一种基于中文分词和数据聚合的餐饮行为特征挖掘方法（石油矿藏资料）.docVIP

一种基于中文分词和数据聚合的餐饮行为特征挖掘方法（石油矿藏资料） 文档信息 ： 文档作为关于“IT计算机”中“数据挖掘与模式识别”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文5165字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：一种基于中文分词和数据聚合的餐饮行为特征挖掘方法 2 3 结果分析 4 1) 上海人最爱吃粤菜 4 2) 上海人爱吃酸 4 3) 上海人最爱在一个菜系消费，年度消费菜系最多达到39个 4 4 总结 5 文2：一种基于排名聚合的社交网络关键用户挖掘方法 5 0 引言 7 参考文摘引言： 8 原创性声明（模板） 9 文章致谢（模板） 9 正文 一种基于中文分词和数据聚合的餐饮行为特征挖掘方法（石油矿藏资料） 文1：一种基于中文分词和数据聚合的餐饮行为特征挖掘方法 银联交易数据与带菜系标签的银联商户数据的聚合，由于两个数据文件都很大，因此需要MapReduce实现join。在map阶段，设置银联交易数据的Tag=0，带菜系标签的银联商户数据的Tag=1，商户号作为Groupkey，在reduce阶段实现了银联交易数据与带菜系标签的银联商户数据的join，形成餐饮基础数据。 特征挖掘 经过对持卡人餐饮行为的分析和调研，总结出六种餐饮行为特征： 菜系分布、爱吃菜系、青睐口味、就餐人群、就餐档次、就餐时间。分别对每一个特征进行挖掘。 1) 菜系分布，表示持卡人在不同菜系餐馆的消费分布情况。餐饮基础数据包含所有银联持卡人在餐饮行业的消费记录，以及所有餐馆所属菜系。通过MapReduce程序，以餐饮基础数据作为输入，持卡人卡号为key，统计持卡人在所有菜系的消费情况，包括消费次数和消费金额，形成持卡人菜系分布数据。以持卡人菜系分布数据作为输入，通过MapReduce程序，持卡人卡号为key，统计持卡人年度消费菜系个数。 2) 爱吃菜系，表示持卡人在所有菜系中最爱吃哪一个菜系。通过MapReduce程序，以持卡人菜系分布数据作为输入，持卡人卡号为key，优先比较消费次数，次数相同则比较消费金额，找出持卡人消费次数或金额最多的菜系，即是持卡人爱吃菜系。 3) 青睐口味，表示持卡人喜欢吃什么口味的菜。口味分为酸、甜、咸、辣、海鲜、淡六种。根据菜系本身的特点，将其划分到对应的口味。青睐口味计算需要两步，分别用两个MapReduce任务依次实现。第一步，以持卡人菜系分布数据作为输入，持卡人卡号为key，每一个口味对应的所有菜系就餐次数进行累加，形成持卡人口味分布数据；第二步，以持卡人口味分布数据作为输入，持卡人卡号为key，比较所有口味的就餐次数，就餐次数最多的口味，即是持卡人青睐口味。 4) 就餐人群，表示通过持卡人就餐行为将持卡人划分为不同就餐人群。就餐人群主要分为爱吃中餐、爱吃西餐、爱吃料理、爱吃东南亚菜、工作餐、爱吃零食六种。参考百度地图餐饮、大众点评等对菜系的分类，中餐、西餐、料理、东南亚菜、零食分别包含不同的菜系，工作餐通过快餐来定义。持卡人所属就餐人群计算，通过MapReduce程序，以餐饮基础数据作为输入，持卡人卡号为key，在map阶段，每一个就餐人群对应的所有菜系次数进行累加，在reduce阶段，对每一个持卡人，比较其在六种就餐人群的消费次数，消费次数最多的就餐人群，即可确定为该持卡人所属就餐人群。 5) 就餐档次，按照持卡人次均消费金额划分为五个档次。大众点评按照人均消费划分为五个档次，本文引入了大众点评的人均消费划分，按照每次2~3人就餐，作为次均消费金额划分标准，如表2所示。通过MapReduce程序，以银联交易数据作为输入，持卡人卡号为key，在map阶段，统计持卡人每次消费金额，消费次数设为1，在reduce阶段，首先对持卡人消费金额和消费次数进行累加，计算出次均消费金额，然后根据次均消费金额判断持卡人所属就餐档次。 6) 就餐时间，表示持卡人在什么时间最爱外出就餐。就餐时间分为早餐、午餐、晚餐、夜宵四个时间段，如表3所示。通过MapReduce程序，以银联交易数据作为输入，持卡人卡号为key，在map阶段，获取持卡人消费时间属于四个时间段中的哪一个，设置持卡人四个时间段对应的消费金额和次数，在reduce阶段，首先分别累加四个时间段的消费金额和消费次数，然后优先比较消费次数，找出次数最多的一个时间段，如果次数相同，则比较消费金额，找出对应的时间段，即为持卡人最爱外出就餐时间。 3 结果分析 对2014年上海持卡人在餐饮行业的消费行为进行挖掘，分析持卡人在菜系分布、爱吃菜系、青睐口味、就餐人群、就餐档次、就