隨著時代的進步和發(fā)展,數(shù)據(jù)對我們來說越來越重要。大數(shù)據(jù)的到來創(chuàng)新了計算機和其他行業(yè)的技術(shù),將我們帶入了大數(shù)據(jù)的時代。由于電商的發(fā)展迅速,現(xiàn)在很多的電商平臺也使用了大數(shù)據(jù)技術(shù)或者是云計算來進行數(shù)據(jù)管理^[1]。當(dāng)下使用最多的大數(shù)據(jù)框架有Hadoop和Spark,通過從電商平臺獲得到的用戶行為數(shù)據(jù)進行分析,從而猜測和推薦用戶的喜好商品,滿足用戶的需求。因此了解用戶的行為,是電商行業(yè)發(fā)展的必要條件。本文是基于大數(shù)據(jù)角度來進行分析的,數(shù)據(jù)是通過相關(guān)平臺的運營商提供的真實的數(shù)據(jù),把這些得到的數(shù)據(jù)進行處理、挖掘以及分析并且得到相對應(yīng)的結(jié)果。通過分析用戶的行為,運用均值聚類算法、樸素貝葉斯方法、決策樹算法等方法的結(jié)合將這些數(shù)據(jù)進行整合分類,電商平臺根據(jù)這些分類的數(shù)據(jù)預(yù)測出用戶喜愛偏好的商品,可以更加有針對性的為用戶提供相應(yīng)的商品,節(jié)省彼此的時間。本論文主要研究工作如下:（1）本文從電商用戶行為數(shù)據(jù)的預(yù)處理,用戶行為特征數(shù)據(jù)挖掘和用戶行為分析三個方面入手,對用戶數(shù)據(jù)進行分類,通過分類來分別對數(shù)據(jù)進行分析,得到結(jié)果。（2）處理數(shù)據(jù)的過程中會有一些冗余的數(shù)據(jù),首先要去除分離這些數(shù)據(jù),以... 

【文章來源】：沈陽師范大學(xué)遼寧省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第1章 引言
    1.1 課題研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 課題研究目的及意義
        1.3.1 研究目的
        1.3.2 研究意義
    1.4 課題研究主要內(nèi)容及創(chuàng)新點
        1.4.1 研究主要內(nèi)容
        1.4.2 論文創(chuàng)新點
第2章 大數(shù)據(jù)分析工具的介紹
    2.1 分布式系統(tǒng)
        2.1.1 分布式與集中式
        2.1.2 分布式與計算機網(wǎng)絡(luò)
        2.1.3 分布式系統(tǒng)層次結(jié)構(gòu)
        2.1.4 分布式系統(tǒng)分類
    2.2 Hadoop
    2.3 Spark
    2.4 Hadoop與 Spark的對比
    2.5 本章小結(jié)
第3章 電商用戶行為數(shù)據(jù)的來源分析
    3.1 用戶行為分析的目的
    3.2 用戶的類型分析
        3.2.1 用戶行為分類
        3.2.2 新增用戶和總用戶分析
        3.2.3 活躍用戶分析
    3.3 電商平臺數(shù)據(jù)分析
        3.3.1 訂單分析
        3.3.2 事件分析
        3.3.3 會話分析
    3.4 網(wǎng)絡(luò)數(shù)據(jù)分析
        3.4.1 瀏覽器PV分析
        3.4.2 地域信息分析
        3.4.3 外鏈信息分析
    3.5 本章小結(jié)
第4章 涉及的算法以及分析過程的研究
    4.1 聚類分析算法
    4.2 K-means聚類算法
    4.3 決策樹算法
    4.4 樸素貝葉斯方法
    4.5 電商用戶行為數(shù)據(jù)的分析過程
        4.5.1 數(shù)據(jù)的預(yù)處理階段
        4.5.2 數(shù)據(jù)挖掘階段
        4.5.3 數(shù)據(jù)分析階段
    4.6 本章小結(jié)
第5章 用戶行為數(shù)據(jù)分析結(jié)果的研究與評估
    5.1 Spark的環(huán)境搭建
        5.1.1 安裝Spark
        5.1.2 Spark SQL
        5.1.3 Spark整合hive
    5.2 用戶行為數(shù)據(jù)的獲取
    5.3 聚類算法與決策樹算法分類數(shù)據(jù)
        5.3.1 聚類算法對數(shù)據(jù)初步分類
        5.3.2 決策樹算法對數(shù)據(jù)細(xì)化分類
    5.4 用戶行為數(shù)據(jù)的特征加權(quán)分析結(jié)果與評估
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
個人簡歷


