《套用機器學習方法度量線上品牌忠誠度模型構建研究》是2017年北京交通大學出版社出版的圖書。
基本介紹
- 中文名:套用機器學習方法度量線上品牌忠誠度模型構建研究
- 出版時間:2017年7月
- 出版社:北京交通大學出版社
- ISBN:9787512131897
- 開本:16 開
- 裝幀:平裝
內容簡介,作者簡介,圖書目錄,
內容簡介
主要研究論壇貼文、部落格文章、微博文章等媒體互動討論的輿情數據的抓取,以及輿情數據的綜合處理和分析,並實現基於大數據的輿情預警研究。實現對輿情數據的可視化展示,用圖表呈現輿情的時間走勢、地域分布、主題分布、文章排行、熱度聚集、熱詞發現等輿情分析結果,輔助決策。實現對相關熱點話題的自動識別、智慧型聚類以及對傳播路徑的追溯、對議題漂移的捕捉和核心觀點的摘要。
在大數據環境下,面對線上消費提供的海量數據信息,傳統的技術方法已逐漸無法滿足企業創造和維持品牌忠誠的競爭需求。本書構建了一個線上消費大數據時代下的人工智慧模型——機器學習模型,通過機器學習方法,對線上消費者的品牌商品購買行為進行聚類,實現具有相似忠誠度的用戶的聚類,同時實現線上品牌忠誠度的度量。其中,重點研究機器學習路徑、機器學習算法、模型構建方法,以及模型的檢驗與最佳化方法。本書適合經濟管理專業的研究生和教師閱讀。
作者簡介
趙瑋,1981年生,經濟學博士,北京聯合大學套用科技學院經濟管理系電子商務專業教師,具備雙師素質資格,*精品課程及*資源共享課程“Web技術套用基礎”核心成員。主要研究領域包括:數據挖掘與數據分析、機器學習、職業技術教育。發表核心論文、EI期刊論文4篇,主持全國教育科學規劃課題一項,並參與完成多個省部級、校級教研和科研項目。曾獲得第九屆全國多媒體課件大賽高職組優秀獎、北京聯合大學暑期社會實踐優秀指導教師、北京聯合大學套用科技學院院級 “師德” 先進個人等獎項,並指導學生獲得第九屆“暢享杯”全國職業院校創業技能大賽“企業經營管理沙盤競賽”全國總決賽團體三等獎,第三屆大學生(文科)計算機設計大賽三等獎。
圖書目錄
1 緒論 1
1.1 研究背景 1
1.2 研究目的及研究意義 2
1.2.1 研究目的 2
1.2.2 研究意義 3
1.3 國內外研究現狀 3
1.3.1 國外研究現狀 3
1.3.2 國內研究現狀 12
1.3.3 研究現狀評述 15
1.4 研究思路與研究內容 16
1.4.1 研究思路 16
1.4.2 研究內容 17
2 線上品牌忠誠度大數據與機器學習方法 20
2.1 線上品牌忠誠度大數據 20
2.1.1 線上品牌忠誠度大數據的基本特性 20
2.1.2 線上品牌忠誠度大數據的特徵 22
2.1.3 線上品牌忠誠度大數據分析評述 23
2.2 線上品牌忠誠度度量的機器學習 24
2.2.1 機器學習研究概述 25
2.2.2 線上品牌忠誠度度量的機器學習要素 28
2.2.3 線上品牌忠誠度度量的機器學習聚類方法 30
2.2.4 線上品牌忠誠度度量的機器學習框架 31
2.2.5 線上品牌忠誠度度量的機器學習環境 32
2.2.6 線上品牌忠誠度度量的機器學習路徑 33
2.3 本章小結 34
3 線上品牌忠誠度度量的線上數據採集 36
3.1 線上品牌忠誠度度量的線上數據採集關鍵技術 36
3.1.1 信息源 36
3.1.2 採集方法 37
3.1.3 數據處理 38
3.2 線上品牌忠誠度度量的線上數據採集模型分析 39
3.2.1 線上數據採集模型 39
3.2.2 線上數據採集模型抓取策略 40
3.2.3 線上數據採集模型結構原理 41
3.3 線上品牌忠誠度度量的線上數據採集模型設計 41
3.3.1 線上數據採集模型的策略設計 41
3.3.2 線上數據採集模型的架構設計 43
3.3.3 線上數據採集模型的詳細設計 44
3.4 線上品牌忠誠度度量的線上數據採集模型實現 46
3.4.1 根據主題抓取 URL 列表 46
3.4.2 URL 判重 47
3.4.3 網頁解析存儲 47
3.5 本章小結 50
4 線上品牌忠誠度度量的線上數據清洗 51
4.1 線上品牌忠誠度度量的線上數據清洗概述 51
4.1.1 線上品牌忠誠度度量的線上數據清洗流程 51
4.1.2 線上品牌忠誠度度量的線上數據清洗準備 52
4.1.3 線上品牌忠誠度度量的線上數據清洗對象 60
4.2 線上品牌忠誠度度量的線上數據檢測算法的設計與實現 61
4.2.1 線上品牌忠誠度度量的線上重複數據檢測算法 61
