一、会员顾客频繁购物序列模式算法的设计与实现(论文文献综述)
李增[1](2021)在《基于Petri网块结构的流程配置信息挖掘方法研究》文中指出随着信息化、智能化社会的高速发展中,业务流程管理的作用越来越突出,一个性能优越的业务流程模型可显着提高公司系统的工作效率,增加其核心竞争力。而流程挖掘作为业务流程管理中的一种主要的技术手段,其中包括流程的设计与实施、模型的建立与优化,如何高效的利用流程挖掘技术进行日志数据建模和配置优化具有重大的研究意义。在实际挖掘流程模型的过程中,事件日志与挖掘到的模型存在一定的偏差或异常,过程挖掘技术需要对可执行的业务流程规范化。现有的技术在模型和调整增加配置元素方法上存在一定的缺点。因此,本文提出了一种识别流程模型中可配置元素并在工作流模型中添加配置变迁的方法。可配置元素是可以修改的工作流模型的变迁,这样模型所表示的行为就会受到限制。一个可配置的元素可以设置为允许、阻塞或隐藏。针对隐变迁挖掘,我们的方法是通过序列编码图,日志自动机、块结构化Petri网和二叉搜索树等知识来识别隐变迁,挖掘到带配置元素的理想模型。主要贡献如下:1.提出了一种基于业务流程事件日志挖掘业务流程模型的算法。通过分析日志序列的行为轮廓关系发现所挖掘出模型的优化问题,同时从通过寻找变化域和功能块的角度配置变迁优化模型,并结合高校图书馆中的图书借阅系统对此方法进行验证。2.提出了基于Petri网块结构的流程模型隐变迁挖掘算法。针对给定的完备日志集,在进行过程挖掘之前,对事件日志进行预处理,作出事件日志的序列编码图,并区分其频繁序列与非频繁序列,对频繁序列利用α+算法挖掘出初始模型,其次利用行为轮廓块结构对初始模型进行层次分解得到块结构化的工作流网。通过非平凡子序列与分解的模型块结构的匹配,识别子块结构中可能存在的疑似隐变迁。最后从拟合度和精确度两个评价指标甄别疑似隐变迁,过滤掉异常的变迁,从而挖掘出带有配置信息的目标模型。通过一个具体的例子,证明了该方法的可行性。3.提出了基于二叉搜索树的过程模型隐变迁挖掘算法。在日志集完备的情况下,通过二叉搜索树的深度优先搜索(DFS)来挖掘日志中的隐变迁。首先日志集进行初步清洗后,依次做出日志的活动关系表和日志自动机,并用弧的相对频度区分频繁日志和低频日志,对更新后的日志自动机进行Split切割操作,挖掘到块结构化的工作流网,其次在初始模型中重放低频迹,计算基于不同的成本函数的最小编辑距离,分析并提取有效子片段,在二叉搜索树上深度优先检索该有效子片段,定位变化范围,配置隐变迁得到目标模型,通过一致性评价指标对模型进行评价,最终得到更完善、更理想的目标模型。并结合流程实例验证了该方法的可行性。图[18]表[7]参[85]
潘佩琦[2](2021)在《集采系统客户关系管理子系统设计与实现》文中认为目前农村小超市普遍存在商品采购量小、议价能力不强、资金短缺无法大规模的采购等问题,导致商品单价高、供应不及时等困境,制约着小超市的进一步发展。因此,如何利用有限的资金使小超市与农民构成供需之间的平衡成为亟待解决的问题。本系统依托于科技部重点研发计划-绿色宜居村镇技术创新项目(2019YFD1101104),以湖北十堰市供销社的合作小超市为研究背景,以客户为中心的营销模式为核心思想,从小超市实际需求出发设计开发而成。该系统主要包括客户信息管理、商品销量预测、商品关联挖掘、会员服务管理、供货商供货能力评价等核心模块。本文主要解决两大问题,第一个问题是商品销量的预测,第二个问题是商品关联的挖掘。对于第一个问题,本文采用非线性最小二乘法对改进的Bass扩散预测模型参数进行估计,将商品评论文本的情感分析与Bass标准预测模型相结合的方式对商品销量进行预测。对于第二个问题,本文采用H-Apriori(Hash-Apriori)算法对商品之间的关联关系进行挖掘,当面对海量的数据时,使用Spark分布式的方式提高算法的运行效率。本系统采用B/S架构,Java开发语言,后端使用SSM框架负责页面跳转、业务逻辑和数据操作,前端使用Boot Strap框架和j Query负责数据展示和页面逻辑,并通过ECharts插件实现数据可视化显示,数据库采用关系型数据库My SQL。实验表明Bass情绪模型的均方差较Bass标准模型提高了38.53%,H-Apriori算法在三个Worker节点的Spark集群上相对于单机加速比达到2.61。本系统通过对客户信息数据的分析和管理,实现了对商品销量的预测以及挖掘出具有强关联规则的商品组,方便了商城管理员进行宏观调控,具有很好的实用性。
李腾飞[3](2021)在《基于大数据的人机谈判系统》文中研究说明随着人工智能技术的兴盛和互联网的普及,电子商务为企业带来了发展的新契机。目前,人工智能可应用于电子商务的各个方面,例如电子商务领域中的智能客服。但是,现有的智能客服只能根据顾客输入中的关键字简单地回应顾客,无法进行自动谈判。另一方面,当前的电子商务应用每天都会产生大量数据,这些数据在电子商务中是很有价值的。例如,我们可以使用大数据向顾客推荐商品。除此之外,大数据还可以用来帮助买卖双方之间进行谈判,达成更多或结果更好的交易。但是,目前人机谈判系统中很少有人会使用大数据。为此,在本文中,我们研发了基于大数据的人机谈判系统。该系统使用自然语言与顾客进行谈判。具体来说,首先,我们提出了一种理解人类顾客的自然语言输入中的意图和提取相关信息的方法。然后我们提出了一系列分析客户大数据的方法,包括历史订单分析、整体消费分析、顾客归属地分析和浏览记录分析。此外,我们还设计了一种基于大数据分析的价格谈判决策算法。最后,我们提出了一种回复生成的方法,该方法根据谈判算法的输出结果生成对顾客的自然语言回复。我们做了大量的实验来评估系统的质量和可行性。具体来说,我们比较了用于顾客意图识别模块和回复生成模块的多种分类器的分类结果,以评估我们系统的质量指标。然后,我们进行了100次结合大数据的模拟人机谈判以及100次未结合大数据的模拟人机谈判,以分析系统的可行性。我们系统的可行性可由谈判成功率、不同商家和顾客的收益率以及系统的总体倾向度来衡量。总之,我们的评估实验表明我们的系统在人机谈判中是有效的。
