基于電商用戶消費(fèi)行為數(shù)據(jù)的聚類分析.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展，依托于互聯(lián)網(wǎng)的各種產(chǎn)品給我們的生活帶來(lái)無(wú)限的便利，但隨之而來(lái)的是信息的爆炸，每天有大量的用戶行為數(shù)據(jù)被收集。面對(duì)著這些海量的數(shù)據(jù)，有效的數(shù)據(jù)挖掘的工作一方面可以幫助企業(yè)深層次的挖掘未知的信息，找到企業(yè)新的創(chuàng)收點(diǎn)，另一方面，可以基于用戶歷史消費(fèi)行為數(shù)據(jù)進(jìn)行個(gè)性化服務(wù)，從而增加客戶粘度。
　　本文基于為電商增加用戶粘度的考慮，利用用戶消費(fèi)行為的歷史數(shù)據(jù)進(jìn)行聚類分析，然后在屬于同一群體內(nèi)的消費(fèi)者進(jìn)行分析，挖掘其

2、消費(fèi)行為的規(guī)律，從而達(dá)到個(gè)性化服務(wù)的作用。一般情況下，在對(duì)人群進(jìn)行劃分的時(shí)候采用聚類算法,這其中K-means聚類算法由于其算法邏輯簡(jiǎn)單，結(jié)果便于解釋被廣泛的使用。K-means聚類算法通過(guò)比較用戶距離不同類心的距離，將用戶劃入不同的類簇，其中，在計(jì)算樣本相似度時(shí)，一般采用的是歐氏距離，歐氏距離沒(méi)有將樣本特征的重要性加以區(qū)分，沒(méi)有考慮樣本特征間的差異，這就導(dǎo)致在聚類時(shí)信息表達(dá)不夠準(zhǔn)確。為了改進(jìn)K-means算法中的不足，本文利用信息論中