电商用户数据分析研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及其意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 相关研究方法 | 第14-16页 |
| 1.4 论文的主要工作和内容安排 | 第16-18页 |
| 第二章 电商中推荐系统相关理论 | 第18-28页 |
| 2.1 推荐系统的基本任务 | 第18-19页 |
| 2.2 推荐系统的架构 | 第19页 |
| 2.3 推荐算法的本质 | 第19-24页 |
| 2.3.1 逻辑回归的推荐算法 | 第20-21页 |
| 2.3.2 基于近邻的推荐算法 | 第21-22页 |
| 2.3.3 基于因子分解的推荐算法 | 第22-24页 |
| 2.4 推荐系统的实验方法 | 第24-25页 |
| 2.5 推荐系统的评价指标 | 第25-26页 |
| 2.5.1 预测准确度 | 第25-26页 |
| 2.5.2 实时性 | 第26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 分级推荐系统模型 | 第28-40页 |
| 3.1 电商行业大数据 | 第28-30页 |
| 3.1.1 电商行业用户行为数据 | 第29-30页 |
| 3.2 冷启动问题 | 第30-31页 |
| 3.3 分级推荐系统算法 | 第31-36页 |
| 3.3.1 聚类算法kmeans++ | 第32-33页 |
| 3.3.2 因子分解机推荐算法 | 第33-36页 |
| 3.4 分级推荐系统模型 | 第36-38页 |
| 3.4.1 系统模型架构 | 第36-37页 |
| 3.4.2 系统处理流程 | 第37-38页 |
| 3.4.3 预测评分模型融合 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 电商数据分析和实验结果 | 第40-54页 |
| 4.1 数据挖掘流程 | 第40页 |
| 4.2 数据集和数据预处理 | 第40-41页 |
| 4.3 特征工程 | 第41-43页 |
| 4.4 数据分析及实验结果 | 第43-52页 |
| 4.4.1 单特征有效性验证分析 | 第43-51页 |
| 4.4.2 用户的行为模式 | 第51页 |
| 4.4.3 离线实验评测结果与分析 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结和展望 | 第54-58页 |
| 5.1 论文工作总结 | 第54-55页 |
| 5.2 进一步研究方向 | 第55-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |
