应用机器学习方法度量在线品牌忠诚度模型构建研究
出版时间:
2017-07
版次:
1
ISBN:
9787512131897
定价:
59.00
装帧:
平装
开本:
16开
纸张:
胶版纸
正文语种:
简体中文
2人买过
-
主要研究论坛贴文、博客文章、微博文章等媒体互动讨论的舆情数据的抓取，以及舆情数据的综合处理和分析，并实现基于大数据的舆情预警研究。实现对舆情数据的可视化展示，用图表呈现舆情的时间走势、地域分布、主题分布、文章排行、热度聚集、热词发现等舆情分析结果，辅助决策。实现对相关热点话题的自动识别、智能聚类以及对传播路径的追溯、对议题漂移的捕捉和核心观点的摘要。
在大数据环境下，面对在线消费提供的海量数据信息，传统的技术方法已逐渐无法满足企业创造和维持品牌忠诚的竞争需求。《应用机器学习方法度量在线品牌忠诚度模型构建研究》构建了一个在线消费大数据时代下的人工智能模型——机器学习模型，通过机器学习方法，对在线消费者的品牌商品购买行为进行聚类，实现具有相似忠诚度的用户的聚类，同时实现在线品牌忠诚度的度量。其中，重点研究机器学习路径、机器学习算法、模型构建方法，以及模型的检验与优化方法。《应用机器学习方法度量在线品牌忠诚度模型构建研究》适合经济管理专业的研究生和教师阅读。 赵玮，1981年生，经济学博士，北京联合大学应用科技学院经济管理系电子商务专业教师，具备双师素质资格，精品课程及资源共享课程“Web技术应用基础”核心成员。主要研究领域包括：数据挖掘与数据分析、机器学习、职业技术教育。发表核心论文、EI期刊论文4篇，主持全国教育科学规划课题一项，并参与完成多个省部级、校级教研和科研项目。曾获得第九届全国多媒体课件大赛高职组优秀奖、北京联合大学暑期社会实践优秀指导教师、北京联合大学应用科技学院院级“师德”先进个人等奖项，并指导学生获得第九届“畅享杯”全国职业院校创业技能大赛“企业经营管理沙盘竞赛”全国总决赛团体三等奖，第三届大学生（文科）计算机设计大赛三等奖。 1 绪论
1．1 研究背景
1．2 研究目的及研究意义
1．2．1 研究目的
1．2．2 研究意义
1．3 国内外研究现状
1．3．1 国外研究现状
1．3．2 国内研究现状
1．3．3 研究现状评述
1．4 研究思路与研究内容
1．4．1 研究思路
1．4．2 研究内容
2 在线品牌忠诚度大数据与机器学习方法
2．1 在线品牌忠诚度大数据
2．1．1 在线品牌忠诚度大数据的基本特性
2．1．2 在线品牌忠诚度大数据的特征
2．1．3 在线品牌忠诚度大数据分析评述
2．2 在线品牌忠诚度度量的机器学习
2．2．1 机器学习研究概述
2．2．2 在线品牌忠诚度度量的机器学习要素
2．2．3 在线品牌忠诚度度量的机器学习聚类方法
2．2．4 在线品牌忠诚度度量的机器学习框架
2．2．5 在线品牌忠诚度度量的机器学习环境
2．2．6 在线品牌忠诚度度量的机器学习路径
2．3 本章小结
3 在线品牌忠诚度度量的在线数据采集
3．1 在线品牌忠诚度度量的在线数据采集关键技术
3．1．1 信息源
3．1．2 采集方法
3．1．3 数据处理
3．2 在线品牌忠诚度度量的在线数据采集模型分析
3．2．1 在线数据采集模型
3．2．2 在线数据采集模型抓取策略
3．2．3 在线数据采集模型结构原理
3．3 在线品牌忠诚度度量的在线数据采集模型设计
3．3．1 在线数据采集模型的策略设计
3．3．2 在线数据采集模型的架构设计
3．3．3 在线数据采集模型的详细设计
3．4 在线品牌忠诚度度量的在线数据采集模型实现
3．4．1 根据主题抓取 URL 列表
3．4．2 URL 判重
3．4．3 网页解析存储
3．5 本章小结
4 在线品牌忠诚度度量的在线数据清洗
