李雪茹 高洋

基金項(xiàng)目：2016年西安外國(guó)語(yǔ)大學(xué)研究生科研基金項(xiàng)目（syjs201656）

中圖分類(lèi)號(hào)：F724 文獻(xiàn)標(biāo)識(shí)碼：A

內(nèi)容摘要：消費(fèi)偏好一直是營(yíng)銷(xiāo)管理研究與實(shí)踐的熱點(diǎn)問(wèn)題。“互聯(lián)網(wǎng)+”的實(shí)施與自媒體平臺(tái)的普及，使得消費(fèi)者需求與偏好在傳統(tǒng)研究模式下變得難以預(yù)測(cè)。本文首先對(duì)現(xiàn)有研究進(jìn)行梳理與總結(jié)，重點(diǎn)從顧客識(shí)別模型構(gòu)建與消費(fèi)偏好研究?jī)蓚€(gè)方面進(jìn)行；其次，利用數(shù)據(jù)挖掘技術(shù)獲取顧客的在線社交數(shù)據(jù)，從而構(gòu)建顧客識(shí)別模型；再次，在顧客識(shí)別模型的基礎(chǔ)上，提出運(yùn)用文本特征提取方法、抗噪聲聚類(lèi)算法及語(yǔ)義分析法挖掘數(shù)據(jù)并對(duì)偏好進(jìn)行識(shí)別與分析的思路；最后，對(duì)本文進(jìn)行總結(jié)，并提出對(duì)未來(lái)進(jìn)一步研究的展望。

關(guān)鍵詞：在線社交數(shù)據(jù) 數(shù)據(jù)挖掘 消費(fèi)偏好 顧客識(shí)別模型

引言

大數(shù)據(jù)時(shí)代的今天，通過(guò)數(shù)據(jù)挖掘技術(shù)獲取線上用戶的行為數(shù)據(jù)并進(jìn)行分類(lèi)整合，同時(shí)結(jié)合用戶信息，便可得到更具體的顧客形象，這樣的全樣本不僅可以客觀反映其消費(fèi)行為特點(diǎn)，在一定程度上還可關(guān)聯(lián)推測(cè)其消費(fèi)行為傾向。

基于此，本文利用數(shù)據(jù)挖掘技術(shù)對(duì)顧客自媒體平臺(tái)中的社交數(shù)據(jù)進(jìn)行挖掘、整合并構(gòu)建顧客識(shí)別模型，進(jìn)而對(duì)消費(fèi)偏好進(jìn)行挖掘與識(shí)別，并提出利用文本特征提取方法、抗噪聲聚類(lèi)算法及語(yǔ)義分析法等對(duì)消費(fèi)偏好進(jìn)行歸類(lèi)總結(jié)并探究其變化規(guī)律的研究思路與建議。

顧客識(shí)別模型構(gòu)建相關(guān)研究

構(gòu)建顧客識(shí)別模型的關(guān)鍵就是數(shù)據(jù)選擇，最客觀的數(shù)據(jù)才能構(gòu)建出識(shí)別能力最強(qiáng)的模型。目前構(gòu)建顧客識(shí)別模型的研究中數(shù)據(jù)來(lái)源分為兩類(lèi)：?jiǎn)柧頂?shù)據(jù)與數(shù)據(jù)庫(kù)數(shù)據(jù)。通過(guò)問(wèn)卷獲取數(shù)據(jù)的研究是一種較為傳統(tǒng)的方式且研究年限較早，在顧客價(jià)值識(shí)別研究方面較多，如：利用調(diào)查問(wèn)卷和上市公司數(shù)據(jù)，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的顧客價(jià)值識(shí)別模型，進(jìn)而分析顧客價(jià)值同企業(yè)利潤(rùn)之間的關(guān)系（金代志、王春霞、石春生，2009）。通過(guò)問(wèn)卷調(diào)查的方式對(duì)目標(biāo)市場(chǎng)顧客需求進(jìn)行識(shí)別并構(gòu)建模型（劉書(shū)慶、蘇秦、王志強(qiáng)，2011）。近年來(lái)利用數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行研究的文獻(xiàn)逐漸增多，多是使用數(shù)據(jù)挖掘技術(shù)從以往生產(chǎn)、經(jīng)營(yíng)、銷(xiāo)售等環(huán)節(jié)構(gòu)成的數(shù)據(jù)庫(kù)中挖掘顧客需求數(shù)據(jù)，并建立解決實(shí)際問(wèn)題的識(shí)別模型。如：采用決策樹(shù)和Logistic算法對(duì)移動(dòng)飛信業(yè)務(wù)顧客數(shù)據(jù)庫(kù)進(jìn)行挖掘并建立客戶預(yù)測(cè)模型（孔勤，2009）。通過(guò)數(shù)據(jù)挖掘技術(shù)挖掘超市顧客數(shù)據(jù)庫(kù)，建立忠誠(chéng)度-盈利性顧客細(xì)分模型，識(shí)別不同類(lèi)型的顧客群，預(yù)測(cè)顧客價(jià)值變化規(guī)律（肖生苓、牟娌娜等，2011）。以三槍集團(tuán)營(yíng)銷(xiāo)數(shù)據(jù)為對(duì)象，利用“用戶畫(huà)像”數(shù)據(jù)庫(kù)挖掘建立精準(zhǔn)營(yíng)銷(xiāo)細(xì)分模型，重構(gòu)消費(fèi)者需求、精準(zhǔn)識(shí)別并定位消費(fèi)者群體（劉海、盧慧等，2015）。

