医药大数据服务系统
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 论文结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 医药大数据服务系统需求 | 第16-24页 |
| 2.1 系统架构 | 第16页 |
| 2.2 医药大数据采集 | 第16-19页 |
| 2.2.1 药品数据 | 第16-17页 |
| 2.2.2 用户数据 | 第17-18页 |
| 2.2.3 订单数据 | 第18-19页 |
| 2.3 医药大数据分析 | 第19-20页 |
| 2.3.1 销售分析 | 第19-20页 |
| 2.3.2 药品推荐分析 | 第20页 |
| 2.4 医药大数据呈现 | 第20-23页 |
| 2.4.1 销售报表呈现 | 第20-22页 |
| 2.4.2 推荐表现形式 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 相关技术理论 | 第24-41页 |
| 3.1 Hadoop关键技术 | 第24-29页 |
| 3.1.1 HDFS | 第25-26页 |
| 3.1.2 Hbase | 第26-27页 |
| 3.1.3 MapReduce | 第27-29页 |
| 3.2 个性化推荐系统 | 第29-32页 |
| 3.2.1 基于内容的推荐算法 | 第30-31页 |
| 3.2.2 协同过滤推荐算法 | 第31-32页 |
| 3.3 文本相似度计算 | 第32-38页 |
| 3.3.1 中文分词 | 第32-34页 |
| 3.3.2 特征值权重计算 | 第34-36页 |
| 3.3.3 文本表示模型 | 第36-37页 |
| 3.3.4 相似度计算 | 第37-38页 |
| 3.4 预测算法相关概念 | 第38-40页 |
| 3.4.1 时间序列相关概念 | 第38-39页 |
| 3.4.2 预测评价指标 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于文本相似度的药品推荐算法 | 第41-56页 |
| 4.1 药品推荐流程 | 第41-42页 |
| 4.2 药品文本的预处理 | 第42-45页 |
| 4.2.1 中文分词 | 第42-43页 |
| 4.2.2 特征词提取 | 第43-45页 |
| 4.3 特征词权重计算 | 第45-47页 |
| 4.3.1 权重计算 | 第45-46页 |
| 4.3.2 改进的权重计算方式 | 第46-47页 |
| 4.4 相似度计算 | 第47-52页 |
| 4.4.1 药品建模 | 第48-49页 |
| 4.4.2 用户协同行为建模 | 第49页 |
| 4.4.3 药品文本相似度计算 | 第49-51页 |
| 4.4.4 药品相似度计算 | 第51-52页 |
| 4.5 实验结果与分析 | 第52-54页 |
| 4.5.1 实验数据 | 第52页 |
| 4.5.2 评价指标 | 第52-53页 |
| 4.5.3 实验结果分析 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 5 基于时间序列的预测算法 | 第56-72页 |
| 5.1 ARIMA模型 | 第56-61页 |
| 5.1.1 ARIMA模型结构 | 第56页 |
| 5.1.2 ARIMA模型建模步骤 | 第56-61页 |
| 5.2 GM（1,1）模型 | 第61-63页 |
| 5.3 GM-ARIMA组合预测原理 | 第63-66页 |
| 5.4 销量预测实例分析 | 第66-71页 |
| 5.4.1 实验数据 | 第66-67页 |
| 5.4.2 ARIMA模型预测 | 第67-69页 |
| 5.4.3 GM-ARIMA模型预测 | 第69-70页 |
| 5.4.4 实验结果分析 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 总结 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 学位论文数据集 | 第79-80页 |
