跳到主要內容

臺灣博碩士論文加值系統

(34.204.180.223) 您好!臺灣時間:2021/08/05 23:10
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:陳元瑋
研究生(外文):Yuan-Wei Chen
論文名稱:以網路使用行為為基礎之個人化推薦系統
論文名稱(外文):A Personalized Recommender System Based on Web Usage Behavior
指導教授:黃謙順黃謙順引用關係
指導教授(外文):Chein-Shung Hwang
學位類別:碩士
校院名稱:中國文化大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:67
中文關鍵詞:網路使用探勘RFM模型自組織映射類神經網路關聯規則
外文關鍵詞:web usage miningRFM modelself-organizing mapassociation rules
相關次數:
  • 被引用被引用:2
  • 點閱點閱:153
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
網路的興起帶來了生活模式的改變,以往許多在現實生活中才能實現的事,現在均能藉由網路來完成,消費行為便是其中的一項。而由於資訊取得容易,但並非全部符合使用者所需,反而容易讓使用者被大量無用的資訊所淹沒。這種情形發生在網路消費行為上,對於企業而言會降低獲利的機會,因為提供過多無用的資訊不但無法有效率地執行行銷策略,反而會失去顧客的忠誠度,且虛耗成本。而對於顧客而言,耗費太多時間精神在過濾無用的資訊上,使得原本較為便利的消費行為反而更加困難。因此許多企業設置了推薦系統以提供顧客個人化的服務,除了正確地提供顧客真正想要的資訊,並藉由經驗學習及知識發掘,決定行銷策略,提高顧客忠誠度,增進獲利機會。
基於一個好的推薦系統具有許多優點,本研究提出一個以使用者行為為基礎的推薦系統架構,首先採用RFM模型及自組織映射類神經網路(self-organizing map, SOM)分群模式篩選出欲進行推薦的目標顧客,接著分析目標顧客的瀏覽偏好,再探勘商品間的關聯規則,最後將顧客偏好與關聯規則兩者結合以產生推薦清單,期能更精確的預測使用者的行為模式以提供真正有興趣的資訊,且能更有效率的輔助行銷策略,刺激消費。
The rapid development of internet has changed the patterns of our life. Something that only can be accomplished in the real world in the past can be realized via the internet nowadays, one of them is consumer’s behavior. Users of the internet can acquire a huge amount of information easily, but not all of that is what they really need. It not only reduces the benefit of the companies, carries out the marketing strategy inefficiently, loses consumers’ loyalty but wastes the cost as a result of excessively providing useless information. On the part of consumers, filtering abundant information wastes time and decreases the convenience of internet shopping. Avoiding situations like that, companies provide customers personal services via personalized recommender systems. Recommender systems can provide customers information accurately, learns customer experience, and discovers knowledge. It also supports marketing strategy, increases customers’ loyalty and improves companies’ advantage.
Because there is numerous advantage of recommender systems, we propose a recommender system architecture on the basis of users’ browsing behavior. We use RFM model and self-organizing map to select target customers, analyze their browsing preference and discover the association rules between products. Finally we integrate customers’ browsing preference and association rules to provide recommend list. We attempt to forecast consumers’ behavior precisely to provide information they are interested in indeed, and assist companies in implementing marketing strategy more efficiently.
中文摘要 ...................... iii
英文摘要 ...................... iv
誌謝辭  ...................... v
內容目錄 ...................... vi
表目錄  ...................... viii
圖目錄  ...................... ix
第一章  緒論.................... 1
  第一節  研究背景與動機............. 1
  第二節  研究目的................ 2
  第三節  研究限制................ 3
  第四節  論文架構................ 4
第二章  文獻探討.................. 5
  第一節  網頁使用探勘.............. 5
  第二節  個人化與推薦系統............ 8
  第三節  RFM模型................ 14
  第四節  類神經網路............... 18
  第五節  關聯規則................ 25
  第六節  相關研究探討.............. 28
第三章  研究方法.................. 30
  第一節  研究架構................ 30
  第二節  顧客偏好分析模組............ 31
  第三節  商品關聯分析模組............ 35
  第四節  推薦模組................ 37
第四章  實證分析.................. 39
  第一節  資料來源與預先處理........... 39
  第二節  顧客群集與顧客偏好........... 42
  第三節  商品關聯規則.............. 47
  第四節  商品偏好預測.............. 51
  第五節  實驗評估................ 52
第五章  結論與建議................. 61
參考文獻....................... 63
一、中文部份
卓建安(2006),以目標顧客及消費行為為基礎之利潤探勘,中國文化大學資訊管理研究所未出版之碩士論文。
張心馨,蔡獻富(2004),以Data Mining技術結合SOM和K-Mean的消費者分群方法於顧客關係管理和績效獲利性評估之實證研究,資訊管理學報,11(4),161-203。
黃如慧(2006),一個預測線上顧客產品知識程度之方法,朝陽科技大學資訊管理系未出版之碩士論文。
葉怡成(2003),類神經網路模式應用與實作(8版),台北:儒林出版社。
廖虹雲(2004),利用資料探勘來預測顧客對不同產品類別之偏好程度,朝陽科技大學資訊管理系未出版之碩士論文。
羅華強(2005),類神經網路-MATLAB的應用(2版),台北:高立圖書有限公司。
蘇建源(2004),模糊邏輯與資料探勘技術為基礎在顧客關係管理上之研究與應用,南華大學資訊管理研究所未出版之碩士論文。
龔青雲(2004),應用網路使用行為探戡技術於入口網站之介面設計,國立成功大學工業設計研究所未出版之碩士論文。
二、英文部份
Abidi, S. S. R., & Ong, J. (2000). A data mining strategy for induc-tive data clustering:A synergy between self-organizing neu-ral networks and k-means clustering techniques. In Pro-ceedings of IEEE TENCON 2000 (pp. 568-573). Kuala Lumpur.
