| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 文献综述 | 第10-13页 |
| 1.2.1 关联规则 | 第11页 |
| 1.2.2 客户细分 | 第11-12页 |
| 1.2.3 联机分析处理技术 | 第12-13页 |
| 1.3 研究路线 | 第13-15页 |
| 第2章 关联规则挖掘算法 | 第15-25页 |
| 2.1 关联规则定义及分类 | 第15-18页 |
| 2.1.1 关联规则定义 | 第15-16页 |
| 2.1.2 关联规则分类 | 第16-18页 |
| 2.2 多维关联规则挖掘 | 第18-21页 |
| 2.2.1 数据立方体 | 第19-20页 |
| 2.2.2 联机分析处理技术 | 第20-21页 |
| 2.3 关联规则Apriori算法 | 第21-25页 |
| 2.3.1 单维关联规则Apriori算法 | 第21-22页 |
| 2.3.2 多维关联规则Aprioir算法 | 第22-25页 |
| 第3章 基于RFM模型和K-means聚类的客户细分 | 第25-37页 |
| 3.1 客户细分模型 | 第25-28页 |
| 3.1.1 RFM模型 | 第25-26页 |
| 3.1.2 K-means聚类算法 | 第26-28页 |
| 3.2 基于RFM模型的K-means聚类 | 第28-34页 |
| 3.2.1 基于RFM分级的K-means聚类 | 第28-30页 |
| 3.2.2 基于RFM离群点检测的K-means聚类 | 第30-34页 |
| 3.3 聚类结果评价 | 第34-37页 |
| 3.3.1 评价指标 | 第34-35页 |
| 3.3.2 结果分析 | 第35-37页 |
| 第4章 多维效用关联规则挖掘 | 第37-47页 |
| 4.1 传统聚合函数度量法 | 第37-41页 |
| 4.1.1 度量值计算方法 | 第37-38页 |
| 4.1.2 传统度量值计算方法 | 第38-41页 |
| 4.2 效用函数度量法 | 第41-43页 |
| 4.3 结果对比分析 | 第43-47页 |
| 第5章 总结和展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 研究展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表的论文 | 第54页 |