当前位置:主页 > 管理论文 > 客户关系论文 >

基于零售信息挖掘下面向消费市场的精准推送模型设计与研究

发布时间:2020-11-06 04:09
   从海量的零售信息中提取有意义的数据为企业营销创造价值是众多企业共同需要解决的问题,然而面对海量数据如果仅仅采用传统的统计方法来分析不仅无法满足大数据环境下高效处理的要求,而且往往很难得到想要的结果,同时由于海量数据中存在的模糊性与不确定的表达将使得数据建模变得更加困难,也就无从开展精准推送营销,基于此本文从海量的零售数据中提取衡量客户价值的RFM模型指标,通过RFM模型指标提取客户特征属性构建用户画像标签,对用户画像标签的模糊性与不确定性通过云模型和本体思想来构建用户画像模型,从而实现面向消费市场的精准推送。具体研究内容如下:(1)数据预处理:如何从海量的零售信息中提取用户的共同特征,本文从海量的零售信息数据库中按照分层抽样的思想随机抽取具有代表性的样本数据,在保证抽样数据符合标准格式要求的前提下,重点研究了在海量数据环境下如何实现最优分配以及如何对抽样性能评估,保证样本数据在一定条件下能够反映全量数据的整体全貌。(2)用户画像标签处理:从抽样数据中提取RFM模型指标,针对抽样数据中该类指标的不确定性与模糊性的特点,本文引入云模型理论和本体技术,通过高斯云发生器将RFM指标转换为基于云模型的RFM指标(时间间隔云模型、消费频率云模型、消费金额云模型)来构建群体价值画像标签体系,通过本体思想对用户属性进行表示、解释和推理来构建用户个体画像标签体系。(3)用户画像建模:用户画像力求借助用户个性化的标签来反映用户信息全貌,标签的选取直接影响用户画像的建模的成功与否,本文基于云模型的RFM指标构建用户价值画像模型,同时通过用户个体属性来构建个体用户画像模型。为了对云模型领域的用户画像聚类分析,本文对传统的K-Means聚类算法进行改进,设计了基于云模型的聚类算法。在该算法的基础上可以根据具体的业务场景得到不同的用户画像模型。(4)精准推送阶段:通过云模型画像聚类对客户群体进行价值分类,建立群体与服务之间的关联,通过本体推理对零售户建立个体与产品之间的关联,实现由服务(群体)到产品(个体)的二级推荐。
【学位单位】:浙江理工大学
【学位级别】:硕士
【学位年份】:2018
【中图分类】:F274;TP311.13
【文章目录】:
摘要
Abstract
第一章 绪论
    1.1 研究背景及研究意义
        1.1.1 研究背景
        1.1.2 研究目的及意义
    1.2 国内外研究及发展现状
    1.3 主要研究内容
    1.4 论文框架
第二章 理论基础和相关概念
    2.1 云模型理论基础和相关概念
        2.1.1 云模型的定义
        2.1.2 云模型相关概念
    2.2 RFM模型理论基础和相关概念
        2.2.1 RFM模型相关概念
        2.2.2 基于RFM客户细分应用概述
    2.3 本章小结
第三章 基于海量数据的抽样研究
    3.1 海量数据抽样研究概述
    3.2 海量数据背景下的抽样方法比较
    3.3 基于海量数据背景下的分层抽样设计
        3.3.1 确定分层标志和界限
        3.3.2 如何确定分层的层数
        3.3.3 选择什么样的样本分配方法
    3.4 本章小结
第四章 基于云模型与本体的用户画像分析与研究
    4.1 用户画像研究概述
        4.1.1 用户画像定义
        4.1.2 用户画像标签体系
    4.2 用户画像建模分析与研究
        4.2.1 用户定量画像
        4.2.2 基于本体的用户定性画像
        4.2.3 基于云模型的用户定性画像
    4.3 群体用户画像分析与研究
        4.3.1 基于RFM模型的用户价值画像创建流程
        4.3.2 用户画像标签存储分析
        4.3.3 云模型聚类分析
    4.4 本章总结
第五章 零售信息挖掘下的推送模型设计与案例分析
    5.1 推送模型架构分析
    5.2 海量零售信息处理案例分析
        5.2.1 数据说明
        5.2.2 抽样过程
    5.3 用户画像建模案例分析
        5.3.1 云模型用户价值画像模型构建过程
        5.3.2 用户个体画像模型构建过程
    5.4 云模型画像聚类与本体推理案例分析
        5.4.1 基于云模型的用户价值画像聚类案例分析
        5.4.2 基于本体推理的用户个体画像案例分析
    5.5 精准推送模型应用分析
    5.6 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 不足与展望
参考文献
致谢
攻读学位期间的研究成果

【相似文献】

相关期刊论文 前10条

1 叶琼;李绍稳;张友华;疏兴旺;倪冬平;;云模型及应用综述[J];计算机工程与设计;2011年12期

2 王洪利;;基于云模型的定性运算理论与方法[J];数学的实践与认识;2012年18期

3 刘九洲;王景生;王永江;王健;;一种基于多维云模型的武器系统效能评估方法[J];舰船电子对抗;2013年02期

4 李支元;;云模型方法在多属性店铺选址系统中的应用与研究[J];电脑知识与技术;2013年32期

5 王兆红;云模型在挖掘射击类数据中的应用[J];信息技术与信息化;2005年02期

6 姜伟;高知新;李本喜;;基于多维云模型的入侵检测[J];计算机工程;2006年24期

7 郭戎潇;夏靖波;董淑福;龙门;;一种基于多维云模型的多属性综合评价方法[J];计算机科学;2010年11期

8 李众;高键;张日勋;;一维云模型系统的逼近性研究[J];自动化学报;2011年10期

9 韩冰;刘义军;陈汶滨;成素凡;;基于云模型的指标权重获取方法[J];软件导刊;2012年05期

10 孙胜春;杨文亮;李路;展锋;;云模型在实验教学质量评估中的应用[J];实验室研究与探索;2012年10期


相关博士学位论文 前2条

1 周喆;基于云模型的图像去噪研究及应用[D];武汉大学;2014年

2 邹万红;大规模点云模型几何造型技术研究[D];浙江大学;2007年


相关硕士学位论文 前10条

1 姚龙飞;基于零售信息挖掘下面向消费市场的精准推送模型设计与研究[D];浙江理工大学;2018年

2 崔晓静;基于云模型的不确定性理论与实验研究[D];上海师范大学;2015年

3 郭丹丹;基于云模型的船舶动力定位控制系统设计[D];江苏科技大学;2015年

4 王杰;基于区间云模型的时间序列分析[D];电子科技大学;2014年

5 金璐;云模型在时间序列预测中的应用研究[D];电子科技大学;2014年

6 王文浩;基于人工免疫和云模型的入侵检测技术研究[D];国防科学技术大学;2013年

7 林小军;基于人工蜂群和云模型的仿生智能算法研究与应用[D];福州大学;2013年

8 赵佳;基于自适应云模型的多模态医学图像融合方法研究[D];重庆邮电大学;2016年

9 许大亮;云模型在金属矿产资源定量预测中的应用研究[D];安徽理工大学;2016年

10 郑倩;基于云模型的山区易混淆树种多光谱遥感识别及应用[D];山东农业大学;2017年



本文编号:2872631

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/kehuguanxiguanli/2872631.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户eb617***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com