基于大数据因果推断的大学生网购服装推荐模型研究

发布时间：2017-10-11 22:34

  本文关键词：基于大数据因果推断的大学生网购服装推荐模型研究

  更多相关文章： 大数据 因果推断 推荐模型 贝叶斯网络

【摘要】：随着电子商务的迅猛发展,电子商务网站的消费者信息过载现象成为当前电子商务亟需解决的重大问题。当前各类电子商务个性化推荐方法都是建立相关关系基础上,没能就大数据的深度进行分析并诠释用户特征与商品属性间的推理关系。有学者提出可以对“大P大数据”进行因果推断的观点,但没有具体的研究设计。本文侧重于数据深度的因果分析,探索一种对“大P大数据”进行因果推断的大数据因果推断方法,并在具体应用于电子商务个性化推荐模型中。基于大数据、因果贝叶斯网络和回归分析的理论,本文结合研究对象的背景知识和理论,提出一种大数据因果推断方法,强调以相关理论为基础构建涵盖研究对象全面信息的“大P大数据”,利用与背景知识相结合的因果贝叶斯网络进行因果发现,通过回归分析验证因果推断并完成模型建立工作。结合研究问题和电子商务个性化推荐的研究背景,通过问卷调查的方式搜集大学生网购服装数据,形成涵盖大学生的网购服装全面信息的“大P大数据”。利用本文的提出的大数据因果推断方法,构建出大学生网购服装款式——品牌推荐模型和大学生网购服装主色调推荐模型。本次研究是对大数据因果推断研究的进一步尝试,也是对电子商务个性化推荐方法的进一步探索,对电子商务个性化推荐和大数据因果推断具有一定的借鉴意义。
【关键词】：大数据 因果推断 推荐模型 贝叶斯网络
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F724.6
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-18
• 1.1 研究背景及意义8-10
• 1.1.1 研究背景8-9
• 1.1.2 研究意义9-10
• 1.2 相关研究现状10-16
• 1.2.1 个性化推荐的研究现状10-13
• 1.2.2 大数据因果推断的研究现状13-14
• 1.2.3 消费者行为研究现状14-16
• 1.3 研究的主要内容和研究框架16-18
• 1.3.1 研究的主要内容16
• 1.3.2 研究框架16-18
• 第2章 相关理论基础18-27
• 2.1 大数据理论18-20
• 2.1.1 大数据的概念18
• 2.1.2 大数据的特点18-19
• 2.1.3 大数据处理流程19
• 2.1.4 大P大数据与大数据因果推断19-20
• 2.2 基于贝叶斯网络的因果推断理论20-25
• 2.2.1 贝叶斯网络的基本概念20-22
• 2.2.2 因果贝叶斯网络的基本概念22-23
• 2.2.3 基于约束学习的因果贝叶斯网络结构学习23-25
• 2.3 Logistic回归模型25-26
• 2.4 本章小结26-27
• 第3章 大数据因果推断研究方法27-35
• 3.1 研究框架27-28
• 3.2 数据搜集与处理28-29
• 3.2.1 基于相关理论构建大P数据库28-29
• 3.2.2 数据预处理29
• 3.3 与背景之下相结合的因果贝叶斯网络29-33
• 3.3.1 构建图解模型29-31
• 3.3.2 局部因果贝叶斯网络31-32
• 3.3.3 全局因果贝叶斯网络32-33
• 3.4 回归分析与模型建立33
• 3.5 本章小结33-35
• 第4章 大学生网购服装问卷调查35-42
• 4.1 问卷的设计35-38
• 4.1.1 问卷的设计思想35
• 4.1.2 问卷内容35-38
• 4.2 数据收集38-41
• 4.2.1 预调查38-39
• 4.2.2 问卷正式发放和回收39
• 4.2.3 样本描述性统计分析39-41
• 4.3 本章小结41-42
• 第5章 大学生网购服装推荐模型42-62
• 5.1 大学生网购服装因果贝叶斯网络42-49
• 5.1.1 构建图解模型42-45
• 5.1.2 局部贝叶斯网络45-48
• 5.1.3 全局因果贝叶斯网络48-49
• 5.2 Logistic回归49-57
• 5.2.1 多项logistics回归50-54
• 5.2.2 二项logistics回归54-57
• 5.3 建立推荐模型57-60
• 5.3.1 大学生网购服装款式——品牌推荐模型57-58
• 5.3.2 大学生网购服装主色调推荐模型58-60
• 5.4 对电子商务个性化推荐发展的建议60-61
• 5.5 本章小结61-62
• 结论62-64
• 参考文献64-69
• 附录 大学生网购服装问卷调查69-74
• 致谢74

，

本文编号：1015163