基于客户细分的中小型B2C化妆品商城推荐策略研究与应用

发布时间：2017-08-01 21:03

  本文关键词：基于客户细分的中小型B2C化妆品商城推荐策略研究与应用

  更多相关文章： 商城系统 性能优化 客户细分 推荐

【摘要】：随着经济全球化的发展,互联网为中小型企业的发展带来更广阔的市场前景。针对目前网购市场中的大量女性客户,本文设计并实现基于化妆品销售的中小型B2C商城系统,提供给客户一个网上购物平台,帮助企业更好的盈利与发展。并在系统实现过程中,以提高用户体验为准则,对系统性能进行了优化。并通过分析客户行为及价值,提出一种基于HSDPSOK算法的客户细分方法,该方法对实现客户分类、个性化商品推荐、挖掘潜在客户以及进行精准营销等有着重要的意义。本文研究内容主要分为三个方面,如下：一、本文根据企业的具体业务需求,介绍了Struts2、Spring和Hibernate三种框架的结构、流程及特点,在此基础上,详细介绍集成框架SSH2,基于此框架设计开发了化妆品商城系统。二、本文设计并实现以下三种策略对系统的性能进行优化。(1)通过建立适当的索引和引入第三方缓存ehcache来提升数据的查询效率,实现数据库性能优化；(2)基于PV统计的智能缓存策略,实现系统预先智能从数据库中提取客户可能要访问的数据并放入缓存,进而提高系统的查询效率；(3)通过实现分页来提高数据查询时符合查询条件的结果展示效率,减少客户的等待时间。三、本文提出一种基于HSDPSOK算法的客户细分方法。客户细分采用的聚类算法中,k-means算法应用广泛,但是存在需要预先确定聚类个数K和容易陷入局部最优的两大缺陷。针对这两个问题,本文引入有效性指标SD和PSO算法,提出一种HSDPSOK算法来提升聚类质量：(1)通过聚类质量评价中的SD来解决聚类个数K的取值问题。使用样本数据对应于不同的K值进行初步K-means聚类,使用有效性指标进行比较,返回SD最小时对应的K值,保证使用最优的K值来进行聚类；(2)通过使用PSO算法来解决初始聚类中心的选取问题。基于粒子群优化算法的全局寻优能力,选取K个最优的初始点,以此作为初始聚类中心。在客户数据集上进行实验并分析了实验结果,通过各项评价指标,证明了使用HSDPSOK算法进行客户细分可以取得更好的效果。最后,本文基于该算法实现的分类结果,进行商品推荐。
【关键词】：商城系统 性能优化 客户细分 推荐
【学位授予单位】：南华大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3;TP311.13
【目录】：

• 摘要4-6
• Abstract6-12
• 第1章 绪论12-18
• 1.1 研究背景及意义12-13
• 1.2 国内外研究现状13-15
• 1.3 主要研究内容15-16
• 1.4 本文组织结构16-18
• 第2章 相关理论基础18-30
• 2.1 SSH2框架18-22
• 2.1.1 Struts218-20
• 2.1.2 Spring20-21
• 2.1.3 Hibernate21-22
• 2.2 Web性能优化技术22-28
• 2.2.1 数据库优化技术22-25
• 2.2.2 Ajax技术25-27
• 2.2.3 文件缓存27
• 2.2.4 负载均衡27-28
• 2.3 网站流量统计28-29
• 2.4 本章小结29-30
• 第3章 化妆品商城系统实现及性能优化30-58
• 3.1 系统概述30-31
• 3.2 系统设计31-37
• 3.2.1 系统开发框架及集成31-34
• 3.2.2 数据库设计34-37
• 3.3 系统实现37-44
• 3.3.1 数据访问Dao实现38-39
• 3.3.2 静态页面生成接口实现39-40
• 3.3.3 购物车管理业务实现40-41
• 3.3.4 系统功能实现41-44
• 3.4 系统性能优化重点模块44-46
• 3.5 系统性能优化实现46-56
• 3.5.1 数据库优化46-50
• 3.5.2 基于智能缓存策略优化50-55
• 3.5.3 数据分页优化55-56
• 3.6 本章小结56-58
• 第4章 化妆品商城推荐策略研究与应用58-88
• 4.1 用户信息收集58-63
• 4.2 数据预处理63-65
• 4.2.1 数据清洗63-64
• 4.2.2 数据转换与集成64-65
• 4.3 客户细分算法—HSDPSOK65-84
• 4.3.1 客户细分65-66
• 4.3.2 客户细分的方法66-67
• 4.3.3 客户细分算法选择67-79
• 4.3.3.1 K-means算法68-71
• 4.3.3.2 PSO算法71-74
• 4.3.3.3 有效性指标SD74
• 4.3.3.4 基于SD与PSO的K-means算法74-79
• 4.3.4 客户细分变量的选择79
• 4.3.5 HSDPSOK算法进行客户细分79-81
• 4.3.6 客户细分效果分析81-84
• 4.4 基于客户细分的推荐策略84-86
• 4.4.1 推荐类型84
• 4.4.2 基于用户协同过滤算法84-86
• 4.4.3 基于客户细分的协同推荐86
• 4.5 本章小结86-88
• 第5章 总结与展望88-90
• 5.1 总结88
• 5.2 工作展望88-90
• 参考文献90-94
• 主要成果94-96
• 致谢96

【参考文献】

中国期刊全文数据库 前10条

1 刘乃嘉;彭宇;王鑫;付小龙;;清华大学网上选课性能优化研究与实践[J];实验技术与管理;2011年05期

2 刘悦婷;李岚;;基于自适应权重的粒子群和K均值混合聚类算法研究[J];甘肃科学学报;2010年04期

3 林丽丽;;使用高性能Web服务器Nginx实现开源负载均衡[J];大众科技;2010年07期

4 夏峗;李志蜀;;基于Hibernate框架的数据持久化层的研究及其应用[J];计算机应用;2008年09期

5 黄栎桥;陆鑫;;基于Struts框架的Web数据库分页技术[J];计算机应用;2008年S1期

6 李耸;房明;;基于Web的网站流量统计系统的设计[J];电脑知识与技术;2008年05期

7 王正良;;大信息量和访问量信息系统性能优化研究[J];农业网络信息;2007年12期

8 刘向东;沙秋夫;刘勇奎;段晓东;;基于粒子群优化算法的聚类分析[J];计算机工程;2006年06期

9 闫相斌;李一军;叶强;;基于购买行为的客户分类方法研究[J];计算机集成制造系统;2005年12期

10 徐宝文,张卫丰;数据挖掘技术在Web预取中的应用研究[J];计算机学报;2001年04期

，

本文编号：606163