本文選題：大數(shù)據(jù)　切入點：社交網(wǎng)絡(luò)　出處：《蘇州大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

【摘要】：萬事萬物都有聯(lián)系,人們與社交網(wǎng)絡(luò)相互聯(lián)系,與信息,組織,所在地相互聯(lián)系,只對個體進行研究所獲得成果是有限的,所以要對整個系統(tǒng)進行研究,而這個系統(tǒng)就是一個社交網(wǎng)絡(luò)。社交網(wǎng)絡(luò)分析由圖論,數(shù)學(xué)以及社會學(xué)中的社交網(wǎng)絡(luò)理論發(fā)展而來,在最近的這10-15年中,網(wǎng)絡(luò)分析還借助計算機科學(xué),物理學(xué),生物學(xué)和經(jīng)濟學(xué)等不同領(lǐng)域的發(fā)展。與常規(guī)的網(wǎng)絡(luò)數(shù)據(jù)分析相比,基于社交網(wǎng)絡(luò)的數(shù)據(jù)分析,分析對象非常明確,分析的形式多種多樣,分析的方法和內(nèi)容更多。若將常規(guī)的分析方法應(yīng)用到社交網(wǎng)絡(luò)數(shù)據(jù)分析中,我們會發(fā)現(xiàn)分析的結(jié)果達不到我們的預(yù)期效果。就當(dāng)前的數(shù)據(jù)分析方法、數(shù)據(jù)模型和社交網(wǎng)絡(luò)數(shù)據(jù),本文從數(shù)據(jù)的獲取、數(shù)據(jù)的清洗加工、數(shù)據(jù)模型應(yīng)用并在應(yīng)用過程中對模型進行優(yōu)化,形成的數(shù)據(jù)分析結(jié)果如何為管理者進行決策進行了一系列的研究。本文先從斯坦福大學(xué)的Stanford Large Network Dataset Collection中下載Amazon networks數(shù)據(jù),探討了從抓取數(shù)據(jù)、清洗數(shù)據(jù)、預(yù)處理數(shù)據(jù)、探索數(shù)據(jù)、選擇合適的算法、建立相關(guān)模型到最終分析評估的全過程。先用Python對預(yù)處理數(shù)據(jù),導(dǎo)入數(shù)據(jù)庫,并用Clementine 12.0分析其中客戶購買產(chǎn)品后評價的有效性,并評估此評價是否會對其他客戶購買該產(chǎn)品產(chǎn)生影響,采用數(shù)據(jù)挖掘技術(shù)可挖掘出數(shù)據(jù)背后的信息。數(shù)據(jù)挖掘中的聚類分析是將相似度較高的用戶聚成一個類,然后再進行數(shù)據(jù)分析。本文對客戶評價的次數(shù),評價的時間,評價的頻次,評價的得分進行聚類分析,最后對分析過程中運用的兩種聚類方法取得的結(jié)果進行比較,構(gòu)建客戶分級體系。通過分析結(jié)果可對當(dāng)前亞馬遜的購買客戶進行分級維護,對于最有價值客戶需要給予重點關(guān)注,將社交網(wǎng)絡(luò)大數(shù)據(jù)與微營銷結(jié)合起來,提升亞馬遜的銷售業(yè)績和影響力,從原先的單一購物商城模式,發(fā)展成為綜合電商平臺,并培育自己的客戶群。
[Abstract]:Everything is connected, people are connected to social networks, they are connected to information, organizations, locations, and the results of individual research are limited, so we have to study the system as a whole. And this system is a social network. Social network analysis has evolved from graph theory, mathematics, and sociological social network theory, and in the last 10-15 years, network analysis has also relied on computer science, physics. Development in different fields, such as biology and economics. Compared with conventional network data analysis, social network-based data analysis has very clear objects and many forms of analysis. If we apply the conventional analysis method to the social network data analysis, we will find that the results of the analysis are not as good as we expected. For the current data analysis method, the data model and the social network data, In this paper, the data acquisition, data cleaning and processing, data model application and optimization of the model in the application process, The result of data analysis makes a series of researches on how to make decisions for managers. Firstly, this paper downloads Amazon networks data from Stanford Large Network Dataset Collection of Stanford University, discusses how to capture data, clean data, preprocess data and explore data. Select the appropriate algorithm, establish the relevant model to the whole process of final analysis and evaluation. First, use Python to pre-process the data, import the database, and use Clementine 12.0 to analyze the validity of the evaluation after the customer buys the product. And evaluate whether this evaluation will affect other customers to buy the product, the data mining technology can be used to mine the information behind the data. The clustering analysis in data mining is to cluster the users with high similarity into a class. Then the data are analyzed. The paper makes cluster analysis on the frequency, time, frequency and score of customer evaluation. Finally, it compares the results obtained by the two clustering methods used in the process of analysis. Build a customer rating system. Through the analysis of the results of the current Amazon customers can be graded maintenance, for the most valuable customers need to give priority attention, the social network big data and micro-marketing combined, To boost Amazon's sales and influence from the original single shopping mall model to an integrated ecommerce platform and to nurture its own customer base.
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP311.13

