本文選題：用戶瀏覽行為 + 數(shù)據(jù)挖掘��； 參考：《西安理工大學(xué)》2016年碩士論文

【摘要】：隨著我國(guó)科技的發(fā)展和人們生活節(jié)奏的加快,網(wǎng)絡(luò)購(gòu)物以其在時(shí)間、地域及商品的多樣選擇等方面占有的優(yōu)勢(shì)而受到眾多網(wǎng)民的青睞。我國(guó)的網(wǎng)絡(luò)購(gòu)物市場(chǎng)規(guī)模的擴(kuò)大和網(wǎng)上購(gòu)物者數(shù)量的激增促使電子商務(wù)平臺(tái)產(chǎn)生大量的電子商務(wù)瀏覽和銷售數(shù)據(jù)。面對(duì)紛繁復(fù)雜的瀏覽和銷售數(shù)據(jù),商家需要進(jìn)行深入的分析和理解數(shù)據(jù)并從中挖掘出用戶潛在的需求,從而制定出各種銷售策略以滿足用戶的需求,進(jìn)而為電子商務(wù)平臺(tái)贏得更多的顧客。為此,本文將從電子商務(wù)用戶的瀏覽和購(gòu)買行為數(shù)據(jù)著手,利用統(tǒng)計(jì)分析和數(shù)據(jù)挖掘的方法對(duì)用戶的行為數(shù)據(jù)進(jìn)行分析和研究。已有的研究表明,用戶的在線瀏覽軌跡與在線購(gòu)買行為之間存在著較強(qiáng)的相關(guān)聯(lián)特性。因此通過(guò)數(shù)據(jù)挖掘的方法對(duì)搜集到的用戶行為軌跡數(shù)據(jù)進(jìn)行分析和研究,可以從中挖掘出用戶傾向購(gòu)買的商品,即是用戶感興趣的商品,從而可以很好的了解用戶的需求。本文主要工作如下:(1)本文將用戶的購(gòu)買行為歸結(jié)為一種用戶瀏覽行為累積之后的行為。本文首先對(duì)搜集到的大量用戶行為軌跡數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,結(jié)合分析結(jié)果采用一種基于商品信息素的挖掘算法,該算法思想來(lái)自于蟻群算法中信息素的思想,這里商品信息素的值代表用戶對(duì)商品的感興趣程度。(2)本文在以往研究的基礎(chǔ)上對(duì)商品信息素的求解算法進(jìn)行了改進(jìn),因?yàn)橐酝谇蠼馍唐沸畔⑺貢r(shí)沒有考慮到商品所對(duì)應(yīng)的瀏覽、收藏、放入購(gòu)物車、購(gòu)買這幾種不同的用戶行為,用戶行為的不同代表著用戶對(duì)商品感興趣程度的不同,所以在求商品信息素時(shí)不能視為一樣,應(yīng)區(qū)別對(duì)待。又由于興趣會(huì)隨著時(shí)間的增加而逐漸衰減,在信息素的求解上加入了衰減因子,使得一些已經(jīng)不流行的商品不至于一直擁有很高的商品信息素,形成良好的新舊交替的情況。(3)最后是實(shí)驗(yàn)部分,通過(guò)實(shí)驗(yàn)來(lái)對(duì)比本文改進(jìn)的方法在用戶行為數(shù)據(jù)分析上的優(yōu)勢(shì),結(jié)果顯示改進(jìn)后的實(shí)驗(yàn)效果明顯好于未改進(jìn)之前的實(shí)驗(yàn)效果,同時(shí)又使得數(shù)據(jù)得到最大化利用。
[Abstract]:With the development of science and technology in our country and the quickening of people's life rhythm, online shopping is favored by many netizens because of its advantages in time, region and various choice of commodities. The expansion of China's online shopping market and the rapid increase in the number of online shoppers make e-commerce platform produce a large number of e-commerce browsing and sales data. In the face of complicated browsing and sales data, merchants need to deeply analyze and understand the data and dig out the potential needs of users, so as to formulate a variety of sales strategies to meet the needs of users. And then win more customers for the e-commerce platform. Therefore, this paper starts with the browsing and purchasing behavior data of e-commerce users, and makes use of the methods of statistical analysis and data mining to analyze and study the behavior data of users. Previous studies have shown that there is a strong correlation between online browsing trajectory and online purchasing behavior. Therefore through the data mining method to collect the user behavior track data to carry on the analysis and the research may excavate the product which the user tends to buy namely is the user is interested in the commodity thus can understand the user's demand very well. The main work of this paper is as follows: (1) in this paper, the user's purchase behavior is reduced to a behavior after the user's browsing behavior accumulates. In this paper, a large number of user behavior trajectory data collected from the statistical analysis, combined with the results of the analysis using a commodity pheromone mining algorithm, the idea of the algorithm is derived from the ant colony algorithm pheromone idea. Here, the value of commodity pheromone represents the degree of interest of the user to the commodity.) in this paper, we improve the algorithm of solving commodity pheromone based on the previous research. Because in the past, when calculating commodity pheromones, they did not take into account the corresponding browsing, collecting, putting in shopping carts, buying these different user behaviors, the different user behavior represents the different degree of interest of the user in the goods. So in seeking commodity pheromone can not be regarded as the same, should be treated differently. And because interest gradually attenuates over time, a decay factor is added to the solution of pheromones, so that some commodities that are no longer popular do not always have very high commodity pheromones. Finally, the experiment part is to compare the advantages of the improved method in the analysis of user behavior data. The results show that the experimental effect of the improved method is obviously better than that of the experiment before the improvement. At the same time, it maximizes the use of data.
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F724.6;F713.55;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高屹;萬(wàn)仁輝;沈亮;隋延峰;;基于上網(wǎng)日志挖掘的用戶網(wǎng)購(gòu)行為分析[J];互聯(lián)網(wǎng)天地;2015年10期

