| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 目的和意义 | 第12页 |
| 1.2 问题描述与主要内容 | 第12-14页 |
| 1.2.1 问题描述 | 第12-13页 |
| 1.2.2 主要内容 | 第13-14页 |
| 1.3 研究的创新 | 第14页 |
| 1.4 研究方法和技术路线 | 第14-16页 |
| 1.4.1 研究方法 | 第14-15页 |
| 1.4.2 技术路线 | 第15-16页 |
| 2 国内外的相关研究 | 第16-28页 |
| 2.1 网络团购影响因素的研究 | 第16-21页 |
| 2.1.1 基于客户的网络团购影响因素研究 | 第16-18页 |
| 2.1.2 基于商家的网络团购影响因素研究 | 第18-19页 |
| 2.1.3 基于社会的网络团购影响因素研究 | 第19-20页 |
| 2.1.4 本文影响因素的初定 | 第20-21页 |
| 2.2 网络团购顾客行为模式预测分析研究 | 第21-25页 |
| 2.2.1 基于数据挖掘的网络团购研究现状 | 第21-22页 |
| 2.2.2 基于数据挖掘的顾客行为模式预测分析研究 | 第22-24页 |
| 2.2.3 电商中的数据挖掘分类预测技术应用 | 第24-25页 |
| 2.3 数据挖掘处理过程和常用软件分析 | 第25-27页 |
| 2.3.1 数据挖掘的处理过程 | 第25-26页 |
| 2.3.2 常用的几款数据挖掘软件比较 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 决策树算法改进和关联规则相关理论研究 | 第28-46页 |
| 3.1 决策树算法 | 第28-31页 |
| 3.1.1 ID3算法 | 第28-29页 |
| 3.1.2 C4.5 算法 | 第29-30页 |
| 3.1.3 CART算法 | 第30-31页 |
| 3.2 决策树改进相关理论研究 | 第31-44页 |
| 3.2.1 基于K-Mediods的聚类 | 第31-34页 |
| 3.2.2 RFM分析 | 第34-36页 |
| 3.2.3 基于依赖度的改进的决策表属性约简算法 | 第36-40页 |
| 3.2.4 代价矩阵和EBP优化剪枝 | 第40-42页 |
| 3.2.5 Boosting技术优化模型 | 第42-44页 |
| 3.3 关联规则相关理论研究 | 第44-46页 |
| 3.3.1 基于关联规则的客户行为模式研究 | 第44-45页 |
| 3.3.2 关联规则的相关理论介绍 | 第45-46页 |
| 4 基于改进决策树算法的网络团购顾客行为分析模型 | 第46-61页 |
| 4.1 原始数据获取与预处理 | 第46-47页 |
| 4.1.1 原始数据的获取 | 第46页 |
| 4.1.2 数据的预处理 | 第46-47页 |
| 4.2 顾客分类 | 第47-50页 |
| 4.3 属性约简 | 第50页 |
| 4.4 决策树模型的构建 | 第50-58页 |
| 4.4.1 数据预处理 | 第50-51页 |
| 4.4.2 构建初始决策树模型 | 第51-54页 |
| 4.4.3 决策树模型优化 | 第54-58页 |
| 4.5 分类结果的解释与评价 | 第58-61页 |
| 5 基于关联规则的高价值网络团购客户行为模式挖掘 | 第61-68页 |
| 5.1 关联规则数据预处理 | 第61页 |
| 5.2 高价值客户所购商品的关联规则 | 第61-63页 |
| 5.3 高价值客户所选团购网站的关联规则 | 第63-65页 |
| 5.4 高价值客户所关注商品特点的关联规则 | 第65-67页 |
| 5.5 结果分析 | 第67-68页 |
| 6 结论与展望 | 第68-70页 |
| 6.1 主要结论 | 第68页 |
| 6.2 研究展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录 1：团购消费调查问卷 | 第75-77页 |
| 附录 2: 决策树分类规则 | 第77-79页 |
| 附录 3: R语言部分代码 | 第79-82页 |
| 附录 4: 作者在读研期间发表的学术论文及参加的科研项目 | 第82页 |