一、构造——提升用户价值的解决方案（论文文献综述）
石力[1]（2021）在《社区电商用户复购行为预测及推荐算法研究》文中研究说明随着电子商务的快速发展,参与社区网购的用户与日俱增,同时也为企业积累了大量的运营数据。电商数据中用户的复购行为可以体现用户的偏好,也是电商企业的重要利润来源。如何基于大数据预测用户的复购行为,并提升用户的复购意向成为社区电商平台面临的重要挑战。复购行为预测可用于个性化推荐系统中,识别具有重复购买意向的客户,从而达到精准营销,为用户提供个性化服务的目的。精准挖掘用户行为规律是准确预测复购行为的关键。尽管已有部分学者开展了基于数据统计规律的电商平台推荐算法研究,但在实际应用中仍有许多问题有待解决。如何构建推荐算法,基于数据预测社区电商平台用户的复购行为成为学术界和企业界研究的热点。本文以社区电商平台为基础,从企业实际运营数据出发,通过数学建模的方式研究了基于用户特征的复购行为预测与推荐算法。首先,针对社区电商平台中“用户群体固定”和“用户重复购买”这两个核心特征,提出了改进RFM（Recency、Frequency、Monetary）模型的用户特征提取方法,利用K-means++算法对用户进行聚类分析;其次,基于该用户特征提取模型,构建了客户购买行为特征,研究用户行为预测问题,通过挖掘消费者购买行为数据分布规律,预测消费者重复购买行为;为了保证社区电商的商品推荐准确性,挖掘了T-APP消费数据特征,提出了基于重复购买行为的推荐算法;最后构建了基于数据分析的精准营销决策支持系统,并对营销效果进行了评价。本文主要研究成果如下:1.提出了基于改进RFM模型和K-means++算法的用户聚类模型。针对T-APP平台数据用户群体相对固定、消费商品相对单一化、重复购买性明显的特征,提出了基于改进RFM模型的用户特征提取方法。首先使用正反向标准化方法对指标进行规范化处理;之后利用熵值法分别计算五个指标的权重;最后针对K-means的缺点,利用K-means++算法分析用户价值,提高了用户细分的精准度。2.基于机器学习算法构建了用户复购行为的集成预测模型。通过挖掘消费者购买行为数据分布规律,使用SMOTE-ENN（Synthetic Minority Oversampling Technique）方法解决了样本不平衡问题,并取得了较好结果。使用TPE（Tree-structured Parzen Estimator）优化算法对RF（Random Forests）、XGBooste（Xtreme Gradient Boosting）、Light GBM（Light Gradient Boosting Machine）的参数进行寻优,避免了复杂的参数优化过程,使用软投票方法对表现较好的RF和Light GBM算法进行融合,结果表明,RF-Light GBM集成模型,与RF、Light GBM、LSTM、CNN-LSTM模型相比较,F1指标更好,模型预测精度更高。3.提出了基于用户重复购买行为的改进推荐算法。基于T-APP历史数据,挖掘出社区电商用户的重复购买行为,提出了一种基于重复购买行为的推荐算法。首先,采用数学建模方法将用户分为稳定兴趣的活跃用户、稳定兴趣的非活跃用户、不稳定兴趣的活跃用户和不稳定兴趣的非活跃用户四类。接着,针对四类用户分别提出活跃用户稳定兴趣的推荐算法,活跃用户不稳定兴趣的推荐算法,非活跃用户稳定兴趣的推荐算法和非活跃用户不稳定兴趣的推荐算法。最后,将改进推荐算法与CF（Collaboration Filtering）算法、SVD（Singular Value Decomposition）算法、SVD++（Singular Value Decomposition++）算法和NMF（Nonnegative Matrix Factorization）算法进行了比较,结果表明改进推荐算法在准确率、召回率和F综合指标上具有明显的优越性。4.构建了基于数据分析的决策支持系统。对T-APP电商平台的原始数据进行数据清洗和数据预处理,并在此基础上验证了SVD++、User＿CF（User-based Collaboration Filtering）和Item＿CF（Item-based Collaboration Filtering）三种推荐算法的适用性。通过算例分析验证了本文提出的改进推荐算法的适用性和优越性。5.基于AISAS（Attention-Interest-Search-Action-Share）改进模型对精准营销效果进行评价。在AISAS模型的基础上结合T-APP实际情况,重新划分用户行为阶段,构建指标体系。运用实际数据进行计算分析,验证了本文提出的评价模型的有效性。本文的主要贡献有以下三点:（1）提出了基于改进RFM模型的用户特征提取方法,利用K-means++算法分析用户价值,提高了用户细分的精准度。（2）建立了用户复购行为的集成预测模型,解决了样本不平衡和超参数优化问题,提高了用户复购行为预测的准确率。（3）引入时间奖惩因子和社区电商商品复购周期,提出了基于复购动态兴趣的推荐算法,并验证了推荐算法的有效性。
王勇[2]（2021）在《基于RFM和BP神经网络的导购平台用户价值挖掘方法研究》文中研究表明近年来,我国互联网技术飞速发展,互联网给人们的生活带来了很多便利,例如网上购物,人们只需要点击鼠标或者滑动手机屏幕就可以买到自己想要的商品,网上购物离不开电商平台,电商平台种类繁多,其中电商导购平台是一种新型的电商平台,为人们提供了一种新的购物模式,导购平台的用户可以购买到价格更低或者性价比较高的商品。用户规模对于导购平台来说是任何阶段都要首先考虑的。充足的用户是导购平台高效运转的前提。因此以掌握的用户数据资料为基础,充分挖掘出用户的价值,针对不同价值的用户制定不同的营销策略,对电商导购平台具有重要的意义。论文主要对导购平台的用户价值的分类和用户价值分类预测两方面进行研究,第一方面,利用导购平台收集到的用户的基本属性信息和用户购买数据作为实验数据,提出基于改进RFM模型的导购平台用户价值分类方法,实现对导购平台用户的价值分类;第二方面根据已经标记好的用户价值数据进行有监督学习,提出基于BP神经网络的导购平台用户价值分类预测方法,实现对导购平台用户的价值分类预测。基于改进RFM模型的导购平台用户价值分类方法:首先利用用户的平均下单时间间隔代替最近消费时间,利用用户为平台带来的利润代替用户消费金额,增加用户粘度指标对传统的RFM模型进行改进。本文将改进后的模型称为RFMS模型。运用AHP层次分析法和熵权法的组合赋权法确定RFMS模型的指标权重,使用K-means聚类算法对电商导购平台用户进行聚类细分,最终将用户分为了四类。根据分类结果,分析每一类的用户价值,并提出营销建议。实验结果表明,与其他方法相比,本文提出的用户价值分类方法效果更好,更适用于导购平台。基于BP神经网络的导购平台用户价值分类预测方法:经过对导购平台用户价值分类以后,获得了已经标记过的用户价值数据,可以利用这些数据进行有监督学习,对导购平台用户的价值进行分类预测。首先选取导购用户价值分类预测的特征属性,根据数据特征确定BP神经网络的结构,使用粒子群优化算法优化BP神经网络,得到PSO＿BP模型,将PSO＿BP模型作为弱分类器,利用集成算法中的Ada Boost算法将多个PSO＿BP模型组合成强分类器,进而达到提高预测精度的目的。经过验证,本文提出的导购平台用户价值分类预测方法的预测性能要优于BP神经网络、PSO＿BP模型和决策树模型。
