线下零售业数据挖掘研究与实现
发布时间：2020-12-28 13:29
线下零售业是数据挖掘重点关注的行业,在线下零售业中有效应用大数据,有利于提升数据竞争力、精准洞察顾客需求。线下零售业一直探索结合移动互联网和大数据技术的道路,但是存在针对性比较低、缺乏个性化等问题。电商领域中发展成熟的推荐算法成为电商行业的主要营销渠道,但是线下零售业还没有成熟的推荐算法来为客户进行个性化推荐。其次,线下零售业中存在的很多噪声数据,也为数据挖掘带来很大的不便。基于以上问题,本课题研究线下零售业中数据挖掘的应用,主要包括基于神经网络的异常检测和基于深度自编码器的推荐算法。异常检测部分中,本文研究可处理异构数据的神经网络异常检测模型在线下零售业异常检测中的应用。该模型是基于数据密度概率统计方法,根据自由能作为异常指标,来判断低密度区域的异常数据。它能够适应线下零售中的异构数据,可将用户的消费次数、消费品牌品类数量、用户性别等异构类型的数据作为神经网络单元的输入,通过非监督学习的方式发现异常用户行为。在线下零售业数据中,用户的偏好数据和购买数据矩阵会非常稀疏,而且线下零售中同样也存在冷启动的问题,这都会影响推荐的准确率。为了解决这个问题,本文主要围绕RFM模型、附加辅助数据与...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
用户特征数据的2维映射分布图
?１００?２００?３００?４００?５００?６００??图３－３?Ｋ－ｍｅａｎ方法进行异常检测的聚类结果图（聚２类）??图３－３为根据Ｋ－ｍｅａｎｓ聚类方法检测的结果，不用通过数据进行对比也能够??清楚的看出，它将一半左右的正常数据归类为异常数据，显然准确度会很低。???表３－２异常检测模型ＯＣＳＶＭ和Ｍｖ．ＲＢＭ的结果对比???Ｐｒｅｃｉｓｉｏｎ?Ｒｅｃａｌｌ?Ｆ－ｓｃｏｒｅ??２０１５?ＯＣＳＶＭ?０．２４８２?１．０?０．３９７７??Ｍｖ．ＲＢＭ?０．７１４３?０．７６９２?０．７４０７??２０１６?ＯＣＳＶＭ?０．２４５６?１．０?０．３９４３??Ｍｖ．ＲＢＭ?０．７１７５?０．７６５７?０．７４０８??表３－２为两种模型的检测准确度指标对比。从表３－２可以看出，ＯＣＳＶＭ模??型的召回率比较高，能够准确的找到更多异常数据，但是准确率极低，也就是同??时会将很多正常数据判断为异常。Ｍｖ．ＲＢＭ的召回率没有ＯＣＳＶＭ的召回率高，??但是准确率比较高。Ｍｖ．ＲＢＭ的Ｆ值比ＯＣＳＶＭ的高很多，由于Ｆ－值是准确率??和召回率的加权调和平均，所以在整体表现上来看，在线下零售业中的混合型数??据中，Ｍｖ．ＲＢＭ模型的异常检测能力更强一些。??３．３本章小结??本章首先介绍了混合变量受限玻尔兹曼机的相关研宄工作
为了深入了解ａＳＤＡＥ的性能增益，本阶段分析了在不同用户分段的性能。??具体来说，本实验构建了?８个用户分段，显示测试数据中的不同偏好数量下的表??现，如图４－８。训练数据的用户分段分布和测试数据是相似的。从中得知对活跃??用户进行偏好预测的结果比非活跃用户的要好。在所有用户分段上，ａＳＤＡＥ优??于ＳＤＡＥ，这再次清楚地显示了辅助数据的优势。??０，?＆６?１?＞?Ｉ?Ｉ?Ｉ?１?ｓ?１???０?９４?．?Ｉ?．??Ｏｆ?Ｉ?＿??！〇：：?Ｉ?｜?１１．??’?＿?｜?＿?｜丨?＿?＿?＿?＿?‘??｜ｉｉ?｜ｉｉ?｜：ｉ：?｜ｉｉ?｜ｉ?｜ｉｉ?｜ｉｉ?■??ＤＪ?ｌｉｌ?ｌｉｌ?ＩＳ?１＾１?１１?ｌｉｌ?ｌｉｌ?Ｂｉｊ?１??１?２?３?４?５?６?７?８??用户活Ｋ度＜？分组＞??图４－８?ａＳＤＡＥ和ＳＤＡＥ预测不同用户分段的性能??图４－７和４－８清楚地表明本文使用的ａＳＤＡＥ模型能够平滑收敛，并且性能??明显优于对比的其他方法，包括对具有不同稀疏级别的数据的不同用户分段。这??说明本文提出的将ＲＦＭ模型与ａＳＤＡＥ模型相结合进行偏好预测的方法，在线??下零售业中有较好的表现。??４．３＿３?ＴｏｐＮ推荐实验??在向用户进行粗粒度推荐时需要用到ＴｏｐＮ推荐模型。因此，在这个实验中，??将从Ｔ〇Ｐ－Ｎ推荐问题出发
【参考文献】：
期刊论文
[1]数据挖掘技术在电子商务中的应用[J]. 戴菲. 电脑知识与技术. 2011(21)
