基于Web数据的港口客户分类及商务决策系统研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 Web数据挖掘研究现状 | 第11-12页 |
| 1.2.2 客户分类研究现状 | 第12-13页 |
| 1.2.3 港口商务决策系统 | 第13页 |
| 1.3 论文研究方法及内容 | 第13-14页 |
| 1.3.1 研究方法 | 第13-14页 |
| 1.3.2 研究内容 | 第14页 |
| 1.4 论文结构及创新点 | 第14-16页 |
| 1.4.1 论文结构 | 第14-15页 |
| 1.4.2 论文创新点 | 第15-16页 |
| 2 相关理论与技术 | 第16-20页 |
| 2.1 Web数据挖掘 | 第16页 |
| 2.2 客户分类方法 | 第16-18页 |
| 2.2.1 客户分类方法 | 第16-17页 |
| 2.2.2 客户分类指标分析 | 第17-18页 |
| 2.3 决策支持系统 | 第18-20页 |
| 2.3.1 决策支持系统理论基础 | 第18-19页 |
| 2.3.2 决策支持系统架构及开发方法 | 第19-20页 |
| 3 港口客户相关Web数据抓取与文本处理 | 第20-30页 |
| 3.1 港口客户Web数据来源分析 | 第20页 |
| 3.2 网络爬虫与数据预处理 | 第20-24页 |
| 3.2.1 Nutch网络爬虫工作过程 | 第21-23页 |
| 3.2.2 数据预处理 | 第23-24页 |
| 3.3 基于SVM的文本分类器的建立 | 第24-30页 |
| 3.3.1 数据集的选择和分组 | 第24-25页 |
| 3.3.2 特征向量提取和文本量化 | 第25-28页 |
| 3.3.3 文本分类有效性验证 | 第28-30页 |
| 4 基于改进BP神经网络的港口客户分类模型研究 | 第30-45页 |
| 4.1 改进BP神经网络算法研究 | 第30-33页 |
| 4.1.1 传统BP神经网络的缺陷分析 | 第30-31页 |
| 4.1.2 基于遗传算法改进的BP神经网络 | 第31-33页 |
| 4.2 客户分类模型指标分析 | 第33-37页 |
| 4.2.1 外部客户分类指标分析 | 第33-35页 |
| 4.2.2 内部客户分类指标分析 | 第35-37页 |
| 4.3 改进BP神经网络模型的实现 | 第37-45页 |
| 4.3.1 模型结构的确定与参数的选取 | 第37-39页 |
| 4.3.2 网络的训练和结果检验 | 第39-42页 |
| 4.3.3 客户分类结果分析 | 第42-45页 |
| 5 基于港口客户分类的商务决策系统研究 | 第45-57页 |
| 5.1 基于港口客户分类的商务决策系统分析 | 第45-47页 |
| 5.1.1 系统需求分析 | 第45-46页 |
| 5.1.2 系统流程分析 | 第46-47页 |
| 5.2 基于港口客户分类的商务决策系统框架设计 | 第47-51页 |
| 5.2.1 系统功能框架 | 第47-48页 |
| 5.2.2 系统技术框架 | 第48-51页 |
| 5.3 基于港口客户分类的商务决策系统实现 | 第51-57页 |
| 5.3.1 系统功能实现 | 第51-54页 |
| 5.3.2 系统决策支持 | 第54-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
