電子商務大數據分析

第1章 電子商務與大數據分析導論
1．1 電子商務的定義
1．2 電子商務發(fā)展現狀
1．2．1 全球電子商務發(fā)展現狀
1．2．2 國內電子商務發(fā)展現狀
1．3 電子商務的主要模式
1．4 電子商務的相關概念
1．4．1 電子商務構成要素
1．4．2 電子商務關聯對象
1．5 電子商務發(fā)展歷程
1．6 電子商務中的數據
1．7 大數據簡介
1．7．1 大數據時代背景
1．7．2 大數據概念
1．7．3 大數據融合
1．7．4 大數據的分類及國內外研究現狀
1．8 電子商務大數據
1．8．1 大數據在電子商務中的應用
1．8．2 O2O電子商務大數據的融合
1．9 本章小結
習題

第2章 數據采集與預處理
2．1 數據采集
2．1．1 數據來源
2．1．2 數據分類
2．1．3 采集方式
2．1．4 網絡爬蟲
2．2 電子商務數據采集
2．2．1 數據來源及分類
2．2．2 電子商務平臺數據采集
2．2．3 面臨的問題
2．3 數據預處理
2．3．1 數據清理
2．3．2 數據集成
2．3．3 數據變換
2．3．4 數據歸約
2．4 綜合案例
2．4．1 數據獲取
2．4．2 數據分析
2．5 本章小結
習題

第3章 軌跡大數據挖掘技術
3．1 軌跡大數據現狀與應用
3．2 軌跡數據預處理技術
3．2．1 噪聲過濾
3．2．2 駐留點檢測
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
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 軌跡語義建模和標注
3．4．1 軌跡語義轉化
3．4．2 軌跡語義標注
3．5 蘇寧云商軌跡大數據實例
3．5．1 研究思路
3．5．2 數據采集
3．5．3 數據預處理
3．5．4 顧客行為分析
3．6 本章小結
習題

第4章 電子商務欺詐與反欺詐
4．1 電子商務欺詐
4．1．1 電子商務欺詐定義
4．1．2 電子商務欺詐形成原因
4．1．3 電子商務欺詐危害
4．2 電子商務反欺詐
4．2．1 電子商務推薦系統惡意用戶檢測
4．2．2 電子商務網站惡意評論用戶檢測
4．2．3 社會化商務惡意用戶檢測
4．3 基于評論數據識別虛假評論案例
4．3．1 基于評論數據識別虛假評論架構
4．3．2 虛假評論語料庫構建
4．3．3 虛假評論識別
4．3．4 基于評論數據識別虛假評論實驗
4．4 本章小結
習題

第5章 推薦系統
5．1 推薦系統簡介
5．1．1 什么是推薦系統
5．1．2 推薦系統實驗簡介
5．2 基于內容的推薦
5．2．1 引例
5．2．2 特征提取
5．2．3 興趣學習與推薦生成
5．2．4 案例
5．3 基于協同過濾的推薦
5．3．1 引例
5．3．2 基于用戶的協同過濾推薦
5．3．3 基于物品的協同過濾推薦
5．3．4 案例
5．4 基于內容的推薦與協同過濾推薦的對比
5．4．1 基于內容的推薦
5．4．2 協同過濾推薦
5．5 大數據時代的推薦系統
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
習題

第6章 案例分析
6．1 Python開發(fā)環(huán)境的搭建
6．1．1 Python語言簡介
6．1．2 Python程序安裝
6．1．3 Anaconda——流行的Python數據科學版本
6．2 PythonIDE
6．3 Python數據科學常用庫簡介
6．3．1 Python庫的概念簡介
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
6．6．2 數據獲取
6．6．3 數據處理
6．6．4 數據分析

參考文獻