[2]基于最大频繁模式挖掘算法进行书目推荐系统的设计与实现[J]. 赵麟. 现代图书情报技术. 2010(05)
[3]零售业中数据挖掘技术的应用[J]. 张艳辉,李宗伟. 江苏商论. 2006(03)
硕士论文
[1]苏宁云商模式发展战略研究[D]. 曲笑缘.东北农业大学 2015
[2]CRM在零售连锁企业中的应用研究[D]. 于志国.东南大学 2015
[3]零售企业会员消费数据分析与研究[D]. 谢飞.首都经济贸易大学 2010
本文编号：2943835
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
用户特征数据的2维映射分布图
?１００?２００?３００?４００?５００?６００??图３－３?Ｋ－ｍｅａｎ方法进行异常检测的聚类结果图（聚２类）??图３－３为根据Ｋ－ｍｅａｎｓ聚类方法检测的结果，不用通过数据进行对比也能够??清楚的看出，它将一半左右的正常数据归类为异常数据，显然准确度会很低。???表３－２异常检测模型ＯＣＳＶＭ和Ｍｖ．ＲＢＭ的结果对比???Ｐｒｅｃｉｓｉｏｎ?Ｒｅｃａｌｌ?Ｆ－ｓｃｏｒｅ??２０１５?ＯＣＳＶＭ?０．２４８２?１．０?０．３９７７??Ｍｖ．ＲＢＭ?０．７１４３?０．７６９２?０．７４０７??２０１６?ＯＣＳＶＭ?０．２４５６?１．０?０．３９４３??Ｍｖ．ＲＢＭ?０．７１７５?０．７６５７?０．７４０８??表３－２为两种模型的检测准确度指标对比。从表３－２可以看出，ＯＣＳＶＭ模??型的召回率比较高，能够准确的找到更多异常数据，但是准确率极低，也就是同??时会将很多正常数据判断为异常。Ｍｖ．ＲＢＭ的召回率没有ＯＣＳＶＭ的召回率高，??但是准确率比较高。Ｍｖ．ＲＢＭ的Ｆ值比ＯＣＳＶＭ的高很多，由于Ｆ－值是准确率??和召回率的加权调和平均，所以在整体表现上来看，在线下零售业中的混合型数??据中，Ｍｖ．ＲＢＭ模型的异常检测能力更强一些。??３．３本章小结??本章首先介绍了混合变量受限玻尔兹曼机的相关研宄工作
为了深入了解ａＳＤＡＥ的性能增益，本阶段分析了在不同用户分段的性能。??具体来说，本实验构建了?８个用户分段，显示测试数据中的不同偏好数量下的表??现，如图４－８。训练数据的用户分段分布和测试数据是相似的。从中得知对活跃??用户进行偏好预测的结果比非活跃用户的要好。在所有用户分段上，ａＳＤＡＥ优??于ＳＤＡＥ，这再次清楚地显示了辅助数据的优势。??０，?＆６?１?＞?Ｉ?Ｉ?Ｉ?１?ｓ?１???０?９４?．?Ｉ?．??Ｏｆ?Ｉ?＿??！〇：：?Ｉ?｜?１１．??’?＿?｜?＿?｜丨?＿?＿?＿?＿?‘??｜ｉｉ?｜ｉｉ?｜：ｉ：?｜ｉｉ?｜ｉ?｜ｉｉ?｜ｉｉ?■??ＤＪ?ｌｉｌ?ｌｉｌ?ＩＳ?１＾１?１１?ｌｉｌ?ｌｉｌ?Ｂｉｊ?１??１?２?３?４?５?６?７?８??用户活Ｋ度＜？分组＞??图４－８?ａＳＤＡＥ和ＳＤＡＥ预测不同用户分段的性能??图４－７和４－８清楚地表明本文使用的ａＳＤＡＥ模型能够平滑收敛，并且性能??明显优于对比的其他方法，包括对具有不同稀疏级别的数据的不同用户分段。这??说明本文提出的将ＲＦＭ模型与ａＳＤＡＥ模型相结合进行偏好预测的方法，在线??下零售业中有较好的表现。??４．３＿３?ＴｏｐＮ推荐实验??在向用户进行粗粒度推荐时需要用到ＴｏｐＮ推荐模型。因此，在这个实验中，??将从Ｔ〇Ｐ－Ｎ推荐问题出发
【参考文献】：
期刊论文
[1]数据挖掘技术在电子商务中的应用[J]. 戴菲. 电脑知识与技术. 2011(21)
[2]基于最大频繁模式挖掘算法进行书目推荐系统的设计与实现[J]. 赵麟. 现代图书情报技术. 2010(05)
[3]零售业中数据挖掘技术的应用[J]. 张艳辉,李宗伟. 江苏商论. 2006(03)
硕士论文
[1]苏宁云商模式发展战略研究[D]. 曲笑缘.东北农业大学 2015
[2]CRM在零售连锁企业中的应用研究[D]. 于志国.东南大学 2015
[3]零售企业会员消费数据分析与研究[D]. 谢飞.首都经济贸易大学 2010
本文编号：2943835
本文链接：https://www.wllwen.com/guanlilunwen/yingxiaoguanlilunwen/2943835.html
