在“互聯(lián)網(wǎng)+”大數(shù)據(jù)時代下,零售相關(guān)數(shù)據(jù)量累積到30T以上,在整個零售營銷過程中,如何挖掘數(shù)據(jù)的潛在價值,占據(jù)著重要地位。因此,針對全國800多萬零售戶,本文抽樣采集零售戶的零售動銷數(shù)據(jù)和其他相關(guān)信息,對數(shù)據(jù)進行存儲、加工、處理和挖掘。在此基礎(chǔ)上,構(gòu)建多層次多維度用戶畫像模型,利用改進的FCM算法對用戶畫像進行聚類分析,結(jié)合改進的推薦算法,設(shè)計并實現(xiàn)零售信息個性化推薦系統(tǒng),將本文提出的理論和技術(shù)應(yīng)用在系統(tǒng)中,實現(xiàn)對零售信息的個性化推薦。具體研究內(nèi)容如下:1)終端信息采集系統(tǒng)進行數(shù)據(jù)的采集。針對全國800多萬零售戶分布廣、雜亂等問題,通過現(xiàn)場走訪的方式采集零售戶的零售動銷數(shù)據(jù),對巡點計劃進行改進;針對數(shù)據(jù)采集區(qū)域出現(xiàn)重復(fù)采集的問題,在系統(tǒng)中引入百度API定位進行采集優(yōu)化,提高采集效率和采集數(shù)據(jù)的質(zhì)量。2)多途徑市場感知信息與數(shù)據(jù)挖掘過程的分析。將終端信息采集系統(tǒng)、零售訂單系統(tǒng)和其他業(yè)務(wù)系統(tǒng)數(shù)據(jù)進行整合,對整合后的大規(guī)模數(shù)據(jù)進行統(tǒng)一清洗、集成和轉(zhuǎn)換,按數(shù)據(jù)的需求建立數(shù)據(jù)降維模型。引入Hadoop中的Spark分布式對海量數(shù)據(jù)進行處理、加工等操作,實現(xiàn)企業(yè)數(shù)據(jù)的體系架構(gòu),多個系統(tǒng)數(shù)據(jù)業(yè)務(wù)共享... 

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 用戶畫像研究現(xiàn)狀
        1.2.2 個性化推薦算法研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)理論及關(guān)鍵技術(shù)的介紹
    2.1 數(shù)據(jù)挖掘相關(guān)技術(shù)介紹
        2.1.1 數(shù)據(jù)挖掘理論及處理過程
        2.1.2 數(shù)據(jù)挖掘算法及相關(guān)優(yōu)化算法
    2.2 用戶畫像相關(guān)介紹
        2.2.1 用戶畫像概念
        2.2.2 用戶畫像標簽體系
        2.2.3 用戶畫像構(gòu)建方法
    2.3 推薦算法相關(guān)介紹
        2.3.1 基于項目的K近鄰算法
        2.3.2 基于用戶的協(xié)同過濾算法
    2.4 本章小結(jié)
第三章 海量零售數(shù)據(jù)的采集與處理
    3.1 海量零售戶數(shù)據(jù)的采集
        3.1.1 數(shù)據(jù)來源
        3.1.2 終端數(shù)據(jù)聚類采集及巡點計劃改進
        3.1.3 基于百度API定位終端數(shù)據(jù)采集改進
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)清洗
        3.2.2 數(shù)據(jù)集成與轉(zhuǎn)換
    3.3 分布式海量數(shù)據(jù)處理
    3.4 本章小結(jié)
第四章 多層次用戶畫像數(shù)學(xué)模型的建立與研究
    4.1 用戶畫像指標體系
    4.2 多層次多維度用戶畫像建模
    4.3 群組用戶畫像模型構(gòu)建
        4.3.1 基于FCM算法的用戶畫像模型聚類
        4.3.2 優(yōu)化改進FCM聚類算法
    4.4 實驗結(jié)果及其分析
        4.4.1 實驗標準數(shù)據(jù)集
        4.4.2 實驗環(huán)境
        4.4.3 實驗結(jié)果
    4.5 本章小結(jié)
第五章 基于離散量和用戶偏好相似度修正的推薦算法研究
    5.1 傳統(tǒng)相似度問題
    5.2 傳統(tǒng)相似度的改進
        5.2.1 離散量的定義
        5.2.2 離散量的相似度修正
        5.2.3 用戶偏好相似度修正
        5.2.4 基于離散量和用戶偏好的相似度輔助修正
    5.3 基于離散量和用戶偏好相似度修正的推薦算法
    5.4 實驗結(jié)果及其分析
        5.4.1 實驗標準數(shù)據(jù)集
        5.4.2 實驗環(huán)境和度量標準
        5.4.3 實驗結(jié)果
    5.5 本章小結(jié)
第六章 零售信息個性化推薦系統(tǒng)實現(xiàn)與結(jié)果分析
    6.1 系統(tǒng)的總體設(shè)計
        6.1.1 系統(tǒng)架構(gòu)設(shè)計
        6.1.2 軟件架構(gòu)設(shè)計
    6.2 主要功能模塊設(shè)計與展現(xiàn)
        6.2.1 系統(tǒng)的總體架構(gòu)圖
        6.2.2 零售數(shù)據(jù)采集模塊
        6.2.3 用戶畫像構(gòu)建模塊
        6.2.4 推薦結(jié)果展示模塊
    6.3 應(yīng)用結(jié)果分析
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 本文工作總結(jié)
    7.2 研究展望
參考文獻
致謝
攻讀學(xué)位期間的研究成果


