电商平台的用户消费行为分析预测模型
发布时间：2021-01-30 16:06
信息技术的飞速发展,我们已经进入了网络大数据时代,年轻人的网购已经成为了一种时尚,电子商务平台已聚集了大量消费者的购买数据。很多的电子商务平台利用Hadoop及Spark等大数据和云计算技术[1],从高维海量的数据中提取有用的信息,对在线用户消费行为进行分析建模,预测消费者的需求。其主要用途在于三个方面。一方面用于商品的展现、个性化推荐和精准地投放广告;另一方面用于通过商品价格、销售量、商品评价等影响用户购买决策;最后用于支持国家、地区和企业基于数据的决策,根据购买数据的分析结果了解消费者的消费行为,及时调整产业结构,使得经济协调、稳定、持续的发展,造福于社会[2]。本文针对当前电商平台面临的用户消费行为预测准确率问题,将数据挖掘技术引用到用户消费行为分析预测中,对现有的数据挖掘算法进行筛选和组合,构建一种适合于利用网络数据对用户消费行为进行分析与预测的算法。为确保论文具有实际应用价值,本文的数据来源于淘宝网的消费数据。但由于从网上获取的数据常常存在缺失值、异常数据和量纲不一致等特点,所以本文首先对原始数据进行预处理。为避免数据维度过高,本文...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：44 页
【学位级别】：硕士
【部分图文】：
主成分几何解释图
到训练数据集中，循环反复直至形成正确的决策集，事实集的树形结构即为决策树[33]。点、分支和叶子构成决策树模型[34]。在实际应用中，我们实现分类与预测，决策节点表示待分类实例的特征，每一取值，每一叶子表示最终分类[34]。T 树回归树（Classification and Regression Tree，CART）算法的决策树算法，它既可以用于解决分类问题，也可以用于文未使用回归树模型，因此仅阐述 CART 算法中分类树的 树的假设前提是决策树必定为二叉树，内部节点的特征值种。所以若某个特征的类别的所有可能取值不止 2 个，则个分支节点的类别取值不止为一个类别。CART 树的示意
5.1.2 异常数据处理为观察数据的分布，首先作每日用户行为的条形图。图 5.1 表示商品每日的点击量，可以发现点击量最大的时间是在 2015 年 9 月 9 日，在这一天的总点击量为 503980 次。图 5.1 商品每日的点击量Fig5.1 The Number of Daily Clicks图 5.2 给出了商品每日被用户购买的条形图，商品每日被用户购买的数量明显少于商品每日被用户点击的数量。从图中可以发现购买量最大的时间是在 2015年 9 月 9 日，在这一天的总购买量为 133488 次。
【参考文献】：
期刊论文
[1]基于MI聚类的个性化推荐算法研究[J]. 张强,龙华,高杰,周芝民,邵玉斌. 信息技术. 2017(10)
[2]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏. 计算机研究与发展. 2017(08)
[3]基于时间衰减的协同过滤推荐算法[J]. 董立岩,王越群,贺嘉楠,孙铭会,李永丽. 吉林大学学报(工学版). 2017(04)
[4]融合用户相似度与信任度的协同过滤推荐算法[J]. 蒋宗礼,李慧. 软件导刊. 2017(06)
[5]基于用户历史行为的协同过滤推荐算法[J]. 王志虎,黄曼莹. 微电子学与计算机. 2017(05)
[6]融合社交网络特征的协同过滤推荐算法[J]. 郭宁宁,王宝亮,侯永宏,常鹏. 计算机科学与探索. 2018(02)
[7]基于主成分分析法的企业财务风险预警分析[J]. 高惠芬,刘涛,邱凎俤,王佳伟,蔡俊煌. 经贸实践. 2017(06)
[8]利用大数据技术在电子商务中对客户忠诚度分析[J]. 张晓诺. 中国科技信息. 2015(Z3)
[9]基于模糊朴素贝叶斯方法的客户消费行为预测研究[J]. 杨琼,唐振平,陈建华,蒋建军,韦海峰. 湖南科技学院学报. 2013(12)
[10]基于PLS路径模型的顾客满意度测评研究[J]. 赵富强,张磊,陈钒. 北京理工大学学报(社会科学版). 2010(04)
硕士论文
[1]基于文本分类技术的垃圾邮件过滤研究[D]. 张小花.安徽大学 2017
[2]个性化推荐系统中的推荐算法研究[D]. 郭冬萌.北京交通大学 2017
[3]数据挖掘在电商客户行为忠诚度预测研究中的应用[D]. 吴翔宇.兰州财经大学 2016
[4]基于梯度提升回归算法的O2O推荐模型研究[D]. 邓仙荣.安徽理工大学 2016
[5]基于社会网络的短期重复购买产品的促销策略研究[D]. 王灏文.西南交通大学 2016