刘音[4](2021)在《基于文本挖掘的网购产品评论稳健情感分类研究》文中研究说明随着互联网的快速发展,人们的日常购物场所逐渐由线下实体店转为线上网店,其中,消费者购物体验后的评论作为一种重要的市场反馈,在网络销售和顾客商品选购中有着重要应用,且近来随着越来越多的人适应这种网购模式,其规模正日益增大。考虑到,对于网购用户而言,相关评论数据可能影响用户的最终购买决定,而对于商家而言,评论数据可作为其获取经营决策信息,提炼出对消费者和商家有价值的信息的重要基础,因此,如何对网购评论数据进行分析和挖掘,并有效利用蕴含其中的有益信息正成为商品评论情感分析的重要研究方向。但值得注意的是,对这种数据的挖掘以及分析方法和传统的方法有所差异,网络购物用户评论是非结构化数据,传统的数据挖掘方法已不适用于网络购物用户评论的分析。有鉴于此,现有文献对此开展了大量前期研究。不过值得一提的是,现有方法易受异常值影响,在实际中存在较大局限性。针对这一问题,本文在稳健聚类分析方法的基础上,重点考察了如何将构建词典法、机器学习方法及深度学习的相关方法应用于对评论数据进行情感倾向分类分析。本文主要以京东商城平台上的华为P40Pro和华为P40手机为例,爬取了近20000条评论数据,并且利用词云图可视化技术和建立LDA主题模型对评论数据进行语义挖掘分析,提取评论数据的关键词与主题。最终分析结果显示,本文运用稳健方法其结果更贴近客观实际。从产品款型角度来看,华为P40pro比华为P40的好评率要更高,主要体现在拍照功能和运行速度等等这几个方面。华为P40比华为P40pro更受欢迎的地方在于其小巧、方便使用及性价比等方面。从消费者分类角度看,会员与非会员对手机所专注的性能与功能大同小异,从所收集到的数据看,会员消费者更加关注于手机性能、内存以及系统是否满意等,而非会员消费者主要关注手机外观是否漂亮、拍照是否清晰及产品的性价比等。从手机特征角度来看,屏幕、性价比、物流、音质等方面尚有待改进,尤其是屏幕和性价比,而手机外观设计及功能和客服服务,均得到了用户的普遍认可。本文通过对结果进一步的分析,比较基础版与升级版的评价,会员和非会员的需求,分析消费者需求是否与商家提供的产品吻合,更加直观反映消费者需求以及产品需要改造升级的地方,充分利用评论数据反映的信息,对商家以及消费者提出合理建议。
梁卓敏[5](2020)在《基于客流数据采集技术的线下商业数据中台的设计与实现》文中指出随着物联网及大数据技术的发展,线下商业运营数据的采集成为了可能,线下商业购物中心迎来了大数据时代。每个进场的顾客不管消费与否,每时每刻都在产生大量的数据,这些数据对于商业经营团队十分重要。通过对顾客数据进行挖掘,能够反映顾客的特点与偏好,从而有针对性地制订经营策略,提高经营的效率和质量。然而,目前线下商业运营数据的采集方式很多,各个数据采集系统之间存在数据壁垒,形成数据孤岛,导致数据无法发挥挖掘分析的作用。为此,本文提出了线下商业数据中台的概念,目的是整合线下商业运营过程中产生的各种数据,为数据的挖掘应用提供基础,为业务及运营决策提供数据依据,从而提高商业经营的水平。本文从公司已有的购物中心项目出发,对线下商业数据中台进行设计,主要着重于对系统功能需求的分析和解读,以及系统总体设计及技术选型,并对主要的功能模块进行设计。数据中台设计的主要目的是通过部署商业数据采集系统,整合多维度线下商业大数据,建立数据仓库与数据模型,提供丰富的线下商业数据,为下一步的线下商业大数据的关联分析提供数据基础。由于目前该项目处于硬件系统搭设阶段,因此技术实现部分主要对客流采集系统的技术实现和算法原理进行了分析,为系统选型提供理论依据,并具体介绍了购物中心客流采集系统的建设和实现,目前该项目仍在建设中。本文比较详细地介绍了线下商业数据中台的设计及部分功能系统的实现,希望能给相关从业者构建类似系统时提供一定的参考价值。
钟磊[6](2020)在《基于电商消费大数据的客户忠诚度预测方法研究》文中研究表明随着互联网时代的到来以及智能手机和计算机的普及,电子商务在全社会的应用迅速普及,电子商务的发展逐步进入集约创新和迅速发展的新时期。电商产业整体的竞争压力不断增长,各大电商平台之间的竞争愈发激烈。为了竞争市场,各大电子商务平台的商家开展了各种折扣促销活动以吸引新老客户。信息技术的进步和平台的发展使得电子商务平台沉淀了大量的消费记录,还从各种关联渠道低成本地收集了客户的大量隐私数据,比如个人基本信息和关联消费行为记录。因为维护现有客户的成本远远低于开发新客户的成本,所以对潜在的重复购买客户进行有针对性的营销活动,使用客户行为数据来预测店铺哪些客户将成为重复购买客户,即对客户忠诚度的研究已经引起了各大销售企业的关注。因此本文针对电子商务客户忠诚度的预测方法展开研究具有重要意义。本文主要研究任务是构建针对电商消费大数据的客户忠诚度预测相关模型,通过预测不同客户的忠诚度,进而帮助企业对相关客户进行定位,并进行有针对性的营销以提高企业的营业额。