電子商務(wù)大數(shù)據(jù)分析

第1章 電子商務(wù)與大數(shù)據(jù)分析導(dǎo)論
1．1 電子商務(wù)的定義
1．2 電子商務(wù)發(fā)展現(xiàn)狀
1．2．1 全球電子商務(wù)發(fā)展現(xiàn)狀
1．2．2 國內(nèi)電子商務(wù)發(fā)展現(xiàn)狀
1．3 電子商務(wù)的主要模式
1．4 電子商務(wù)的相關(guān)概念
1．4．1 電子商務(wù)構(gòu)成要素
1．4．2 電子商務(wù)關(guān)聯(lián)對(duì)象
1．5 電子商務(wù)發(fā)展歷程
1．6 電子商務(wù)中的數(shù)據(jù)
1．7 大數(shù)據(jù)簡(jiǎn)介
1．7．1 大數(shù)據(jù)時(shí)代背景
1．7．2 大數(shù)據(jù)概念
1．7．3 大數(shù)據(jù)融合
1．7．4 大數(shù)據(jù)的分類及國內(nèi)外研究現(xiàn)狀
1．8 電子商務(wù)大數(shù)據(jù)
1．8．1 大數(shù)據(jù)在電子商務(wù)中的應(yīng)用
1．8．2 O2O電子商務(wù)大數(shù)據(jù)的融合
1．9 本章小結(jié)
習(xí)題

第2章 數(shù)據(jù)采集與預(yù)處理
2．1 數(shù)據(jù)采集
2．1．1 數(shù)據(jù)來源
2．1．2 數(shù)據(jù)分類
2．1．3 采集方式
2．1．4 網(wǎng)絡(luò)爬蟲
2．2 電子商務(wù)數(shù)據(jù)采集
2．2．1 數(shù)據(jù)來源及分類
2．2．2 電子商務(wù)平臺(tái)數(shù)據(jù)采集
2．2．3 面臨的問題
2．3 數(shù)據(jù)預(yù)處理
2．3．1 數(shù)據(jù)清理
2．3．2 數(shù)據(jù)集成
2．3．3 數(shù)據(jù)變換
2．3．4 數(shù)據(jù)歸約
2．4 綜合案例
2．4．1 數(shù)據(jù)獲取
2．4．2 數(shù)據(jù)分析
2．5 本章小結(jié)
習(xí)題

第3章 軌跡大數(shù)據(jù)挖掘技術(shù)
3．1 軌跡大數(shù)據(jù)現(xiàn)狀與應(yīng)用
3．2 軌跡數(shù)據(jù)預(yù)處理技術(shù)
3．2．1 噪聲過濾
3．2．2 駐留點(diǎn)檢測(cè)
3．2．3 軌跡壓縮
3．2．4 軌跡分割
3．2．5 地圖匹配
3．3 軌跡模式挖掘技術(shù)
3．3．1 伴行模式
3．3．2 軌跡聚類
3．3．3 序列模式
3．3．4 周期模式
3．4 軌跡語義建模和標(biāo)注
3．4．1 軌跡語義轉(zhuǎn)化
3．4．2 軌跡語義標(biāo)注
3．5 蘇寧云商軌跡大數(shù)據(jù)實(shí)例
3．5．1 研究思路
3．5．2 數(shù)據(jù)采集
3．5．3 數(shù)據(jù)預(yù)處理
3．5．4 顧客行為分析
3．6 本章小結(jié)
習(xí)題

第4章 電子商務(wù)欺詐與反欺詐
4．1 電子商務(wù)欺詐
4．1．1 電子商務(wù)欺詐定義
4．1．2 電子商務(wù)欺詐形成原因
4．1．3 電子商務(wù)欺詐危害
4．2 電子商務(wù)反欺詐
4．2．1 電子商務(wù)推薦系統(tǒng)惡意用戶檢測(cè)
4．2．2 電子商務(wù)網(wǎng)站惡意評(píng)論用戶檢測(cè)
4．2．3 社會(huì)化商務(wù)惡意用戶檢測(cè)
4．3 基于評(píng)論數(shù)據(jù)識(shí)別虛假評(píng)論案例
4．3．1 基于評(píng)論數(shù)據(jù)識(shí)別虛假評(píng)論架構(gòu)
4．3．2 虛假評(píng)論語料庫構(gòu)建
4．3．3 虛假評(píng)論識(shí)別
4．3．4 基于評(píng)論數(shù)據(jù)識(shí)別虛假評(píng)論實(shí)驗(yàn)
4．4 本章小結(jié)
習(xí)題

第5章 推薦系統(tǒng)
5．1 推薦系統(tǒng)簡(jiǎn)介
5．1．1 什么是推薦系統(tǒng)
5．1．2 推薦系統(tǒng)實(shí)驗(yàn)簡(jiǎn)介
5．2 基于內(nèi)容的推薦
5．2．1 引例
5．2．2 特征提取
5．2．3 興趣學(xué)習(xí)與推薦生成
5．2．4 案例
5．3 基于協(xié)同過濾的推薦
5．3．1 引例
5．3．2 基于用戶的協(xié)同過濾推薦
5．3．3 基于物品的協(xié)同過濾推薦
5．3．4 案例
5．4 基于內(nèi)容的推薦與協(xié)同過濾推薦的對(duì)比
5．4．1 基于內(nèi)容的推薦
5．4．2 協(xié)同過濾推薦
5．5 大數(shù)據(jù)時(shí)代的推薦系統(tǒng)
5．5．1 基于情境感知的推薦
5．5．2 基于用戶行為的推薦
5．6 本章小結(jié)
習(xí)題

第6章 案例分析
6．1 Python開發(fā)環(huán)境的搭建
6．1．1 Python語言簡(jiǎn)介
6．1．2 Python程序安裝
6．1．3 Anaconda——流行的Python數(shù)據(jù)科學(xué)版本
6．2 PythonIDE
6．3 Python數(shù)據(jù)科學(xué)常用庫簡(jiǎn)介
6．3．1 Python庫的概念簡(jiǎn)介
6．3．2 Python第三方庫的安裝
6．3．3 NumPy庫
6．3．4 Pandas庫
6．3．5 PyQuery庫
6．4 Selenium工具
6．5 TesseractOCR引擎
6．6 具體案例分析
6．6．1 目標(biāo)
6．6．2 數(shù)據(jù)獲取
6．6．3 數(shù)據(jù)處理
6．6．4 數(shù)據(jù)分析

參考文獻(xiàn)