精准营销的方法基于聚类算法的电子商务平台

文摘

在用户聚类分析中,具有相同或相似的用户行为特征分为同一组通过迭代更新集群、核心和较大的检测到用户组。在本文中,我们目前的相关规则的制定和数据挖掘基于聚类算法的定义和程序算法。此外,基于的想法K模式聚类算法,提出了一种聚类方法结合相关规则和多值的离散特性(MDF)。在本文中,我们建立一个方法来计算用户之间的相似性用Jaccard距离和相关规则与Jaccard距离相结合来提高用户之间的相似性。接下来,我们提出一个适合MDF的聚类方法。最后,基本K模式算法改进的相似性度量方法结合相关规则和Jaccard距离和集群中心更新方法ARMDKM算法在本文提出。这种方法解决了MDF的问题不能有效地处理在传统模型,并证明了其理论的正确性。这个实验验证新方法的正确性通过聚类纯度,熵,轮廓和其他指标。

1。介绍

通过聚类分析的用户,我们可以找到不同利益和不同的行为,所以,企业可以分析其产品的核心用户群的特点,并提供帮助和改善产品和准确的营销的基础。此外,用户还可以应用于聚类分析业务决策、舆论分析,安全警告,和其他领域1]。用户的数据通常是混合数据。然而,当用户使用传统聚类算法的聚类分析,是不可能深入挖掘多值的离散特性的信息(MDF) [2]。这将导致低数据利用率和不准确的用户特性分析。与此同时,当前用户聚类分析不充分考虑用户数据特性之间的关联和重要性,并且大多数研究把不同的数据独立功能的用户。因此,有必要提高用户数据的利用率和探索协会和用户特征的重要性,这是很重要的提高用户聚类的精度和质量(3- - - - - -10]。随着大数据时代的到来,互联网技术、数据库技术和各种数据挖掘算法迅速发展(11]。如今,互联网公司每天可以获得大量数据,以及如何从这些数据中提取有用的信息一直是人们努力的方向。为了解决这个问题,研究人员在世界各地的互联网公司和机构积极绘画理论知识从各个领域并进行实验验证12]。

近年来,互联网企业的竞争已经相当激烈,每个企业正在研究如何改进自己的产品,以减少用户的损失,如何能够有效地挖掘潜在用户组,以及如何分析用户的兴趣和情绪状态,这些都是对企业的发展至关重要,甚至一个生死攸关的问题13]。许多互联网公司越来越关注如何使用手的数据精确营销服务;典型的方法之一是用户数据的聚类分析。用户聚类分析是使用不同的聚类算法来发现用户组具有类似行为特征在不同的应用场景中,作为突破用户行为分析(14]。通过聚类分析的用户,我们可以理解用户,推断出他们潜在的需求,探索潜在的用户群体,提升企业影响力,加强用户的企业产品的依赖,减少用户流失的风险。同时,抓住当前用户的利益和需求,它有助于分析和预测用户的未来需求和提供了依据企业的未来发展方向。当前研究领域的用户聚类分析一般使用传统聚类算法等K观众则可以描述企业的产品和了解每个小组的利益和偏好进行数据分析,建议,和其他作品15]。然而,企业获得的用户数据通常是混合类型的数据,包括数值类型,分类类型,和mdf,如年龄、性别、兴趣和爱好。用户使用传统的聚类方法进行聚类分析时,通常只能处理单一类型的功能,和各种功能的影响数据不能全面考虑。MDF的分析只停留在数理统计的层面上,这是不可能使用这种数据探索隐藏信息的用户,导致数据的低利用率(16]。与此同时,当前用户聚类分析方法没有充分考虑协会和用户特征的重要性。因此,对上述问题的研究对企业产品的开发具有重要意义,甚至对企业的发展(17]。随着大数据的时代,如何过滤噪声信息,发现有价值的信息从大量的用户收集的数据已经成为一个热点问题在国内外互联网公司(18]。各种各样的新产品在市场上不断涌现,使消费者更广泛的选择。此时,如何发现消费者的利益和行为特征变得尤其重要(19]。其中,聚类分析是数据挖掘技术广泛应用在数据库知识发现领域,及其操作可以如图1。早在20世纪,j . Mac皇后提出了简单而高效K——聚类算法。如今,使用聚类的方法来分析受众的特点之一是对公司进行用户分析(20.]。