高文鞠[3]（2021）在《区域装备制造业与生产性服务业融合效应提升机制研究》文中指出在全球制造业格局深刻调整的背景下,以信息技术和智能制造技术为特征的新一轮技术革命推进了以“制造+服务”模式为主要特征的现代装备制造业发展进程。中国《“十四五”规划和2035年远景目标纲要》提出的“发展服务型制造新模式”和“服务制造业高质量发展导向”指明了装备制造业与生产性服务业融合的产业发展方向。目前,我国装备制造业与生产性服务业的融合效应在区域两大产业融合发展进程中逐步显现。但受限于资源禀赋、工业基础以及产业政策等因素,两大产业融合陷入融合效应水平低、区域离散性大以及融合效应实现动力不足等发展困境。因此,探究有哪些成熟的装备制造业与生产性服务业融合效应提升方式、方法可以遵循,构建一套完善的两大产业融合效应提升机制,已成为学界和业界共同亟待解决的问题。对区域装备制造业与生产性服务业融合效应演化机理进行分析,并对提升机制架构进行总体设计。在相关概念界定的基础上,分析两大产业融合系统要素、结构和功能;从融合自效应、融合溢出效应两个方面对两大产业融合效应进行分析,并揭示融合效应的多元性、动态性和系统性特征;从条件、动因与过程三个方面系统性揭示两大产业融合效应演化机理;综合运用扎根理论的质性研究方法确定两大产业融合效应演化要素,并以关键要素为基础,对其演化路径进行分析。在寻求两大产业融合效应最优演化路径的基础上,对其提升机制体系进行总体设计,得到由驱动机制、实现机制、调控机制构成的区域装备制造业与生产性服务业融合效应提升机制的完整架构,并对三个子机制间的关系进行分析。从机制分析、机制构建、机制运行三个方面对区域装备制造业与生产性服务业融合效应提升驱动机制、实现机制、调控机制进行详细设计。首先,揭示三种提升机制的内涵、特征与总体架构;其次,分别设计三种提升机制的构建过程。从动力驱动、动力传导与动力协同三个方面设计了两大产业融合效应提升驱动机制的构建过程。从战略协同、伙伴优化与价值整合三个方面设计了两大产业融合效应提升实现机制的构建过程。从评价、反馈与调节三个方面设计了两大产业融合效应提升调控机制的构建过程;最后,对三种提升机制的运行进行分析。在机制运行过程分析的基础上构建机制运行模型,并提出相应的机制运行管理策略。对区域装备制造业与生产性服务业融合效应提升机制保障策略进行详细设计。驱动机制保障方面,提出重视企业家内在素质、引导市场需求升级、加大技术创新投入以及完善人才资源保障等策略;实现机制保障方面,提出培育和提高组织核心能力、建立良好的合作信任关系、重视有效的信息沟通交流以及完善信息化网络平台建设等策略;调控机制保障方面,提出建立风险监控预警系统、优化反馈信息传输体系以及完善融合网络治理体系等策略。以黑龙江省为例进行实证研究。在揭示黑龙江省两大产业融合效应水平、提升机制现状的基础上,评价当前黑龙江省两大产业融合效应提升机制的运行效果,并有针对性的提出优化策略。本文构建了研究体系科学、研究内容完整、研究方法得当的区域装备制造业与生产性服务业融合效应提升机制理论框架,在丰富和完善产业融合理论体系、拓展产业融合效应研究广度的基础上,实现了从效应反馈视角指导区域装备制造业与生产性服务业融合实践,对于突破融合发展困境、实现融合高质量、可持续发展具有重要意义。
任晓萌[4]（2021）在《基于数据挖掘的G网络货运平台货主用户价值研究》文中进行了进一步梳理21世纪以来,我国经济社会持续高速发展,公路货运物流行业迎来了翻天覆地的深刻变化。在“互联网+公路货运”这一大背景下,我国公路货运物流行业提出了无车承运人的新模式,后无车承运人更名为“网络货运平台”。与此同时,大数据时代下巨大的流量也为企业的产品和服务带来了一连串的重塑,平台若能有效利用这些数据资源并加以分析和评估,通过数据平台搭建、数据可视化、用户画像建模等方式让静止的数据走出数据仓库,对用户价值深入挖掘研究,预估或推测用户潜在的行为偏好,对用户精准细分,并制定出合理有效的精准营销方案,将会帮助平台有效实现降本增利。本文以G网络货运平台货主用户为研究对象,深入挖掘平台当下亟需解决的货主用户管理粗放、划分规则模糊、激励作用过低的痛点,创新提出了基于CLV和AHP的RFMD货主用户价值模型,修正传统RFM模型指标R的含义和引进新指标D（发货能力）,结合用户生命周期价值模型CLV,将RFMD模型指标完善为7项,依据AHP层次分析法建立G网络货运平台货主用户价值的指标梯阶层次结构模型,再对价值指标进行权重赋值,得到本研究样本数据集的货主用户价值标准值。接着以此标准数据集为基础利用数据挖掘的K-MEANS聚类算法对货主用户进行价值分群,使用随机森林（RF）算法对聚类结果的货主用户进行特征选择,得到相关重要性强的特征变量。最后将这些特征变量用作用户标签,勾画出G网络货运平台不同货主群体的用户画像,并对此设计出个性化的货主用户精准营销方案来供平台参考,能为网络货运平台精准营销提供一些思路,有一定的理论意义和实践意义。本文使用Python软件作为研究聚类和特征选择的实现工具。全文图34幅,表22个,参考文献53篇。
郭慧[5]（2020）在《基于空气净化产品的感知价值诱发触点设计研究》文中指出随着我国社会生产力水平的进一步提升,新时代人民美好的精神文化需求愈加凸显,随着产品同质化发展的加剧,以用户为中心的设计被广泛讨论,因此,本文基于空气净化产品来探讨感知价值诱发触点的影响因素,通过研究与验证空气净化产品的感知价值,为探究以用户感知价值为核心的设计提出针对性的对策和建议。首先本文通过桌面调研研究有形产品的感知价值理论,触点设计和空气净化产品,确定了感知价值量表和影响有形产品感知价值的变量,主要包括情感价值,社会价值,功能价值,精神价值。其次,采用了问卷调查的方法得到原始数据,对数据筛选后进行总结与分析,结合用户访谈得到空气净化产品的触点数据,针对空气净化产品模块和触点设计研究,建立了空气净化产品的感知价值的核心触点。同时通过非参与式观察的方法找到核心触点,确立空气净化产品的感知价值的核心诱发触点的6点影响因素,分别为滤芯方便更换,时间设定,高效率净化空气,避免产生噪音,增加对空气质量的感知,适合所期望放置的环境。其次通过触点访谈确定设计方向,开展设计工作坊,得到空气净化产品原型。最后结合用户感知价值量表进行用户感知价值触点的原型设计与测试,最终将产出的设计模型通过用户感知价值量表进行验证得到了基于用户感知价值的产品触点设计开发的设计流程。针对以上结论,本项目验证了在有形产品设计中以感知价值为设计重点的理论,为以用户为中心的设计提供理论探讨,对空气净化产品的设计提出了具体可行的对策,为提高用户感知价值的有形产品设计提出程序和方法上的优化。
刘鹏[6]（2020）在《在线酒店用户细分及用户唤醒策略研究 ——以X网站项目为例》文中研究说明随着旅游行业的发展以及互联网商业模式的进步,在线旅游行业的市场规模也在不断扩大,其中在线酒店预订业务是在线旅游行业的重要组成部分。为提高企竞争力以及优化运营策略,越来越多的企业投入到对用户行为的研究中去。随着行业的发展,在线旅游企业需要采用更先进的手段,从更多角度对网站进行网站用户行为分析。现阶段的在线旅游行业用户预订行为研究主要是针对活跃用户,对于网站不活跃用户唤醒召回方面的研究和应用还比较少。因此本文主要通过对不活跃用户的行为进行分析,通过聚类的方式对不同用户进行分组。然后使用发送短信和发放优惠券的方式对一半用户进行唤醒。再对唤醒营销活动的结果进一步分析,对不同分组的用户唤醒促销效率及用户价值进行评估。根据论文结构安排,本文首先阐述在线旅游行业的发展状况、旅游行业用户行为分析在国内外的发展情况及遇到的问题、以及聚类的数据挖掘方法在用户分类领域的研究现状。之后选取9个与用户预订酒店行为相关的因素对在线预订酒店网站不活跃用户进行研究。针对X公司真实用户数据中预订酒店行为相关维度的数据运用K-means的数据挖掘方法进行聚类,将用户分为n个分组。接着,本文根据聚类出来的用户设计了基于ABTest实验思路的促销方案。直接对测试组用户发送中短信和优惠券,并记录用户在一段时间内实际订单数据。根据上述实验结果,使用层次分析法从用户唤醒率、优惠前单间夜收益、提升间夜费用、间夜量等因素对不同分组用户进行评价。最终获得各类型用户的用户价值排名,为短信唤醒项目后续的用户选择提供改进意见。最后本文对研究过程中的不足进行总结,并对未来研究方向进行展望。用户行为分析和用户分类对在线旅游企业的发展是十分必要的,文中涉及的研究方法和最终结论可以为在线旅游企业在用户唤醒方向的研究提供支持,对在线旅游企业运营中的决策具有一定指导意义。
