| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 电商数据分析挖掘所面临的问题 | 第12-13页 |
| 1.3 研究内容及贡献 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 分布式多数据源电商数据分析挖掘相关技术 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 Web数据挖掘 | 第16-18页 |
| 2.3 数据融合 | 第18-19页 |
| 2.4 大数据和分布式处理框架 | 第19-22页 |
| 第三章 电商数据分析挖掘 | 第22-46页 |
| 3.1 引言 | 第22页 |
| 3.2 数据定义和采集 | 第22-28页 |
| 3.2.1 电商数据定义 | 第22-23页 |
| 3.2.2 电商数据采集 | 第23-24页 |
| 3.2.3 采集数据信息 | 第24-28页 |
| 3.3 数据预处理 | 第28-30页 |
| 3.3.1 数据清洗 | 第28-29页 |
| 3.3.2 数据集成 | 第29页 |
| 3.3.3 数据转换 | 第29-30页 |
| 3.4 特征生成和特征选择 | 第30-32页 |
| 3.4.1 特征提取 | 第30-31页 |
| 3.4.2 特征选择 | 第31-32页 |
| 3.5 数据分析挖掘 | 第32-46页 |
| 3.5.1 聚类分析 | 第32-37页 |
| 3.5.2 相关性分析 | 第37页 |
| 3.5.3 线性回归分析 | 第37-40页 |
| 3.5.4 人工神经网络 | 第40-42页 |
| 3.5.5 不同电商商品行为分析 | 第42-46页 |
| 第四章 多源电商数据融合 | 第46-60页 |
| 4.1 引言 | 第46-47页 |
| 4.2 多源电商数据的特点 | 第47-48页 |
| 4.3 多数据源电商数据融合总体解决方案 | 第48-50页 |
| 4.4 多数据源电商数据融合方案 | 第50-52页 |
| 4.4.1 数据列的选取和种子特征列的选择 | 第50-51页 |
| 4.4.2 商品的相似度度量 | 第51-52页 |
| 4.4.3 数据冲突解决 | 第52页 |
| 4.5 多数据源电商数据融合的具体实现 | 第52-54页 |
| 4.6 实验结果与分析 | 第54-60页 |
| 4.6.1 测试数据集和实验环境 | 第54页 |
| 4.6.2 数据融合的准确率分析 | 第54-55页 |
| 4.6.3 数据融合后的数据用于数据挖掘 | 第55-60页 |
| 第五章 分布式电商数据分析挖掘系统 | 第60-83页 |
| 5.1 引言 | 第60-61页 |
| 5.2 基于Hadoop的分布式电商数据分析挖掘系统的设计 | 第61-64页 |
| 5.2.1 基本的文件存储 | 第62页 |
| 5.2.2 数据的分析挖掘工作 | 第62-63页 |
| 5.2.3 分布式电商数据分析挖掘系统的架构 | 第63-64页 |
| 5.3 层次聚类在Hadoop下实现的问题提出 | 第64-65页 |
| 5.4 层次聚类的基本思想 | 第65-66页 |
| 5.5 层次聚类在Hadoop中实现遇见的问题 | 第66-67页 |
| 5.6 对层次聚类算法实现的改进 | 第67-69页 |
| 5.7 改进的层次聚类的Hadoop实现 | 第69-73页 |
| 5.8 实验及分析 | 第73-76页 |
| 5.8.1 改进前后的层次聚类算法性能比较 | 第74-75页 |
| 5.8.2 聚类基数对改进后的层次聚类算法的性能影响 | 第75页 |
| 5.8.3 一次聚类类数对改进后的层次聚类算法的性能影响 | 第75-76页 |
| 5.9 电商数据的层次聚类分析 | 第76-82页 |
| 5.10 小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88-89页 |
| 攻读学位期间发表的学术论文目录 | 第89页 |