用户数据的来源通常是用户在线状态的活动,比如搜索信息,购物,与微博互动,看视频。这些活动产生大量的数据。与越来越多的用户在网上今天,交通网络生成的数据量正在增加。企业可以使用不同的数据挖掘算法来分析大量的收集用户数据,可以描述用户特征、用户行为习惯,以及其他重要的信息,以便进一步的原因和预测用户行为和改进现有的系统,这将大大提高效率和企业带来巨大的利润。在本文中,我们提出一个无监督特征选择方法相结合K——+ +用随机森林。该方法使用K——+ +算法执行初步聚类获得pseudolabels用户数据;其次,用户数据与pseudolabels选择通过随机森林获得特性重要性排名,和重要性作为用户数据特征的权重参数;最后,基于谱聚类的概念,分析了用户数据的加权聚类获得最终的用户聚类。最后,基于谱聚类的概念,最终用户聚类结果的加权聚类分析得到的用户数据。模型集成了体重用户特性之间的关系,解决问题标记用户数据,可以有效地提高聚类的准确性。

近年来,许多互联网公司越来越关注如何使用数据准确的营销服务,其中用户聚类分析方法被越来越多的公司正在研究。通过用户数据的聚类分析,可以发现企业的核心受众和潜在的用户行为信息。目前,用户聚类分析的主要研究方向是分析用户行为特征或推荐系统的支持。

前面的作者分析了群体的行为有不同的消费水平在网路广播平台。它首先使用网路广播平台上的用户行为收集的数据构造一个行为特征数据集,使用高尔半岛距离测量混合功能在用户数据的相似性,最后聚集不同消费阶层的用户组Medoids聚类方法。研究人员使用的K——聚类算法分析热图和充电时间分布的电动汽车用户的行为和总结电动汽车用户的行为特征。研究人员提出了一个两层的web用户聚类方法,它使用DBSCAN算法消除异常值,发现不规则的集群在用户会话中使用多个特性,最后使用自底向上分层集群初始聚类结果的方法。用户数据的来源通常是在线用户活动,如信息检索、购物、微博操作,和视频观看。这些活动产生大量的数据。随着网络用户数量的增加,交通网络生成的数据量增加。公司可以收集分析大量用户数据使用不同的数据挖掘算法。这允许您正确地描述用户特征、用户行为习惯,以及其他重要的信息,进一步描述和预测用户行为,改善现有系统,提高效率,给企业带来巨大的利益。

研究人员提出一个方法来执行初始集群使用SOM算法获得初始聚类参数。上述步骤减少不适当的初始化的影响。研究人员提出一个收集基于时间的方法分类交通智能卡用户的日常事务,它使用相关距离,层次聚类和子组的指标参数理解时间的用户和模式识别不同交通用户的日常行为。研究人员提出了一种基于聚类的推荐算法和矩阵分析。首先,该算法使用K——集群用户行为数据找到用户组具有类似行为特征,然后使用用户上下文相似性排名他们找到最后一组相似的用户。Hsien-Ying黄等人提出了一种自适应聚类算法,介绍了拓扑势场物理学理论,然后结合了改进K——算法与集群用户为了帮助完成后推荐过程。研究人员提出了一种推荐算法将用户聚类与得分的偏好,而预处理通过主成分分析和用户行为数据K——集群,并确定用户行为特征的权重由多个线性回归。研究人员提出了一个基于user-item社区推荐方法检测。与紧密相连的用户和项目获得集群后,传统的协同过滤模型可以为每个集群被训练。