4．1 在线品牌忠诚度度量的在线数据清洗概述
4．1．1 在线品牌忠诚度度量的在线数据清洗流程
4．1．2 在线品牌忠诚度度量的在线数据清洗准备
4．1．3 在线品牌忠诚度度量的在线数据清洗对象
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
4．2．1 在线品牌忠诚度度量的在线重复数据检测算法
4．2．2 在线品牌忠诚度度量的在线错误数据检测算法
4．2．3 在线品牌忠诚度度量的在线缺失数据检测算法
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
4．3．1 在线品牌忠诚度度量的在线重复数据清洗算法
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
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
4．3．4 在线品牌忠诚度度量的在线缺失数据清洗算法
4．3．5 在线品牌忠诚度度量的在线数据合并和过滤算法
4．4 本章小结
5 在线品牌忠诚度度量的机器学习方法模型构建
5．1 机器学习聚类算法理论
5．1．1 聚类的概念
5．1．2 划分聚类算法
5．2 在线品牌忠诚度度量模型特征概述
5．2．1 在线品牌忠诚度度量模型特征选择依据
5．2．2 在线品牌忠诚度度量模型特征指标定义
5．3 在线品牌忠诚度度量模型特征构建
5．3．1 在线品牌忠诚度度量模型行为特征集构建算法
5．3．2 在线品牌忠诚度度量模型态度特征集构建算法
5．3．3 在线品牌忠诚度度量模型时间特征集构建算法
5．3．4 在线品牌忠诚度度量模型用户特征集构建算法
5．3．5 在线品牌忠诚度度量模型初始特征集构建算法
5．4 在线品牌忠诚度度量模型构建
5．4．1 在线品牌忠诚度度量模型的要素定义
5．4．2 在线品牌忠诚度度量模型的要素实例
5．4．3 在线品牌忠诚度度量模型的方法定义
5．4．4 在线品牌忠诚度度量模型的构建实现
5．5 本章小结
6 在线品牌忠诚度度量模型检验
6．1 在线品牌忠诚度度量模型检验概述
6．1．1 聚类模型有效性
6．1．2 聚类模型有效性的检验方法
6．2 在线品牌忠诚度度量模型检验指标设计
6．2．1 在线品牌忠诚度度量模型内部有效性指标
6．2．2 在线品牌忠诚度度量模型外部有效性指标
6．3 在线品牌忠诚度度量模型内部有效性指标检验实现
6．3．1 在线品牌忠诚度度量模型 SSE 指标检验算法
6．3．2 在线品牌忠诚度度量模型 SSB 指标检验算法
6．3．3 在线品牌忠诚度度量模型 Intra DPS 指标检验算法
6．3．4 在线品牌忠诚度度量模型 Inter DPS 指标检验算法
6．3．5 在线品牌忠诚度度量模型交叉检验算法
6．4 在线品牌忠诚度度量模型外部有效性指标检验实现
6．4．1 Allan L． Baldinger 和 Joel Rubinson 的理论检验
6．4．2 Palto 理论的检验
6．5 本章小结
7 在线品牌忠诚度度量的模型优化
7．1 在线品牌忠诚度度量的模型数据处理优化方法
7．1．1 增加数据量
7．1．2 处理缺失值和异常值
7．2 在线品牌忠诚度度量的模型数据处理优化实现
7．2．1 算法设计
7．2．2 算法实现
7．3 在线品牌忠诚度度量的模型特征工程优化方法
7．3．1 特征工程优化概述
7．3．2 RFE 特征选择方法
7．3．3 Boruta 特征选择方法
7．4 在线品牌忠诚度度量的模型特征工程优化实现
7．4．1 特征转换和选择预处理方法的实现
7．4．2 RFE 特征选择方法的实现
