| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究问题与意义 | 第10-11页 |
| 1.2.1 研究问题 | 第10-11页 |
| 1.2.2 研究意义 | 第11页 |
| 1.3 国内外研究现状分析 | 第11-17页 |
| 1.3.1 国内外研究现状 | 第11-16页 |
| 1.3.2 研究现状述评 | 第16-17页 |
| 1.4 研究内容及组织安排 | 第17-18页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 组织安排 | 第17-18页 |
| 1.5 创新点 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 第2章 消费者行为数据处理与特征工程 | 第20-27页 |
| 2.1 消费者行为数据处理架构 | 第20页 |
| 2.2 数据预处理 | 第20-21页 |
| 2.3 数据统计和随机采样技术 | 第21-23页 |
| 2.3.1 数据统计 | 第21-23页 |
| 2.3.2 消费者行为类别数据的随机采样技术 | 第23页 |
| 2.4 特征工程 | 第23-26页 |
| 2.4.1 特征选择 | 第24-25页 |
| 2.4.2 特征处理 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 传统消费者行为预测模型的比较分析 | 第27-37页 |
| 3.1 构建模型整体框架 | 第27页 |
| 3.2 传统预测模型算法基础 | 第27-32页 |
| 3.2.1 Logistic回归 | 第27-29页 |
| 3.2.2 Bagging和随机森林 | 第29-30页 |
| 3.2.3 神经网络 | 第30-32页 |
| 3.3 实验平台和实验工具 | 第32页 |
| 3.4 传统预测模型的构建 | 第32-34页 |
| 3.4.1 模型构建 | 第32-33页 |
| 3.4.2 评价方法 | 第33-34页 |
| 3.5 传统预估模型实验对比 | 第34-36页 |
| 3.5.1 参数设置 | 第34-35页 |
| 3.5.2 实验结果 | 第35-36页 |
| 3.5.3 结果分析 | 第36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 消费行为分析预测的深度学习模型研究 | 第37-47页 |
| 4.1 深度学习 | 第37-42页 |
| 4.1.1 深度神经网络 | 第38-39页 |
| 4.1.2 构建rDNN模型 | 第39-40页 |
| 4.1.3 选择合理的激活函数 | 第40-41页 |
| 4.1.4 选择合适的N/P比例 | 第41-42页 |
| 4.2 模型构建与算法实现 | 第42-44页 |
| 4.2.1 系统框架 | 第42-43页 |
| 4.2.2 rDNN模型的实现 | 第43-44页 |
| 4.3 深度学习模型实验结果与分析 | 第44-46页 |
| 4.3.1 模型参数设置 | 第44-45页 |
| 4.3.2 实验结果与分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 rDNN模型的优化及应用 | 第47-55页 |
| 5.1 rDNN模型的优化 | 第47-52页 |
| 5.1.1 N/P比例的影响研究 | 第47-48页 |
| 5.1.2 Sigmoid函数和Relu函数的影响研究 | 第48-50页 |
| 5.1.3 实验运算效率分析 | 第50-51页 |
| 5.1.4 实验结论 | 第51-52页 |
| 5.2 rDNN模型的应用 | 第52页 |
| 5.3 实验结果综合分析与评价 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-58页 |
| 6.1 论文总结 | 第55-56页 |
| 6.2 未来工作的展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢语 | 第62-63页 |
| 在学期间发表论文与参与课题情况 | 第63页 |