應用機器學習方法度量在線品牌忠誠度模型構(gòu)建研究

定　價：￥59.00

作　者：	趙瑋著
出版社：	北京交通大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787512131897	出版時間：	2017-07-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　主要研究論壇貼文、博客文章、微博文章等媒體互動討論的輿情數(shù)據(jù)的抓取，以及輿情數(shù)據(jù)的綜合處理和分析，并實現(xiàn)基于大數(shù)據(jù)的輿情預警研究。實現(xiàn)對輿情數(shù)據(jù)的可視化展示，用圖表呈現(xiàn)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(fā)現(xiàn)等輿情分析結(jié)果，輔助決策。實現(xiàn)對相關熱點話題的自動識別、智能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(shù)據(jù)環(huán)境下，面對在線消費提供的海量數(shù)據(jù)信息，傳統(tǒng)的技術(shù)方法已逐漸無法滿足企業(yè)創(chuàng)造和維持品牌忠誠的競爭需求?！稇脵C器學習方法度量在線品牌忠誠度模型構(gòu)建研究》構(gòu)建了一個在線消費大數(shù)據(jù)時代下的人工智能模型——機器學習模型，通過機器學習方法，對在線消費者的品牌商品購買行為進行聚類，實現(xiàn)具有相似忠誠度的用戶的聚類，同時實現(xiàn)在線品牌忠誠度的度量。其中，重點研究機器學習路徑、機器學習算法、模型構(gòu)建方法，以及模型的檢驗與優(yōu)化方法。《應用機器學習方法度量在線品牌忠誠度模型構(gòu)建研究》適合經(jīng)濟管理專業(yè)的研究生和教師閱讀。