7．4．3 基于 RFE 特征选择方法的模型优化
7．4．4 Boruta 特征选择方法的实现
7．4．5 基于 Boruta 特征选择方法的模型优化
7．4．6 基于 RFE 和 Boruta 特征选择方法的模型优化比较
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
7．5．1 基于聚类数 k 选择的模型优化
7．5．2 基于迭代次数选择的模型优化
7．5．3 基于初始质心生成次数选择的模型优化
7．6 在线品牌忠诚度度量最优模型效果
7．6．1 实现在线品牌忠诚度相似用户的聚类
7．6．2 实现在线品牌忠诚度的界定
7．7 本章小结
8 总结与展望
参考文献
-
内容简介:
主要研究论坛贴文、博客文章、微博文章等媒体互动讨论的舆情数据的抓取，以及舆情数据的综合处理和分析，并实现基于大数据的舆情预警研究。实现对舆情数据的可视化展示，用图表呈现舆情的时间走势、地域分布、主题分布、文章排行、热度聚集、热词发现等舆情分析结果，辅助决策。实现对相关热点话题的自动识别、智能聚类以及对传播路径的追溯、对议题漂移的捕捉和核心观点的摘要。
在大数据环境下，面对在线消费提供的海量数据信息，传统的技术方法已逐渐无法满足企业创造和维持品牌忠诚的竞争需求。《应用机器学习方法度量在线品牌忠诚度模型构建研究》构建了一个在线消费大数据时代下的人工智能模型——机器学习模型，通过机器学习方法，对在线消费者的品牌商品购买行为进行聚类，实现具有相似忠诚度的用户的聚类，同时实现在线品牌忠诚度的度量。其中，重点研究机器学习路径、机器学习算法、模型构建方法，以及模型的检验与优化方法。《应用机器学习方法度量在线品牌忠诚度模型构建研究》适合经济管理专业的研究生和教师阅读。
-
作者简介:
赵玮，1981年生，经济学博士，北京联合大学应用科技学院经济管理系电子商务专业教师，具备双师素质资格，精品课程及资源共享课程“Web技术应用基础”核心成员。主要研究领域包括：数据挖掘与数据分析、机器学习、职业技术教育。发表核心论文、EI期刊论文4篇，主持全国教育科学规划课题一项，并参与完成多个省部级、校级教研和科研项目。曾获得第九届全国多媒体课件大赛高职组优秀奖、北京联合大学暑期社会实践优秀指导教师、北京联合大学应用科技学院院级“师德”先进个人等奖项，并指导学生获得第九届“畅享杯”全国职业院校创业技能大赛“企业经营管理沙盘竞赛”全国总决赛团体三等奖，第三届大学生（文科）计算机设计大赛三等奖。
-
目录:
1 绪论
1．1 研究背景
1．2 研究目的及研究意义
1．2．1 研究目的
1．2．2 研究意义
1．3 国内外研究现状
1．3．1 国外研究现状
1．3．2 国内研究现状
1．3．3 研究现状评述
1．4 研究思路与研究内容
1．4．1 研究思路
1．4．2 研究内容
2 在线品牌忠诚度大数据与机器学习方法
2．1 在线品牌忠诚度大数据
2．1．1 在线品牌忠诚度大数据的基本特性
2．1．2 在线品牌忠诚度大数据的特征
2．1．3 在线品牌忠诚度大数据分析评述
2．2 在线品牌忠诚度度量的机器学习
2．2．1 机器学习研究概述
2．2．2 在线品牌忠诚度度量的机器学习要素
2．2．3 在线品牌忠诚度度量的机器学习聚类方法
2．2．4 在线品牌忠诚度度量的机器学习框架
2．2．5 在线品牌忠诚度度量的机器学习环境
2．2．6 在线品牌忠诚度度量的机器学习路径
2．3 本章小结
3 在线品牌忠诚度度量的在线数据采集
3．1 在线品牌忠诚度度量的在线数据采集关键技术
3．1．1 信息源
3．1．2 采集方法
3．1．3 数据处理
3．2 在线品牌忠诚度度量的在线数据采集模型分析
3．2．1 在线数据采集模型
3．2．2 在线数据采集模型抓取策略