此類(lèi)數(shù)據(jù)改進(jìn)了問(wèn)卷數(shù)據(jù)較為主觀以及樣本量不足的缺點(diǎn)，但此類(lèi)數(shù)據(jù)仍有局限，顧客產(chǎn)生消費(fèi)行為的驅(qū)動(dòng)因素多樣，主觀因素與客觀因素并存，確定顧客屬性時(shí)選用由顧客主觀能動(dòng)因素導(dǎo)致的消費(fèi)行為數(shù)據(jù)為最佳，從而準(zhǔn)確分析顧客屬性，因此僅通過(guò)既定的消費(fèi)行為反推顧客屬性是不客觀的，無(wú)法全面掌握顧客真實(shí)屬性。因此，本文采用數(shù)據(jù)挖掘技術(shù)，挖掘個(gè)體線上自媒體平臺(tái)中的社交數(shù)據(jù)，從個(gè)體無(wú)意識(shí)的社交語(yǔ)言中挖掘其個(gè)人屬性及偏好。

消費(fèi)偏好識(shí)別與分析相關(guān)研究

隨著各種信息采集終端的出現(xiàn)，線上和線下交易所產(chǎn)生的海量數(shù)據(jù)被保存在企業(yè)數(shù)據(jù)庫(kù)中，作為對(duì)消費(fèi)者偏好進(jìn)行分析的源數(shù)據(jù)。由于數(shù)據(jù)量巨大，因此數(shù)據(jù)挖掘成為基于數(shù)據(jù)庫(kù)數(shù)據(jù)提取對(duì)消費(fèi)者偏好進(jìn)行識(shí)別與分析的主要方法（劉軍，2012）。從數(shù)據(jù)挖掘的角度，方法分為兩類(lèi)：有監(jiān)督的數(shù)據(jù)挖掘方法和無(wú)監(jiān)督的數(shù)據(jù)挖掘方法。

（一）有監(jiān)督的數(shù)據(jù)挖掘方法

常見(jiàn)的有監(jiān)督的數(shù)據(jù)挖掘方法有Logit分析方法與決策樹(shù)分析方法。標(biāo)準(zhǔn)Logit模型和混合Logit模型的區(qū)別在于前者的假設(shè)前提忽略了消費(fèi)者之間的差異，后者利用系數(shù)隨機(jī)誤差表示個(gè)體間偏好差異，利用消費(fèi)者的決策行為進(jìn)行建模，用系數(shù)體現(xiàn)消費(fèi)者偏好（楊勇攀等，2009）。決策樹(shù)分析法對(duì)離散型數(shù)據(jù)有更好的處理效果（Micheline，2010），吳留平（2011）基于ID3的決策樹(shù)分類(lèi)算法構(gòu)建了服裝款式偏好模型，將客戶款式偏好問(wèn)題轉(zhuǎn)化為決策樹(shù)的歸納問(wèn)題。

