基于海量数据和商圈兴趣点模型的商品推荐研究
发布时间：2020-12-15 08:02
“互联网+”的环境下,市场竞争愈加激烈,零售户的营销活动逐渐向消费终端延伸,终端零售户已经成为企业与消费者之间一个非常重要的中间点,直接关系到企业发展。同时,面对全国800万零售户产生的海量数据,如何挖掘潜在价值成为企业实现精准营销的关键。本文针对企业终端零售户数量庞大、分布广泛杂乱,难以直接从零售数据上挖掘出潜在兴趣并进行准确推荐等问题,研究了基于位置的推荐算法,最终引入针对消费能力和区域经济发展状况更具代表性的商圈作为分析单元,提出基于商圈的商品推荐算法。该方法能在一定程度上缓解冷启动问题,通过转变为以商圈为基础的市场推荐和投放模式,加强企业对市场环境变化的预判与掌控。论文的研究工作主要分为以下几个点:1)海量数据的采集与处理。通过终端采集、市场走访和系统填报等方式完成企业海量数据的采集,利用网络爬虫技术获取美团网中的商圈中心点数据和百度地图api中的POI兴趣点数据。针对海量数据问题,引入Spark分布式处理框架进行加工处理,完成数据的清洗、集成与转换,实现商圈兴趣点数据的预处理以及企业多源数据的整合。2)商圈兴趣点模型的建立。针对现有商圈测评模型中区域边界划分不稳定和地图api...
【文章来源】：浙江理工大学浙江省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
吴山广场周边部分POI数据示例图
图 1.2 百度地图吴山广场商圈示例图智慧商圈的建设发展，如何将商圈结构进行优化成为一个重要的研究方划分逐渐成为研究热点。等[25]以 2017 年天津市中心城区的 POI 数据为例，其空间位置和属性特结合热点辐射，提出一种融合多维特征（K-means 空间聚类算法、空间度估计算法）的商圈划分方法，并采用量化评分法对商圈等级进行划分融合了多种方法的混合模型可得到较优的商圈区域划分；王家辉等人[2于二分思想的边界探测算法和基于多边形规则的商圈内点判定方法将，建立起关于 POI 和商圈的映射关系，同时利用融合数据进行初步商圈析，提出商圈评价模型用以评价。研究内容
展开数据挖掘工作，其中 DBSCAN 密度聚类算法将在章节 4.2 进行详细介绍。2.2 相关推荐算法目前推荐领域的研究已经较为成熟，并能得到一定的推荐效果。针对已有的主流推荐算法，本文主要选取以下几种进行介绍。2.2.1 基于协同过滤的推荐算法协同过滤（Collabrative Filitering）算法自 1992 年首次提出以来就被大范围应用，是推荐算法中诞生最早，最为经典、常用的一种，它通过分析已有用户的历史行为数据计算用户之间的相似度，挖掘待推荐信息或者用户之间的关联性，并由此关联预测用户对推荐商品或内容的偏好，进行推荐。其推荐过程可以分为提取偏好信息（构建用户-项目评分矩阵）、确定相似用户或项目、产生推荐结果三步，具体实现原理如图 2.4 所示：
【参考文献】：
期刊论文
[1]基于核密度估计的K-CFSFDP聚类算法[J]. 董晓君,程春玲. 计算机科学. 2018(11)
[2]基于电子导航地图POI的北京城区绿色空间服务半径分析[J]. 董仁才,姜天祺,李欢欢,李思远,张永霖,付晓. 生态学报. 2018(23)
[3]基于位置和属性特征信息的多源数据融合[J]. 张翼然,陶迎春,蔡彩,吴爱华. 北京测绘. 2018(09)
[4]基于用户非对称相似性的协同过滤推荐算法[J]. 黄贤英,龙姝言,谢晋. 四川大学学报(自然科学版). 2018(03)
[5]基于密度峰值优化的Canopy-Kmeans并行算法[J]. 李琪,张欣,张平康,张航. 通信技术. 2018(02)
[6]裂纹图像分割与提取的聚类分析方法[J]. 陈超,汪同庆. 烟台大学学报(自然科学与工程版). 2018(01)
[7]多维特征融合的城市商圈划分方法[J]. 郝斌,董硕,胡引翠,刘学,高玉健,张亚冬. 地理与地理信息科学. 2017(05)
[8]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊. 软件学报. 2017(03)
[9]基于地理位置和协同过滤的移动推荐算法[J]. 孙礼辉. 新乡学院学报. 2016(09)
[10]大数据下基于Spark的电商实时推荐系统的设计与实现[J]. 岑凯伦,于红岩,杨腾霄. 现代计算机(专业版). 2016(24)
硕士论文
[1]基于FCM聚类的品牌状态判别模型的研究[D]. 沈红红.浙江理工大学 2018
[2]推荐系统中矩阵稀疏性问题的研究[D]. 张洪顺.北京交通大学 2018
[3]基于海量数据的市场投放策略研究[D]. 张琳.浙江理工大学 2018
[4]基于商圈理论的房地产项目定位研究[D]. 赵涌.青岛理工大学 2018
[5]上海旅游兴趣点搜索与点评热度空间格局及其耦合性研究[D]. 王丹阳.上海师范大学 2017
