| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 课题研究背景、现状及意义 | 第7-8页 |
| 1.2 论文研究内容 | 第8-9页 |
| 1.3 论文的结构框架 | 第9-11页 |
| 第2章 引入兴趣模型改进的消费行为大数据关联挖掘 | 第11-31页 |
| 2.1 引言 | 第11-12页 |
| 2.2 Apriori关联规则算法 | 第12-14页 |
| 2.3 构建兴趣度模型 | 第14-16页 |
| 2.3.1 若干典型兴趣度模型分析 | 第14-15页 |
| 2.3.2 改进的兴趣度模型 | 第15-16页 |
| 2.4 引入兴趣模型改进的消费行为关联挖掘算法 | 第16-19页 |
| 2.5 基于云计算平台的算法优化 | 第19-23页 |
| 2.5.1 Hadoop云计算平台 | 第19页 |
| 2.5.2 MapReduce化改进Apriori算法 | 第19-23页 |
| 2.6 实验及分析 | 第23-29页 |
| 2.6.1 实验一改进的Apriori算法与经典算法对比实验 | 第23-27页 |
| 2.6.2 实验二改进的Apriori算法云平台仿真实验 | 第27-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第3章 基于随机模型引入朴素贝叶斯改进的客户价值分析预测 | 第31-53页 |
| 3.1 引言 | 第31-32页 |
| 3.2 RFM客户消费行为模型定义 | 第32页 |
| 3.3 客户消费行为随机模型 | 第32-33页 |
| 3.4 K-means客户聚类算法 | 第33-34页 |
| 3.5 构建客户价值分析随机模型 | 第34-42页 |
| 3.5.1 客户状态转移概率矩阵建立 | 第38-39页 |
| 3.5.2 利润矩阵建立 | 第39-41页 |
| 3.5.3 客户价值矩阵计算 | 第41-42页 |
| 3.6 结合Naive Bayes的客户价值分类预测 | 第42-46页 |
| 3.6.1 朴素贝叶斯分类预测 | 第42-44页 |
| 3.6.2 引入Naive Bayes构建的客户价值预测模型 | 第44-46页 |
| 3.7 实验及分析 | 第46-52页 |
| 3.7.1 实验一价值分析模型初始聚类群数分析 | 第47-49页 |
| 3.7.2 实验二价值分析随机模型验证 | 第49-51页 |
| 3.7.3 实验三客户价值分类预测模型的准确率 | 第51-52页 |
| 3.8 本章小结 | 第52-53页 |
| 第4章 面向移动营销平台的RSA算法优化及防伪应用 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 二维码与防伪技术 | 第54-55页 |
| 4.3 加密算法设计改进 | 第55-62页 |
| 4.3.1 RSA算法 | 第55-57页 |
| 4.3.2 随机强素数快速生成 | 第57-59页 |
| 4.3.3 中国剩余定理推导及算法改进 | 第59-61页 |
| 4.3.4 M-ary算法 | 第61-62页 |
| 4.4 移动营销防伪应用及系统设计 | 第62-66页 |
| 4.4.1 开发与运行环境 | 第62页 |
| 4.4.2 防伪溯源服务平台架构设计 | 第62-63页 |
| 4.4.3 产品数字身份管理平台设计 | 第63-64页 |
| 4.4.4 加解密系统模块设计 | 第64-65页 |
| 4.4.5 数码验证功能设计 | 第65-66页 |
| 4.5 实验及分析 | 第66-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第5章 系统设计 | 第69-79页 |
| 5.1 系统整体结构设计 | 第69-71页 |
| 5.2 系统功能模块设计及用例分析 | 第71-77页 |
| 5.3 Hadoop云平台设计 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望及未来工作 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 在学期间发表的学术论文及研究成果 | 第86-87页 |
| 致谢 | 第87页 |
