基于关联分类方法的网站客户分类研究

随着电子商务的不断发展,对用户的分析和分类越来越重要,因此需要一个行之有效的方法来对用户进行分类。针对网站日志数据的特点和各种数据挖掘算法的应用特征,尝试用基于关联规则的分类算法来对网站客户进行分类。实验证明此方法是有效的,其结果可以作为提供个性化服务的依据。     

改进型模糊神经网络在顾客分类中的应用研究

随着电子商务的不断发展,顾客信息的管理和分析对B2C电子商务网站来说越来越重要,因此需要一个行之有效的方法来收集顾客信息,并深入挖掘其中所蕴涵的有价值信息。在本文中,我们提出了一种可以根据消费者的网页访问记录和网上交易记录来动态地对顾客进行分类的方法,主要是利用了改进型的FuzzyART神经网络对顾客在网站上的行为模型进行分类,从而得到顾客的分类信息。其结果可以作为提供个性化服务、确定产品的市场定位等方面的基础和依据。文章通过实验证明了上述方法的有效性和正确性,并对其应用进行了进一步的展望。     

序列模式挖掘在电子商务个性化服务中的应用

分析了电子商务发展面临的问题和个性化服务的特点,提出了Web使用挖掘技术在电子商务个性化服务中的应用方法,论述了基于Web挖掘的个性化服务研究,详细阐述了其挖掘过程,最后讨论了使用序列模式和分类相结合的技术得以实现个性化服务的方法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并对Web信息资源的组织方式进行有效更新,从而提高网络信息服务效率,为用户提供“一对一”的具备自适应性的智能个性化服务。     

序列模式挖掘在电子商务个性化服务中的应用

分析了电子商务发展面临的问题和个性化服务的特点，提出了Web使用挖掘技术在电子商务个性化服务中的应用方法，论述了基于Web挖掘的个性化服务研究．详细阐述了其挖掘过程，最后讨论了使用序列模式和分类相结合的技术得以实现个性化服务的方法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并对Web信息资源的组织方式进行有效更新，从而提高网络信息服务效率，为用户提供“一对一”的具备自适应性的智能个性化服务。     

基于K均值聚类算法的图书商品推荐仿真系统

研究推荐仿真系统是电子商务个性化服务中的重要技术,基于内容的推荐和协同过滤是推荐系统的重要方法.在实际应用中存在着特征提取困难、计算量大的难题.为了准确提取信息,增加可信度,提出了一种基于K均值聚类和关联规则的推荐方法.可以根据每个用户的购买记录采用改进的K均值算法进行客户细分,将具有相似购买倾向的用户划分为一类;对每个类的用户的购买记录进行关联规则挖掘,建立个性化知识库.依据个性化知识库和用户的购买记录,生成推荐结果.以某电子商务网站中的图书商品为例进行了仿真实验.仿真结果表明,方法具有较高的运算效率而且推荐结果具有合理性和准确性.     

用户行为模式下电子商务网站个性化推荐研究

个性化推荐可解决网络信息多样性与用户需求之间的矛盾。个性化推荐在电子商务应用领域取得了显著的成效。论文首先对四种主流的电子商务个性化推荐技术进行综述,其次提出用户行为模式下电子商务网站个性化推荐方法,其个性化推荐的实现一般包括用户行为聚类、个性化推荐二个模块,最后通过图书电子商务网站的实验对推荐方法的效果进行验证。     

基于关联分析的粗粒度级个性化信息挖掘

1 引言个性化服务是指针对用户个人需求的不同,采取不同服务策略的一种个性化服务模式。个性化的健康服务体现在商品信息个性化和配送个性化两个方面。个性化信息服务可以在两种粒度上进行: (1)细粒度的个性化服务。其主要为网站的注册用户或会员提供。Web站点上存放着关于这些用户的比较详细的信息,例如性别、年龄、收入范围、健康需求以及定购商品的记录等。在这些信息上进行算法设计,Web站点能够为这些用户提供针对个人的个性化服务; (2)粗粒度的个性化服务。它将以用户群为单位来提供相应的个性化服务策略。而根据用户种类的不同,又可分为两个级别来实现。a)对一般用户,这是一种最大粒度的粗粒度个性     

移动互联网时代新消费APP开发思路探讨

移动互联网和电子商务的蓬勃发展促进了消费APP的广泛使用,但目前消费APP存在个性化差、数据不能有效沟通、无法提供全方位人性化服务等问题。提出了新消费APP开发思路,它综合各网站消费记录和最新消费数据,按照用户所处网络环境进行个性化和人性化服务。首先考虑智能手机特点,该APP界面更简洁。首次登录,后台统计该用户历史消费记录确定其消费频率等级和物品消费等级矩阵。考虑消费观和消费行为存在变动性,将历史统计值和最近消费记录相结合,提供个性化服务并根据所处网络环境,自适应调整数据交互量以此提高用户体验质量。     

一种适合于保险产品的个性化推荐算法

随着保险电子商务的不断发展,保险网站的用户越来越多样化,需求差异越来越大,为不同类型的用户推荐个性化定制化的产品以提高网站销量已经成为行业趋势。针对该问题,提出基于保险行业电子商务网站的个性化推荐系统。系统采用了基于内容的推荐和基于关联规则的推荐,分别利用保险产品本身的分类特点和用户访问网站的历史记录来推荐产品,最后将两种算法进行组合推荐。实验结果表明,算法性能高,平均推荐准确率在8%左右。由此得出结论,所提算法可用于网站的线上预测推荐。     

