应用机器学习方法度量在线品牌忠诚度模型构建研究PDF电子书下载

1绪论 1

1.1 研究背景 1

1.2 研究目的及研究意义 2

1.2.1 研究目的 2

1.2.2 研究意义 3

1.3 国内外研究现状 3

1.3.1 国外研究现状 3

1.3.2 国内研究现状 12

1.3.3 研究现状评述 15

1.4 研究思路与研究内容 16

1.4.1 研究思路 16

1.4.2 研究内容 17

2在线品牌忠诚度大数据与机器学习方法 20

2.1 在线品牌忠诚度大数据 20

2.1.1 在线品牌忠诚度大数据的基本特性 20

2.1.2 在线品牌忠诚度大数据的特征 22

2.1.3 在线品牌忠诚度大数据分析评述 23

2.2 在线品牌忠诚度度量的机器学习 24

2.2.1 机器学习研究概述 25

2.2.2 在线品牌忠诚度度量的机器学习要素 28

2.2.3 在线品牌忠诚度度量的机器学习聚类方法 30

2.2.4 在线品牌忠诚度度量的机器学习框架 31

2.2.5 在线品牌忠诚度度量的机器学习环境 32

2.2.6 在线品牌忠诚度度量的机器学习路径 33

2.3 本章小结 34

3在线品牌忠诚度度量的在线数据采集 36

3.1 在线品牌忠诚度度量的在线数据采集关键技术 36

3.1.1 信息源 36

3.1.2 采集方法 37

3.1.3 数据处理 38

3.2 在线品牌忠诚度度量的在线数据采集模型分析 39

3.2.1 在线数据采集模型 39

3.2.2 在线数据采集模型抓取策略 40

3.2.3 在线数据采集模型结构原理 41

3.3 在线品牌忠诚度度量的在线数据采集模型设计 41

3.3.1 在线数据采集模型的策略设计 41

3.3.2 在线数据采集模型的架构设计 43

3.3.3 在线数据采集模型的详细设计 44

3.4 在线品牌忠诚度度量的在线数据采集模型实现 46

3.4.1 根据主题抓取URL列表 46

3.4.2 URL判重 47

3.4.3 网页解析存储 47

3.5 本章小结 50

4在线品牌忠诚度度量的在线数据清洗 51

4.1 在线品牌忠诚度度量的在线数据清洗概述 51

4.1.1 在线品牌忠诚度度量的在线数据清洗流程 51

4.1.2 在线品牌忠诚度度量的在线数据清洗准备 52

4.1.3 在线品牌忠诚度度量的在线数据清洗对象 60

4.2 在线品牌忠诚度度量的在线数据检测算法的设计与实现 61

4.2.1 在线品牌忠诚度度量的在线重复数据检测算法 61

4.2.2 在线品牌忠诚度度量的在线错误数据检测算法 63

4.2.3 在线品牌忠诚度度量的在线缺失数据检测算法 67

4.3 在线品牌忠诚度度量的在线数据清洗算法的设计与实现 68

4.3.1 在线品牌忠诚度度量的在线重复数据清洗算法 68

4.3.2 在线品牌忠诚度度量的在线数据转换类型算法的设计与实现 70

4.3.3 在线品牌忠诚度度量的在线错误数据清洗算法的设计与实现 74

4.3.4 在线品牌忠诚度度量的在线缺失数据清洗算法 76

4.3.5 在线品牌忠诚度度量的在线数据合并和过滤算法 81

4.4 本章小结 82

5在线品牌忠诚度度量的机器学习方法模型构建 83

5.1 机器学习聚类算法理论 83

5.1.1 聚类的概念 83

5.1.2 划分聚类算法 84

5.2 在线品牌忠诚度度量模型特征概述 86

5.2.1 在线品牌忠诚度度量模型特征选择依据 86

5.2.2 在线品牌忠诚度度量模型特征指标定义 87

5.3 在线品牌忠诚度度量模型特征构建 91

5.3.1 在线品牌忠诚度度量模型行为特征集构建算法 91

5.3.2 在线品牌忠诚度度量模型态度特征集构建算法 96

5.3.3 在线品牌忠诚度度量模型时间特征集构建算法 99

5.3.4 在线品牌忠诚度度量模型用户特征集构建算法 102

5.3.5 在线品牌忠诚度度量模型初始特征集构建算法 105

5.4 在线品牌忠诚度度量模型构建 107

5.4.1 在线品牌忠诚度度量模型的要素定义 107

5.4.2 在线品牌忠诚度度量模型的要素实例 108

5.4.3 在线品牌忠诚度度量模型的方法定义 110

5.4.4 在线品牌忠诚度度量模型的构建实现 111

5.5 本章小结 119

6在线品牌忠诚度度量模型检验 120

6.1 在线品牌忠诚度度量模型检验概述 120

6.1.1 聚类模型有效性 120

6.1.2 聚类模型有效性的检验方法 121

6.2 在线品牌忠诚度度量模型检验指标设计 122

6.2.1 在线品牌忠诚度度量模型内部有效性指标 122

6.2.2 在线品牌忠诚度度量模型外部有效性指标 124

6.3 在线品牌忠诚度度量模型内部有效性指标检验实现 126

6.3.1 在线品牌忠诚度度量模型SSE指标检验算法 126

6.3.2 在线品牌忠诚度度量模型SSB指标检验算法 128

6.3.3 在线品牌忠诚度度量模型Intra DPS指标检验算法 129

6.3.4 在线品牌忠诚度度量模型Inter DPS指标检验算法 131

6.3.5 在线品牌忠诚度度量模型交叉检验算法 132

6.4 在线品牌忠诚度度量模型外部有效性指标检验实现 149

6.4.1 Allan L.Baldinger和Joel Rubinson的理论检验 149

6.4.2 Palto理论的检验 152

6.5 本章小结 154

7在线品牌忠诚度度量的模型优化 155

7.1 在线品牌忠诚度度量的模型数据处理优化方法 155

7.1.1 增加数据量 155

7.1.2 处理缺失值和异常值 156

7.2 在线品牌忠诚度度量的模型数据处理优化实现 156

7.2.1 算法设计 157

7.2.2 算法实现 158

7.3 在线品牌忠诚度度量的模型特征工程优化方法 159

7.3.1 特征工程优化概述 160

7.3.2 RFE特征选择方法 163

7.3.3 Boruta特征选择方法 164

7.4 在线品牌忠诚度度量的模型特征工程优化实现 165

7.4.1 特征转换和选择预处理方法的实现 165

7.4.2 RFE特征选择方法的实现 171

7.4.3 基于RFE特征选择方法的模型优化 173

7.4.4 Boruta特征选择方法的实现 183

7.4.5 基于Boruta特征选择方法的模型优化 188

7.4.6 基于RFE和Boruta特征选择方法的模型优化比较 192

7.5 在线品牌忠诚度度量的模型算法调整优化方法及实现 193

7.5.1 基于聚类数κ选择的模型优化 193

7.5.2 基于迭代次数选择的模型优化 196

7.5.3 基于初始质心生成次数选择的模型优化 196

7.6 在线品牌忠诚度度量最优模型效果 197

7.6.1 实现在线品牌忠诚度相似用户的聚类 198

7.6.2 实现在线品牌忠诚度的界定 198

7.7 本章小结 202

8总结与展望 204

参考文献 207