現(xiàn)如今,網(wǎng)上購(gòu)物已經(jīng)成為了人們?nèi)粘Ｉ畈豢苫蛉钡囊粋�(gè)部分。在網(wǎng)上購(gòu)物的情境下,買家和賣家不再需要進(jìn)行面對(duì)面的交易,這給賣家直觀的掌握顧客的需求和反饋提供了一定的障礙。但在另一方面,網(wǎng)上購(gòu)物為數(shù)據(jù)分析提供了便利。顧客在網(wǎng)上發(fā)生的所有購(gòu)物行為都被計(jì)算機(jī)記錄在案,這使得商家能夠通過這些數(shù)據(jù)分析顧客的行為從而了解消費(fèi)者的需求和偏好,甚至能夠預(yù)測(cè)顧客的購(gòu)買行為。因此本文提出了一種基于用戶聚類和特征選擇的機(jī)器學(xué)習(xí)模型,根據(jù)用戶的人口統(tǒng)計(jì)學(xué)特征對(duì)用戶進(jìn)行聚類,再?gòu)拇罅康念櫩蜌v史消費(fèi)數(shù)據(jù)中學(xué)習(xí)出消費(fèi)者購(gòu)買行為模型,當(dāng)有新的顧客信息數(shù)據(jù)和購(gòu)物行為數(shù)據(jù)輸入時(shí),即可實(shí)現(xiàn)對(duì)顧客的購(gòu)買行為進(jìn)行預(yù)測(cè)。本文首先對(duì)在線購(gòu)買行為的影響因素和關(guān)于購(gòu)買預(yù)測(cè)的研究進(jìn)行了文獻(xiàn)綜述,對(duì)網(wǎng)絡(luò)購(gòu)買行為的特點(diǎn)進(jìn)行了深入分析。同時(shí),本文發(fā)現(xiàn)當(dāng)前以大數(shù)據(jù)分析為基礎(chǔ)的網(wǎng)絡(luò)購(gòu)買行為研究仍處于起步階段,研究的深度和廣度還無法滿足業(yè)界電子商務(wù)發(fā)展所帶來的這方面的訴求。所以本文以阿里巴巴的電子商務(wù)交易作為研究背景,并將阿里巴巴大數(shù)據(jù)競(jìng)賽提供的真實(shí)購(gòu)買行為數(shù)據(jù)以及通過仿真得到的用戶人口統(tǒng)計(jì)學(xué)數(shù)據(jù)作為研究數(shù)據(jù),先對(duì)用戶進(jìn)行聚類,再對(duì)用戶的在線購(gòu)買行為進(jìn)... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 文獻(xiàn)綜述
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)框架
2 基礎(chǔ)算法簡(jiǎn)介
    2.1 機(jī)器學(xué)習(xí)和聚類算法簡(jiǎn)介
    2.2 基于K-means算法的聚類算法概述
    2.3 特征選擇算法簡(jiǎn)介
3 在線購(gòu)買行為預(yù)測(cè)模型的特征構(gòu)造和選擇
    3.1 特征構(gòu)造前的準(zhǔn)備工作
    3.2 特征構(gòu)造
    3.3 基于Extra-trees算法的特征選擇
4 在線購(gòu)買概率預(yù)測(cè)模型的構(gòu)建
    4.1 準(zhǔn)備工作
    4.2 基于邏輯斯特回歸算法的在線購(gòu)買預(yù)測(cè)模型的構(gòu)建
    4.3 模型預(yù)測(cè)結(jié)果
    4.4 對(duì)電商企業(yè)提高用戶轉(zhuǎn)化率的管理建議
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 未來研究展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于人才需求視角下的電子商務(wù)法課程教學(xué)改革研究[J]. 石美,闞淑娟.  教育現(xiàn)代化. 2018(20)
[2]基于機(jī)器學(xué)習(xí)融合算法的網(wǎng)絡(luò)購(gòu)買行為預(yù)測(cè)研究[J]. 祝歆,劉瀟蔓,陳樹廣,李靜,張?zhí)煊?  統(tǒng)計(jì)與信息論壇. 2017(12)
[3]一種基于密度峰值的半監(jiān)督聚類算法[J]. 羅丹,毛先成,鄧浩.  地理與地理信息科學(xué). 2017(02)
[4]基于購(gòu)買行為及評(píng)論行為的用戶購(gòu)買預(yù)測(cè)研究[J]. 李美其,齊佳音.  北京郵電大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2016(04)
[5]一種基于RFM模型的新型協(xié)同過濾個(gè)性化推薦算法[J]. 張寧,范崇睿,張巖.  電信科學(xué). 2015(09)
[6]基于云環(huán)境K-means聚類的并行算法[J]. 高榕,李晶,肖雅夫,祝孫靜,彭衛(wèi)平.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2015(04)
[7]客戶重復(fù)購(gòu)買的組合預(yù)測(cè)方法[J]. 舒方,馬少輝.  計(jì)算機(jī)與現(xiàn)代化. 2015(05)
[8]基于網(wǎng)絡(luò)外部性視角的網(wǎng)絡(luò)消費(fèi)者購(gòu)買決策分析[J]. 譚淑媛,項(xiàng)典典,何江南.  電子商務(wù). 2015(02)
[9]消費(fèi)者網(wǎng)絡(luò)購(gòu)物感知風(fēng)險(xiǎn)概念及測(cè)量模型研究[J]. 葉乃沂,周蝶.  管理工程學(xué)報(bào). 2014(04)
[10]基于支持向量機(jī)的特征選擇算法綜述[J]. 代琨,于宏毅,馬學(xué)剛,李青.  信息工程大學(xué)學(xué)報(bào). 2014(01)

碩士論文
[1]基于聚類的推薦算法研究與應(yīng)用[D]. 李俊.南京郵電大學(xué) 2018
[2]基于特征選擇和模型融合的網(wǎng)絡(luò)購(gòu)買行為預(yù)測(cè)研究[D]. 劉瀟蔓.北京交通大學(xué) 2017
[3]基于SVM的多銀行貸款池風(fēng)險(xiǎn)分析[D]. 楊明.天津科技大學(xué) 2010



本文編號(hào)：3191619