论文目录 | |
摘要 | 第1-6页 |
Abstract | 第6-13页 |
1 绪论 | 第13-28页 |
1.1 选题背景 | 第13-14页 |
1.2 选题目的及意义 | 第14页 |
1.2.1 选题目的 | 第14页 |
1.2.2 选题意义 | 第14页 |
1.3 国内外研究现状 | 第14-24页 |
1.3.1 国外研究现状 | 第14-20页 |
1.3.1.1 品牌忠诚度概念界定研究 | 第15页 |
1.3.1.2 品牌忠诚度价值研究 | 第15-16页 |
1.3.1.3 品牌忠诚度度量研究 | 第16-18页 |
1.3.1.4 在线品牌忠诚度研究 | 第18-20页 |
1.3.2 国内研究现状 | 第20-23页 |
1.3.2.1 品牌忠诚度度量研究 | 第20-22页 |
1.3.2.2 品牌忠诚度态度度量模型研究 | 第22-23页 |
1.3.3 研究现状评述 | 第23-24页 |
1.4 研究思路与研究内容 | 第24-26页 |
1.4.1 研究思路 | 第24页 |
1.4.2 研究内容 | 第24-26页 |
1.5 论文结构 | 第26-28页 |
2 在线品牌忠诚度大数据与机器学习方法 | 第28-39页 |
2.1 在线品牌忠诚度大数据特性 | 第28-31页 |
2.1.1 在线品牌忠诚度大数据的基本特性 | 第28-29页 |
2.1.2 在线品牌忠诚度大数据的特殊性 | 第29-30页 |
2.1.3 在线品牌忠诚度大数据分析评述 | 第30-31页 |
2.2 在线品牌忠诚度度量的机器学习方法 | 第31-38页 |
2.2.1 机器学习研究概述 | 第31-33页 |
2.2.2 在线品牌忠诚度度量的机器学习要素 | 第33-34页 |
2.2.3 在线品牌忠诚度度量的机器学习聚类方法 | 第34-35页 |
2.2.4 在线品牌忠诚度度量的机器学习框架 | 第35-36页 |
2.2.5 在线品牌忠诚度度量的机器学习环境 | 第36-37页 |
2.2.6 在线品牌忠诚度度量的机器学习路径 | 第37-38页 |
2.3 本章小结 | 第38-39页 |
3 品牌忠诚度度量的在线数据采集 | 第39-50页 |
3.1 品牌忠诚度度量的在线数据采集关键技术 | 第39-41页 |
3.1.1 信息源 | 第39-40页 |
3.1.2 采集方法 | 第40页 |
3.1.3 数据处理 | 第40-41页 |
3.2 品牌忠诚度度量的在线数据采集模型分析 | 第41-42页 |
3.2.1 在线数据采集模型 | 第41页 |
3.2.2 在线数据采集模型抓取策略 | 第41-42页 |
3.2.3 在线数据采集模型结构原理 | 第42页 |
3.3 品牌忠诚度度量的在线数据采集模型设计 | 第42-46页 |
3.3.1 在线数据采集模型的策略设计 | 第42-43页 |
3.3.2 在线数据采集模型的架构设计 | 第43-44页 |
3.3.3 在线数据采集模型的详细设计 | 第44-46页 |
3.4 品牌忠诚度度量的在线数据采集模型实现 | 第46-49页 |
3.4.1 根据主题爬取URL列表 | 第46页 |
3.4.2 URL判重 | 第46页 |
3.4.3 网页解析存储 | 第46-49页 |
3.5 本章小结 | 第49-50页 |
4 品牌忠诚度度量的在线数据清洗 | 第50-74页 |
4.1 品牌忠诚度度量的在线数据清洗概述 | 第50-57页 |
4.1.1 品牌忠诚度度量的在线数据清洗流程 | 第50页 |
4.1.2 品牌忠诚度度量的在线数据清洗准备 | 第50-57页 |
4.1.3 品牌忠诚度度量的在线数据清洗对象 | 第57页 |
4.2 品牌忠诚度度量的在线数据检测算法设计与实现 | 第57-63页 |
4.2.1 品牌忠诚度度量的在线重复数据检测算法 | 第57-59页 |
4.2.2 品牌忠诚度度量的在线错误数据检测算法 | 第59-62页 |
4.2.3 品牌忠诚度度量的在线缺失数据检测算法 | 第62-63页 |
4.3 品牌忠诚度度量的在线数据清洗算法设计与实现 | 第63-73页 |
4.3.1 品牌忠诚度度量的在线重复数据清洗算法 | 第63-64页 |
4.3.2 品牌忠诚度度量的转换在线数据类型算法 | 第64-66页 |
4.3.3 品牌忠诚度度量的在线错误数据清洗算法 | 第66-68页 |
4.3.4 品牌忠诚度度量的在线缺失数据清洗算法 | 第68-72页 |
4.3.5 合并和过滤品牌忠诚度度量的在线数据算法 | 第72-73页 |
4.4 本章小结 | 第73-74页 |
5 品牌忠诚度度量的机器学习方法建模 | 第74-100页 |
5.1 机器学习聚类算法理论 | 第74-76页 |
5.1.1 聚类基本概念 | 第74页 |