本文主要工作如下:(1)查阅相关文献梳理目前国内外对客户忠诚度的研究现状,对目前电商环境下的数据挖掘方法进行阐述,明确数据挖掘技术在电商业务中的重要性。(2)研究分析收集到的相关数据,通过业务逻辑分析,构建了36个可以在业务场景中普遍使用的基本特征。(3)在构造好的特征集上研究了多种基于机器学习算法的客户忠诚度预测方法,并分析实验结果以及其对实际应用的指导。(4)针对单一模型分类性能欠佳,训练样本不平衡等问题,设计并改进了一种基于融合算法的客户忠诚度预测模型TBMEE(Two-Layer Bagging Model Based on Easy Ensemble,TBMEE),该模型通过结合了Easy Ensemble和Bagging融合的优势,解决了训练数据不平衡带来的问题,也提高了预测模型的分类性能。
薄志强[7](2020)在《基于SSM框架的网上商城系统的设计与实现》文中研究说明近年来,在PC普及的背景下,电子商务作为依托于互联网存在的一种新型的商业模式,近十年实现了突飞猛进的发展。电子商务由于低成本、高效率、方便快捷的特性,被广泛应用于网上商城、网络咨询、电子邮件、网络订购等众多领域。并且在这些领域当中获得了巨大的成功。而且随着时间的推移,发展越发迅速,其中网上商城的发展最为引人注目。SSM框架作为Web应用开发的框架组合,涵盖了控制层、持久层、展示层的各个方面,对开发者来说上手简单,构建方便,并且有较好的扩展性和移植性。基于以上原因本文以SSM框架为基础,进行商城系统的开发。本文主要叙述了基于SSM框架的网上商城系统的开发过程。从技术开发的角度分析,通过对现今电子商务和广西移动网上商城系统的分析与研究,对各项需求进行了整合,最后设计了一个基于SSM的网上商城系统。在系统开发当中采用的开发语言是java,使用的数据库是mysql数据库,接口测试工具采用的是谷歌插件Restlet Client,本地缓存使用Guava缓存,以及Flink技术。并且为了实现管理的简洁性,将系统分为前后台两个系统。用户登陆前台子系统,可以进行商品的浏览、商品的购买、加入商品到购物车以及商品订单支付等操作。用户可以对自己的基本信息进行修改,亦可以对购买的商品进行评价、或者是对自己的订单进行查询或者删除操作。除此之外用户还可以和客服进行交流沟通,咨询产品的一些更详细信息,实现方便快捷的购物。系统的支付模块对接的是支付宝和微信,采用的支付方式是扫码支付,可以方便客户使用。后台子系统的使用者主要是运营人员,后台子系统主要包括商品、订单、会员、支付、广告、卡号等几个功能模块。同时系统具有敏感词屏蔽功能、营销案办理等功能,以保证系统的完整性。从论述过程的角度分析,本文首先对商城系统的整体需求进行了分析和研究,明确了系统所需要的功能模块需求和非功能性需求,并通过用例图和流程图将之展示出来。其次使用类图和序列图将具体的实现过程表示出来。再次对系统进行了功能性测试和性能测试,并使用测试用例和结果图表的方式将最终的测试结果表现出来。最后,本论文对系统的不足之处加以分析,并针对性地提出了改进思路,总结了全文并对下一步的需求工作进行了说明。本文基于SSM框架完整的实现了一个网上商城系统,可以为用户提供购买商品、话费充值等多个功能。从测试结果来看,系统完整实现了所需功能,而且具有一定的稳定性和可靠性,并能够为用户提供良好的用户体验。总之,本系统基本符合客户的需求,并达到了预期的目标。
辛晓宇[8](2020)在《移动APP内用户行为捕获与分析方法的研究》文中研究指明移动应用(APP)已经深入人们日常生活的各个方面。在工业界产品设计开发中,研究APP的用户体验以指导产品设计和创新是一项十分重要的工作。目前,由于传统用户研究方法的局限,对APP内用户行为(即对App各项功能的操作和使用)的认识和研究仍然存在很大盲区,是一个亟待解决的问题。本文作者基于一种情境感知的用户数据采集工具CAUX,探索建立APP内用户行为的捕获与分析方法,并验证方法的有效性和应用价值。本文工作分为三部分:(1)APP内用户行为捕获:在情境感知用户数据采集工具CAUX上,通过情境感知、屏幕录制、定时截屏、图像对比等技术,设计开发了 APP内用户行为捕获功能。(2)APP内用户行为分析:使用统计分析方法,建立三类指标对用户行为数据进行分析,并通过图表展示用户的任务执行特征、功能使用特征及人群分类;使用基于情境信息的CPrefixSpan算法,挖掘在不同情境下用户的频繁任务执行路径,与期望路径对比发现奇异点,从而帮助发现特定情境下的用户体验问题和需求。(3)有效性验证:选取网易有道词典App的用户研究项目为应用案例,对13名用户样本,进行为期一个月的用户行为观察和分析,从中发现现有方法难以发现的17个用户行为规律与14个用户体验问题,能够对产品设计及运营策略提供有价值的指导。研究结果表明,按照工业界产品设计开发实践中通行的用户研究样本量和用户隐私保护惯例,本文工作所建立的移动APP内用户行为捕获与分析方法,能够以较高的数据精度,对APP内用户行为实现7*24小时无盲区捕获。通过半自动化的数据分析,能够了解用户行为的一般规律,发现隐含于情境与行为细节中的用户体验问题和需求,从而为产品设计开发和运营提供更加有力的支持。所有这些都是目前工业界通行的用户研究方法难以做到的。这为用户研究方法创新做了有意义的探索。本文将从研究背景、国内外相关工作、方法探索、方法建立以及应用案例验证五个方面来介绍这一工作。