【參考文獻(xiàn)】：
期刊論文
[1]基于用戶行為數(shù)據(jù)分析的個性化推薦算法分析[J]. 皇甫漢聰,肖招娣.  電子設(shè)計工程. 2019(07)
[2]基于機器學(xué)習(xí)及電商數(shù)據(jù)預(yù)測用戶行為[J]. 周志遠(yuǎn).  通訊世界. 2019(03)
[3]Spark平臺下關(guān)聯(lián)規(guī)則算法的優(yōu)化實現(xiàn)[J]. 梁璦云,袁丁,嚴(yán)清,劉小久.  計算機工程與設(shè)計. 2018(12)
[4]一種Spark下分布式DBN并行加速策略[J]. 黃震,錢育蓉,于炯,英昌甜,趙京霞.  微電子學(xué)與計算機. 2018(11)
[5]基于XGBoost算法的用戶行為預(yù)測與風(fēng)險分析[J]. 邱耀,楊國為.  工業(yè)控制計算機. 2018(09)
[6]基于Apache Spark的大數(shù)據(jù)分析引擎應(yīng)用研究[J]. 王軍.  電子測試. 2018(16)
[7]基于Spark的移動用戶行為軌跡大數(shù)據(jù)分析[J]. 張嘉誠,張曉濱.  西安工程大學(xué)學(xué)報. 2018(03)
[8]基于Pyspark平臺的協(xié)同過濾推薦算法應(yīng)用與實現(xiàn)[J]. 許文英,向強.  西南民族大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[9]基于Spark的蟻群算法在物流配送路徑優(yōu)化問題中的應(yīng)用研究[J]. 郭寶恩.  信息與電腦(理論版). 2018(03)
[10]基于RDD關(guān)鍵度的Spark檢查點管理策略[J]. 英昌甜,于炯,卞琛,王維慶,魯亮,錢育蓉.  計算機研究與發(fā)展. 2017(12)

博士論文
[1]基于MapReduce大數(shù)據(jù)并行處理的若干關(guān)鍵技術(shù)研究[D]. 張濱.東華大學(xué) 2017
[2]面向農(nóng)業(yè)領(lǐng)域的大數(shù)據(jù)關(guān)鍵技術(shù)研究[D]. 郭雷風(fēng).中國農(nóng)業(yè)科學(xué)院 2016

碩士論文
[1]基于Spark分布式的關(guān)聯(lián)挖掘優(yōu)化研究與綜治決策應(yīng)用[D]. 黃祖邦.東華理工大學(xué) 2019
[2]基于考試成績得分的知識點關(guān)聯(lián)關(guān)系分析研究[D]. 吳雅鋒.華中科技大學(xué) 2019
[3]基于Spark增量聚類的投資組合推薦系統(tǒng)的研究與實現(xiàn)[D]. 趙瑞珠.黑龍江大學(xué) 2019
[4]基于異構(gòu)Spark集群的分區(qū)動態(tài)負(fù)載調(diào)度算法研究[D]. 朱迅.電子科技大學(xué) 2019
[5]基于電商平臺的大數(shù)據(jù)技術(shù)設(shè)計與研究[D]. 丁一.武漢工程大學(xué) 2018
[6]大數(shù)據(jù)下的用戶金融肖像模型及其反饋演化機制研究[D]. 朱建楠.蘭州交通大學(xué) 2018
[7]基于Spark的三支決策聚類集成方法研究[D]. 陳云.重慶郵電大學(xué) 2018
[8]基于聚類分析和決策樹算法的案件分析挖掘[D]. 王健豪.江蘇科技大學(xué) 2018
[9]基于Web日志的用戶行為大數(shù)據(jù)分析[D]. 宋芷萱.沈陽師范大學(xué) 2018
[10]大數(shù)據(jù)視角下的相關(guān)性思維研究[D]. 張明成.太原科技大學(xué) 2018



本文編號：3627881