面向药品推广领域的用户电子邮件行为分析
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景和研究意义 | 第9-12页 |
| 1.1.1 大数据分析 | 第9-10页 |
| 1.1.2 数字营销 | 第10页 |
| 1.1.3 基于大数据分析的个性化数字营销 | 第10-11页 |
| 1.1.4 研究意义 | 第11-12页 |
| 1.2 研究目标和内容 | 第12页 |
| 1.3 论文结构 | 第12-14页 |
| 2 国内外研究现状及分析 | 第14-21页 |
| 2.1 数据可视化发展 | 第14-15页 |
| 2.2 用户行为分析 | 第15页 |
| 2.3 机器学习 | 第15-19页 |
| 2.3.1 机器学习技术的发展 | 第15-17页 |
| 2.3.2 基于机器学习的大数据处理 | 第17-18页 |
| 2.3.3 机器学习开发语言Python | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 3 关键问题及解决方案 | 第21-34页 |
| 3.1 数据整合和质量保证 | 第21-23页 |
| 3.1.1 数据整合 | 第21-22页 |
| 3.1.2 数据质量保证 | 第22-23页 |
| 3.2 用户邮件行为分析算法及特征 | 第23-30页 |
| 3.2.1 分类算法和XGBoost | 第23-25页 |
| 3.2.2 用户邮件行为的特征参数识别 | 第25-30页 |
| 3.3 评价指标ROC曲线与AUC分数 | 第30-32页 |
| 3.4 实验 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 系统设计与实现 | 第34-58页 |
| 4.1 系统总体需求分析 | 第34-37页 |
| 4.1.1 线下模型训练和评估 | 第34-36页 |
| 4.1.2 线上预测分析 | 第36-37页 |
| 4.2 系统用例分析与建模 | 第37-41页 |
| 4.2.1 数据整合的用例分析 | 第37-38页 |
| 4.2.2 数据验证的用例分析 | 第38-39页 |
| 4.2.3 模型分析的用例分析 | 第39-40页 |
| 4.2.4 可视化展示的用例分析 | 第40-41页 |
| 4.3 系统逻辑架构的设计 | 第41-42页 |
| 4.4 技术选型 | 第42-44页 |
| 4.4.1 编程语言的选型 | 第42页 |
| 4.4.2 数据存储选型 | 第42-43页 |
| 4.4.3 可视化展现工具的选型 | 第43-44页 |
| 4.5 系统部署架构的设计 | 第44-45页 |
| 4.6 数据整合层的详细设计与实现 | 第45-48页 |
| 4.6.1 活动图 | 第45-46页 |
| 4.6.2 部署图 | 第46-47页 |
| 4.6.3 数据整合层实现 | 第47-48页 |
| 4.7 数据验证层的详细设计与实现 | 第48-50页 |
| 4.7.1 活动图 | 第48-49页 |
| 4.7.2 关键类图 | 第49-50页 |
| 4.8 模型分析层的设计与实现 | 第50-53页 |
| 4.8.1 活动图 | 第50-51页 |
| 4.8.2 关键类图 | 第51-52页 |
| 4.8.3 时序图 | 第52-53页 |
| 4.9 展现层的详细设计与实现 | 第53-57页 |
| 4.10 本章小结 | 第57-58页 |
| 5 系统测试与试运行 | 第58-61页 |
| 5.1 预测正确性测试 | 第58-59页 |
| 5.2 分析性能测试 | 第59页 |
| 5.3 试运行 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 本文工作小结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文 | 第66-68页 |
