從海量的零售信息中提取有意義的數(shù)據(jù)為企業(yè)營銷創(chuàng)造價值是眾多企業(yè)共同需要解決的問題,然而面對海量數(shù)據(jù)如果僅僅采用傳統(tǒng)的統(tǒng)計方法來分析不僅無法滿足大數(shù)據(jù)環(huán)境下高效處理的要求,而且往往很難得到想要的結(jié)果,同時由于海量數(shù)據(jù)中存在的模糊性與不確定的表達將使得數(shù)據(jù)建模變得更加困難,也就無從開展精準推送營銷,基于此本文從海量的零售數(shù)據(jù)中提取衡量客戶價值的RFM模型指標,通過RFM模型指標提取客戶特征屬性構(gòu)建用戶畫像標簽,對用戶畫像標簽的模糊性與不確定性通過云模型和本體思想來構(gòu)建用戶畫像模型,從而實現(xiàn)面向消費市場的精準推送。具體研究內(nèi)容如下:(1)數(shù)據(jù)預處理:如何從海量的零售信息中提取用戶的共同特征,本文從海量的零售信息數(shù)據(jù)庫中按照分層抽樣的思想隨機抽取具有代表性的樣本數(shù)據(jù),在保證抽樣數(shù)據(jù)符合標準格式要求的前提下,重點研究了在海量數(shù)據(jù)環(huán)境下如何實現(xiàn)最優(yōu)分配以及如何對抽樣性能評估,保證樣本數(shù)據(jù)在一定條件下能夠反映全量數(shù)據(jù)的整體全貌。(2)用戶畫像標簽處理:從抽樣數(shù)據(jù)中提取RFM模型指標,針對抽樣數(shù)據(jù)中該類指標的不確定性與模糊性的特點,本文引入云模型理論和本體技術(shù),通過高斯云發(fā)生器將RFM指標轉(zhuǎn)換為基于云模型的RFM指標(時間間隔云模型、消費頻率云模型、消費金額云模型)來構(gòu)建群體價值畫像標簽體系,通過本體思想對用戶屬性進行表示、解釋和推理來構(gòu)建用戶個體畫像標簽體系。(3)用戶畫像建模:用戶畫像力求借助用戶個性化的標簽來反映用戶信息全貌,標簽的選取直接影響用戶畫像的建模的成功與否,本文基于云模型的RFM指標構(gòu)建用戶價值畫像模型,同時通過用戶個體屬性來構(gòu)建個體用戶畫像模型。為了對云模型領(lǐng)域的用戶畫像聚類分析,本文對傳統(tǒng)的K-Means聚類算法進行改進,設(shè)計了基于云模型的聚類算法。在該算法的基礎(chǔ)上可以根據(jù)具體的業(yè)務(wù)場景得到不同的用戶畫像模型。(4)精準推送階段:通過云模型畫像聚類對客戶群體進行價值分類,建立群體與服務(wù)之間的關(guān)聯(lián),通過本體推理對零售戶建立個體與產(chǎn)品之間的關(guān)聯(lián),實現(xiàn)由服務(wù)(群體)到產(chǎn)品(個體)的二級推薦。
【學位單位】：浙江理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F274;TP311.13
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及研究意義
        1.1.1 研究背景
        1.1.2 研究目的及意義
    1.2 國內(nèi)外研究及發(fā)展現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文框架
第二章 理論基礎(chǔ)和相關(guān)概念
    2.1 云模型理論基礎(chǔ)和相關(guān)概念
        2.1.1 云模型的定義
        2.1.2 云模型相關(guān)概念
    2.2 RFM模型理論基礎(chǔ)和相關(guān)概念
        2.2.1 RFM模型相關(guān)概念
        2.2.2 基于RFM客戶細分應(yīng)用概述
    2.3 本章小結(jié)
第三章 基于海量數(shù)據(jù)的抽樣研究
    3.1 海量數(shù)據(jù)抽樣研究概述
    3.2 海量數(shù)據(jù)背景下的抽樣方法比較
    3.3 基于海量數(shù)據(jù)背景下的分層抽樣設(shè)計
        3.3.1 確定分層標志和界限
        3.3.2 如何確定分層的層數(shù)
        3.3.3 選擇什么樣的樣本分配方法
    3.4 本章小結(jié)
第四章 基于云模型與本體的用戶畫像分析與研究
    4.1 用戶畫像研究概述
        4.1.1 用戶畫像定義
        4.1.2 用戶畫像標簽體系
    4.2 用戶畫像建模分析與研究
        4.2.1 用戶定量畫像
        4.2.2 基于本體的用戶定性畫像
        4.2.3 基于云模型的用戶定性畫像
    4.3 群體用戶畫像分析與研究
        4.3.1 基于RFM模型的用戶價值畫像創(chuàng)建流程
        4.3.2 用戶畫像標簽存儲分析
        4.3.3 云模型聚類分析
    4.4 本章總結(jié)
第五章 零售信息挖掘下的推送模型設(shè)計與案例分析
    5.1 推送模型架構(gòu)分析
    5.2 海量零售信息處理案例分析
        5.2.1 數(shù)據(jù)說明
        5.2.2 抽樣過程
    5.3 用戶畫像建模案例分析
        5.3.1 云模型用戶價值畫像模型構(gòu)建過程
        5.3.2 用戶個體畫像模型構(gòu)建過程
    5.4 云模型畫像聚類與本體推理案例分析
        5.4.1 基于云模型的用戶價值畫像聚類案例分析
        5.4.2 基于本體推理的用戶個體畫像案例分析
    5.5 精準推送模型應(yīng)用分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 不足與展望
參考文獻
致謝
攻讀學位期間的研究成果