5.1.2 划分聚类 | 第74页 |
5.1.3 k-means算法基本思想 | 第74-75页 |
5.1.4 k-means算法步骤 | 第75页 |
5.1.5 k-means算法分析 | 第75-76页 |
5.2 品牌忠诚度度量模型特征概述 | 第76-79页 |
5.2.1 品牌忠诚度度量模型特征选择依据 | 第76页 |
5.2.2 品牌忠诚度度量模型特征指标定义 | 第76-79页 |
5.3 品牌忠诚度度量模型特征构建 | 第79-90页 |
5.3.1 品牌忠诚度度量模型行为特征集构建算法 | 第79-82页 |
5.3.2 品牌忠诚度度量模型态度特征集构建算法 | 第82-84页 |
5.3.3 品牌忠诚度度量模型时间特征集构建算法 | 第84-86页 |
5.3.4 品牌忠诚度度量模型用户特征集构建算法 | 第86-88页 |
5.3.5 品牌忠诚度度量模型初始特征集构建算法 | 第88-90页 |
5.4 品牌忠诚度度量模型构建 | 第90-99页 |
5.4.1 品牌忠诚度度量模型要素定义 | 第90-91页 |
5.4.2 品牌忠诚度度量模型要素实例 | 第91-92页 |
5.4.3 品牌忠诚度度量模型方法定义 | 第92-93页 |
5.4.4 品牌忠诚度度量模型构建实现 | 第93-99页 |
5.5 本章小结 | 第99-100页 |
6 品牌忠诚度度量模型检验 | 第100-126页 |
6.1 品牌忠诚度度量模型检验概述 | 第100-101页 |
6.1.1 聚类模型有效性 | 第100页 |
6.1.2 聚类模型有效性检验方法 | 第100-101页 |
6.2 品牌忠诚度度量模型检验指标设计 | 第101-104页 |
6.2.1 品牌忠诚度度量模型内部有效性指标 | 第101-103页 |
6.2.2 品牌忠诚度度量模型外部有效性指标 | 第103-104页 |
6.3 品牌忠诚度度量模型内部有效性指标检验实现 | 第104-122页 |
6.3.1 品牌忠诚度度量模型SSE指标检验算法 | 第104-105页 |
6.3.2 品牌忠诚度度量模型SSB指标检验算法 | 第105-107页 |
6.3.3 品牌忠诚度度量模型Intra DPS指标检验算法 | 第107-108页 |
6.3.4 品牌忠诚度度量模型Inter DPS指标检验算法 | 第108-109页 |
6.3.5 品牌忠诚度度量模型交叉检验算法 | 第109-122页 |
6.4 品牌忠诚度度量模型外部有效性指标检验实现 | 第122-125页 |
6.4.1 Allan L. Baldinger&Joel Rubinson理论检验 | 第122-124页 |
6.4.2 Palto理论检验 | 第124-125页 |
6.5 本章小结 | 第125-126页 |
7 品牌忠诚度度量模型优化 | 第126-163页 |
7.1 品牌忠诚度度量的模型数据处理优化方法 | 第126-127页 |
7.2 品牌忠诚度度量的模型数据处理优化实现 | 第127-128页 |
7.3 品牌忠诚度度量的模型特征工程优化方法 | 第128-132页 |
7.3.1 特征工程优化概述 | 第129-131页 |
7.3.2 RFE特征选择方法 | 第131-132页 |
7.3.3 Boruta特征选择方法 | 第132页 |
7.4 品牌忠诚度度量的模型特征工程优化实现 | 第132-155页 |
7.4.1 特征转换和选择预处理方法实现 | 第132-137页 |
7.4.2 RFE特征选择方法实现 | 第137-139页 |
7.4.3 基于RFE特征选择方法的模型优化 | 第139-146页 |
7.4.4 Boruta特征选择方法实现 | 第146-151页 |
7.4.5 基于Boruta特征选择方法的模型优化 | 第151-154页 |
7.4.6 基于RFE和Boruta特征选择方法的模型优化比较 | 第154-155页 |
7.5 品牌忠诚度度量的模型算法调整优化方法及实现 | 第155-158页 |
7.5.1 基于聚类数k选择的模型优化 | 第155-157页 |
7.5.2 基于迭代次数选择的模型优化 | 第157页 |
7.5.3 基于初始质心生成次数选择的模型优化 | 第157-158页 |
7.6 品牌忠诚度度量最优模型效果 | 第158-162页 |
7.6.1 实现在线品牌忠诚度相似用户聚类 | 第158-159页 |
7.6.2 实现在线品牌忠诚程度界定 | 第159-162页 |
7.7 本章小结 | 第162-163页 |
8 总结与展望 | 第163-165页 |
9 参考文献 | 第165-171页 |
10 在学期间发表的学术论文和研究成果 | 第171-172页 |
11 致谢 | 第172页 |