数据挖掘在网络购物中的应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1. 绪论 | 第9-13页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 数据挖掘研究现状 | 第10-11页 |
| 1.3 本文研究内容、研究方法与创新点 | 第11-13页 |
| 2. 聚类分析基本理论 | 第13-21页 |
| 2.1 聚类分析理论概述 | 第13-16页 |
| 2.1.1 距离和相似系数 | 第13-16页 |
| 2.2 系统聚类法 | 第16-19页 |
| 2.3 动态聚类法——K-means聚类法 | 第19-20页 |
| 2.3.1 K-means算法概述 | 第19页 |
| 2.3.2 K-means算法流程 | 第19-20页 |
| 2.3.3 K-means算法的优缺点 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 3. RFM模型及周边理论 | 第21-25页 |
| 3.1 客户生命周期理论概述 | 第21-22页 |
| 3.2 RFM模型 | 第22-25页 |
| 4. 关联规则理论 | 第25-32页 |
| 4.1 关联规则的概念和种类 | 第25-28页 |
| 4.1.1 关联规则的概念 | 第25-28页 |
| 4.1.2 关联规则的种类 | 第28页 |
| 4.2 关联规则的几种经典算法 | 第28-31页 |
| 4.2.1 Apriori算法 | 第28-29页 |
| 4.2.2 GRI算法 | 第29-31页 |
| 4.3 小结 | 第31-32页 |
| 5. 混合模型的建立及实证分析 | 第32-49页 |
| 5.1 数据说明 | 第32页 |
| 5.1.1 数据来源 | 第32页 |
| 5.2 基于RFM的聚类模型 | 第32-38页 |
| 5.2.1 层次分析法简介 | 第32-34页 |
| 5.2.2 计算R、F、M三个指标的权重 | 第34-36页 |
| 5.2.3 聚类模型的建立 | 第36-38页 |
| 5.3 商品推荐模型 | 第38-45页 |
| 5.3.1 高忠诚度客户商品推荐 | 第38-44页 |
| 5.3.2 低忠诚度客户商品推荐 | 第44-45页 |
| 5.4 推荐规则的具体实施 | 第45-46页 |
| 5.5 推荐结果验证 | 第46-47页 |
| 5.6 本章小结 | 第47-49页 |
| 6. 结论和展望 | 第49-51页 |
| 6.1 研究结论总结 | 第49页 |
| 6.2 本文研究的不足 | 第49页 |
| 6.3 未来展望 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53-54页 |