[6]基于大规模电商数据的用户消费行为分析方法研究[D]. 顾海斌.吉林大学 2016
[7]数据挖掘技术在高校教师科研管理中的应用研究[D]. 丁磊.大连海事大学 2016
[8]基于感知价值的社会化商务用户行为研究[D]. 王力平.山东财经大学 2015
[9]基于用户行为分析的电子商务网站运营策略研究[D]. 苏宇.北京邮电大学 2014
[10]基于协同过滤算法的推荐系统框架设计与实现[D]. 迟轩.上海交通大学 2013
本文编号：3009190
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：44 页
【学位级别】：硕士
【部分图文】：
主成分几何解释图
到训练数据集中，循环反复直至形成正确的决策集，事实集的树形结构即为决策树[33]。点、分支和叶子构成决策树模型[34]。在实际应用中，我们实现分类与预测，决策节点表示待分类实例的特征，每一取值，每一叶子表示最终分类[34]。T 树回归树（Classification and Regression Tree，CART）算法的决策树算法，它既可以用于解决分类问题，也可以用于文未使用回归树模型，因此仅阐述 CART 算法中分类树的 树的假设前提是决策树必定为二叉树，内部节点的特征值种。所以若某个特征的类别的所有可能取值不止 2 个，则个分支节点的类别取值不止为一个类别。CART 树的示意
5.1.2 异常数据处理为观察数据的分布，首先作每日用户行为的条形图。图 5.1 表示商品每日的点击量，可以发现点击量最大的时间是在 2015 年 9 月 9 日，在这一天的总点击量为 503980 次。图 5.1 商品每日的点击量Fig5.1 The Number of Daily Clicks图 5.2 给出了商品每日被用户购买的条形图，商品每日被用户购买的数量明显少于商品每日被用户点击的数量。从图中可以发现购买量最大的时间是在 2015年 9 月 9 日，在这一天的总购买量为 133488 次。
【参考文献】：
期刊论文
[1]基于MI聚类的个性化推荐算法研究[J]. 张强,龙华,高杰,周芝民,邵玉斌. 信息技术. 2017(10)
[2]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏. 计算机研究与发展. 2017(08)
[3]基于时间衰减的协同过滤推荐算法[J]. 董立岩,王越群,贺嘉楠,孙铭会,李永丽. 吉林大学学报(工学版). 2017(04)
[4]融合用户相似度与信任度的协同过滤推荐算法[J]. 蒋宗礼,李慧. 软件导刊. 2017(06)
[5]基于用户历史行为的协同过滤推荐算法[J]. 王志虎,黄曼莹. 微电子学与计算机. 2017(05)
[6]融合社交网络特征的协同过滤推荐算法[J]. 郭宁宁,王宝亮,侯永宏,常鹏. 计算机科学与探索. 2018(02)
[7]基于主成分分析法的企业财务风险预警分析[J]. 高惠芬,刘涛,邱凎俤,王佳伟,蔡俊煌. 经贸实践. 2017(06)
[8]利用大数据技术在电子商务中对客户忠诚度分析[J]. 张晓诺. 中国科技信息. 2015(Z3)
[9]基于模糊朴素贝叶斯方法的客户消费行为预测研究[J]. 杨琼,唐振平,陈建华,蒋建军,韦海峰. 湖南科技学院学报. 2013(12)
[10]基于PLS路径模型的顾客满意度测评研究[J]. 赵富强,张磊,陈钒. 北京理工大学学报(社会科学版). 2010(04)
硕士论文
[1]基于文本分类技术的垃圾邮件过滤研究[D]. 张小花.安徽大学 2017
[2]个性化推荐系统中的推荐算法研究[D]. 郭冬萌.北京交通大学 2017
[3]数据挖掘在电商客户行为忠诚度预测研究中的应用[D]. 吴翔宇.兰州财经大学 2016
[4]基于梯度提升回归算法的O2O推荐模型研究[D]. 邓仙荣.安徽理工大学 2016
[5]基于社会网络的短期重复购买产品的促销策略研究[D]. 王灏文.西南交通大学 2016
[6]基于大规模电商数据的用户消费行为分析方法研究[D]. 顾海斌.吉林大学 2016
[7]数据挖掘技术在高校教师科研管理中的应用研究[D]. 丁磊.大连海事大学 2016
[8]基于感知价值的社会化商务用户行为研究[D]. 王力平.山东财经大学 2015
[9]基于用户行为分析的电子商务网站运营策略研究[D]. 苏宇.北京邮电大学 2014
[10]基于协同过滤算法的推荐系统框架设计与实现[D]. 迟轩.上海交通大学 2013
本文编号：3009190
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3009190.html