【相似文獻】

相關(guān)期刊論文 前10條

1 香麗蕓;淺談數(shù)據(jù)挖掘及其應(yīng)用[J];昌吉師專學(xué)報;2001年02期

2 鄭雪燕,張杰明,岳洋;數(shù)據(jù)挖掘語言[J];計算機時代;2001年11期

3 劉明晶;數(shù)據(jù)挖掘[J];華南金融電腦;2001年04期

4 張偉;劉勇國;彭軍;廖曉峰;吳中福;;數(shù)據(jù)挖掘發(fā)展研究[J];計算機科學(xué);2001年07期

5 鐘曉;馬少平;張鈸;俞瑞釗;;數(shù)據(jù)挖掘綜述[J];模式識別與人工智能;2001年01期

6 朱建平,張潤楚;數(shù)據(jù)挖掘的發(fā)展及其特點[J];統(tǒng)計與決策;2002年07期

7 傅嵐;在數(shù)據(jù)海洋中打撈信息數(shù)據(jù)挖掘[J];科技廣場;2002年11期

8 李峻;數(shù)據(jù)挖掘,企業(yè)洞察先機的“慧眼”[J];中國計算機用戶;2002年48期

9 羅可,蔡碧野,卜勝賢,謝中科;數(shù)據(jù)挖掘及其發(fā)展研究[J];計算機工程與應(yīng)用;2002年14期

10 ;2002數(shù)據(jù)挖掘研討班[J];計算機工程;2002年06期

相關(guān)會議論文 前10條

1 史東輝;蔡慶生;張春陽;;一種新的數(shù)據(jù)挖掘多策略方法研究[A];第十七屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2000年

2 張弦;;數(shù)據(jù)挖掘在農(nóng)業(yè)中的應(yīng)用[A];紀念中國農(nóng)業(yè)工程學(xué)會成立30周年暨中國農(nóng)業(yè)工程學(xué)會2009年學(xué)術(shù)年會（CSAE 2009）論文集[C];2009年

3 魏順平;;教育數(shù)據(jù)挖掘:現(xiàn)狀與趨勢[A];信息化、工業(yè)化融合與服務(wù)創(chuàng)新——第十三屆計算機模擬與信息技術(shù)學(xué)術(shù)會議論文集[C];2011年

4 關(guān)清平;沉培輝;;概率網(wǎng)絡(luò)在數(shù)據(jù)挖掘上的應(yīng)用[A];科技、工程與經(jīng)濟社會協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學(xué)術(shù)年會論文集[C];2004年

5 丁瑾;;基于Web數(shù)據(jù)挖掘的綜述[A];山西省科學(xué)技術(shù)情報學(xué)會學(xué)術(shù)年會論文集[C];2004年

6 聶茹;田森平;;Web數(shù)據(jù)挖掘及其在電子商務(wù)中的應(yīng)用[A];中南六�。▍^(qū)）自動化學(xué)會第24屆學(xué)術(shù)年會會議論文集[C];2006年

7 李菊;王軍;;數(shù)據(jù)挖掘在客戶關(guān)系管理的應(yīng)用[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

8 肖陽;李啟賢;;數(shù)據(jù)挖掘在中國鋼鐵行業(yè)中的應(yīng)用[A];中國計量協(xié)會冶金分會2012年會暨能源計量與節(jié)能降耗經(jīng)驗交流會論文集[C];2012年

9 楊磊;王貴成;汪勇;張占勝;;SQL Server 2005在數(shù)據(jù)挖掘中的應(yīng)用[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

10 謝中;邱玉輝;;面向商務(wù)網(wǎng)站有效性的數(shù)據(jù)挖掘方法[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2001年

相關(guān)重要報紙文章 前10條

1 本報記者褚寧;數(shù)據(jù)挖掘如“挖金”[N];解放日報;2002年

2 周蓉蓉;數(shù)據(jù)挖掘需要點想像力[N];計算機世界;2004年

3 □中國電信股份有限公司北京研究院 張舒博 □北京郵電大學(xué)計算機科學(xué)與技術(shù)學(xué)院 牛琨;走出數(shù)據(jù)挖掘的誤區(qū)[N];人民郵電;2006年

