| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 引言 | 第9-13页 |
| 1.1 选题依据 | 第9页 |
| 1.2 研究背景与研究意义 | 第9-11页 |
| 1.3 研究路径与方法 | 第11-13页 |
| 第2章 文献综述 | 第13-23页 |
| 2.1 大数据研究与应用现状 | 第13-14页 |
| 2.2 数据挖掘发展动态 | 第14-16页 |
| 2.3 聚类算法研究回顾 | 第16-19页 |
| 2.4 客户行为分析研究动态 | 第19-21页 |
| 2.5 简要述评 | 第21-23页 |
| 第3章 新一站客户行为环境 | 第23-38页 |
| 3.1 新一站网站功能结构 | 第23-24页 |
| 3.2 新一站购物流程和在线客服流程 | 第24-26页 |
| 3.2.1 购物流程分析 | 第24-25页 |
| 3.2.2 客服流程分析 | 第25-26页 |
| 3.3 新一站客户及客户行为 | 第26-31页 |
| 3.3.1 新一站客户的类型 | 第26-27页 |
| 3.3.2 新一站客户行为 | 第27-30页 |
| 3.3.3 新一站客户行为特征 | 第30-31页 |
| 3.4 新一站客户识别方法 | 第31-32页 |
| 3.5 大数据环境下新一站客户行为的迁移演化 | 第32-33页 |
| 3.6 新一站个性化推荐服务分析 | 第33-38页 |
| 3.6.1 新一站个性化推荐的意义 | 第33-34页 |
| 3.6.2 新一站个性化推荐系统的构成 | 第34-35页 |
| 3.6.3 新一站个性化推荐总体框架及流程 | 第35-38页 |
| 第4章 新一站聚类识别算法研究 | 第38-51页 |
| 4.1 新一站聚类识别要求及流程设计 | 第38-41页 |
| 4.1.1 新一站客户数据的聚类需求 | 第38-39页 |
| 4.1.2 新一站客户聚类流程设计 | 第39-41页 |
| 4.2 聚类算法的分类及选择 | 第41-42页 |
| 4.2.1 聚类算法的分类 | 第41-42页 |
| 4.2.2 聚类算法的选择 | 第42页 |
| 4.3 K-means算法新一站的应用研究 | 第42-45页 |
| 4.3.1 K-means算法新一站的应用过程 | 第43-44页 |
| 4.3.2 K-means算法应用过程中的不适应性 | 第44-45页 |
| 4.4 人工蜂群算法的分析及应用 | 第45-51页 |
| 4.4.1 经典人工蜂群算法分析 | 第45-46页 |
| 4.4.2 K-ABC算法在新一站的应用 | 第46-51页 |
| 第5章 新一站客户行为聚类识别模块设计 | 第51-60页 |
| 5.1 新一站对聚类识别模块的要求 | 第51-52页 |
| 5.2 新一站聚类识别模块的选择 | 第52-53页 |
| 5.2.1 Hadoop的特点分析 | 第52-53页 |
| 5.2.2 Hadoop的组成 | 第53页 |
| 5.3 Hadoop在新一站中的应用 | 第53-56页 |
| 5.3.1 HDFS在新一站中的应用 | 第53-54页 |
| 5.3.2 MapReduce在新一站中的应用 | 第54-56页 |
| 5.4 K-ABC算法的并行化设计 | 第56-60页 |
| 第6章 实验仿真与结果分析 | 第60-66页 |
| 6.1 集群环境配置 | 第60-61页 |
| 6.2 实验数据和步骤 | 第61-63页 |
| 6.3 实验结果与分析 | 第63-66页 |
| 结语 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 附录 | 第73-81页 |
| 攻读学位期间科研成果 | 第81-82页 |
| 致谢 | 第82页 |