作者簡介

　　趙瑋，1981年生，經(jīng)濟學博士，北京聯(lián)合大學應用科技學院經(jīng)濟管理系電子商務專業(yè)教師，具備雙師素質(zhì)資格，精品課程及資源共享課程“Web技術(shù)應用基礎”核心成員。主要研究領域包括：數(shù)據(jù)挖掘與數(shù)據(jù)分析、機器學習、職業(yè)技術(shù)教育。發(fā)表核心論文、EI期刊論文4篇，主持全國教育科學規(guī)劃課題一項，并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(yōu)秀獎、北京聯(lián)合大學暑期社會實踐優(yōu)秀指導教師、北京聯(lián)合大學應用科技學院院級“師德”先進個人等獎項，并指導學生獲得第九屆“暢享杯”全國職業(yè)院校創(chuàng)業(yè)技能大賽“企業(yè)經(jīng)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 研究背景
1．2 研究目的及研究意義
1．2．1 研究目的
1．2．2 研究意義
1．3 國內(nèi)外研究現(xiàn)狀
1．3．1 國外研究現(xiàn)狀
1．3．2 國內(nèi)研究現(xiàn)狀
1．3．3 研究現(xiàn)狀評述
1．4 研究思路與研究內(nèi)容
1．4．1 研究思路
1．4．2 研究內(nèi)容
2 在線品牌忠誠度大數(shù)據(jù)與機器學習方法
2．1 在線品牌忠誠度大數(shù)據(jù)
2．1．1 在線品牌忠誠度大數(shù)據(jù)的基本特性
2．1．2 在線品牌忠誠度大數(shù)據(jù)的特征
2．1．3 在線品牌忠誠度大數(shù)據(jù)分析評述
2．2 在線品牌忠誠度度量的機器學習
2．2．1 機器學習研究概述
2．2．2 在線品牌忠誠度度量的機器學習要素
2．2．3 在線品牌忠誠度度量的機器學習聚類方法
2．2．4 在線品牌忠誠度度量的機器學習框架
2．2．5 在線品牌忠誠度度量的機器學習環(huán)境
2．2．6 在線品牌忠誠度度量的機器學習路徑
2．3 本章小結(jié)
3 在線品牌忠誠度度量的在線數(shù)據(jù)采集
3．1 在線品牌忠誠度度量的在線數(shù)據(jù)采集關鍵技術(shù)
3．1．1 信息源
3．1．2 采集方法
3．1．3 數(shù)據(jù)處理
3．2 在線品牌忠誠度度量的在線數(shù)據(jù)采集模型分析
3．2．1 在線數(shù)據(jù)采集模型
3．2．2 在線數(shù)據(jù)采集模型抓取策略
3．2．3 在線數(shù)據(jù)采集模型結(jié)構(gòu)原理
3．3 在線品牌忠誠度度量的在線數(shù)據(jù)采集模型設計
3．3．1 在線數(shù)據(jù)采集模型的策略設計
3．3．2 在線數(shù)據(jù)采集模型的架構(gòu)設計
3．3．3 在線數(shù)據(jù)采集模型的詳細設計
3．4 在線品牌忠誠度度量的在線數(shù)據(jù)采集模型實現(xiàn)
3．4．1 根據(jù)主題抓取 URL 列表
3．4．2 URL 判重
3．4．3 網(wǎng)頁解析存儲
3．5 本章小結(jié)
4 在線品牌忠誠度度量的在線數(shù)據(jù)清洗
4．1 在線品牌忠誠度度量的在線數(shù)據(jù)清洗概述
4．1．1 在線品牌忠誠度度量的在線數(shù)據(jù)清洗流程
4．1．2 在線品牌忠誠度度量的在線數(shù)據(jù)清洗準備
4．1．3 在線品牌忠誠度度量的在線數(shù)據(jù)清洗對象
4．2 在線品牌忠誠度度量的在線數(shù)據(jù)檢測算法的設計與實現(xiàn)
4．2．1 在線品牌忠誠度度量的在線重復數(shù)據(jù)檢測算法
4．2．2 在線品牌忠誠度度量的在線錯誤數(shù)據(jù)檢測算法
4．2．3 在線品牌忠誠度度量的在線缺失數(shù)據(jù)檢測算法
4．3 在線品牌忠誠度度量的在線數(shù)據(jù)清洗算法的設計與實現(xiàn)
4．3．1 在線品牌忠誠度度量的在線重復數(shù)據(jù)清洗算法
4．3．2 在線品牌忠誠度度量的在線數(shù)據(jù)轉(zhuǎn)換類型算法的設計與實現(xiàn)
4．3．3 在線品牌忠誠度度量的在線錯誤數(shù)據(jù)清洗算法的設計與實現(xiàn)
4．3．4 在線品牌忠誠度度量的在線缺失數(shù)據(jù)清洗算法
4．3．5 在線品牌忠誠度度量的在線數(shù)據(jù)合并和過濾算法
4．4 本章小結(jié)
5 在線品牌忠誠度度量的機器學習方法模型構(gòu)建
5．1 機器學習聚類算法理論
5．1．1 聚類的概念
5．1．2 劃分聚類算法
5．2 在線品牌忠誠度度量模型特征概述
5．2．1 在線品牌忠誠度度量模型特征選擇依據(jù)
5．2．2 在線品牌忠誠度度量模型特征指標定義
5．3 在線品牌忠誠度度量模型特征構(gòu)建
5．3．1 在線品牌忠誠度度量模型行為特征集構(gòu)建算法
5．3．2 在線品牌忠誠度度量模型態(tài)度特征集構(gòu)建算法
5．3．3 在線品牌忠誠度度量模型時間特征集構(gòu)建算法
5．3．4 在線品牌忠誠度度量模型用戶特征集構(gòu)建算法
5．3．5 在線品牌忠誠度度量模型初始特征集構(gòu)建算法
5．4 在線品牌忠誠度度量模型構(gòu)建
5．4．1 在線品牌忠誠度度量模型的要素定義
5．4．2 在線品牌忠誠度度量模型的要素實例
5．4．3 在線品牌忠誠度度量模型的方法定義
5．4．4 在線品牌忠誠度度量模型的構(gòu)建實現(xiàn)
5．5 本章小結(jié)
6 在線品牌忠誠度度量模型檢驗
6．1 在線品牌忠誠度度量模型檢驗概述
6．1．1 聚類模型有效性
6．1．2 聚類模型有效性的檢驗方法
6．2 在線品牌忠誠度度量模型檢驗指標設計
6．2．1 在線品牌忠誠度度量模型內(nèi)部有效性指標
6．2．2 在線品牌忠誠度度量模型外部有效性指標
6．3 在線品牌忠誠度度量模型內(nèi)部有效性指標檢驗實現(xiàn)
6．3．1 在線品牌忠誠度度量模型 SSE 指標檢驗算法
6．3．2 在線品牌忠誠度度量模型 SSB 指標檢驗算法
6．3．3 在線品牌忠誠度度量模型 Intra DPS 指標檢驗算法
6．3．4 在線品牌忠誠度度量模型 Inter DPS 指標檢驗算法
6．3．5 在線品牌忠誠度度量模型交叉檢驗算法
6．4 在線品牌忠誠度度量模型外部有效性指標檢驗實現(xiàn)
6．4．1 Allan L． Baldinger 和 Joel Rubinson 的理論檢驗
6．4．2 Palto 理論的檢驗
6．5 本章小結(jié)
7 在線品牌忠誠度度量的模型優(yōu)化
7．1 在線品牌忠誠度度量的模型數(shù)據(jù)處理優(yōu)化方法
7．1．1 增加數(shù)據(jù)量
7．1．2 處理缺失值和異常值
7．2 在線品牌忠誠度度量的模型數(shù)據(jù)處理優(yōu)化實現(xiàn)
7．2．1 算法設計
7．2．2 算法實現(xiàn)
7．3 在線品牌忠誠度度量的模型特征工程優(yōu)化方法
7．3．1 特征工程優(yōu)化概述
7．3．2 RFE 特征選擇方法
7．3．3 Boruta 特征選擇方法
7．4 在線品牌忠誠度度量的模型特征工程優(yōu)化實現(xiàn)
7．4．1 特征轉(zhuǎn)換和選擇預處理方法的實現(xiàn)
7．4．2 RFE 特征選擇方法的實現(xiàn)
7．4．3 基于 RFE 特征選擇方法的模型優(yōu)化
7．4．4 Boruta 特征選擇方法的實現(xiàn)
7．4．5 基于 Boruta 特征選擇方法的模型優(yōu)化
7．4．6 基于 RFE 和 Boruta 特征選擇方法的模型優(yōu)化比較
7．5 在線品牌忠誠度度量的模型算法調(diào)整優(yōu)化方法及實現(xiàn)
7．5．1 基于聚類數(shù) k 選擇的模型優(yōu)化
7．5．2 基于迭代次數(shù)選擇的模型優(yōu)化
7．5．3 基于初始質(zhì)心生成次數(shù)選擇的模型優(yōu)化
7．6 在線品牌忠誠度度量最優(yōu)模型效果
7．6．1 實現(xiàn)在線品牌忠誠度相似用戶的聚類
7．6．2 實現(xiàn)在線品牌忠誠度的界定
7．7 本章小結(jié)
8 總結(jié)與展望
參考文獻