4 《網(wǎng)絡(luò)世界》記者 王瑩;數(shù)據(jù)挖掘保險業(yè)的新藍海[N];網(wǎng)絡(luò)世界;2012年

5 劉俊麗;基于地理化的網(wǎng)絡(luò)數(shù)據(jù)挖掘與分析提升投資有效性[N];人民郵電;2014年

6 本報記者 連曉東;數(shù)據(jù)挖掘：金融信息化新熱點[N];中國電子報;2002年

7 本報記者 鳳小華 朱仁康;“數(shù)字挖掘軟件”引領(lǐng)中國信息化新浪潮[N];中國電子報;2003年

8 本報記者　史延廷;“成功企業(yè)數(shù)據(jù)挖掘暨數(shù)量化管理論壇”在京舉辦[N];中國旅游報;2002年

9 朱小寧;數(shù)據(jù)挖掘：信息化戰(zhàn)爭的基礎(chǔ)工程[N];解放軍報;2005年

10 本報記者 王小平;從“大集中”走向數(shù)據(jù)挖掘[N];金融時報;2002年

相關(guān)博士學(xué)位論文 前10條

1 于自強;海量流數(shù)據(jù)挖掘相關(guān)問題研究[D];山東大學(xué);2015年

2 張馨;全基因組SNP芯片應(yīng)用于CNV和L0H分析的軟件比對與數(shù)據(jù)挖掘[D];復(fù)旦大學(xué);2011年

3 彭計紅;基于數(shù)據(jù)挖掘的癡呆中醫(yī)證的研究[D];南京中醫(yī)藥大學(xué);2015年

4 李秋虹;基于MapReduce的大規(guī)模數(shù)據(jù)挖掘技術(shù)研究[D];復(fù)旦大學(xué);2013年

5 鄔文帥;基于多目標決策的數(shù)據(jù)挖掘方法評估與應(yīng)用[D];電子科技大學(xué);2015年

6 謝邦彥;整合數(shù)據(jù)挖掘與TRIZ理論的質(zhì)量管理方法研究[D];首都經(jīng)濟貿(mào)易大學(xué);2010年

7 李榮;生物信息數(shù)據(jù)挖掘若干關(guān)鍵問題研究與應(yīng)用[D];復(fù)旦大學(xué);2004年

8 李玉華;面向服務(wù)的數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2006年

9 吳少智;時間序列數(shù)據(jù)挖掘在生物醫(yī)學(xué)中的應(yīng)用研究[D];電子科技大學(xué);2010年

10 王珊珊;知識指導(dǎo)下的數(shù)據(jù)挖掘在新聞和金融工具之間因果關(guān)系上的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 林仁紅;基于數(shù)據(jù)挖掘的機遇識別與評價研究[D];首都經(jīng)濟貿(mào)易大學(xué);2007年

2 張彥俊;游戲運營中的數(shù)據(jù)挖掘[D];復(fù)旦大學(xué);2011年

3 焦亞召;基于多核函數(shù)FCM算法在數(shù)據(jù)挖掘聚類中的應(yīng)用研究[D];昆明理工大學(xué);2015年

4 王杰鋒;物聯(lián)網(wǎng)能耗數(shù)據(jù)智能分析及其應(yīng)用平臺設(shè)計[D];江南大學(xué);2015年

5 劉學(xué)建;數(shù)據(jù)挖掘在電子商務(wù)推薦系統(tǒng)中的應(yīng)用研究[D];昆明理工大學(xué);2015年

6 戴陽陽;基于數(shù)據(jù)挖掘的金融時間序列預(yù)測研究與應(yīng)用[D];江南大學(xué);2015年

7 石思優(yōu);基于主題模型的醫(yī)療數(shù)據(jù)挖掘研究[D];廣東技術(shù)師范學(xué)院;2015年

8 陳丹;移動互聯(lián)網(wǎng)信令挖掘?qū)崿F(xiàn)智慧營銷的設(shè)計與實現(xiàn)應(yīng)用研究[D];華南理工大學(xué);2015年

9 陳思;基于數(shù)據(jù)挖掘的大學(xué)生客戶識別模型的研究[D];昆明理工大學(xué);2015年

10 位長帥;基于客戶數(shù)據(jù)挖掘的電信客戶關(guān)系管理研究[D];西南交通大學(xué);2015年

，

本文編號：1581123