王惠[7]（2020）在《财经新闻APP用户流失预测》文中进行了进一步梳理在PC流量逐渐转移到移动端,经济全球化增加了人们对于财经资讯需求的背景下,财经新闻APP用户飞速增长的同时也面临着用户粘性不足,忠诚用户占比少,用户流失加剧的问题。如果能较为准确的预测用户是否会即将流失,在用户流失前分析用户流失原因,针对价值不同的每一类用户制定相应的策略进行用户挽回,一方面可以通过数据分析以及数据挖掘手段实现财经新闻APP用户精细化运营目标;另一方面,面对财经新闻APP用户基数相对大的情况,可以降低获取新用户的压力,在用户竞争中保持优势。因此,用户流失预测是提高用户留存的前提,也是用户增长以及用户管理的关键环节。本文基于财经新闻APP用户基础数据和用户在APP内产生的行为数据,提出财经新闻APP用户流失预测的流程,主要研究内容有以下三部分:第一部分,提取财经新闻APP用户流失预测特征变量。定义财经新闻APP流失用户,分析财经新闻APP的消费模式和经营模式的特点,结合RFM模型和时间窗口的概念,将财经新闻APP用户基础数据和用户行为日志数据进行处理,构造并筛选财经新闻APP用户流失预测的特征变量;第二部分,改进的Stacking算法进行财经新闻APP用户流失预测。对于经典的Stacking集成预测算法从初级分类器类概率与类别同时输出以及添加精度加权两个方面进行改进,得到预测精确度更高的财经新闻APP用户流失预测模型;第三部分,财经新闻APP用户流失预测案例研究。以截至2019年3月11日的S财经新闻APP的用户相应数据进行财经新闻APP用户流失预测的案例研究,并对模型效果进行验证,明确了财经新闻APP用户流失预测在财经新闻APP用户精细化运营流程中所处的位置,并简要讨论了财经新闻APP用户精细化运营流程中财经新闻APP用户流失预测结果的应用方向。通过对比实验,可以证明本文提出的财经新闻APP用户流失预测特征变量应用于改进的Stacking模型时其预测效果优于随机森林、支持向量机、Ada Boost和普通Stacking集成算法,同时,本文案例研究环节中对于用户流失预测结果的后续应用进行了讨论,是对预测流失用户的目的挽回用户,做的更深一层的分析,对于实际用户运营问题的解决有积极意义。
方倩[8]（2020）在《共享经济下的服装新型社群平台运行机制研究 ——基于价值共创视角》文中提出随着移动互联网技术的快速发展,消费者趋向个性化、多样化的消费需求,他们不再被动地接受企业产品信息,而是主动收集相关信息,为企业开发新产品提供创意,成为与企业互动的价值共创者。同时伴随着共享经济的快速发展,涉及领域不断拓展,共享经济的协同消费理念促使产品的创新、改进和价值实现需要企业和消费者共同参与完成。而社群平台的出现与发展,使得共享经济背景下的资源流动能够突破时空界限,为消费者参与企业的价值创造过程提供了快捷的渠道和方式,使消费者可以与相同价值观和兴趣爱好的用户一起交流互动,共创价值。有学者提出共享经济的本质是价值共创,用户是共享经济下的价值共创主体,企业则主要以社群平台的方式为资源供给者及需求者提供支持。服装新型社群平台在该背景环境下产生,依据多边群体的网络效应,通过对服装新型社群平台优秀服装资源的集聚、整合与分享,实现信息、资源等的价值转移,完成多方的用户价值共创活动,可以满足平台及用户的多方需求。因此,研究基于价值共创视角的服装新型社群平台运行机制,旨在帮助平台管理者明确服装新型社群平台价值共创机制内容,为平台主体价值共创提供相应的理论支持与指导,对共享经济下的服装新型社群平台运行机制设计提供相应的的理论参考。共享经济作为一种新的商业模式,其依托的社群平台如何有效运行,其涉及的服装领域如何应用共享经济理念并借助社群平台进行价值共创,则需要进一步探讨。因此,围绕上述问题,文章基于价值共创视角对共享经济背景下的服装新型社群平台运行机制进行研究,主要研究内容如下:第一,通过扎根理论方法,建立共享经济下的基于价值共创视角的服装新型社群平台运行的影响因素体系。首先,通过文献综述对共享经济、服装新型社群、价值共创的概念定义、内涵、发展演化进行梳理归纳,并着重分析这三者之间的关系。通过收集相关文献资料,采用自下而上的扎根理论研究方法,对服装新型社群平台运行进行系统地研究,识别其影响因素及因素间维度关系。通过对资料的编码分析,共形成了33个子范畴,上升为8个次范畴,3个主范畴,最终归纳为1个核心范畴。通过补充平台运行的考核指标亦即平台共创价值结果,建立了基于价值共创视角的服装新型社群平台运行指标体系,即平台基础体系、平台运行环境、平台主体用户的价值共创行为及平台共创价值。第二,建立共享经济下的基于价值共创视角的服装新型社群平台运行机制模型并进行实证分析。在相关文献分析的基础上,提出研究假设,建立基于价值共创视角的服装新型社群平台运行机制的初始概念模型,并设计问卷进行调研。运用SPSS22.0和AMOS21.0对收集的有效问卷数据进行描述性统计分析、信效度检验、测量模型的识别性检验、正态性检验、模型的路径系数检验与拟合度检验等。最终假设全部得到验证,即服装新型社群平台基础体系、平台运行环境对用户价值共创行为具有显着正向影响,用户价值共创行为对平台共创价值具有显着正向影响。第三,选取蘑菇街案例为实证分析对象,对服装新型社群平台运行进行综合评价。在质性分析的基础上,建立服装新型社群平台运行综合评价指标体系,运用AHP-模糊综合评价方法构建综合评价模型对服装新型社群平台运行进行综合评价,并作为进行平台运行监督管理的保障途径。选取蘑菇街作为案例分析对象,对其运行水平进行综合评价,验证综合评价模型的应用性及可行性。并在理论与实证的研究基础上,对服装新型社群平台运行发展提出相应发展建议对策。本文在理论上进一步丰富了价值共创体系,为服装新型社群平台运行机制的研究提供了新的视角,识别并提取出基于价值共创视角的服装新型社群平台运行的影响因素集,建立了基于价值共创视角的服装新型社群平台运行机制模型;实践上,将共享经济与价值共创理论应用在服装领域,研究服装新型社群平台的价值共创机制,采用结构方程模型实证分析服装新型社群平台运行的影响因素,为服装新型社群平台的运行机制设计提供参考依据,构建服装新型社群平台运行的评价指标体系,运用AHP-模糊综合评价法构建综合评价模型对服装新型社群平台运行进行综合评价,对监督、保障服装新型社群平台的运营管理及有效持续运行具有一定的参考意义。
杜蝶蝶[9]（2020）在《基于RFM模型的直播平台个性化推荐方法方法研究》文中研究表明随着直播行业的发展渐趋稳定,各大直播平台开始注重精细化运营,力求在为用户提供优质直播内容的同时,进一步提高用户的忠诚度。其中付费用户是直播平台重点攻克的目标。提高用户忠诚度,一则是直播平台源源不断地提供优质的直播内容,二则是根据用户偏好、用户需求为其推荐合适的直播内容,降低用户兴趣发现成本。本文以直播平台为研究对象,并将客户关系管理融入到直播平台的推荐方式中,由此引入用户价值评估模型,根据用户价值进行用户分群,从用户和企业双方共赢的角度进行分群个性化推荐,在增加用户忠诚度的同时为企业创造更高的利润。本文采取了RFM模型作为用户价值分群的基础,并融入直播平台特有的用户行为数据——观看时长,增加对用户粘性和长期价值的考虑,由此构成RFMT模型。在RFMT模型的基础上提出RFMTCluster和RFMTSegmentation两种方法对不同价值的用户进行细分。在推荐算法上,本文采用指标加权法计算用户-主播价值偏好,并据此构建用户的评分矩阵,结合协同过滤算法进行推荐实验。本文采用了国内某直播平台的用户数据对文章提出的个性化推荐方法进行了实验与验证,最后通过三组实验对比,得出如下结果:1)基于RFMTSegmentation的用户细分方法比kmeans聚类算法更适用于实际应用的推荐。2)细分后的各类群体推荐效果比细分前获得了大幅提升,核心用户、重要用户、一般用户和潜在用户的F1值分别提高了2.73%,1%,0.4%,0.72%。