【相似文獻】

相關(guān)期刊論文 前10條

1 葉瓊;李紹穩(wěn);張友華;疏興旺;倪冬平;;云模型及應(yīng)用綜述[J];計算機工程與設(shè)計;2011年12期

2 王洪利;;基于云模型的定性運算理論與方法[J];數(shù)學的實踐與認識;2012年18期

3 劉九洲;王景生;王永江;王健;;一種基于多維云模型的武器系統(tǒng)效能評估方法[J];艦船電子對抗;2013年02期

4 李支元;;云模型方法在多屬性店鋪選址系統(tǒng)中的應(yīng)用與研究[J];電腦知識與技術(shù);2013年32期

5 王兆紅;云模型在挖掘射擊類數(shù)據(jù)中的應(yīng)用[J];信息技術(shù)與信息化;2005年02期

6 姜偉;高知新;李本喜;;基于多維云模型的入侵檢測[J];計算機工程;2006年24期

7 郭戎瀟;夏靖波;董淑福;龍門;;一種基于多維云模型的多屬性綜合評價方法[J];計算機科學;2010年11期

8 李眾;高鍵;張日勛;;一維云模型系統(tǒng)的逼近性研究[J];自動化學報;2011年10期

9 韓冰;劉義軍;陳汶濱;成素凡;;基于云模型的指標權(quán)重獲取方法[J];軟件導刊;2012年05期

10 孫勝春;楊文亮;李路;展鋒;;云模型在實驗教學質(zhì)量評估中的應(yīng)用[J];實驗室研究與探索;2012年10期

相關(guān)博士學位論文 前2條

1 周喆;基于云模型的圖像去噪研究及應(yīng)用[D];武漢大學;2014年

2 鄒萬紅;大規(guī)模點云模型幾何造型技術(shù)研究[D];浙江大學;2007年

相關(guān)碩士學位論文 前10條

1 姚龍飛;基于零售信息挖掘下面向消費市場的精準推送模型設(shè)計與研究[D];浙江理工大學;2018年

2 崔曉靜;基于云模型的不確定性理論與實驗研究[D];上海師范大學;2015年

3 郭丹丹;基于云模型的船舶動力定位控制系統(tǒng)設(shè)計[D];江蘇科技大學;2015年

4 王杰;基于區(qū)間云模型的時間序列分析[D];電子科技大學;2014年

5 金璐;云模型在時間序列預測中的應(yīng)用研究[D];電子科技大學;2014年

6 王文浩;基于人工免疫和云模型的入侵檢測技術(shù)研究[D];國防科學技術(shù)大學;2013年

7 林小軍;基于人工蜂群和云模型的仿生智能算法研究與應(yīng)用[D];福州大學;2013年

8 趙佳;基于自適應(yīng)云模型的多模態(tài)醫(yī)學圖像融合方法研究[D];重慶郵電大學;2016年

9 許大亮;云模型在金屬礦產(chǎn)資源定量預測中的應(yīng)用研究[D];安徽理工大學;2016年

10 鄭倩;基于云模型的山區(qū)易混淆樹種多光譜遙感識別及應(yīng)用[D];山東農(nóng)業(yè)大學;2017年

本文編號：2872631