基于大数据因果推断的大学生网购服装推荐模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 相关研究现状 | 第10-16页 |
| 1.2.1 个性化推荐的研究现状 | 第10-13页 |
| 1.2.2 大数据因果推断的研究现状 | 第13-14页 |
| 1.2.3 消费者行为研究现状 | 第14-16页 |
| 1.3 研究的主要内容和研究框架 | 第16-18页 |
| 1.3.1 研究的主要内容 | 第16页 |
| 1.3.2 研究框架 | 第16-18页 |
| 第2章 相关理论基础 | 第18-27页 |
| 2.1 大数据理论 | 第18-20页 |
| 2.1.1 大数据的概念 | 第18页 |
| 2.1.2 大数据的特点 | 第18-19页 |
| 2.1.3 大数据处理流程 | 第19页 |
| 2.1.4 大P大数据与大数据因果推断 | 第19-20页 |
| 2.2 基于贝叶斯网络的因果推断理论 | 第20-25页 |
| 2.2.1 贝叶斯网络的基本概念 | 第20-22页 |
| 2.2.2 因果贝叶斯网络的基本概念 | 第22-23页 |
| 2.2.3 基于约束学习的因果贝叶斯网络结构学习 | 第23-25页 |
| 2.3 Logistic回归模型 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 大数据因果推断研究方法 | 第27-35页 |
| 3.1 研究框架 | 第27-28页 |
| 3.2 数据搜集与处理 | 第28-29页 |
| 3.2.1 基于相关理论构建大P数据库 | 第28-29页 |
| 3.2.2 数据预处理 | 第29页 |
| 3.3 与背景之下相结合的因果贝叶斯网络 | 第29-33页 |
| 3.3.1 构建图解模型 | 第29-31页 |
| 3.3.2 局部因果贝叶斯网络 | 第31-32页 |
| 3.3.3 全局因果贝叶斯网络 | 第32-33页 |
| 3.4 回归分析与模型建立 | 第33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 大学生网购服装问卷调查 | 第35-42页 |
| 4.1 问卷的设计 | 第35-38页 |
| 4.1.1 问卷的设计思想 | 第35页 |
| 4.1.2 问卷内容 | 第35-38页 |
| 4.2 数据收集 | 第38-41页 |
| 4.2.1 预调查 | 第38-39页 |
| 4.2.2 问卷正式发放和回收 | 第39页 |
| 4.2.3 样本描述性统计分析 | 第39-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 大学生网购服装推荐模型 | 第42-62页 |
| 5.1 大学生网购服装因果贝叶斯网络 | 第42-49页 |
| 5.1.1 构建图解模型 | 第42-45页 |
| 5.1.2 局部贝叶斯网络 | 第45-48页 |
| 5.1.3 全局因果贝叶斯网络 | 第48-49页 |
| 5.2 Logistic回归 | 第49-57页 |
| 5.2.1 多项logistics回归 | 第50-54页 |
| 5.2.2 二项logistics回归 | 第54-57页 |
| 5.3 建立推荐模型 | 第57-60页 |
| 5.3.1 大学生网购服装款式——品牌推荐模型 | 第57-58页 |
| 5.3.2 大学生网购服装主色调推荐模型 | 第58-60页 |
| 5.4 对电子商务个性化推荐发展的建议 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录 大学生网购服装问卷调查 | 第69-74页 |
| 致谢 | 第74页 |