（二）無(wú)監(jiān)督的數(shù)據(jù)挖掘方法

常見(jiàn)的無(wú)監(jiān)督的數(shù)據(jù)挖掘方法有關(guān)聯(lián)規(guī)則與聚類(lèi)。前者是最基本的分析方法，傳統(tǒng)的關(guān)聯(lián)規(guī)則的前提是消費(fèi)者偏好固定不變，研究主體是商品，因此以消費(fèi)者為主體的雙向關(guān)聯(lián)規(guī)則方法被提出（曾令明等，2005；Du，2010）。該方法雖然提高了準(zhǔn)確度，但數(shù)據(jù)未考慮購(gòu)買(mǎi)行為以外的數(shù)據(jù)，此類(lèi)數(shù)據(jù)只能通過(guò)GPS、紅外感應(yīng)器等構(gòu)成的電商物聯(lián)網(wǎng)智能，對(duì)購(gòu)前、購(gòu)買(mǎi)、購(gòu)后三個(gè)過(guò)程的所有信息進(jìn)行獲取（劉枚蓮等，2013），因此雙向關(guān)聯(lián)規(guī)則更適合分析基于電商數(shù)據(jù)的消費(fèi)者偏好情況。聚類(lèi)分析最能體現(xiàn)數(shù)據(jù)挖掘中無(wú)監(jiān)督方法的特點(diǎn)，可以從消費(fèi)者數(shù)據(jù)庫(kù)中區(qū)分出不同消費(fèi)群體，并概括出每一類(lèi)消費(fèi)者的消費(fèi)模式或習(xí)慣偏好（劉遠(yuǎn)超，2005），但也存在很多不足，特別是對(duì)現(xiàn)實(shí)數(shù)據(jù)的分析中，難以確定輸入的參數(shù)值（王縱虎，2012；祁小麗，2009；劉鑫朝，2006），參數(shù)值的細(xì)微變化導(dǎo)致消費(fèi)者偏好的聚類(lèi)結(jié)果變動(dòng)幅度過(guò)大，只依靠全局參數(shù)的聚類(lèi)算法無(wú)法很好地刻畫(huà)真實(shí)的消費(fèi)者偏好結(jié)構(gòu)。

綜上所述，在大數(shù)據(jù)背景下利用數(shù)據(jù)挖掘技術(shù)識(shí)別和分析消費(fèi)偏好已成為主流，對(duì)全樣本進(jìn)行研究已是現(xiàn)代營(yíng)銷(xiāo)研究的趨勢(shì)，而數(shù)據(jù)挖掘技術(shù)正是獲得全樣本的方法，引入數(shù)據(jù)挖掘技術(shù)既能創(chuàng)新研究形式，又能優(yōu)化研究結(jié)果。目前消費(fèi)者偏好研究都集中在對(duì)各種偏好表現(xiàn)形式的描述和分類(lèi)上，并以認(rèn)為顧客會(huì)在一定時(shí)期內(nèi)保持和帶有這種偏好特征進(jìn)行消費(fèi)活動(dòng)為前提，很少關(guān)注偏好自身的屬性和變化規(guī)律。因此，本文考慮到新興電子商務(wù)市場(chǎng)在線顧客偏好的多變性，選用數(shù)據(jù)挖掘技術(shù)對(duì)顧客日常無(wú)意識(shí)狀態(tài)下在自媒體平臺(tái)上的社交數(shù)據(jù)進(jìn)行收集處理，從日常行為入手挖掘顧客屬性，還原顧客形象，用數(shù)據(jù)描述顧客，并進(jìn)行消費(fèi)偏好的研究。這類(lèi)數(shù)據(jù)是動(dòng)態(tài)、全面、實(shí)時(shí)的，因此所構(gòu)建的顧客識(shí)別模型是動(dòng)態(tài)的，研究也更全面，避免了既定數(shù)據(jù)庫(kù)所帶來(lái)的局限性。同時(shí)，結(jié)合互聯(lián)網(wǎng)特征，在對(duì)消費(fèi)偏好進(jìn)行研究時(shí)會(huì)重點(diǎn)結(jié)合網(wǎng)絡(luò)輿情相關(guān)內(nèi)容，總結(jié)影響消費(fèi)行為偏好的因素，并提出依此對(duì)消費(fèi)行為偏好進(jìn)行研究的思路。

基于數(shù)據(jù)挖掘技術(shù)的消費(fèi)偏好識(shí)別與分析

（一）構(gòu)建顧客識(shí)別模型

本文所構(gòu)建的顧客偏好識(shí)別模型是利用數(shù)據(jù)挖掘技術(shù)對(duì)自媒體平臺(tái)上顧客基本信息以及在線行為數(shù)據(jù)進(jìn)行搜集、整理和分析，從而根據(jù)消費(fèi)特征等指標(biāo)對(duì)顧客進(jìn)行識(shí)別與鎖定。