基于Web日志的煤矿企业网站个性化推荐服务研究

为了解决煤矿企业网站用户查找信息难的问题,提出了一种基于Web日志的煤矿企业网站个性化推荐服务模型。该模型应用关联规则对新用户进行页面推荐,应用聚类算法对老用户进行页面推荐;并结合点击网页的次数、网页的浏览时间、雅可系数与最长公共路径系数来度量用户兴趣度的方法,可为用户准确地推荐其感兴趣的页面。测试结果表明,该模型能够有效地对网页资源进行分类并进行个性化推荐。     

一种基于群体智能的客户行为分析算法

提出了一种基于群体智能的客户行为分析算法．首先将客户的消费模式作为平面上的一个点随机分布于平面区域内；然后依据基于群体智能的聚类方法，选用由小到大的群体相似系数进行聚类分析；最后，在平面区域内采用递归算法收集聚类结果，获得不同消费特征的客户群体．文中还提出了算法的并行策略，提高了算法对大数据量的适应性．该文以电信移动客户话费数据作为实验数据，并将算法结果与其它经典聚类算法的结果进行比较分析．分析结果表明：这种基于群体智能的客户行为分析算法能够满足客户聚类和分类的要求，特别是在大客户分析及一对一营销中特别客户的分析方面该算法有直观、类别特征明显等特点．     

GHIC: a hierarchical pattern-based clustering algorithm for grouping Web transactions

Grouping customer transactions into segments may help understand customers better. The marketing literature has concentrated on identifying important segmentation variables (e.g., customer loyalty) and on using cluster analysis and mixture models for segmentation. The data mining literature has provided various clustering algorithms for segmentation without focusing specifically on clustering customer transactions. Building on the notion that observable customer transactions are generated by latent behavioral traits, in this paper, we investigate using a pattern-based clustering approach to grouping customer transactions. We define an objective function that we maximize in order to achieve a good clustering of customer transactions and present an algorithm, GHIC, that groups customer transactions such that itemsets generated from each cluster, while similar to each other, are different from ones generated from others. We present experimental results from user-centric Web usage data that demonstrates that GHIC generates a highly effective clustering of transactions.     

两种聚类算法在顾客行为分析中的应用比较

分析网络群落划分的GN聚类和模式识别中AP聚类两种算法的设计思想和特点;以图书借阅记录为例构建了顾客聚类的数据集,进行了两种算法的聚类比较。研究表明,两种算法从不同角度揭示了顾客群体的结构特征,GN聚类结果与顾客的宏观特征分类相接近,而AP算法结果反映出顾客需求的分布特征。探讨了算法设计原则对实验结果产生的影响。这些工作可为聚类算法的设计改进和顾客行为的数据挖掘等研究提供一定的参考。     

Customer segmentation issues and strategies for an automobile dealership with two clustering techniques

Companies can use customer segmentation to group customers with similar characteristics together and identify the differences between groups to develop marketing strategies. This study investigates the problem of customer segmentation in relation to automotive customer relationship management and presents a real case study of an automobile dealer in Taiwan. Although several past studies have adopted different clustering techniques with which to group customer attributes, few have simultaneously considered customer transaction behaviour and customer satisfaction variables. In addition, most previous work has used only a single clustering method for customer segmentation, which results in unreliable results and leads to inadequate marketing decisions. Therefore, in this study, we consider two clustering techniques, k‐means and expectation maximization, and compare their results for correctness. The experimental results show that four customer groups are identified with both clustering methods: loyal, potential, VIP and churn customer groups. Based on the segmentation results, several customized marketing strategies aimed at each of the four customer groups are suggested to improve the quality of services for effective customer relationship management.     

基于自适应特征权重聚类算法的用电问题分析

提升客服系统对于群体客户用电问题的分析与理解能力是改善电力行业客服质量的重要途径之一.本文基于数据挖掘中的聚类技术,以电力客服中心记录的客户用电问题为数据基础,建立客户服务数据分析聚类模型,进而提出了针对用电问题分析的改进的自适应特征权重K-Means聚类算法.实验验证了该方法可快速准确地实现客服数据的自动聚类,可挖掘出隐藏的客户用电问题关键信息,为改进用电力客服质量与潜在服务风险预测提供了技术支撑.     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

基于层次分析的客服中心实时数据流自动监测方法

为了提高客服中心的智能管理和信息调度能力,结合大数据分析方法进行客服中心实时数据监测和自动采集设计。提出一种基于模糊规则特征量挖掘和层次分析聚类的客服中心实时数据流自动监测方法。建立客服中心的网格分布结构模型并进行客服中心实时数据流监测统计特征分析,进行客服中心实时监测数据属性集的向量量化特征分解,对客服中心实时数据采用信息融合和模糊层析性分析方法实现信息融合,进行关联数据自适应特征提取,挖掘客服中心实时监测数据信息流的正相关性特征量。在层次性聚类算法基础上采用自回归分析进行客服中心实时数据流的模糊聚类和信息预测,提高客服中心实时数据监测的准确性,同时降低了客服服务中心数据流监测的风险。仿真结果表明,采用该方法进行客服中心实时数据监测的聚类性较高,预测性较好,能降低数据聚类的误分率,提高了客服中心实时数据监测能力。     

模糊聚类的分析

本文提出基于客户价值的客户分类方法,将加权模糊c均值算法应用于客户分类,并用基于相似系数和检测孤立点的方法排除孤立点对聚类结果的干扰,提高聚类质量。