特征选择,也称为特征子集选择,提取最优样本数据的特征从所有特征子集构造模型和有效的推广普及。不同于特征提取,特征选择可以保留尽可能多的原始特性的信息,消除冗余特征。特征选择方法大致分为监督特征选择和无监督特征选择。其中,监督特征选择方法需要使用样品的标签信息进行特征选择通过测量样品的特性和标签之间的关系,例如,米RMR和慢性疲劳综合症。然而,在现实生活中,数据和标签是很难获得,费时费力,使用手动标记。因此,研究人员越来越多的无监督特征选择方法的研究感兴趣。

3所示。基于聚类算法的精准营销

3.1。关联规则挖掘

关联规则挖掘(ARM)是一种重要的数据挖掘技术,这是一个过程,识别频繁模式、关联,或者因果结构从不同类型的数据集。手臂可以用来识别频繁项集之间的不确定性和从大型数据集生成强大的关联规则,特别是工程操作的辅助数据集。目前,许多学者聚类方法应用于关联规则的发现。然而,他们的目标是提高生成的关联规则的质量。摘要关联规则应用于用户相似性度量聚类的过程,提高集群的用户相似性度量的准确性。

关联规则是一种推理的形式X>Y,在那里X和Y非空的集不包含相同的元素,代表规则的前提和结论部分,分别。三个指标通常用来衡量关联规则,即支持,信心,和提升。一个关联规则的支持是同时包含所有交易的百分比X和Y,也可以表示为概率P(X>Y);信心是同时包含交易的百分比X和Y,也可以表示为条件概率P(Y|X)。电梯的比例是包含的概率Y当X包括含有的概率Y当X不包括。如果电梯的关联规则大于1,这意味着X和Y呈正相关;如果电梯小于1,这意味着X和Y是负相关;如果电梯等于1,这意味着X和Y是不相关的。

的K模式聚类算法使用复数而不是意味着,基于简单匹配的思想,利用汉明距离来计算两个物体之间的距离。对象和聚类中心之间的不同特征与不同的值对应的数量特征。最后,所有1的总结和累积值代表之间的不同对象和集群中心,每个对象属于集群中心最少的不同。它是定义如下。

让U= {x₁,x_我,x_n}是一个类型化数据集包含n对象。的对象x表示为(x_我1,x_我2,x_即时通讯),米是数量特征。让x_我和x_即时通讯是为代表的两个对象x_我1,x_我2,x_即时通讯]和[x_我1,x_我2,x_即时通讯),分别。x_我和x_即时通讯是由以下方程计算之间的距离x_我和x_即时通讯: Φ(x)是指标函数。

的优化模型K模式算法公式时用作对象被定义为距离度量受的关系矩阵U是一个n∗k二进制矩阵。在每个迭代中,如果对象我属于集群 ,然后让我_聚氨酯= 1;否则,我_聚氨酯> 0。Z= {z₁,z₂,z_k}表示的集合k中心。是权重向量数据集的所有功能。

聚类分析的目的是对对象进行分类使用数据本身的性质,能够根据具体计算采样点之间的相似性定义和发现内部通过迭代模式的数据以数据进行分类。上述过程不需要标签信息,因此聚类分析是无监督学习机器学习。通过聚类,对象在同一集群往往是相似的在某种意义上,当物体在不同的集群往往是不同的。数据挖掘聚类分析允许常量分析的数据没有特定个人。通常情况下,样本的相似性测量是基于计算样本数据之间的距离。

计算不同距离不同的场景。两个采样点之间的距离越近,相似度越高。聚类分析在各领域的广泛应用,如目标分类用户组。目标受众群分为几个用户组有明显不同的特点,所以个性化推荐和服务受众群体可以在后期进行,最终提高企业运作的效率和商业效应,以及发现价值的不同的产品组合。

企业可以执行聚类分析为大量产品根据不同的应用场景和目的,根据特定的评价指标,以部分产品系统和制定营销计划,满足企业的现状等等。通过聚类分析,可以确定少数群体的行为特征明显不同与其他组相比,这可能是系统异常或违规欺诈集团,应妥善处理,如果有必要,反馈给相关监管部门和监控。常见的聚类算法可以被分为五个类别根据其积累规则:划分算法聚类,不能聚类、基于网格的聚类,density-based聚类和基于模型的聚类。