赵雅欣[9](2020)在《序列模式挖掘算法在超市O2O营销中的应用及优化研究》文中提出随着互联网技术的发展,互联网信息呈爆炸式的增长,超市作为典型的传统零售企业,其发展从开始的人工数据管理模式,已逐渐演变为利用现代信息技术进行O2O营销管理。而如何运用现有的技术和手段,对超市内部的海量数据进行深度分析,挖掘出有价值的信息和规律,并以此作出正确及时的决策,现已成为超市生存和发展的重要环节。数据挖掘技术中,序列模式挖掘的目标是从交易数据库中发现客户购买行为的序列模式,因此成为了超市O2O营销的重要抓手。利用序列模式挖掘技术对大量的交易数据进行研究和挖掘,可以加速线上与线下资源整合,使商家能以更低的成本高效率地服务客户、赢得客户,另外,将挖掘出的知识应用于超市日常的经营和管理,可以促进超市的发展。本文首先利用Python语言对超市O2O营销产生的数据集进行了初步的统计分析,通过年龄、性别、等级、注册时间等七个维度的分析,了解了超市数据的分布情况,其中,会员表所包含的用户中,大部分为年轻用户,结合用户等级与他们的注册时长可以得出,大体上用户注册时间越长,等级就越高;之后基于Hadoop平台,结合AprioriSome算法的思想,在Hive中利用HiveQL语句对超市的交易数据集进行了挖掘,得出了满足最小支持度和置信度的规则,将其解读为知识,并应用于超市的O2O营销领域中,超市决策人员可以从商品交叉销售及快速商品推荐、商品捆绑销售及货架摆放等方面对超市进行管理;最后对现有的序列模式挖掘算法AprioriSome进行改进,加入了时间约束,通过剪枝操作以及时间间隔和时间窗的引入,对超市O2O营销产生的部分交易数据进行挖掘,得出更能满足顾客实际需求的频繁序列,结果可靠性强,具有很大的实用价值,另外,通过对比实验,从挖掘出频繁序列的数量以及算法运行时间两个方面,验证了改进后算法的优越性。
王明月[10](2020)在《大数据视角下网络零售顾客满意研究 ——以智能数码类产品为例》文中研究说明现今,网络购物依托互联网的发展已成为社会普遍现象。网络零售顾客逐年增加,网络零售额占全国社会消费品零售总额的比重不断攀升。网络零售平台上充斥着大量的产品评价数据,这些数据直接反应了顾客满意。近年来对数据资源的利用效率影响着企业的发展。顾客满意决定着未来网络零售市场的发展和网络零售平台的完善。因此从大数据视角研究顾客满意不仅对不同类型的企业提高顾客满意度和竞争力具有实践价值,而且具有数据挖掘意义。本文基于顾客满意度测评理论,利用结构方程模型,结合顾客评价,构建了包含品牌形象、顾客期望、网络零售平台、感知质量、感知价值、顾客满意、顾客抱怨和顾客忠诚的顾客满意度测评模型。针对不同类型的网络零售平台选取京东、苏宁易购和天猫代表B2C平台,淘宝网代表C2C平台。利用python网络爬虫采集了苹果、华为、三星、小米和OPPO这5个品牌共142种具体智能数码类产品的评价数据,其中共有186656条有用评价。然后利用基于词典分词、实体匹配和文本情感分析的方法将采集到的文本数据量化成符合构建的结构方程模型形式的数值型数据。利用Amos将B2C和C2C平台的数据分别代入初始构建的结构方程模型,修正并进行模型适配度检验。最终得到了适用于产品评价的CSI模型。通过对模型参数的估计以及路径系数的分析,得出不同类型平台顾客满意度的主要影响因素和二者的异同点。结合研究结果,利用4C理论从顾客需求、沟通、便利性和购买成本四个视角,针对B2C和C2C两类网络零售平台分别提出提高顾客满意度的对策。
二、会员顾客频繁购物序列模式算法的设计与实现(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、会员顾客频繁购物序列模式算法的设计与实现(论文提纲范文)
(1)基于Petri网块结构的流程配置信息挖掘方法研究(论文提纲范文)
摘要 |
Abstract |
引言 |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 过程挖掘 |
1.2.2 配置分析 |
1.2.3 块结构化工作流网 |
1.3 研究动机 |
1.4 本文内容安排 |
2 基础知识 |
2.1 Petri网的相关知识 |
2.1.1 Petri网的基本概念 |
2.1.2 Petri网的性质 |
2.2 过程模型的相关知识 |
3 基于Petri网的图书借阅系统的建模与优化分析 |
3.1 概述 |
3.2 基础知识 |
3.3 基于Petri网的图书借阅系统的建模与优化 |
3.3.1 基于Petri网的借阅系统模型 |
3.3.2 借阅系统的Petri网模型优化分析 |
3.4 模型的实验仿真分析 |
3.5 本章小结 |
4 基于块结构的过程模型隐变迁挖掘方法 |
4.1 概述 |
4.2 基本知识 |
4.3 基于块结构挖掘隐变迁的方法 |
4.4 案例分析 |
4.5 本章小结 |
5 基于二叉搜索树的过程模型隐变迁挖掘方法 |
5.1 概述 |
5.2 基本知识 |
5.3 基于二叉搜索树的过程模型隐变迁挖掘算法 |
5.4 实例分析 |
5.5 本章小结 |
6 结论 |
6.1 本文的主要工作 |
6.2 未来工作 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
(2)集采系统客户关系管理子系统设计与实现(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景与意义 |
1.2 国内外研究现状 |
1.2.1 销量预测研究 |