黄璐[10]（2020）在《开放式创新社区创意采纳预测的研究 ——基于Salesforce社区》文中指出科技的快速更新换代、资源的迅速流动给企业带来便利的同时也对企业的创新能力提出了挑战,倡导开放共赢、多边合力创新理念的开放式创新受到企业的追捧。开放式创新社区（Open Innovation Platform,OIP）是企业实施开放式创新的一个实践,越来越多的创新用户在社区上提出自己的创意,并在社区上积极互动。对于社区的管理者来说,活跃的创新用户、有效的创意有助于推动企业创新工作,面对与日俱增的用户及创意,有效地管理用户及创意,加速创新源输入企业,提高管理效率显得尤为重要。本文选取开放式创新社区Salesforce为研究对象,致力于构建开放式创新社区创意采纳预测模型。首先使用定性和定量方法综合识别用户价值,以贡献度二维矩阵对其进行细分:从创新贡献度方面来说,借鉴RFM价值模型,选取出用户的创新近度、值度、受认可度指标计算每一位用户的加权创新贡献度;从用户的互动贡献度来看,以互动深度和广度两个方面选取用户互动行为指标,运用KMeans聚类算法划分用户类别。在此基础上,构建了一个基于创新贡献度、互动贡献度的用户贡献度二维矩阵,将社区的用户划分为四类,分别是核心用户、有效创新用户、积极社交用户及边缘用户,为企业识别用户价值,了解社区用户结构提供了理论方法。其次,围绕开放式创新社区的创意采纳管理及三元交互理论,本文从用户个体、社区环境、创意行为三者交互视角,运用随机森林对特征进行筛选,构建了基于Adaboost算法的开放式创新社区创意采纳预测模型。最后,将本文构建的预测模型与传统的逻辑回归LR、支持向量机SVM、BP神经网络算法的预测效果进行对比,并进一步基于各用户类别分别验证模型的有效性。本文研究结果发现:（1）社区的用户结构存在较大不均衡,在核心用户、有效创新用户、积极社交用户及边缘用户四类中,积极社交用户仅占3.48%,而绝大多数为边缘用户,占比达到76.53%;（2）Adaboost模型相对于其他预测模型,在处理本文不平衡的数据样本中AUC值最大,为0.83,表现出较好的精度,可以更加准确地预测创意采纳;（3）基于用户细分的Adaboost创意采纳预测模型进一步提升了预测效果。用户细分后的预测性能指标相较于总体预测均有较显着的提升,就AUC面积而言,有效创新用户中AUC面积最高,达到了0.98,相较整体而言提升了18%;就准确度而言,有效创新用户、边缘用户达0.99,进一步体现了基于用户细分的Adaboost模型的具有更好的性能。
二、构造——提升用户价值的解决方案（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、构造——提升用户价值的解决方案（论文提纲范文）
（1）社区电商用户复购行为预测及推荐算法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 本文组织结构 |
| 1.4 研究方法 |
| 1.5 技术路线图 |
| 1.6 论文创新性 |
| 第二章 基本概念与文献综述 |
| 2.1 大数据营销相关理论及应用 |
| 2.1.1 大数据营销理论发展 |
| 2.1.2 大数据营销应用 |
| 2.2 用户细分和用户画像 |
| 2.2.1 用户细分 |
| 2.2.2 用户画像 |
| 2.3 用户购买行为预测和预测方法综述 |
| 2.3.1 用户行为分析 |
| 2.3.2 用户购买行为预测 |
| 2.3.3 预测方法 |
| 2.4 个性化推荐系统及推荐方法综述 |
| 2.4.1 个性化推荐系统综述 |
| 2.4.2 传统个性化推荐主流方法 |
| 2.4.3 改进的推荐算法 |
| 2.5 精准营销效果评价文献综述 |
| 2.5.1 营销效果评价指标体系的构建 |
| 2.5.2 精准营销效果影响因素的分析 |
| 2.5.3 社会化网络背景下精准营销效果评价的应用 |
| 2.6 本章小结 |
| 第三章 基于改进RFM模型的用户细分研究 |
| 3.1 引言 |
| 3.2 改进的RFM模型与K-means++聚类算法 |
| 3.2.1 RFM模型 |
| 3.2.2 改进RFM模型 |
| 3.2.3 K-means++聚类算法 |
| 3.3 数值实验 |
| 3.3.1 原始数据清洗及指标计算 |
| 3.3.2 指标赋权 |
| 3.3.3 K-means++聚类 |
| 3.3.4 用户价值排名及价值分析 |
| 3.3.5 实验结果验证 |
| 3.4 本章小结 |
| 第四章 基于机器学习算法的用户复购行为预测研究 |
| 4.1 引言 |
| 4.2 客户购买行为特征构建与样本均衡 |
| 4.2.1 用户行为特征提取 |
| 4.2.2 样本均衡 |
| 4.2.3 模型选择 |
| 4.2.4 TPE超参数优化方法 |
| 4.2.5 算法融合 |
| 4.3 数值实验 |
| 4.3.1 数据描述 |
| 4.3.2 评估指标 |
| 4.3.3 采样与数据集划分结果 |
| 4.3.4 结果与分析 |
| 4.4 本章小结 |
| 第五章 基于用户行为特征的T-APP推荐算法研究 |
| 5.1 问题描述 |
| 5.2 模型构建 |
| 5.2.1 符号定义 |
| 5.2.2 用户行为模型 |
| 5.2.3 改进协同过滤算法的模型构建 |
| 5.3 数值实验 |
| 5.3.1 数据的获取 |
| 5.3.2 改进推荐算法的评价指标 |
| 5.3.3 实验方法 |
| 5.3.4 参数的敏感性分析 |
| 5.4 本章小结 |
| 第六章 基于数据分析的精准营销决策支持系统构建 |
| 6.1 系统总体架构 |
| 6.1.1 背景简介 |
| 6.1.2 系统功能架构及开发环境 |
| 6.2 数据处理 |
| 6.2.1 数据采集 |
| 6.2.2 数据清洗 |
| 6.3 数据分析 |
| 6.4 用户画像和商品画像的构建与生成 |
| 6.5 群体画像的精准生成 |
| 6.5.1 数据的采集与处理 |
| 6.5.2 用户标签的生成 |
| 6.5.3 方法选择与实验 |
| 6.5.4 画像的结果展示 |
| 6.6 改进推荐算法适用性分析 |
| 6.6.1 现有算法适用性分析 |
| 6.6.2 针对活跃用户的改进推荐算法评价 |
| 6.6.3 针对非活跃用户的改进推荐算法评价 |
| 6.6.4 结果分析 |
| 6.7 本章小结 |
| 第七章 基于AISAS模型的精准营销效果评价 |
| 7.1 精准营销效果评价指标体系的构建 |
| 7.1.1 精准营销的效果评价指标体系构建的原则 |
| 7.1.2 精准营销效果评价模型的构建 |
| 7.1.3 精准营销效果评价指标体系的构建 |
| 7.2 指标权重的确定 |
| 7.2.1 确定指标权重的方法 |
| 7.2.2 各指标的权重 |
| 7.3 数据准备与数据处理 |
| 7.3.1 数据准备 |
| 7.3.2 数据标准化处理 |
| 7.4 精准营销效果计算 |
| 7.5 精准营销效果验证 |
| 7.6 本章小结 |
| 第八章 结论与展望 |
| 8.1 研究结论 |
| 8.2 研究展望 |
| 参考文献 |
| 附录 |
| 附录 1.K-means++聚类算法核心代码 |
| 附录 2.复购行为预测核心代码 |
| 附录 3.改进推荐算法核心代码 |