3.2。谱聚类

谱聚类是一种聚类方法,利用图论的概念,将数据类别分类问题转化为一个减少无向图的问题。谱聚类算法的思想可以简单地解释为原始的高维特征空间是缩减规模来获得一个低维特征空间,然后其他传统聚类算法中使用的低维数据的聚类分析,从而达到数据样本空间聚类的目的不同的形状,如图2。

欧几里得距离是最基本的两个样本之间的距离的定义在一个n维数据空间或一个向量的模量。选择欧几里得距离作为距离测量在大多数聚类算法。这是定义如下:

余弦相似性度量两个向量的相似度通过计算夹角的余弦值。在文本分类领域,余弦相似性更广泛使用。这是定义如下:

保罗Jaccard介绍了Jaccard指数,也称为Jaccard相似系数,用它来分析高山植物的分布。Jaccard指数用来衡量两组样本之间的相似性。距离Jaccard Jaccard指数的一个补充,和它的目标是计算两个样本集之间的不同。其广义公式定义如下:

近年来,许多互联网公司越来越关注如何使用数据精确营销服务。在国际上,沃尔玛和亚马逊等公司有举足轻重的地位的用户行为分析;电子商务公司在中国,如淘宝、京东,Jindoduo正在研究用户行为预测和产品推荐精准营销。通过用户的聚类分析,我们可以发现不同的利益和行为,这样公司就可以分析其产品的核心用户群的特点,挖掘隐藏客户的帮助和提供一个改善产品和精确营销的基础。然而,现有的用户聚类算法不能有效地探索MDF的用户数据中包含的信息。这导致减少用户数据的利用率和用户之间相似度计算的准确性。为了解决这个问题,本文提出一种与MDF用户聚类算法,结合关联规则。首先,关联规则是引入Jaccard距离计算过程来计算用户之间的相似性,这种方法提高了数据的利用率和相似性度量的准确性。更新聚类中心的方法改进的基于的想法K模式聚类算法,以适应复杂的数据类型。

4所示。集群分析用户组发现的应用程序

4.1。数据采集

与互联网的不断进化和智能设备的普及,人们可以以各种方式接入互联网。虽然互联网给生活带来了方便,同时也积累了大量的数据,以及如何挖掘和分析这些数据,数据的价值是一个热点问题进行研究。另一方面,在当前形势下,用户扮演非常重要的角色。只有用户将企业收入和长期发展。如何有效地分析用户提供定制服务的特点,对不同的用户组也是一个非常有意义的研究问题。在这一章,两层结构的用户聚类(TL-FIUC)算法应用于真实的用户特征数据,和用户特征数据聚集和分析发现主要的用户组,为观众提供一个参考用户企业的分析。

数据集已经被正式麻木的和功能类型主要是命令离散特性。因此,这些特性可以被视为数值特性在计算用户相似度和聚类中心。来验证算法的有效性TL-FIUC, user_profile首先是预处理去除样本包含丢失和异常值,和用户特征数据的1000 (Dataset6)和10000 (Dataset7)分别从数据集随机选择验证数据集在这个应用程序的场景。由于原始数据集是无标号数据,有必要确定聚类数的值k第一。摘要平方误差的总和(SSE)用于做出的判断。首先,我们画出上交所线图的聚类结果与不同的值k然后观察图像的拐点是最好的聚类数目的价值k。在实际应用程序中,用户组发现的数量一般不太大。这是因为企业用户聚类分析的目的是要了解几个用户产品受众群体不同的特征;如果找到太多的核心用户,这将导致更小的每一个用户组之间的差异,不能分析用户组之间的差异特征更直观。因此,在这个应用程序中数据集Dataset6,实验设置值的范围k(9);对于数据集Dataset7,实验设置值范围k(1)20)以找到聚类数的值k有一个更好的用户组的划分。上交所折图如图3。