1.2.2 关联挖掘研究 |
1.2.3 文本语义分析研究 |
1.3 相关技术综述 |
1.3.1 数据挖掘技术 |
1.3.2 文本语义分析技术 |
1.3.3 开发技术 |
1.4 本文主要工作与研究内容 |
1.5 本文组织结构 |
2 需求分析 |
2.1 功能性需求分析 |
2.1.1 客户信息管理模块 |
2.1.2 商品销量预测模块 |
2.1.3 商品关联挖掘模块 |
2.1.4 会员服务管理模块 |
2.1.5 供货商供货能力评价模块 |
2.2 非功能性需求分析 |
2.3 本章小结 |
3 商品销量预测模型 |
3.1 消费者一般消费过程 |
3.2 Bass标准模型 |
3.3 Bass情绪模型 |
3.3.1 获取数据、预处理 |
3.3.2 文本情感分析、模型构建 |
3.4 实验验证 |
3.4.1 Bass标准模型 |
3.4.2 Bass情绪模型 |
3.4.3 Bass标准模型与Bass情绪模型对比 |
3.5 本章小结 |
4 系统设计 |
4.1 系统概要设计 |
4.2 系统详细设计 |
4.2.1 客户信息管理模块设计 |
4.2.2 商品销量预测模块设计 |
4.2.3 商品关联挖掘模块设计 |
4.2.4 会员服务管理模块设计 |
4.2.5 供货商供货能力评价模块设计 |
4.3 数据库设计 |
4.3.1 数据库实体设计 |
4.3.2 数据库表设计 |
4.4 算法设计 |
4.4.1 Apriori算法分析 |
4.4.2 H-Apriori算法分析 |
4.4.3 对比实验 |
4.4.4 H-Apriori算法基于Spark的并行化设计 |
4.5 本章小结 |
5 系统实现及测试 |
5.1 系统运行环境 |
5.2 系统功能模块实现 |
5.2.1 客户信息管理模块实现 |
5.2.2 商品销量预测模块实现 |
5.2.3 商品关联挖掘模块实现 |
5.2.4 会员服务管理模块实现 |
5.2.5 供货商供货能力评价模块实现 |
5.3 系统功能测试 |
5.3.1 客户信息管理模块测试用例及结果 |
5.3.2 商品销量预测模块测试用例及结果 |
5.3.3 商品关联挖掘模块测试用例及结果 |
5.3.4 会员服务管理模块测试用例及结果 |
5.3.5 供货商供货能力评价模块测试用例及结果 |
结论 |
参考文献 |
致谢 |
(3)基于大数据的人机谈判系统(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景 |
1.2 本文动机 |
1.3 本文贡献 |
1.4 本文结构 |
第2章 系统原理及设计 |
2.1 系统结构 |
2.1.1 系统整体结构 |
2.1.2 系统模块函数 |
2.1.3 系统主算法 |
2.1.4 小结 |
2.2 对话理解 |
2.2.1 预处理 |
2.2.2 顾客意图识别 |
2.2.3 语义槽填充 |
2.2.4 小结 |
2.3 顾客大数据分析 |
2.3.1 订单分析 |
2.3.2 顾客整体消费分析 |
2.3.3 顾客归属地分析 |
2.3.4 顾客浏览记录分析 |
2.3.5 小结 |
2.4 谈判决策 |
2.4.1 谈判算法 |
2.4.2 顾客消费权重聚合 |
2.4.3 顾客偏好权重计算 |
2.4.4 顾客最大折扣确定 |
2.4.5 折扣让步策略 |
2.4.6 小结 |
2.5 回复生成 |
2.5.1 Seq2Seq序列模型 |
2.5.2 对抗生成网络 |
2.5.3 回复规则 |
2.5.4 小结 |
2.6 本章小结 |
第3章 示例 |
3.1 顾客大数据 |
3.2 谈判实例及分析 |
3.3 本章小结 |
第4章 实验评估 |
4.1 实验设置 |
4.1.1 实验所需语言、工具及环境 |
4.1.2 训练数据集 |
4.1.3 数据库 |
4.2 评估指标 |
4.2.1 质量评估指标 |
4.2.2 可行性评估指标 |
4.3 系统质量评估 |
4.4 系统可行性评估 |
4.4.1 结合大数据的模拟人机谈判 |
4.4.2 未结合大数据的模拟人机谈判 |
4.5 本章小结 |
第5章 相关工作 |
5.1 智能客服 |
5.2 自动谈判 |
5.2.1 机器对机器的谈判 |
5.2.2 人机谈判 |
5.3 大数据在决策中的应用 |
第6章 结束语 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录A 顾客意图识别模块语料 |
A.1 材质查询类意图 |
A.2 快递选择类意图 |
A.3 价格谈判类意图 |
A.4 问候类意图 |
A.5 谈判成功类意图 |
A.6 谈判失败类意图 |
附录B 回复生成模块训练语料 |
B.1 材质查询类回复语料 |
B.2 快递选择类回复语料 |
B.3 价格谈判类回复语料 |
B.4 问候类回复语料 |
索引 |
读硕期间获得的成果与奖励 |
致谢 |
(4)基于文本挖掘的网购产品评论稳健情感分类研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状及述评 |
1.2.1 文本挖掘相关研究 |
1.2.2 情感分析相关研究 |
1.2.3 文献述评 |
1.3 研究思路与方法 |
1.4 本文结构 |
1.5 本文创新与不足之处 |
1.5.1 本文创新 |
1.5.2 不足之处 |
第2章 相关理论与方法 |
2.1 文本挖掘 |