| 附录 4.T-APP大数据精准营销效果专家咨询表 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 答辩委员会决议书 |
（2）基于RFM和BP神经网络的导购平台用户价值挖掘方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 用户价值分类研究现状 |
| 1.2.2 用户价值分类预测的研究现状 |
| 1.2.3 国内外文献评述 |
| 1.3 研究内容 |
| 1.4 论文的组织结构 |
| 第2章 基于改进RFM模型的导购平台用户价值分类方法 |
| 2.1 问题的提出 |
| 2.2 基于改进RFM模型的导购平台用户价值分类方法 |
| 2.2.1 方法描述 |
| 2.2.2 RFMS模型的确立 |
| 2.2.3 数据准备及预处理 |
| 2.2.4 RFMS指标规范化处理 |
| 2.2.5 利用组合赋权法确定RFMS指标权重 |
| 2.2.6 建立K-means聚类模型 |
| 2.3 实验及结果分析 |
| 2.3.1 实验环境 |
| 2.3.2 实验数据 |
| 2.3.3 本文方法实验及结果应用 |
| 2.3.4 对比实验及结果分析 |
| 2.4 本章小结 |
| 第3章 基于BP神经网络的导购平台用户价值分类预测方法 |
| 3.1 问题的提出 |
| 3.2 基于BP神经网络的导购平台用户价值分类预测方法 |
| 3.2.1 方法描述 |
| 3.2.2 选取用户价值分类预测的特征属性 |
| 3.2.3 数据采集及预处理 |
| 3.2.4 构建BP神经网络 |
| 3.2.5 采用粒子群优化算法PSO优化BP神经网络 |
| 3.2.6 Ada Boost算法强化PSO_BP模型 |
| 3.3 实验及结果分析 |
| 3.3.1 实验环境 |
| 3.3.2 实验数据 |
| 3.3.3 评价指标 |
| 3.3.4 本文方法实验及结果分析 |
| 3.3.5 对比方法实验及结果分析 |
| 3.4 本章小结 |
| 第4章 总结与展望 |
| 4.1 论文总结 |
| 4.2 工作展望 |
| 参考文献 |
| 致谢 |
（3）区域装备制造业与生产性服务业融合效应提升机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状及评述 |
| 1.3.1 装备制造业与生产性服务业融合研究现状 |
| 1.3.2 装备制造业与生产性服务业融合效应研究现状 |
| 1.3.3 装备制造业与生产性服务业融合效应提升研究现状 |
| 1.3.4 国内外研究现状评述 |
| 1.4 研究的内容与方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 第2章 区域装备制造业与生产性服务业融合效应演化机理及提升机制总体设计 |
| 2.1 相关概念界定 |
| 2.1.1 装备制造业与生产性服务业 |
| 2.1.2 装备制造业与生产性服务业融合 |
| 2.1.3 装备制造业与生产性服务业融合效应 |
| 2.2 区域装备制造业与生产性服务业融合系统 |
| 2.2.1 融合系统要素 |
| 2.2.2 融合系统结构 |
| 2.2.3 融合系统功能 |
| 2.3 区域装备制造业与生产性服务业融合效应 |
| 2.3.1 融合自效应 |
| 2.3.2 融合溢出效应 |
| 2.3.3 融合效应特征 |
| 2.4 区域装备制造业与生产性服务业融合效应演化机理 |
| 2.4.1 融合效应演化条件 |
| 2.4.2 融合效应演化动因 |
| 2.4.3 融合效应演化过程 |
| 2.5 区域装备制造业与生产性服务业融合效应演化要素识别 |
| 2.5.1 融合效应演化要素识别方法选择 |
| 2.5.2 融合效应演化要素识别过程设计 |
| 2.5.3 融合效应演化要素识别与关键要素确定 |
| 2.6 区域装备制造业与生产性服务业融合效应提升机制体系设计 |
| 2.6.1 融合效应提升机制设计思路 |
| 2.6.2 融合效应提升机制体系模型 |
| 2.6.3 融合效应提升子机制间关系 |
| 2.7 本章小结 |
| 第3章 区域装备制造业与生产性服务业融合效应提升驱动机制 |
| 3.1 区域装备制造业与生产性服务业融合效应提升驱动机制分析 |
| 3.1.1 融合效应提升驱动机制内涵与特征 |
| 3.1.2 融合效应提升驱动机制总体架构 |
| 3.2 区域装备制造业与生产性服务业融合效应提升驱动力作用机制 |
| 3.2.1 融合效应提升内生动力驱动作用 |
| 3.2.2 融合效应提升外源动力驱动作用 |
| 3.2.3 融合效应提升的驱动力作用模型 |
| 3.3 区域装备制造业与生产性服务业融合效应提升驱动力传导机制 |
| 3.3.1 融合效应提升驱动力传导过程 |
| 3.3.2 融合效应提升驱动力传导路径 |
| 3.3.3 融合效应提升驱动力传导模型 |
| 3.4 区域装备制造业与生产性服务业融合效应提升驱动力协同机制 |
| 3.4.1 融合效应提升驱动力协同主导要素 |
| 3.4.2 融合效应提升驱动力协同演化博弈 |
| 3.4.3 融合效应提升驱动力协同作用模型 |
| 3.5 区域装备制造业与生产性服务业融合效应提升驱动机制运行 |
| 3.5.1 融合效应提升驱动机制运行过程 |
| 3.5.2 融合效应提升驱动机制运行模型 |
| 3.5.3 融合效应提升驱动机制运行管理策略 |
| 3.6 本章小结 |
| 第4章 区域装备制造业与生产性服务业融合效应提升实现机制 |
| 4.1 区域装备制造业与生产性服务业融合效应提升实现机制分析 |
| 4.1.1 融合效应提升实现机制内涵与特征 |
| 4.1.2 融合效应提升实现机制总体架构 |
| 4.2 区域装备制造业与生产性服务业融合效应提升战略协同机制 |
| 4.2.1 融合效应提升战略协同形成 |
| 4.2.2 融合效应提升战略协同实施 |
| 4.2.3 融合效应提升战略协同控制 |
| 4.3 区域装备制造业与生产性服务业融合效应提升伙伴优化机制 |
| 4.3.1 融合效应提升伙伴选择优化 |
| 4.3.2 融合效应提升伙伴关系优化 |
| 4.3.3 融合效应提升伙伴结构优化 |
| 4.4 区域装备制造业与生产性服务业融合效应提升价值整合机制 |
| 4.4.1 融合效应提升价值要素盘点 |
| 4.4.2 融合效应提升价值职能获取 |
| 4.4.3 融合效应提升价值结构调整 |
| 4.5 区域装备制造业与生产性服务业融合效应提升实现机制运行 |
| 4.5.1 融合效应提升实现机制运行过程 |
| 4.5.2 融合效应提升实现机制运行模型 |
| 4.5.3 融合效应提升实现机制运行管理策略 |
| 4.6 本章小结 |
| 第5章 区域装备制造业与生产性服务业融合效应提升调控机制 |
| 5.1 区域装备制造业与生产性服务业融合效应提升调控机制分析 |
| 5.1.1 融合效应提升调控机制内涵与特征 |
| 5.1.2 融合效应提升调控机制总体架构 |
| 5.2 区域装备制造业与生产性服务业融合效应提升评价机制 |
| 5.2.1 融合效应水平评价 |
| 5.2.2 融合效应提升水平评价 |
| 5.2.3 融合效应提升态势预判 |
| 5.3 区域装备制造业与生产性服务业融合效应提升反馈机制 |
| 5.3.1 融合效应提升反馈系统分析 |
| 5.3.2 融合效应提升反馈过程分析 |
| 5.3.3 融合效应提升反馈路径设计 |
| 5.4 区域装备制造业与生产性服务业融合效应提升调节机制 |
| 5.4.1 融合效应提升调节要素分析 |
| 5.4.2 融合效应提升调节方案设计 |