3．2．3 在线数据采集模型结构原理
3．3 在线品牌忠诚度度量的在线数据采集模型设计
3．3．1 在线数据采集模型的策略设计
3．3．2 在线数据采集模型的架构设计
3．3．3 在线数据采集模型的详细设计
3．4 在线品牌忠诚度度量的在线数据采集模型实现
3．4．1 根据主题抓取 URL 列表
3．4．2 URL 判重
3．4．3 网页解析存储
3．5 本章小结
4 在线品牌忠诚度度量的在线数据清洗
4．1 在线品牌忠诚度度量的在线数据清洗概述
4．1．1 在线品牌忠诚度度量的在线数据清洗流程
4．1．2 在线品牌忠诚度度量的在线数据清洗准备
4．1．3 在线品牌忠诚度度量的在线数据清洗对象
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
4．2．1 在线品牌忠诚度度量的在线重复数据检测算法
4．2．2 在线品牌忠诚度度量的在线错误数据检测算法
4．2．3 在线品牌忠诚度度量的在线缺失数据检测算法
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
4．3．1 在线品牌忠诚度度量的在线重复数据清洗算法
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
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
4．3．4 在线品牌忠诚度度量的在线缺失数据清洗算法
4．3．5 在线品牌忠诚度度量的在线数据合并和过滤算法
4．4 本章小结
5 在线品牌忠诚度度量的机器学习方法模型构建
5．1 机器学习聚类算法理论
5．1．1 聚类的概念
5．1．2 划分聚类算法
5．2 在线品牌忠诚度度量模型特征概述
5．2．1 在线品牌忠诚度度量模型特征选择依据
5．2．2 在线品牌忠诚度度量模型特征指标定义
5．3 在线品牌忠诚度度量模型特征构建
5．3．1 在线品牌忠诚度度量模型行为特征集构建算法
5．3．2 在线品牌忠诚度度量模型态度特征集构建算法
5．3．3 在线品牌忠诚度度量模型时间特征集构建算法
5．3．4 在线品牌忠诚度度量模型用户特征集构建算法
5．3．5 在线品牌忠诚度度量模型初始特征集构建算法
5．4 在线品牌忠诚度度量模型构建
5．4．1 在线品牌忠诚度度量模型的要素定义
5．4．2 在线品牌忠诚度度量模型的要素实例
5．4．3 在线品牌忠诚度度量模型的方法定义
5．4．4 在线品牌忠诚度度量模型的构建实现
5．5 本章小结
6 在线品牌忠诚度度量模型检验
6．1 在线品牌忠诚度度量模型检验概述
6．1．1 聚类模型有效性
6．1．2 聚类模型有效性的检验方法
6．2 在线品牌忠诚度度量模型检验指标设计
6．2．1 在线品牌忠诚度度量模型内部有效性指标
6．2．2 在线品牌忠诚度度量模型外部有效性指标
6．3 在线品牌忠诚度度量模型内部有效性指标检验实现
6．3．1 在线品牌忠诚度度量模型 SSE 指标检验算法
6．3．2 在线品牌忠诚度度量模型 SSB 指标检验算法
6．3．3 在线品牌忠诚度度量模型 Intra DPS 指标检验算法
6．3．4 在线品牌忠诚度度量模型 Inter DPS 指标检验算法
6．3．5 在线品牌忠诚度度量模型交叉检验算法
6．4 在线品牌忠诚度度量模型外部有效性指标检验实现
6．4．1 Allan L． Baldinger 和 Joel Rubinson 的理论检验
6．4．2 Palto 理论的检验
6．5 本章小结
7 在线品牌忠诚度度量的模型优化
7．1 在线品牌忠诚度度量的模型数据处理优化方法
7．1．1 增加数据量