2.1.1 文本挖掘相关概念 |
2.1.2 文本挖掘主要方法 |
2.2 情感分析 |
2.2.1 情感分析相关概念 |
2.2.2 情感分析主要方法 |
2.3 稳健聚类 |
2.3.1 聚类概念 |
2.3.2 聚类主要方法 |
第3章 数据获取与处理 |
3.1 数据获取 |
3.1.1 网络爬虫方法介绍 |
3.1.2 数据采集 |
3.2 数据预处理 |
3.2.1 数据清洗 |
3.2.2 中文分词 |
3.2.3 去停用词 |
3.3 数据可视化 |
3.3.1 词频统计 |
3.3.2 词云图 |
第4章 评论数据聚类和主题词提取 |
4.1 稳健聚类 |
4.2 主题模型 |
4.3 基于LDA模型的主题词提取 |
第5章 基于评论的情感倾向分析 |
5.1 基于情感词典的情感分类 |
5.1.1 情感词典 |
5.1.2 基于情感词典实证分析 |
5.2 基于优化机器学习的情感分类 |
5.2.1 词向量训练 |
5.2.2 模型构建 |
5.3 基于LSTM的情感分类 |
5.4 结果对比及分析 |
第6章 结论与启示 |
6.1 研究结论 |
6.1.1 相关特征的用户偏好 |
6.1.2 文本挖掘在评论数据中的应用总结 |
6.2 研究启示 |
6.2.1 对消费者的启示 |
6.2.2 对商家的启示 |
参考文献 |
致谢 |
(5)基于客流数据采集技术的线下商业数据中台的设计与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究的背景与意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 本文组织架构 |
第二章 线下商业数据中台概述 |
2.1 定义 |
2.2 线下商业数据的使用场景 |
2.3 用户数据来源 |
2.3.1 智能设备采集 |
2.3.2 客户端数据上报 |
2.3.3 门店销售数据上传 |
2.3.4 其他业务系统数据的输入 |
2.4 数据集成 |
第三章 系统需求 |
3.1 目标用户分析 |
3.2 解决的问题 |
3.3 功能需求 |
3.3.1 对外提供服务 |
3.3.2 内部管理需求 |
3.4 小结 |
第四章 总体设计与技术选型 |
4.1 总体架构 |
4.2 数据来源与采集 |
4.2.1 数据来源分类与技术选型 |
4.2.2 数据采集 |
4.3 数据仓库 |
4.3.1 数据仓库分层 |
4.3.2 基于Hive搭建数据仓库 |
4.4 数据清洗与数据集成 |
第五章 关键功能的设计 |
5.1 线下客流数据采集系统的设计及部署 |
5.1.1 线下客流数据采集系统的分类 |
5.1.2 线下客流数据采集系统的设计及部署 |
5.2 数据仓库的设计 |
5.2.1 数据运营层(ODS层) |
5.2.2 数据仓库层(DW层) |
5.2.3 应用层(APP层) |
5.3 数据关联与数据集成 |
5.3.1 针对不关联顾客ID的数据的数据关联及集成 |
5.3.2 针对关联顾客ID的数据的数据关联及集成 |
5.4 小结 |
第六章 客流数据采集技术分析及实现 |
6.1 红外探测客流采集系统 |
6.1.1 技术原理 |
6.1.2 硬件系统的构成 |
6.1.3 软件算法的分析 |
6.1.4 识别结果的分析 |
6.2 视频分析客流采集系统 |
6.2.1 技术原理 |
6.2.2 系统功能模块的构成 |
6.2.3 运动目标检测模块 |
6.2.4 运动人体识别模块 |
6.3 客流数据采集系统的部署与实施 |
6.3.1 技术路线的比选 |
6.3.2 客流数据采集系统的部署 |
6.3.3 客流数据采集系统的功能 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
攻读硕士学位期间取得的研究成果 |
参考文献 |
致谢 |
附件 |
(6)基于电商消费大数据的客户忠诚度预测方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 客户忠诚度的国外研究现状 |
1.2.2 客户忠诚度的国内研究现状 |
1.2.3 电商忠诚度的研究现状 |
1.2.4 忠诚度文献研究总结 |
1.3 本文主要研究内容 |
1.4 文章的组织架构 |
第2章 客户忠诚度预测理论基础和核心技术介绍 |
2.1 客户忠诚度理论概述 |
2.1.1 客户忠诚度含义 |
2.1.2 客户忠诚度分类 |
2.1.3 客户忠诚度影响因素 |
2.1.4 客户忠诚度测量方法 |
2.2 数据挖掘 |
2.2.1 电商中的数据挖掘 |
2.2.2 电商数据挖掘应用 |
2.2.3 电商数据挖掘任务 |
2.2.4 数据挖掘工作流程 |
2.3 电商数据挖掘关键算法 |
2.4 忠诚度预测算法评价指标 |
2.5 本章小结 |
第3章 数据预处理与特征工程 |
3.1 数据预处理 |
3.1.1 数据来源 |
3.1.2 数据探查 |
3.1.3 缺失值处理 |
3.2 统计分析与特征构造 |
3.2.1 基本属性特征 |
3.2.2 整合特征 |
3.2.3 购买特征 |
3.2.4 用户年龄和性别特征 |
3.2.5 行为特征 |
3.2.6 特征工程 |
3.3 本章小结 |
第4章 基于机器学习的客户忠诚度预测模型研究 |
4.1 算法原理 |
4.1.1 逻辑回归 |
4.1.2 BP神经网络 |
4.1.3 XGBoost |
