基于点击流分析的电子商务个性化服务分析-personalized service analysis of e-commerce based on click flow analysis.docxVIP

优秀毕业论文 精品参考文献资料 原创性声明 本人郑重声明:所 呈交的学位论文，是本人在导师指导下，进行研究工作所取得 的成果。除文中已经注明引用的内容外，本学位论文不包含任何他人或集体已经发表 的作品内容，也不包含本人为获得其他学位而使用过的材料。对本论文所涉及的研究 工作做出贡 献的其他个人或集体，均已在文中以明确方式标明。本学位论文原创性声 明的法律责任由本人承担。 学位论文作者签名: 刻1 问朔: J- O/O. I).lf 关于学位论文版权使用授权的说明 本人完全了解河北工业大学关于收集、保存、使用学位论文的以 F规定:学校有权 来用影 印、缩印、扫描、数字化或其它手段保存论文;学校有权提供本学位论文全文或 者部分内容的阅览服务 :学校有权将学位论文的全部或部分内容编入有关数据库进行检 索、交流:学校有权向国家有关部门或者机构送交论文的复印件和电子版。 (保密的学位论文在解密后适用本授权说明〉 司}剧: )-0 学位论文作者接名: 别1 街 i /0  .1).、lf 导 师 签 名: t 日期z 三1_.--0 [ 0. I 之、 18 基于点击流分析的电子商务个性化服务研究 河北工业大学硕士学位论文  PAGE 12  PAGE 11 第一章 绪论 §1-1 选题背景及意义 随着网络技术的飞速发展,电子商务已经成为一种越来越重要的商品销售模式，用户可以在足不出 户的情况下利用电子商务系统来进行商品的选择，可以节省大量的时间和精力。但与此同时，由于商品 的种类越来越多，而且网站结构越来越复杂，用户经常会迷失在大量的商品信息中，无法快速地找到自 己需要的商品。因此，向用户及时提供所需的商品和服务信息，为用户提供个性化的服务，能提高客户 的忠诚度、防止客户流失并且提高企业的销售力及竞争力。 数据挖掘工具的发展和点击流技术的出现能够极大地提升电子商务网站的个性化服务水平。当用户 浏览电子商务网站时，就会在服务器上留下“脚印”，这就是点击流数据。对用户的点击流数据进行数 据挖掘，分析用户对商品的兴趣和偏好及购买习惯,发现潜在用户，不断地调整向用户提供的信息,实现 动态地为用户提供所需信息的个性化服务。点击流技术的出现能够很好地跟踪用户历史行为,帮助用户 及时获取最需要的信息,以实现在网络环境下利用点击流技术为用户提供更精确的个性化服务。将点击 流技术应用到个性化服务能有效提高服务的质量和满意度,增强电子商务网站的黏着度和服务竞争力 , 提高网站的盈利水平。 点击流数据中主要是 web 日志数据，所以本文主要对 web 日志进行挖掘。Web 日志挖掘就是对用 户访问模式、网页信息等进行聚类分析，发现用户的访问模式，进一步发现潜在的用户的访问兴趣。然 而，web 聚类不同于传统的聚类算法,首先,web 数据大多是非数值型半结构化数据,不能直接应用数据挖 掘工具进行分析。其次,会出现许多错误的和不完整的数据，类与类之间的边界会出现重叠，没有严格 地界限。一个模式可能以不同程度隶属于多个类。因此，web 日志数据有着明显的模糊特征。因此，将 模糊技术应用于 web 日志挖掘领域是更符合 web 数据特征，并且提高了聚类的准确性。 通过挖掘 Web 日志中潜在的知识，将相似用户及相关页面进行聚类是建立自适应网站的必要前提。 传统的聚类分析是一种硬划分,它将事物硬性地划分到某类，具有非此即彼的性质，应用该算法对 Web 日志进行挖掘有其局限性。因此，根据 web 数据特征和模糊聚类算法思想，对模糊 c 均值聚类算法进 行改进，并将其应用到 Web 日志挖掘中,实现对用户和页面的聚类,该算法性能稳定,可扩展性良好，能 很好的排除噪声点的影响。  §1-2 本文的研究内容及创新点 本文研究目前个性化服务中存在的问题，将点击流技术应用到电子商务个性化服务中，利用点击流 技术对用户在网站的浏览记录进行分析，对点击流中 web 数据进行聚类，本文将模糊 C 均值聚类算法 （Fuzzy C-means,简称 FCM）应用到 web 日志挖掘中，分析其存在的问题，并提出改进算法，最后将改 进的算法应用到 web 日志数据中，通过聚类结果分析用户的兴趣模型。 本文内容如下： （1）分析了目前国内外个性化服务的现状及存在的问题，总结点击流技术在个性化服务中的优势。 综述了模糊聚类分析的相关理论及其在 web 日志挖掘中的应用，重点介绍模糊 C 均值聚类算法的 相关理论。 （2）对 FCM 算法进行了改进。将减法聚类算法应用到 FCM 算法中，得到 SFCM 算法，用以产 生具有代表性的初始聚类中心；在 FCM 中引入一种新的距离度量函数，即 DFCM 算法，改善 FCM 算法对于样本分布不均的数据聚类效果不好的缺点，提高了算