集团企业基于iOS的市场智能分析与个性化服务推送的研究

发布时间：2017-08-10 23:13

  本文关键词：集团企业基于iOS的市场智能分析与个性化服务推送的研究

  更多相关文章： 情景感知 协同过滤 BP神经网络 iOS平台 信息推送 个性化推荐

【摘要】：在大数据与不断增长的用户数量的复杂协作环境中,企业如何能够充分的整合现有的人力物力、业务与数据资源,使得企业的信息资源能够及时的交换和获取,这是一个企业提高竞争力和企业效率的一个关键因素。然而如何结合不同用户的角色任务特点、在多人动态协作的过程中,相应地管理以及推送相关资源信息,是动态协作过程中的难点,也是实现企业智能辅助的重点。本文将个性化推送与iOS这个用户量广阔的稳定平台结合起来,研究协同过滤推荐(Collaborative Filtering recommendation)技术,通过分析用户兴趣,找到指定用户的相似用户群,综合这些用户群对某一信息的评价,对指定用户的喜好程度进行预测,将会是企业移动营销的一大助力。本文的主要工作包括:(1)情景感知的移动推荐系统框架的研究首先,对情景感知的定义、情景感知计算以及感知系统的基本结构等理论进行阐述;其次,讨论通用的情景感知框架并将移动推荐和传统PC推荐进行对比分析,根据移动推荐的特性,本文提出并设计了基于情景感知的移动平台推荐框架;最后,根据企业情景的不同对推送的内容进行了分类。(2)基于协同过滤算法的几种个性化服务推送的探究对协同过滤下基于用户的协同过滤和基于项目的协同过滤算法进行详细的研究介绍,并在企业情景下,以用户为中心,利用情景感知细分了几种个性化推送服务的研究情景,分别是基于角色的个性化推送服务、基于区域市场的个性化推送服务以及基于用户实时行为的个性化推送服务,并基于这几种推送服务对算法加以整理和改进。(3)搭建Web Service服务架构和iOS平台的数据存储本文建立了支持各种平台的Web Service架构服务平台,通过服务端和移动端使用SOAP请求相应并以XML数据格式传输数据,保证数据传输的实时性和正确性,实现了各种平台的应用协同。同时,研究了iOS平台近两年推出的CloudKit云服务组件以及它的优势,在某些时候可以将其用作服务端存储大量的复杂数据以减轻企业服务器的传输压力。本文中,我们利用CloudKit技术实现了iOS移动端的复杂分析数据的存储,同时,根据安徽APP的销售分析功能对相关的移动界面进行了设计。
【关键词】：情景感知 协同过滤 BP神经网络 iOS平台 信息推送 个性化推荐
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-16
• 1.1 论文研究的背景及意义10-11
• 1.1.1 论文研究的背景10-11
• 1.1.2 研究的目的和意义11
• 1.2 国内外的研究现状11-14
• 1.2.1 个性化推荐系统的现状11-13
• 1.2.2 推荐算法的研究现状13-14
• 1.3 本文主要研究内容14-15
• 1.4 论文的组织安排15-16
• 第二章 相关技术和理论的介绍16-22
• 2.1 iOS平台相关技术16-19
• 2.1.1 移动设备上的推送机制16-17
• 2.1.2 iOS平台推送原理17-18
• 2.1.3 CloudKit18-19
• 2.2 协同过滤的推荐原理简介19-21
• 2.2.1 基于用户的推荐20
• 2.2.2 基于项目的推荐20-21
• 2.3 本章小结21-22
• 第三章 情景感知的移动推荐系统框架22-34
• 3.1 引言22
• 3.2 情景感知的相关理论22-23
• 3.2.1 情景的定义和情景感知22
• 3.2.2 情景感知计算的概念22-23
• 3.2.3 情景感知系统的基本结构23
• 3.3 基于情景感知的移动推荐框架设计23-28
• 3.3.1 通用的情景感知框架模型23-25
• 3.3.2 移动推荐与传统推荐25-26
• 3.3.3 移动平台的推荐系统框架26-28
• 3.4 企业环境下的情景感知28-33
• 3.4.1 用户情景29
• 3.4.2 时间情景29-31
• 3.4.3 市场情景31-33
• 3.5 本章小结33-34
• 第四章 基于智能分析的个性化服务推送的研究34-50
• 4.1 引言34-35
• 4.2 BP神经网络35-36
• 4.3 协同过滤推荐算法概述及原理36-40
• 4.3.1 基于User-Based的协同过滤推荐算法36-38
• 4.3.2 基于Item-Based的协同过滤推荐算法38-40
• 4.4 BP神经网络和协同过滤的结合40-42
• 4.4.1 基础的用户偏好模型41
• 4.4.2 用户偏好模型的训练41-42
• 4.5 个性化推送服务应用场景的研究42-49
• 4.5.1 基于角色的个性化推送43-45
• 4.5.2 基于区域市场的个性化推送45-47
• 4.5.3 基于用户实时行为的个性化推送47-49
• 4.6 本章小结49-50
• 第五章 基于iOS平台的应用服务架构50-63
• 5.1 引言50
• 5.2 iOS推送服务器的搭建50-51
• 5.3 Web Service服务的架构设计51-55
• 5.3.1 Web Service的基础概念与组件51-53
• 5.3.2 Web Service之间的协同关系53-54
• 5.3.3 SOAP的类型选择54
• 5.3.4 基于Web Service服务的平台总体架构54-55
• 5.4 iOS平台的数据存储与界面设计55-62
• 5.4.1 CoreData与SQLite56
• 5.4.2 CloudKit的优势分析56-57
• 5.4.4 分析模块的模型和界面设计57-62
• 5.5 本章小结62-63
• 第六章 总结与展望63-65
• 6.1 全文总结63-64
• 6.2 研究展望64-65
• 参考文献65-68
• 致谢68-69
• 攻读学位期间的研究成果69

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e，

本文编号：653128