4.2 实验环境与实验准备 |
4.2.1 实验设置 |
4.2.2 实验过程 |
4.3 实验结果与分析 |
4.3.1 逻辑回归预测模型实验 |
4.3.2 BP神经网络预测模型实验 |
4.3.3 XGBoost预测模型实验 |
4.3.4 不同数据挖掘预测模型对比研究 |
4.4 小结 |
第5章 基于TBMEE融合模型的客户忠诚度预测 |
5.1 模型融合算法思想介绍 |
5.2 构建基础融合模型 |
5.2.1 人工赋权重法 |
5.2.2 Bagging融合模型 |
5.3 TBMEE融合模型构建 |
5.4 实验结果分析 |
5.4.1 参数设置 |
5.4.2 TBMEE融合模型与单一模型的结果对比 |
5.4.3 TBMEE融合模型与普通融合方法的结果对比 |
5.4.4 模型结果应用 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
指导教师对研究生学位论文的学术评语 |
答辩委员会决议书 |
致谢 |
(7)基于SSM框架的网上商城系统的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文的工作内容 |
1.4 论文的组织结构 |
第二章 系统相关技术 |
2.1 信息加密算法 |
2.1.1 SHA-256 算法 |
2.1.2 MD5加盐算法 |
2.2 相关技术概述 |
2.2.1 基于B/S架构的web应用 |
2.2.2 SSM框架 |
2.2.3 Guava |
2.2.4 Vsftpd |
2.2.5 Flink |
2.3 便捷开发工具 |
2.4 本章小结 |
第三章 系统业务需求分析 |
3.1 系统总体概述 |
3.1.1 系统业务称述 |
3.1.2 系统总体需求分析 |
3.2 系统功能性需求分析 |
3.2.1 商品管理模块需求分析 |
3.2.2 订单管理模块需求分析 |
3.2.3 支付管理模块需求分析 |
3.2.4 会员管理模块需求分析 |
3.3 系统非功能性需求分析 |
3.4 本章小结 |
第四章 系统的设计与实现 |
4.1 系统的总体设计 |
4.1.1 软件层次结构 |
4.1.2 网络层次结构 |
4.2 系统功能分解 |
4.3 系统数据库设计 |
4.3.1 数据库E-R 设计 |
4.3.2 数据库表设计 |
4.4 系统主要功能模块的设计与实现 |
4.4.1 商品管理模块的设计与实现 |
4.4.2 订单管理模块的设计与实现 |
4.4.3 支付管理模块的设计与实现 |
4.4.4 会员管理模块的设计与实现 |
4.5 本章小结 |
第五章 系统测试与结果分析 |
5.1 测试环境 |
5.2 系统功能模块测试 |
5.2.1 商品管理模块功能测试 |
5.2.2 订单管理模块功能测试 |
5.2.3 支付管理模块功能测试 |
5.2.4 会员管理模块功能测试 |
5.3 系统非功能测试 |
5.3.1 系统并发测试 |
5.3.2 系统响应时间测试 |
5.4 测试结果分析 |
第六章 总结与展望 |
参考文献 |
致谢 |
作者简介 |
(8)移动APP内用户行为捕获与分析方法的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.3 主要工作 |
1.4 论文章节安排 |
2 相关工作及方法 |
2.1 用户行为研究 |
2.1.1 用户行为捕获 |
2.1.2 用户行为分析 |
2.2 序列模式算法 |
2.2.1 序列模式算法概述 |
2.2.2 PrefixSpan算法介绍 |
2.3 本章小结 |
3 APP内用户行为捕获 |
3.1 CAUX概述 |
3.2 用户行为捕获系统设计 |
3.3 关键技术问题解决方案 |
3.3.1 捕获方法 |
3.3.2 捕获时机 |
3.3.3 数据呈现形式 |
3.4 捕获方法验证 |
3.5 本章小结 |
4 APP内用户行为分析 |
4.1 用户行为分析系统设计 |
4.2 数据预处理流程 |
4.3 用户行为统计 |
4.4 用户行为模式挖掘 |
4.4.1 基于情境信息的算法改进 |
4.4.2 算法设计 |
4.4.3 算法评价 |
4.5 本章小结 |
5 应用案例与验证 |
5.1 方法概述 |
5.2 研究前准备 |
5.2.1 APP调研 |
5.2.2 用户招募 |
5.2.3 基准图片集定义 |
5.2.4 数据捕获工具准备 |
5.2.5 试点研究 |
5.3 用户行为捕获 |
5.3.1 用户行为数据采集 |
5.3.2 数据呈现形式转换 |
5.4 用户行为分析 |
5.4.1 数据预处理 |
5.4.2 统计分析 |
5.4.3 用户行为模式挖掘 |
5.5 改进意见 |
5.6 方法独特价值论证 |
5.7 本章小结 |
结论 |
参考文献 |
附录A CAUX使用说明 |
致谢 |
作者简历及攻读硕士学位期间的科研成果 |
(9)序列模式挖掘算法在超市O2O营销中的应用及优化研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 O2O模式发展现状 |
1.2.2 序列模式挖掘发展现状 |
1.3 论文的研究内容及创新点 |
1.4 论文的组织结构 |
2 课题理论基础及相关技术 |
2.1 序列模式挖掘 |
2.1.1 序列模式挖掘简介 |
2.1.2 序列模式挖掘算法分类 |
2.1.3 相关定义 |
2.1.4 主要性质 |
