| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第二章 研究现状及相关技术介绍 | 第17-34页 |
| 2.1 客户认知价值研究现状 | 第17-21页 |
| 2.1.1 客户认知价值定义的由来和发展 | 第17-19页 |
| 2.1.2 网络客户认知价值研究 | 第19-20页 |
| 2.1.3 客户认知价值研究总结 | 第20-21页 |
| 2.2 属性词抽取研究现状 | 第21-23页 |
| 2.3 聚类算法研究现状 | 第23-26页 |
| 2.3.1 聚类算法的划分 | 第24-25页 |
| 2.3.2 相关学者对聚类算法的研究现状 | 第25-26页 |
| 2.4 相关技术简介 | 第26-34页 |
| 2.4.1 正则表达式 | 第26-27页 |
| 2.4.2 网页解析器Jsoup | 第27-28页 |
| 2.4.3 中文分词技术Ansj | 第28-29页 |
| 2.4.4 文本表示模型 | 第29-31页 |
| 2.4.5 文本特征选择 | 第31-32页 |
| 2.4.6 K-means聚类算法 | 第32-34页 |
| 第三章 基于网络评论的个体认知价值挖掘方法 | 第34-46页 |
| 3.1 网络环境下个体认知价值模型 | 第34-35页 |
| 3.2 基于销售量的产品属性词检测方法 | 第35-37页 |
| 3.3 基于K-means的产品属性词聚类 | 第37-44页 |
| 3.3.1 整体设计 | 第38-39页 |
| 3.3.2 文本表示及特征选择 | 第39-40页 |
| 3.3.3 基于K-means的文本聚类 | 第40-41页 |
| 3.3.4 基于频繁项挖掘的属性词聚类方法 | 第41-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 个体认知价值影响因素挖掘原型系统设计与实现 | 第46-68页 |
| 4.1 系统总体设计 | 第46-47页 |
| 4.2 爬虫系统详细设计 | 第47-55页 |
| 4.2.1 系统执行流程 | 第48-49页 |
| 4.2.2 系统UML建模简介 | 第49-53页 |
| 4.2.3 状态图 | 第53-54页 |
| 4.2.4 数据库设计 | 第54-55页 |
| 4.3 数据分析系统详细设计 | 第55-57页 |
| 4.4 系统实现 | 第57-60页 |
| 4.5 实验部分 | 第60-66页 |
| 4.5.1 实验数据的爬取 | 第60-62页 |
| 4.5.2 实验过程 | 第62-63页 |
| 4.5.3 实验评测及结论 | 第63-66页 |
| 4.6 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 本文主要工作 | 第68-69页 |
| 5.2 下步工作的展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 作者在学期间取得的学术成果 | 第76页 |
| 攻读硕士学位期间参与的科研项目 | 第76页 |