Agrawal, R., & Srikant, R. (1994). Fast algorithm for mining asso-ciation rules. In J. B. Bocca, M. Jarke, and C. Zaniolo, (Eds.), Proceedings of the 20th international Conference on Very Large Data Bases (pp. 487-499), San Francisco: Mor-gan Kaufmann.
Cho, Y. H., Kim, J. K., & Kim, S. H. (2002). A personalized re-commender system based on web usage mining and deci-sion tree induction. Expert Systems with Applications, 23(3), 329-342.
Cooley, R., Mobasher, B., & Srivastava, J. (1997). Web mining: In-formation and pattern discovery on the World Wide Web. In IEEE Computer Society (Ed.), Proceedings of the 9th IEEE International Conference on Tools with Artificial Intelli-gence (pp. 558-567), Newport Beach.
Hughes, A. M. (1994). Strategic database marketing. Chicago : Porbus Publishing.
Hughes, A. M. (1996). Boosting response with RFM. American Demographics, 4-10.
Kahan, R. (1998). Using database marketing techniques to enhance your one-to-one marketing initiatives. Journal of Consumer Marketing, 15(5), 491-493.
Kim, J. K., Cho, Y. H., Kim, W. J., Kim, J. R., & Suh, J. H. (2002). A personalized recommendation procedure for internet shopping support. Electronic Commerce Research and Ap-plications, 1(3), 301-313.
Kim, Y. S., Yum, B. J., Song, J., & Kim, S. M. (2005). Development of a recommender system based on navigational and behav-ioral patterns of customers in e-commerce sites. Expert Sys-tems with Applications, 28(2), 381-393.
Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9), 1464-1480.
Marcus, C. (1998). A practical yet meaningful approach to customer segmentation. Journal of Consumer Marketing, 15(5), 494-504.
Miglautsch, J. R. (2000). Thoughts on RFM scoring. Journal of Database Marketing, 8(1), 67-72.
Mobasher, B. (2001). WebPersonalizer: A server-side recommender system based on web usage mining [Online]. Available: http://facweb.cs.depaul.edu/research/TechReports/TR01-004.pdf [2007, May 18].
Mobasher, B., Cooley, R., & Srivastava, J. (2000). Automatic per-sonalization based on web usage mining. Communications of the ACM, 43(8), 142-151.
Schafer, J. B., Konstan, J., & Riedi, J. (1999). Recommender sys-tems in E-Commerce. In ACM (Ed.), Proceedings of the First ACM Conference on Electronic Commerce (pp. 158-166), Denver.
Schafer, J. B., Konstan, J. A., & Riedl, J. (2001). E-Commerce recommendation applications. Data Mining and Knowledge Discovery, 5(1-2), 115-153.
Smith, K. A., & Ng, A. (2003). Web page clustering using a self-organizing map of user navigation patterns. Decision Support Systems, 35(2), 245-256.
Srivastava, J., Cooley, R., Deshpande, M., & Tan, P. (2000). Web usage mining: Discovery and applications of usage patterns from web data. ACM SIGKDD Explorations Newsletter, 1(2), 12-23.
Stone, B. (1995). Successful direct market method. Lincolnwood, IL : NTC Business Books.
Sung, H. H., & Sang, C. P. (1998). Application of data mining tools to hotel data mart on the intranet for database marketing. Expert Systems with Applications, 15(1), 1-31.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top