| 5.4.3 融合效应提升调节控制实施 |
| 5.5 区域装备制造业与生产性服务业融合效应提升调控机制运行 |
| 5.5.1 融合效应提升调控机制运行过程 |
| 5.5.2 融合效应提升调控机制运行模型 |
| 5.5.3 融合效应提升调控机制运行管理策略 |
| 5.6 本章小结 |
| 第6章 区域装备制造业与生产性服务业融合效应提升机制保障策略 |
| 6.1 融合效应提升驱动机制保障策略 |
| 6.1.1 提高视企业家内在素质 |
| 6.1.2 引导市场需求升级 |
| 6.1.3 加大技术创新投入 |
| 6.1.4 完善人才资源保障 |
| 6.2 融合效应提升实现机制保障策略 |
| 6.2.1 培育和提高组织核心能力 |
| 6.2.2 建立良好的合作信任关系 |
| 6.2.3 重视有效的信息沟通交流 |
| 6.2.4 完善信息化网络平台建设 |
| 6.3 融合效应提升调控机制保障策略 |
| 6.3.1 建立风险监控预警系统 |
| 6.3.2 优化反馈信息传输体系 |
| 6.3.3 完善融合网络治理体系 |
| 6.4 本章小结 |
| 第7章 黑龙江省装备制造业与生产性服务业融合效应提升机制研究 |
| 7.1 黑龙江省两大产业融合效应现状 |
| 7.1.1 黑龙江省两大产业融合发展现状 |
| 7.1.2 黑龙江省两大产业融合效应测度 |
| 7.2 黑龙江省两大产业融合效应提升机制分析 |
| 7.2.1 黑龙江省两大产业融合效应提升驱动机制 |
| 7.2.2 黑龙江省两大产业融合效应提升实现机制 |
| 7.2.3 黑龙江省两大产业融合效应提升调控机制 |
| 7.3 黑龙江省两大产业融合效应提升机制评价 |
| 7.3.1 黑龙江省两大产业融合效应提升机制评价指标 |
| 7.3.2 黑龙江省两大产业融合效应提升机制评价过程 |
| 7.3.3 黑龙江省两大产业融合效应提升机制优化策略 |
| 7.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录1 关于“区域装备制造业与生产性服务业融合效应演化要素”的访谈提纲 |
| 附录2 关于“区域装备制造业与生产性服务业融合效应演化要素”的开放式编码 |
| 附录3 关于“区域装备制造业与生产性服务业融合效应提升驱动力因素”的调查问卷 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研项目 |
| 致谢 |
（4）基于数据挖掘的G网络货运平台货主用户价值研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关文献综述 |
| 1.2.1 网络货运平台领域文献综述 |
| 1.2.2 用户价值挖掘领域文献综述 |
| 1.3 研究方法及研究内容 |
| 1.3.1 研究方法及相关算法 |
| 1.3.2 研究内容及结构安排 |
| 1.4 创新点及技术路线 |
| 1.4.1 创新点 |
| 1.4.2 技术路线 |
| 2 相关技术与理论基础 |
| 2.1 数据挖掘相关技术理论 |
| 2.1.1 数据挖掘概念原理 |
| 2.1.2 数据挖掘流程步骤 |
| 2.1.3 数据挖掘分析工具 |
| 2.2 网络货运平台相关理论 |
| 2.2.1 公路网络货运平台发展现状 |
| 2.2.2 对网络货运平台的相关定义 |
| 2.3 用户相关理论 |
| 2.3.1 网络货运平台用户行为 |
| 2.3.2 用户价值的内涵与模型 |
| 2.3.3 用户画像的概念与应用 |
| 2.4 本章小结 |
| 3 货主用户价值挖掘设计与构建思路 |
| 3.1 货主用户价值评价模型构建 |
| 3.1.1 对传统RFM模型的改进 |
| 3.1.2 基于CLV时间价值的RFMD模型构建 |
| 3.1.3 基于AHP的RFMD模型指标权重加成 |
| 3.2 货主用户价值聚类流程设计 |
| 3.2.1 基于RFMD的用户价值分群 |
| 3.2.2 基于K-MEANS聚类算法的用户分群 |
| 3.3 货主用户特征选择流程设计 |
| 3.3.1 用户特征选择流程设计 |
| 3.3.2 基于随机森林算法的用户特征选择 |
| 3.4 实验环境及评价指标 |
| 3.5 本章小结 |
| 4 G网络货运平台概况及货主用户分析 |
| 4.1 G网络货运平台概述 |
| 4.1.1 G网络货运平台企业基本情况 |
| 4.1.2 G网络货运平台运单交易模式 |
| 4.1.3 模糊粗放的货主用户细分模式 |
| 4.2 数据准备 |
| 4.2.1 数据采集与字段说明 |
| 4.2.2 数据预处理 |
| 4.3 货主用户基本属性探索性数据分析 |
| 4.4 本章小结 |
| 5 G网络货运平台货主用户价值挖掘实施 |
| 5.1 基于RFMD模型7 项指标价值标准制定 |
| 5.2 基于K-MEANS算法的货主用户价值分群 |
| 5.3 基于随机森林算法的货主用户特征选择 |
| 5.4 货主用户群体画像成型与精准营销设计 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A 聚类 |
| 附录B 特征选择 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于空气净化产品的感知价值诱发触点设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题来源 |
| 1.2 研究背景与意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究结构与方法 |
| 1.4.1 研究结构 |
| 1.4.2 研究方法 |
| 1.5 研究范围与概念界定 |
| 第二章 感知价值、触点设计与空气净化产品理论研究 |
| 2.1 感知价值 |
| 2.1.1 用户价值和感知价值 |
| 2.1.2 感知价值的分类与研究方法 |
| 2.2 空气净化产品研究 |
| 2.2.1 空气净化产品发展概述 |
| 2.2.2 空气净化产品模块分析 |
| 2.3 触点设计 |
| 2.3.1 产品触点概述 |
| 2.3.2 产品体验触点设计开发模式 |
| 2.4 本章小结 |
| 第三章 空气净化产品的用户感知价值研究 |
| 3.1 研究框架与方法 |
| 3.2 空气净化产品感知价值问卷调查 |
| 3.2.1 问卷设计与发放搜集 |
| 3.2.2 问卷信效度分析 |
| 3.3 空气净化产品感知价值用户访谈 |
| 3.3.1 用户标准与选样分析 |
| 3.3.2 访谈提纲设计 |
| 3.3.3 基于空气净化产品感知价值用户访谈 |
| 3.4 空气净化产品使用行为研究 |
| 3.4.1 任务行为流程设计 |
| 3.4.2 行为观察与记录 |
| 3.5 本章小结 |
| 第四章 基于空气净化产品感知价值的诱发触点分析 |
| 4.1 空气净化产品感知价值分析 |
| 4.2 空气净化产品模块分析 |
| 4.3 空气净化产品模块诱发触点分析 |
| 4.4 空气净化产品行为流程分析 |
| 4.5 本章小结 |
| 第五章 基于空气净化产品诱发触点的原型设计与测试 |
| 5.1 基于空气净化产品诱发触点的原型设计 |
| 5.1.1 原型设计流程与方法 |
| 5.1.2 用户需求定位 |
| 5.1.3 触点访谈与调查 |
| 5.1.4 设计概念发散与原型制作 |
| 5.2 可用性测试及验证 |
| 5.3 本章小结 |
| 第六章 结论与建议 |
| 6.1 研究结论 |
| 6.2 研究建议 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 致谢 |