4.2.2 線上品牌忠誠度度量的線上錯誤數據檢測算法 63
4.2.3 線上品牌忠誠度度量的線上缺失數據檢測算法 67
4.3 線上品牌忠誠度度量的線上數據清洗算法的設計與實現 68
4.3.1 線上品牌忠誠度度量的線上重複數據清洗算法 68
4.3.2 線上品牌忠誠度度量的線上數據轉換類型算法的
設計與實現 70
4.3.3 線上品牌忠誠度度量的線上錯誤數據清洗算法的
設計與實現 74
4.3.4 線上品牌忠誠度度量的線上缺失數據清洗算法 76
4.3.5 線上品牌忠誠度度量的線上數據合併和過濾算法 81
4.4 本章小結 82
5 線上品牌忠誠度度量的機器學習方法模型構建 83
5.1 機器學習聚類算法理論 83
5.1.1 聚類的概念 83
5.1.2 劃分聚類算法 84
5.2 線上品牌忠誠度度量模型特徵概述 86
5.2.1 線上品牌忠誠度度量模型特徵選擇依據 86
5.2.2 線上品牌忠誠度度量模型特徵指標定義 87
5.3 線上品牌忠誠度度量模型特徵構建 91
5.3.1 線上品牌忠誠度度量模型行為特徵集構建算法 91
5.3.2 線上品牌忠誠度度量模型態度特徵集構建算法 96
5.3.3 線上品牌忠誠度度量模型時間特徵集構建算法 99
5.3.4 線上品牌忠誠度度量模型用戶特徵集構建算法 102
5.3.5 線上品牌忠誠度度量模型初始特徵集構建算法 105
5.4 線上品牌忠誠度度量模型構建 107
5.4.1 線上品牌忠誠度度量模型的要素定義 107
5.4.2 線上品牌忠誠度度量模型的要素實例 108
5.4.3 線上品牌忠誠度度量模型的方法定義 110
5.4.4 線上品牌忠誠度度量模型的構建實現 111
5.5 本章小結 119
6 線上品牌忠誠度度量模型檢驗 120
6.1 線上品牌忠誠度度量模型檢驗概述 120
6.1.1 聚類模型有效性 120
6.1.2 聚類模型有效性的檢驗方法 121
6.2 線上品牌忠誠度度量模型檢驗指標設計 122
6.2.1 線上品牌忠誠度度量模型內部有效性指標 122
6.2.2 線上品牌忠誠度度量模型外部有效性指標 124
6.3 線上品牌忠誠度度量模型內部有效性指標檢驗實現 126
6.3.1 線上品牌忠誠度度量模型 SSE 指標檢驗算法 126
6.3.2 線上品牌忠誠度度量模型 SSB 指標檢驗算法 128
6.3.3 線上品牌忠誠度度量模型 Intra DPS 指標檢驗算法 129
6.3.4 線上品牌忠誠度度量模型 Inter DPS 指標檢驗算法 131
6.3.5 線上品牌忠誠度度量模型交叉檢驗算法 132
6.4 線上品牌忠誠度度量模型外部有效性指標檢驗實現 149
6.4.1 Allan L. Baldinger 和 Joel Rubinson 的理論檢驗 149
6.4.2 Palto 理論的檢驗 152
6.5 本章小結 154
7 線上品牌忠誠度度量的模型最佳化 155
7.1 線上品牌忠誠度度量的模型數據處理最佳化方法 155
7.1.1 增加數據量 155
7.1.2 處理缺失值和異常值 156
7.2 線上品牌忠誠度度量的模型數據處理最佳化實現 156
7.2.1 算法設計 157
7.2.2 算法實現 158
7.3 線上品牌忠誠度度量的模型特徵工程最佳化方法 159
7.3.1 特徵工程最佳化概述 160
7.3.2 RFE 特徵選擇方法 163
7.3.3 Boruta 特徵選擇方法 164
7.4 線上品牌忠誠度度量的模型特徵工程最佳化實現 165
7.4.1 特徵轉換和選擇預處理方法的實現 165
7.4.2 RFE 特徵選擇方法的實現 171
7.4.3 基於 RFE 特徵選擇方法的模型最佳化 173
7.4.4 Boruta 特徵選擇方法的實現 183
7.4.5 基於 Boruta 特徵選擇方法的模型最佳化 188
7.4.6 基於 RFE 和 Boruta 特徵選擇方法的模型最佳化比較 192
7.5 線上品牌忠誠度度量的模型算法調整最佳化方法及實現 193
7.5.1 基於聚類數 k 選擇的模型最佳化 193
7.5.2 基於疊代次數選擇的模型最佳化 196
7.5.3 基於初始質心生成次數選擇的模型最佳化 196
7.6 線上品牌忠誠度度量模型效果 197
7.6.1 實現線上品牌忠誠度相似用戶的聚類 198
7.6.2 實現線上品牌忠誠度的界定 198
7.7 本章小結 202
8 總結與展望 204
參考文獻 207