7．1．2 处理缺失值和异常值
7．2 在线品牌忠诚度度量的模型数据处理优化实现
7．2．1 算法设计
7．2．2 算法实现
7．3 在线品牌忠诚度度量的模型特征工程优化方法
7．3．1 特征工程优化概述
7．3．2 RFE 特征选择方法
7．3．3 Boruta 特征选择方法
7．4 在线品牌忠诚度度量的模型特征工程优化实现
7．4．1 特征转换和选择预处理方法的实现
7．4．2 RFE 特征选择方法的实现
7．4．3 基于 RFE 特征选择方法的模型优化
7．4．4 Boruta 特征选择方法的实现
7．4．5 基于 Boruta 特征选择方法的模型优化
7．4．6 基于 RFE 和 Boruta 特征选择方法的模型优化比较
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
7．5．1 基于聚类数 k 选择的模型优化
7．5．2 基于迭代次数选择的模型优化
7．5．3 基于初始质心生成次数选择的模型优化
7．6 在线品牌忠诚度度量最优模型效果
7．6．1 实现在线品牌忠诚度相似用户的聚类
7．6．2 实现在线品牌忠诚度的界定
7．7 本章小结
8 总结与展望
参考文献
查看详情
-
全新
广东省广州市
平均发货20小时
成功完成率86.47%
-
全新
河北省保定市
平均发货27小时
成功完成率83.97%
-
全新
四川省成都市
平均发货15小时
成功完成率91.64%
-
全新
北京市丰台区
平均发货23小时
成功完成率88.57%
-
全新
北京市西城区
平均发货29小时
成功完成率90.38%
-
全新
天津市西青区
平均发货14小时
成功完成率90.42%
-
九品
北京市海淀区
平均发货23小时
成功完成率84.51%
-
全新
江苏省苏州市
平均发货9小时
成功完成率95.75%
-
全新
山东省泰安市
平均发货23小时
成功完成率85.42%
-
全新
山东省泰安市
平均发货23小时
成功完成率85.42%
-
全新
北京市丰台区
平均发货8小时
成功完成率90.33%
-
全新
江苏省南京市
平均发货7小时
成功完成率97.83%
-
九五品
河北省保定市
平均发货6小时
成功完成率97.93%
-
全新
江苏省南京市
平均发货16小时
成功完成率82.85%
-
全新
上海市黄浦区
平均发货11小时
成功完成率94.51%
-
全新
江苏省南京市
平均发货8小时
成功完成率96.65%
-
全新
北京市房山区
平均发货18小时
成功完成率96.58%
-
全新
山东省泰安市
平均发货18小时
成功完成率92.29%
-
全新
北京市通州区
平均发货9小时
成功完成率88.6%
-
全新
天津市河东区
平均发货29小时
成功完成率90.01%
-
全新
北京市朝阳区
平均发货9小时
成功完成率96.79%
-
全新
海南省海口市
平均发货14小时
成功完成率82.47%
-
八五品
辽宁省葫芦岛市
平均发货16小时
成功完成率94.15%
-
八五品
辽宁省葫芦岛市
平均发货16小时
成功完成率94.15%
-
全新
广东省广州市
平均发货15小时
成功完成率90.21%
-
全新
广东省广州市
平均发货21小时
成功完成率80.21%
-
全新
广东省广州市
平均发货7小时
成功完成率89.93%
-
全新
河北省保定市
平均发货25小时
成功完成率85.08%
-
全新
广东省广州市
平均发货9小时
成功完成率87.76%
-
八五品
辽宁省葫芦岛市
平均发货16小时
成功完成率93.97%
-
九品
辽宁省葫芦岛市
平均发货16小时
成功完成率93.97%
-
全新
北京市朝阳区
平均发货13小时
成功完成率94.24%
占位居中