| 附表A 第一次访谈记录 |
| 附表B 第二次访谈记录 |
（6）在线酒店用户细分及用户唤醒策略研究 ——以X网站项目为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 研究内容 |
| 1.4 研究重点 |
| 1.5 研究方法 |
| 第二章 相关理论及文献综述 |
| 2.1 引言 |
| 2.1.1 在线旅游发展概况 |
| 2.1.2 市场用户细分 |
| 2.1.3 用户唤醒 |
| 2.1.4 ABTest实验 |
| 2.1.5 层次分析法 |
| 2.2 国内外相关研究进展 |
| 2.2.1 在线旅游网站用户行为分析 |
| 2.2.2 聚类分析 |
| 第三章 在线酒店用户聚类分析 |
| 3.1 引言 |
| 3.2 聚类分析步骤 |
| 3.3 在线酒店预订数据收集 |
| 3.4 在线酒店预订数据变量选择 |
| 3.5 聚类及结果分析 |
| 3.5.1 聚类结果 |
| 3.5.2 聚类结果用户特征分析 |
| 3.5.3 各细分群消费行为特征分析 |
| 3.6 小结 |
| 第四章 基于ABTest的用户唤醒实验 |
| 4.1 引言 |
| 4.2 用户唤醒项目 |
| 4.3 基于ABTest的促销方案设计 |
| 4.4 ABTest项目实现 |
| 4.5 ABTest项目结果 |
| 4.6 项目评估关键指标 |
| 4.7 ABTest项目唤醒效果比较 |
| 4.8 各实验组ABTest结果特征分析 |
| 4.9 小结 |
| 第五章 唤醒项目用户价值评价 |
| 5.1 评价指标构建 |
| 5.1.1 评价指标的构建原则 |
| 5.1.2 评价指标的选择 |
| 5.2 运用层次分析法的用户价值分析 |
| 5.2.1 构建层次结构模型 |
| 5.2.2 构造判断矩阵 |
| 5.2.3 计算层次单排序以及一致性检验 |
| 5.2.4 计算层次总排序以及一致性检验 |
| 5.3 小结 |
| 第六章 结论与展望 |
| 6.1 本研究结论 |
| 6.2 问题与展望 |
| 参考文献 |
| 致谢 |
| 作者和导师简介 |
| 附件 |
（7）财经新闻APP用户流失预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 用户流失的研究现状 |
| 1.2.2 财经领域的研究现状 |
| 1.2.3 国内外研究现状总结 |
| 1.3 研究内容和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 研究方法 |
| 2 相关理论与技术 |
| 2.1 用户流失相关理论 |
| 2.1.1 RFM模型 |
| 2.1.2 WOE值和IV值 |
| 2.1.3 K折交叉验证 |
| 2.2 用户流失的相关数据挖掘技术 |
| 2.2.1 集成算法概述 |
| 2.2.2 随机森林算法 |
| 2.2.3 Ada Boost算法 |
| 2.2.4 支持向量机 |
| 2.2.5 Logistic回归 |
| 2.3 本章小结 |
| 3 财经新闻APP用户流失预测特征变量提取 |
| 3.1 财经新闻APP用户流失预测特征变量提取流程 |
| 3.2 财经新闻APP用户流失预测数据变换 |
| 3.2.1 财经新闻APP用户流失定义 |
| 3.2.2 财经新闻APP的特点 |
| 3.2.3 基于RFM模型的用户流失预测特征变量 |
| 3.2.4 引入时间窗口的用户流失预测特征变量 |
| 3.3 财经新闻APP用户流失预测数据属性规约 |
| 3.4 本章小结 |
| 4 基于Stacking算法的财经新闻APP用户流失预测模型 |
| 4.1 Stacking集成算法概述 |
| 4.1.1 Stacking集成算法流程 |
| 4.1.2 K折交叉验证原理融合的Stacking集成算法的不足 |
| 4.2 改进的Stacking集成算法 |
| 4.2.1 初级分类器类概率类别同时输出和精度加权的Stacking算法 |
| 4.2.2 改进的Stacking算法的评价 |
| 4.3 本章小结 |
| 5 财经新闻APP用户流失预测案例研究 |
| 5.1 案例研究数据说明 |
| 5.2 案例研究数据集的获取 |
| 5.2.1 研究数据集的获取流程 |
| 5.2.2 原始数据的清洗 |
| 5.2.3 研究数据的筛选结果 |
| 5.3 财经新闻APP用户流失预测特征变量的案例研究结果 |
| 5.3.1 案例研究数据候选特征变量的转换 |
| 5.3.2 案例研究数据特征变量选取结果 |
| 5.4 财经新闻APP用户流失预测案例研究结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 研究局限与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）共享经济下的服装新型社群平台运行机制研究 ——基于价值共创视角（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 研究内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究思路 |
| 1.5 研究的创新点 |
| 1.5.1 理论创新 |
| 1.5.2 实践创新 |
| 第二章 基础理论与文献综述 |
| 2.1 共享经济概述 |
| 2.1.1 共享经济的内涵 |
| 2.1.2 共享经济的特征 |
| 2.1.3 共享经济的商业模式 |
| 2.2 服装新型社群平台 |
| 2.2.1 服装新型社群平台的内涵 |
| 2.2.2 服装新型社群平台的特征 |
| 2.2.3 服装新型社群平台运行的现状及问题 |
| 2.2.4 服装新型社群平台运行的考核评价指标 |
| 2.3 价值共创概述 |
| 2.3.1 价值共创的内涵 |
| 2.3.3 价值共创的发展过程 |
| 2.3.4 共享经济下的价值共创 |
| 2.4 本章小结 |
| 第三章 基于价值共创视角的服装新型社群平台运行的影响因素研究 |
| 3.1 理论分析及讨论 |
| 3.2 研究设计 |
| 3.2.1 研究方法 |
| 3.2.2 数据收集与处理 |
| 3.3 影响因素识别过程 |
| 3.3.1 开放性编码 |
| 3.3.2 主轴编码 |
| 3.3.3 选择性编码 |
| 3.4 识别结果分析 |
| 3.4.1 基于价值共创视角的服装新型社群平台运行的指标体系 |
| 3.4.2 理论饱和度检验及信效度检验 |
| 3.5 本章小结 |
| 第四章 基于价值共创视角的服装新型社群平台运行机制模型构建 |
| 4.1 初始关系假设 |
| 4.1.1 初始关系假设 |
| 4.1.2 研究假设总结 |
| 4.2 模型构建 |
| 4.2.1 概念模型构建 |
| 4.2.2 结构方程模型构建 |
| 4.3 本章小结 |
| 第五章 基于价值共创视角的服装新型社群平台运行的实证分析 |
| 5.1 调研设计 |
| 5.1.1 变量可操作定义与测量 |
| 5.1.2 量表设计与修改 |
| 5.1.3 问卷的发放与回收 |
| 5.1.4 数据处理统计分析方法 |
| 5.2 调研数据的初步分析 |
| 5.2.1 被调查者基本信息分析 |
| 5.2.2 描述统计分析 |
| 5.2.3 信效度检验 |
| 5.3 结构方程模型验证及假设检验 |
| 5.3.1 测量模型的验证分析 |
| 5.3.2 潜在变量的路径分析 |
| 5.3.3 假设检验结果汇总 |
| 5.4 本章小结 |