Dataset6,它可以观察到,上交所减少速度当集群的数量k的范围(1、4)和显著减慢k的范围(4、9),那么的价值呢k是设置为4;Dataset7,从图3可以观察到,上交所减少更快的时候k的范围(1,6)和显著减慢k的范围(20)。在实践中,集群的数量可以根据企业的实际需要。

4.2。精确营销的电子商务平台

摘要TL-FIUC算法分别用于集群Dataset6和Dataset7。生成的结果k集群和k聚类中心。TL-FIUC算法的聚类效果的两个数据集如图4。用户聚类分析进行分类具有相同或相似的用户行为特征为同一组通过聚类,然后发现核心,大用户群的迭代更新集群。本章简要介绍了相关的理论基础和预备知识参与这项研究本文通过算法的定义和步骤。主要主题包括用户聚类方法,定义和方法相关的手臂,和随机与森林有关的特征选择方法需要考虑用户特性的重要性。我们提出一种聚类方法,将关联规则与MDF基于的想法K模式聚类算法。首先,本文构造了一个方法来计算用户之间的相似性用Jaccard距离和结合关联规则Jaccard距离提高用户之间的相似度;然后,一个聚类中心更新规则提出了MDF;最后,相似性测量方法结合关联规则,Jaccard距离,和集群。最后,基本K模式算法利用相似度度量结合Jaccard距离的关联规则和聚类中心更新方法,即ARMDKM算法提出了。该方法解决了传统模型无法处理的问题MDF有效地证明了其理论的正确性。实验验证新方法的正确性的纯度集群、熵值,轮廓系数等指标。

TL-FIUC算法可以有效地分类用户具有不同特点,用户数据,该算法对聚类的影响是显著的。总之,通过聚类分析,企业能够获得大规模的几个主要的用户组。这些组织特征的分析可以提供一个更直观的了解用户和发现潜在的用户组。TL-FIUC算法应用于真实数据集的聚类分析发现主要的用户组和算法的可行性验证用户聚类分析领域的可视化。此外,这个应用程序实验验证最优数量的集群用户一般不超过10个,如图5。一方面,集群的数量受到用户的数量特征:一般来说,用户特性的数量越高,越高的最优数量的集群;另一方面,它是相似度测量的影响。更大的集群,用户组之间的差异越小。因此,集群的数量不应设置太大,当企业在实际应用对用户进行聚类分析。

5。结果与讨论

用户行为分析是一个以用户为中心的历史行为数据的分析,甚至持续的行为动作,使用技术,如数理统计或数据挖掘。其中,聚类分析技术更广泛应用于用户行为数据分析人士和研究人员的分析各种企业的应用程序场景聚类算法已逐渐扩大,并取得了较好的效果。然而,仍然有一些问题在聚类算法的应用领域的用户行为分析,需要解决,还有很多缺点的使用聚类分析领域的用户行为分析。本文的目的是解决当前问题的用户聚类分析,试图探索更多的应用场景的用户聚类的过程中解决这些问题。

本文解决了用户相似性计算精度低的问题,由于目前的低数据利用率。介绍了关联规则方法的计算过程Jaccard距离,构造用户相似性度量,并改善了聚类中心的更新方法基于的想法K模式聚类算法。通过实验证明,ARMDKM算法优于传统的聚类算法在一些评估标准,不仅提高了数据的利用率,也可以提高用户聚类的质量,和解决问题的聚类算法不能有效分析MDF用户数据。

此外,TL-FIUC算法实验的影响考虑用户数据特性的重要性。领域的用户行为分析,不同的用户和不同的行为的重要性,不同的用户分析数据特征各不相同。为了全面考虑重量用户数据特性之间的关系,本文首先使用K——+ +分析数据在一个聚类生成pseudolabel特性,如图6。然后,OOB误差随机森林算法是用来评估功能重要性获得的权重参数的特性。最后,基于谱聚类的概念,分析了加权用户数据通过聚类得到最终的聚类结果。实验结果表明,该算法有效地提高了聚类精度。TL-FIUC算法也表现良好在真实用户信息数据集的聚类分析。

