包邮应用机器学习方法度量在线品牌忠诚度模型构建研究

目 录 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 k 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*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