| 第六章 基于价值共创视角的服装新型社群平台运行的综合评价保障 |
| 6.1 AHP-模糊综合评价法的相关理论 |
| 6.1.1 AHP-模糊综合评价法 |
| 6.1.2 层次分析法 |
| 6.1.3 模糊综合评价法 |
| 6.2 服装新型社群平台运行的综合评价方法 |
| 6.2.1 评价对象选取及简介 |
| 6.2.2 评价指标体系构建及权重确定 |
| 6.2.3 模糊综合评价结果及分析 |
| 6.3 本章小结 |
| 第七章 研究结论与展望 |
| 7.1 研究结论与对策建议 |
| 7.1.1 研究的主要结论 |
| 7.1.2 对策建议 |
| 7.2 研究不足与展望 |
| 7.2.1 研究不足 |
| 7.2.2 未来展望 |
| 参考文献 |
| 附录 |
| 附录1 :共享经济下,服装新型社群平台价运行影响因素调查 |
| 附录2 :服装新型社群平台运行的评价指标体系重要性调查 |
| 附录3 :服装新型社群平台运行综合评价体系问卷调查 |
| 附录4 :蘑菇街的综合评价结果 |
| 附录5 :各初始测量模型标准化回归系数和误差方差 |
| 附录6 :初始结构模型的未标准化系数和误差方差 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 1 发表的学术论文 |
| 2 取得的相关科研成果 |
| 致谢 |
（9）基于RFM模型的直播平台个性化推荐方法方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目标与意义 |
| 1.2.1 研究目标 |
| 1.2.2 研究意义 |
| 1.3 研究内容 |
| 1.4 技术路线与论文步骤 |
| 1.4.1 技术路线 |
| 1.4.2 论文步骤 |
| 1.5 创新点 |
| 第二章 相关研究现状 |
| 2.1 个性化推荐方法相关研究 |
| 2.1.1 个性化推荐算法理论研究 |
| 2.1.2 个性化推荐的实际应用 |
| 2.1.3 研究综述 |
| 2.2 用户价值和细分相关研究 |
| 2.2.1 客户价值研究 |
| 2.2.2 客户细分研究 |
| 2.3 本章小结 |
| 第三章 直播平台RFMT模型的构建和用户细分 |
| 3.1 直播平台的特点分析 |
| 3.1.1 平台特点 |
| 3.1.2 用户特点 |
| 3.2 用户RFMT模型构建 |
| 3.2.1 RFM模型概念 |
| 3.2.2 基于直播平台特性的RFM改进模型 |
| 3.2.3 指标计算公式 |
| 3.2.4 数据标准化 |
| 3.2.5 AHP计算指标权重 |
| 3.3 基于RFMT模型的用户细分 |
| 3.3.1 RFMT指标计算 |
| 3.4 |
| 3.4.1 基于RFMT模型的用户聚类(RFMTCluster) |
| 3.4.2 指标分段划分用户群体(RFMTSegmentation) |
| 3.5 本章小结 |
| 第四章 基于RFMT模型的推荐方法 |
| 4.1 协同过滤推荐算法介绍 |
| 4.1.1 基于项目的协同过滤 |
| 4.1.2 相似度计算 |
| 4.2 推荐效果评价指标 |
| 4.3 基于RFMT模型的协同过滤推荐方法 |
| 4.3.1 基于RFMT模型的用户-主播价值偏好计算 |
| 4.3.2 用户评分矩阵构建 |
| 4.3.3 算法流程 |
| 4.4 冷启动问题和数据稀疏问题 |
| 4.4.1 推荐算法面临的问题 |
| 4.4.2 冷启动和数据稀疏问题的解决方案 |
| 4.5 本章小结 |
| 第五章 模型验证以及结果分析 |
| 5.1 验证环境及数据 |
| 5.1.1 验证环境 |
| 5.1.2 验证数据处理 |
| 5.1.3 验证数据分类统计 |
| 5.2 基于RFMTCluster的推荐 |
| 5.3 基于RFMTSegmentation的推荐 |
| 5.4 初始未细分数据推荐实验 |
| 5.5 推荐结果对比分析 |
| 5.5.1 用户细分前后推荐结果对比分析 |
| 5.5.2 基于RFMTCluster和基于RFMTSegmentation的推荐对比分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 研究工作总结 |
| 未来展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）开放式创新社区创意采纳预测的研究 ——基于Salesforce社区（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与结构 |
| 1.4 技术路线与研究方法 |
| 1.5 主要创新点 |
| 第二章 文献综述与理论基础 |
| 2.1 开放式创新理论 |
| 2.1.1 开放式创新社区内涵 |
| 2.1.2 企业角度研究 |
| 2.1.3 用户管理研究 |
| 2.1.4 创意管理研究 |
| 2.2 客户价值理论 |
| 2.2.1 基于货币因素的客户价值识别 |
| 2.2.2 基于非货币因素的客户价值识别模型 |
| 2.3 三元交互理论 |
| 2.4 预测算法概述 |
| 2.4.1 逻辑回归 |
| 2.4.2 支持向量机算法 |
| 2.4.3 神经网络算法 |
| 2.4.4 集成学习算法 |
| 2.5 本章小结 |
| 第三章 基于价值矩阵的用户细分 |
| 3.1 开放式创新社区用户价值分析 |
| 3.2 数据获取与变量设计 |
| 3.3 贡献度分析及计算 |
| 3.3.1 创新贡献度分析 |
| 3.3.2 互动贡献度分析 |
| 3.4 基于贡献度的用户价值矩阵 |
| 3.5 本章小结 |
| 第四章 基于三元交互的创意采纳预测模型构建 |
| 4.1 方法技术—预测算法及其检验 |
| 4.1.1 Adaboost算法 |
| 4.1.2 模型性能评估 |
| 4.2 数据获取变量的设计 |
| 4.3 创意采纳预测模型构建过程 |
| 4.3.1 数据预处理过程 |
| 4.3.2 建模过程 |
| 4.4 模型预测结果分析 |
| 4.4.1 不同分类算法对比 |
| 4.4.2 用户细分前后对比 |
| 4.5 本章小结 |
| 结论与展望 |
| 研究结论 |
| 建议 |
| 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、构造——提升用户价值的解决方案（论文参考文献）
- [1]社区电商用户复购行为预测及推荐算法研究[D]. 石力. 北京化工大学, 2021(02)
- [2]基于RFM和BP神经网络的导购平台用户价值挖掘方法研究[D]. 王勇. 广西大学, 2021(02)
- [3]区域装备制造业与生产性服务业融合效应提升机制研究[D]. 高文鞠. 哈尔滨理工大学, 2021(01)
- [4]基于数据挖掘的G网络货运平台货主用户价值研究[D]. 任晓萌. 北京交通大学, 2021
- [5]基于空气净化产品的感知价值诱发触点设计研究[D]. 郭慧. 广东工业大学, 2020(06)
- [6]在线酒店用户细分及用户唤醒策略研究 ——以X网站项目为例[D]. 刘鹏. 北京化工大学, 2020(02)
- [7]财经新闻APP用户流失预测[D]. 王惠. 北京交通大学, 2020(03)
- [8]共享经济下的服装新型社群平台运行机制研究 ——基于价值共创视角[D]. 方倩. 上海工程技术大学, 2020(05)
- [9]基于RFM模型的直播平台个性化推荐方法方法研究[D]. 杜蝶蝶. 华南理工大学, 2020(02)
- [10]开放式创新社区创意采纳预测的研究 ——基于Salesforce社区[D]. 黄璐. 华南理工大学, 2020(02)