由于集群本身的性质,它能够将数据根据数据本身的特点,聚合相似集群和分离不同的。目前,聚类分析被广泛用于商业决策,精确营销、等领域。聚类分析可以发现隐藏信息在用户和可用于建立更详细的用户配置文件,并可能发现隐藏的目标用户群。在许多数据挖掘任务,可以使用聚类分析作为数据预处理方法,如图7。特别是当数据不标记或当数据分布模式的一个简单的理解是必要的,聚类分析可以有效地完成上述任务。因此,值得探索聚类算法在不同领域的应用场景。实验中使用的数据集只包含4个用户从用户特征数据集特征选择参与相似性计算,主要目的是验证本文算法的可行性和有效性,并可以选择更多的功能来分析在实际的应用程序。LR数据集的聚类分析,所有七个算法的性能改善敝中断指数和TL-FIUC算法表现最好的。另一方面,TL-FIUC算法提出了基于谱聚类,可以更好地处理稀疏矩阵由于其自然降维的能力,从而提高聚类的效果。这部分的实验表明,TL-FIUC算法是一种可行的方法是图像处理领域的应用。

后续改进,如并行计算或近似算法可以被认为是提高算法的效率。除了上述算法的改进方向,本文也可以考虑结合模糊聚类的聚类分析的用户。基本的聚类算法利用本文都是硬聚类,和硬聚类并不能反映的特征变量和灵活的用户行为。使用软集群能够提高集群的质量,这是由后续验证理论和实验。聚类分析的目的是对对象进行分类使用数据本身的性质,能够根据具体计算采样点之间的相似性定义,通过迭代,发现内部的模式数据为了分类数据。上述过程不需要标签信息,因此聚类分析是无监督学习机器学习。通过聚类,对象在同一集群往往是相似的在某种意义上,当物体在不同的集群往往是不同的。数据挖掘聚类分析允许常量分析的数据没有特定个人。通常情况下,样本的相似性测量是基于计算样本数据之间的距离。

计算不同距离不同的场景。聚类分析在各领域的广泛应用,如目标分类用户组。目标受众群分为几个用户组有明显不同的特点,所以个性化推荐和服务受众群体可以在后期进行,最终提高企业运作的效率和商业效应,以及发现价值的不同的产品组合。

6。结论

后的关联规则挖掘在这个实验中只包含一个元素。后续可以尝试结合关联规则与相似性度量包含多个元素后,提高用户相似度计算在实际应用的准确性。ARMDKM算法是基于最基本的K模式的算法,不改进的初始化问题和需要多个运行获得更好的结果。此外,这个实验的数据特征选择,和ARMDKM算法没有能力选择功能。随后的方法可以结合现有方法解决初始化和特征选择问题,以达到更好的结果。算法本身包含两个主要步骤:一是无监督特征选择,另一个是整体聚类分析;非监督特征选择方法使用聚类分析和分类模型建设、算法比较原始,仍有很大的优化空间。可以改进算法指的是最新论文无监督特征选择的方向;整个聚类分析部分采用谱聚类算法,这是更有效地处理高维数据,但由于谱聚类需要计算每个样本之间的相似性,导致过度的时间开销在处理大样本数据。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