2 許可;;以網(wǎng)購(gòu)為例的用戶行為分析[J];佳木斯職業(yè)學(xué)院學(xué)報(bào);2015年08期

3 三川;;CNNIC發(fā)布第35次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[J];中國(guó)遠(yuǎn)程教育;2015年02期

4 林雪云;;用戶行為軌跡研究[J];重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

5 楊曉;劉才銘;于軍偉;余莎;;互聯(lián)網(wǎng)用戶行為分析系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2014年20期

6 侯海桂;;關(guān)于統(tǒng)計(jì)分析內(nèi)容分類以及相關(guān)SPSS分析方法使用的探討[J];經(jīng)濟(jì)師;2014年05期

7 李莉;;基于Logistic分析的上市公司財(cái)務(wù)預(yù)警研究[J];生產(chǎn)力研究;2014年01期

8 欒汝朋;張倩;張峻峰;于峰;劉新;;一種適用于Web日志挖掘的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法[J];計(jì)算機(jī)應(yīng)用與軟件;2013年01期

9 宋曉宇;鄭妍;常春光;;基于變精度粗糙集的應(yīng)急調(diào)度模型[J];信息與控制;2011年06期

10 方奇;劉奕群;張敏;茹立云;馬少平;;基于瀏覽器收藏夾的用戶行為研究[J];中文信息學(xué)報(bào);2011年05期

相關(guān)博士學(xué)位論文 前1條

1 高尚;蟻群算法理論、應(yīng)用及其與其它算法的混合[D];南京理工大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 陳艷君;面向海量軌跡數(shù)據(jù)的聚類算法研究[D];北京交通大學(xué);2015年

2 蘇宇;基于用戶行為分析的電子商務(wù)網(wǎng)站運(yùn)營(yíng)策略研究[D];北京郵電大學(xué);2014年

3 梁紫藤;基于層次分析法的在線購(gòu)物網(wǎng)站用戶行為分析[D];北京工業(yè)大學(xué);2014年

4 熊雨然;基于用戶行為軌跡的推薦算法[D];電子科技大學(xué);2013年

5 張盼;網(wǎng)購(gòu)用戶在線行為分析[D];西南財(cái)經(jīng)大學(xué);2012年

6 文燦;數(shù)據(jù)挖掘在電子商務(wù)銷售數(shù)據(jù)中的分析和應(yīng)用[D];青島理工大學(xué);2011年

7 王義;基于用戶行為的電子商務(wù)推薦系統(tǒng)的設(shè)計(jì)與研究[D];山西財(cái)經(jīng)大學(xué);2010年

8 王霞;基于WEB瀏覽的用戶行為分析系統(tǒng)的研究與設(shè)計(jì)[D];北京郵電大學(xué);2010年

9 趙永梅;基于用戶瀏覽路徑的協(xié)同過(guò)濾推薦技術(shù)研究[D];西安建筑科技大學(xué);2008年

10 劉健華;基于多Agent的網(wǎng)絡(luò)服務(wù)組織技術(shù)研究[D];湖南大學(xué);2008年

，

本文編號(hào)：1841129