2.1.5 AprioriSome算法 |
2.2 Hadoop大数据平台 |
2.2.1 Hadoop平台简介 |
2.2.2 HDFS分布式文件系统 |
2.2.3 MapReduce分布式计算框架 |
2.2.4 Yarn通用资源管理器 |
2.2.5 Hive工具简介 |
2.3 本章小结 |
3 数据预处理及初步统计分析 |
3.1 数据来源及特点分析 |
3.2 数据预处理 |
3.3 超市数据的统计分析 |
3.3.1 用户基本信息统计分析 |
3.3.2 销售数据统计分析 |
3.4 本章小结 |
4 基于Hadoop的序列模式挖掘算法的实现 |
4.1 数据来源及数据清洗 |
4.2 Hadoop集群环境的搭建 |
4.2.1 硬件环境 |
4.2.2 软件环境 |
4.3 实验过程 |
4.4 实验结果分析 |
4.5 在超市O2O营销领域的应用 |
4.6 本章小结 |
5 序列模式挖掘中AprioriSome算法的改进 |
5.1 改进算法的基本思想 |
5.2 实验过程 |
5.2.1 实验环境 |
5.2.2 数据集 |
5.2.3 读取数据库交易数据 |
5.2.4 利用改进算法挖掘序列模式 |
5.3 实验结果分析 |
5.4 算法对比实验 |
5.4.1 算法挖掘出的频繁序列的数量 |
5.4.2 算法的运行时间 |
5.5 本章小结 |
结论 |
参考文献 |
附录1 统计类代码参照表 |
附录2 基于Hadoop平台的实验结果 |
攻读学位期间发表的学术论文 |
致谢 |
(10)大数据视角下网络零售顾客满意研究 ——以智能数码类产品为例(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 顾客满意度模型的相关研究 |
1.3.2 顾客满意度模型测评的相关研究 |
1.3.3 非结构化文本挖掘的相关研究 |
1.4 研究的主要内容 |
1.5 研究的方法与思路 |
1.5.1 研究方法与工具 |
1.5.2 研究思路 |
2 相关研究理论和方法 |
2.1 相关研究理论 |
2.1.1 基本概念 |
2.1.2 顾客满意度指数测评理论 |
2.1.3 4Cs营销理论 |
2.2 相关研究方法 |
2.2.1 结构方程模型 |
2.2.2 文本情感分析 |
2.2.3 基于词典的方法 |
2.2.4 结巴分词的原理 |
3 产品评价数据采集及CSI测评模型构建 |
3.1 产品评价数据采集 |
3.1.1 网络零售平台选择 |
3.1.2 智能数码类产品的选择 |
3.1.3 网络爬虫分析和数据采集 |
3.2 数据清洗原则及过程 |
3.2.1 侦辨思路及原则 |
3.2.2 数据清洗 |
3.3 数据分析 |
3.3.1 顾客购买店铺占比分析 |
3.3.2 顾客购买地区分布 |
3.3.3 顾客购买途径分析 |
3.3.4 顾客会员等级 |
3.3.5 顾客基础情感分析 |
3.3.6 品牌和产品分析 |
3.3.7 顾客对品牌的总体评分分析 |
3.4 CSI测评模型的建立 |
本章小结 |
4 顾客满意度测评 |
4.1 产品评价量化算法说明 |
4.2 产品评价分词 |
4.2.1 情感词典的构建 |
4.2.2 实体词典的构建 |
4.2.3 产品评价分词处理 |
4.3 产品评价量化 |
4.3.1 实体匹配 |
4.3.2 分值和权重 |
4.4 数据异常值和缺失值处理 |
4.4.1 处理原则及方法 |
4.4.2 处理后的结果 |
4.5 CSI模型的代入、修正与分析 |
4.5.1 CSI模型的代入与分析 |
4.5.2 CSI模型的修正与分析 |
4.5.3 CSI模型结果分析 |
本章小结 |
5 结果讨论与对策研究 |
5.1 结果讨论 |
5.2 对策研究 |
5.2.1 从顾客需求角度 |
5.2.2 从顾客沟通角度 |
5.2.3 从购买便利性角度 |
5.2.4 从顾客成本角度 |
本章小结 |
结论 |
致谢 |
参考文献 |
附录1 |
附录2 |
数据采集代码 |
数据预处理代码 |
初步分词和词云图代码 |
分词和量化代码 |
个人简介 |
四、会员顾客频繁购物序列模式算法的设计与实现(论文参考文献)
- [1]基于Petri网块结构的流程配置信息挖掘方法研究[D]. 李增. 安徽理工大学, 2021(02)
- [2]集采系统客户关系管理子系统设计与实现[D]. 潘佩琦. 大连理工大学, 2021(01)
- [3]基于大数据的人机谈判系统[D]. 李腾飞. 广西师范大学, 2021(09)
- [4]基于文本挖掘的网购产品评论稳健情感分类研究[D]. 刘音. 江西财经大学, 2021(10)
- [5]基于客流数据采集技术的线下商业数据中台的设计与实现[D]. 梁卓敏. 华南理工大学, 2020(05)
- [6]基于电商消费大数据的客户忠诚度预测方法研究[D]. 钟磊. 深圳大学, 2020(10)
- [7]基于SSM框架的网上商城系统的设计与实现[D]. 薄志强. 西安电子科技大学, 2020(05)
- [8]移动APP内用户行为捕获与分析方法的研究[D]. 辛晓宇. 大连海事大学, 2020(01)
- [9]序列模式挖掘算法在超市O2O营销中的应用及优化研究[D]. 赵雅欣. 哈尔滨商业大学, 2020(08)
- [10]大数据视角下网络零售顾客满意研究 ——以智能数码类产品为例[D]. 王明月. 中国地质大学(北京), 2020(08)