大数据营销实现案例 | 第34-36页 |
| 2.5 蜗牛大数据推荐系统设计方案概述 | 第36-39页 |
| 2.4.1 整体设计思路和构想 | 第36-37页 |
| 2.4.2 设计可行性分析 | 第37-38页 |
| 2.4.3 开发流程 | 第38-39页 |
| 第三章 用户画像标签理论 | 第39-49页 |
| 3.1 用户画像理论 | 第39-42页 |
| 3.1.1 用户画像定义 | 第39页 |
| 3.1.2 用户画像的意义 | 第39-40页 |
| 3.1.3 用户画像的构建 | 第40-42页 |
| 3.2 用户画像分析模型 | 第42-46页 |
| 3.2.1 动态用户画像分析模型 | 第42-45页 |
| 3.2.2 静态用户画像分析模型 | 第45-46页 |
| 3.3 基于户画像标签的推荐系统 | 第46-49页 |
| 第四章 协同过滤推荐算法 | 第49-56页 |
| 4.1 基于SPARK MLLIB平台的协同过滤算法 | 第49-51页 |
| 4.1.1 基于用户的推荐算法 | 第49-50页 |
| 4.1.2 基于商品的推荐算法 | 第50-51页 |
| 4.1.3 基于模型的推荐算法 | 第51页 |
| 4.2 基于用户的协同过滤推荐算法模型 | 第51-56页 |
| 4.2.1 发现兴趣相似的用户 | 第51-53页 |
| 4.2.2 推荐物品 | 第53-56页 |
| 第五章 蜗牛游戏公司营销分析推荐系统 | 第56-72页 |
| 5.1 业务背景 | 第56-57页 |
| 5.2 用户画像分析系统 | 第57-63页 |
| 5.2.1 用户属性维度分类 | 第57-59页 |
| 5.2.2 完成维度组合 | 第59-60页 |
| 5.2.3 制作数据切片 | 第60页 |
| 5.2.4 用户画像的分析 | 第60-63页 |
| 5.3 协同过滤推荐系统 | 第63-65页 |
| 5.3.1 基于用户的协同过滤推荐 | 第63页 |
| 5.3.2 情感倾向分析 | 第63-65页 |
| 5.4 综合内容推荐系统 | 第65-72页 |
| 第六章 全文总结 | 第72-73页 |
| 6.1 结论 | 第72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 附录 | 第75-87页 |
| 攻读硕士期间发表的论文 | 第87-88页 |
| 致谢 | 第88-89页 |