[6]基于Spark的路网交通运行状态判别研究[D]. 朱熹.长安大学 2017
[7]基于协同过滤的电子商务推荐系统的研究与设计[D]. 方飞强.电子科技大学 2017
[8]基于数据挖掘的客户消费行为研究[D]. 王丽萍.浙江理工大学 2017
[9]基于流行性预测的推荐算法研究[D]. 刘冠君.电子科技大学 2016
[10]基于位置的推荐计算:Spark实现[D]. 吴庭.浙江大学 2016
本文编号：2917947
【文章来源】：浙江理工大学浙江省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
吴山广场周边部分POI数据示例图
图 1.2 百度地图吴山广场商圈示例图智慧商圈的建设发展，如何将商圈结构进行优化成为一个重要的研究方划分逐渐成为研究热点。等[25]以 2017 年天津市中心城区的 POI 数据为例，其空间位置和属性特结合热点辐射，提出一种融合多维特征（K-means 空间聚类算法、空间度估计算法）的商圈划分方法，并采用量化评分法对商圈等级进行划分融合了多种方法的混合模型可得到较优的商圈区域划分；王家辉等人[2于二分思想的边界探测算法和基于多边形规则的商圈内点判定方法将，建立起关于 POI 和商圈的映射关系，同时利用融合数据进行初步商圈析，提出商圈评价模型用以评价。研究内容
展开数据挖掘工作，其中 DBSCAN 密度聚类算法将在章节 4.2 进行详细介绍。2.2 相关推荐算法目前推荐领域的研究已经较为成熟，并能得到一定的推荐效果。针对已有的主流推荐算法，本文主要选取以下几种进行介绍。2.2.1 基于协同过滤的推荐算法协同过滤（Collabrative Filitering）算法自 1992 年首次提出以来就被大范围应用，是推荐算法中诞生最早，最为经典、常用的一种，它通过分析已有用户的历史行为数据计算用户之间的相似度，挖掘待推荐信息或者用户之间的关联性，并由此关联预测用户对推荐商品或内容的偏好，进行推荐。其推荐过程可以分为提取偏好信息（构建用户-项目评分矩阵）、确定相似用户或项目、产生推荐结果三步，具体实现原理如图 2.4 所示：
【参考文献】：
期刊论文
[1]基于核密度估计的K-CFSFDP聚类算法[J]. 董晓君,程春玲. 计算机科学. 2018(11)
[2]基于电子导航地图POI的北京城区绿色空间服务半径分析[J]. 董仁才,姜天祺,李欢欢,李思远,张永霖,付晓. 生态学报. 2018(23)
[3]基于位置和属性特征信息的多源数据融合[J]. 张翼然,陶迎春,蔡彩,吴爱华. 北京测绘. 2018(09)
[4]基于用户非对称相似性的协同过滤推荐算法[J]. 黄贤英,龙姝言,谢晋. 四川大学学报(自然科学版). 2018(03)
[5]基于密度峰值优化的Canopy-Kmeans并行算法[J]. 李琪,张欣,张平康,张航. 通信技术. 2018(02)
[6]裂纹图像分割与提取的聚类分析方法[J]. 陈超,汪同庆. 烟台大学学报(自然科学与工程版). 2018(01)
[7]多维特征融合的城市商圈划分方法[J]. 郝斌,董硕,胡引翠,刘学,高玉健,张亚冬. 地理与地理信息科学. 2017(05)
[8]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊. 软件学报. 2017(03)
[9]基于地理位置和协同过滤的移动推荐算法[J]. 孙礼辉. 新乡学院学报. 2016(09)
[10]大数据下基于Spark的电商实时推荐系统的设计与实现[J]. 岑凯伦,于红岩,杨腾霄. 现代计算机(专业版). 2016(24)
硕士论文
[1]基于FCM聚类的品牌状态判别模型的研究[D]. 沈红红.浙江理工大学 2018
[2]推荐系统中矩阵稀疏性问题的研究[D]. 张洪顺.北京交通大学 2018
[3]基于海量数据的市场投放策略研究[D]. 张琳.浙江理工大学 2018
[4]基于商圈理论的房地产项目定位研究[D]. 赵涌.青岛理工大学 2018
[5]上海旅游兴趣点搜索与点评热度空间格局及其耦合性研究[D]. 王丹阳.上海师范大学 2017
[6]基于Spark的路网交通运行状态判别研究[D]. 朱熹.长安大学 2017
[7]基于协同过滤的电子商务推荐系统的研究与设计[D]. 方飞强.电子科技大学 2017
[8]基于数据挖掘的客户消费行为研究[D]. 王丽萍.浙江理工大学 2017
[9]基于流行性预测的推荐算法研究[D]. 刘冠君.电子科技大学 2016
[10]基于位置的推荐计算:Spark实现[D]. 吴庭.浙江大学 2016
本文编号：2917947
本文链接：https://www.wllwen.com/guanlilunwen/yingxiaoguanlilunwen/2917947.html