引用

n .黄”分析和设计基于jsp的大学教学评价体系平台,“国际教育和管理工程杂志》上,7卷,不。3,43-50,2017页。视图:出版商的网站|谷歌学术搜索
问:王、吴c和y太阳,“企业社会责任评价航空公司使用熵权和灰色关联分析,“航空运输管理杂志》上,42卷,55 - 62、2015页。视图:出版商的网站|谷歌学术搜索
t . s . Riall j . Teiman M Chang et al .,“保持火但避免过度疲劳:居民福利计划的执行和评估,”美国外科医生杂志》上,卷226,不。4、369 - 379年,2017页。视图:谷歌学术搜索
t·辛格,a . Patnaik和r . Chauhan”优化的摩擦学性能的水泥窑过刹车片使用灰色关联分析,“材料和设计卷,89年,第1342 - 1335页,2016年。视图:出版商的网站|谷歌学术搜索
w . r . Tan张,c . Shengqun”基于灰色关联决策方法分析和梯形模糊neutrosophic数字双重不完全信息下,在台风灾害评估中的应用,”IEEE访问,8卷,第3628 - 3606页,2019年。视图:谷歌学术搜索
t .王”,研究沥青和骨料的附着力属性基于灰色关联,”理论,48卷,不。14日,40-42,2019页。视图:谷歌学术搜索
j·w·博兰·m·布朗,a .女仆g·m·芬恩和j . Gibbins“如何有效的医学生本科缓和医疗教学?”一个系统的文献综述,10卷,不。9日,第036459 - 036458页,2020年。视图:出版商的网站|谷歌学术搜索
l . j .教学和练习,”基于实践研究中国学生learning-putting的事情在一起,”大学教学实践杂志》(JUTLP),16卷,不。2、12 - 18,2019页。视图:谷歌学术搜索
x王”,应用灰色关联分析理论选择可靠性高的网络节点,“物理学杂志》的系列会议,卷1237,不。3、032055 - 032056年,2019页。视图:出版商的网站|谷歌学术搜索
m . Dinerstein l . Einav j·莱文,n,转向开始涉足“消费者价格搜索和互联网商务平台设计,“美国经济评论,卷108,不。7,1820 - 1859年,2018页。视图:出版商的网站|谷歌学术搜索
s . l . Chen乔:汉et al .,“友谊预测模型基于因子图整合地理位置,”CAAI交易情报技术,5卷,不。3、193 - 199年,2020页。视图:出版商的网站|谷歌学术搜索
问:小王,y,高h . et al .,“网络表示学习增强的推荐算法,”IEEE访问7卷,第61399 - 61388页,2019年。视图:出版商的网站|谷歌学术搜索
y岑,j . Zhang王g . et al .,“信任关系预测在阿里巴巴电子商务平台,IEEE工程知识和数据,32卷,不。5,1024 - 1035年,2020页。视图:出版商的网站|谷歌学术搜索
e . Cristobal-Fransi y Montegut-Salla、b . Ferrer-Rosell和n .戴丽”农村合作社在数字时代:分析互联网的存在和农业合作社的成熟程度”电子商务,《农村研究卷。74年,55 - 66、2020页。视图:出版商的网站|谷歌学术搜索
z h . Borbora m·a·艾哈迈德·j .哦,k . z, j·斯利瓦斯塔瓦和z,健壮的信任在社交网络的特点,“社会网络分析和挖掘,3卷,不。4、981 - 999年,2013页。视图:出版商的网站|谷歌学术搜索
p . m . Carron k Kaski, r·邓巴“邓巴数字,称为“社交网络47卷,第155 - 151页,2016年。视图:谷歌学术搜索
j·夸克、张y和j . Yu”合法性建设和电子商务平台在中国发展:阿里巴巴的经验,“技术预测和社会变革卷,139年,第124 - 115页,2019年。视图:出版商的网站|谷歌学术搜索
z Almeraj, f . Boujarwah d Alhuwail, r·卡”评估高等教育机构网站的可访问性在科威特:实证的证据,”在信息社会普及,卷1,11到18门,2020页。视图:谷歌学术搜索
j·t·r·冈卡尔维斯·罗卡马丁斯,f·布兰科和m . Au-Yong-Oliveira”评价电子商务网站的可访问性和可用性:电子商务平台分析夹杂物的盲人用户,”在信息社会普及,17卷,不。3、567 - 583年,2018页。视图:出版商的网站|谷歌学术搜索
a·伊斯梅尔k . s . Kuppusamy, s . Paiva“葡萄牙高等教育机构网站的可访问性分析,“在信息社会普及,19卷,不。3、685 - 700年,2020页。视图:出版商的网站|谷歌学术搜索

复杂性