【參考文獻】：
期刊論文
[1]“新零售”的理論架構(gòu)與研究范式[J]. 王坤,相峰.  中國流通經(jīng)濟. 2018(01)
[2]基于用戶畫像的信息智能推送方法[J]. 姜建武,李景文,陸妍玲,葉良松.  微型機與應(yīng)用. 2016(23)
[3]基于微博的大數(shù)據(jù)用戶畫像與精準營銷[J]. 曾鴻,吳蘇倪.  現(xiàn)代經(jīng)濟信息. 2016(16)
[4]基于中點密度函數(shù)的模糊聚類算法[J]. 周躍躍,胡婕,蘇濤.  計算機應(yīng)用. 2016(01)
[5]基于“用戶畫像”挖掘的精準營銷細分模型研究[J]. 劉海,盧慧,阮金花,田丙強,胡守忠.  絲綢. 2015(12)
[6]一種改進的FCM算法及仿真實驗研究[J]. 劉杰.  陜西理工學(xué)院學(xué)報(自然科學(xué)版). 2015(04)
[7]基于用戶屬性和評分的協(xié)同過濾推薦算法[J]. 丁少衡,姬東鴻,王路路.  計算機工程與設(shè)計. 2015(02)
[8]面向微博系統(tǒng)的實時個性化推薦[J]. 高明,金澈清,錢衛(wèi)寧,王曉玲,周傲英.  計算機學(xué)報. 2014(04)
[9]基于核方法的User-Based協(xié)同過濾推薦算法[J]. 王鵬,王晶晶,俞能海.  計算機研究與發(fā)展. 2013(07)
[10]基于馬氏距離特征加權(quán)的模糊聚類新算法[J]. 蔡靜穎,謝福鼎,張永.  計算機工程與應(yīng)用. 2012(05)

碩士論文
[1]基于改進FCM算法的隱性知識外顯案例聚類研究[D]. 趙亞敏.鄭州大學(xué) 2018
[2]基于大數(shù)據(jù)平臺的企業(yè)競爭情報系統(tǒng)設(shè)計及應(yīng)用研究[D]. 王勇.昆明理工大學(xué) 2018
[3]基于FCM聚類的品牌狀態(tài)判別模型的研究[D]. 沈紅紅.浙江理工大學(xué) 2018
[4]基于用戶畫像的WordPress博文推薦研究[D]. 趙榮霞.北京交通大學(xué) 2018
[5]基于數(shù)據(jù)挖掘的銷售預(yù)警模型分析與研究[D]. 黃嘉發(fā).浙江理工大學(xué) 2018
[6]基于海量數(shù)據(jù)的市場投放策略研究[D]. 張琳.浙江理工大學(xué) 2018
[7]移動環(huán)境下的零售信息采集分析與營銷業(yè)務(wù)模型構(gòu)建[D]. 王勇強.浙江理工大學(xué) 2018
[8]基于移動終端個性化推送服務(wù)的研究與實現(xiàn)[D]. 王躍躍.浙江理工大學(xué) 2018
[9]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]. 姚龍飛.浙江理工大學(xué) 2018
[10]基于群組用戶畫像的農(nóng)業(yè)信息化推薦算法研究[D]. 賈偉洋.西北農(nóng)林科技大學(xué) 2017



本文編號：3718017