個(gè)體顧客識(shí)別數(shù)據(jù)庫(kù)構(gòu)建。構(gòu)架顧客識(shí)別模型時(shí)，首要步驟就是對(duì)個(gè)體顧客（原始目標(biāo)）行為特征數(shù)據(jù)進(jìn)行挖掘，形成基礎(chǔ)標(biāo)簽，即構(gòu)建個(gè)體顧客識(shí)別數(shù)據(jù)庫(kù)。通過(guò)對(duì)前期學(xué)者研究的學(xué)習(xí)和整理，本文參考了趙曙光（2014）在對(duì)高轉(zhuǎn)化率的社交媒體進(jìn)行畫(huà)像時(shí)提出的五個(gè)維度與劉海等（2015）在研究精準(zhǔn)營(yíng)銷(xiāo)時(shí)構(gòu)建的“消費(fèi)者圖譜”，在“4C”理論的基礎(chǔ)上，結(jié)合本文所使用的數(shù)據(jù)特征，提出個(gè)體顧客識(shí)別數(shù)據(jù)庫(kù)構(gòu)建的框架，主要包含顧客基本信息與線上行為數(shù)據(jù)兩個(gè)方面，如圖1所示。

社群研究。社群研究是在個(gè)體顧客識(shí)別數(shù)據(jù)庫(kù)構(gòu)建的基礎(chǔ)上進(jìn)行的，以確定的個(gè)體為基點(diǎn)進(jìn)行橫向、縱向的社群研究。該步驟使顧客識(shí)別模型更加全面，通過(guò)個(gè)體顧客輻射其朋友、家人、同事等，以每一位個(gè)體顧客作為圓心構(gòu)成一個(gè)社群，多個(gè)社群相交便能夠獲得使個(gè)體更加全面的標(biāo)簽。

橫向研究是對(duì)與原始目標(biāo)相關(guān)聯(lián)的人員（如頻繁互動(dòng)的個(gè)體、有明確分組的用戶）進(jìn)行鎖定并挖掘其自媒體平臺(tái)上的社交數(shù)據(jù)，豐富原始目標(biāo)的基礎(chǔ)標(biāo)簽，從不同緯度、粒度進(jìn)行描述；隨著社交軟件的普及，個(gè)體對(duì)于社交軟件的使用已多樣化，為了區(qū)分工作與生活，會(huì)在同一個(gè)社交軟件上申請(qǐng)多個(gè)賬戶，因此縱向研究就是針對(duì)原始目標(biāo)不同社交賬號(hào)的數(shù)據(jù)進(jìn)行挖掘，包括同一平臺(tái)上的不同賬號(hào)和不同平臺(tái)上的賬號(hào)（默認(rèn)個(gè)體在不同自媒體平臺(tái)上最多只有兩個(gè)賬號(hào)），可以依據(jù)登錄設(shè)備或登錄IP進(jìn)行綜合識(shí)別。

上文中引入社會(huì)網(wǎng)絡(luò)分析法，該方法是一種定量方法，對(duì)社會(huì)網(wǎng)絡(luò)進(jìn)行形式化描述。社會(huì)網(wǎng)絡(luò)由多個(gè)節(jié)點(diǎn)和多個(gè)連線的集合構(gòu)成，每一個(gè)節(jié)點(diǎn)表示一個(gè)個(gè)體（原始目標(biāo)），連線表明關(guān)系，可以是親戚、朋友、同事，甚至是具有相同商品喜好的陌生人，個(gè)體通過(guò)關(guān)系相連接最終形成社會(huì)網(wǎng)絡(luò)，彼此標(biāo)簽共享互相參考，便形成每一個(gè)立體的用戶。原始目標(biāo)就居于該社會(huì)網(wǎng)絡(luò)的核心位置，相比較其他顧客有更多聯(lián)系，在線活躍度越高的用戶，其所處的社會(huì)網(wǎng)絡(luò)就越大、越復(fù)雜，從而獲得的顧客信息就會(huì)越全面。社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

通過(guò)以上由點(diǎn)及面、橫縱結(jié)合的研究便形成了立體全面的顧客識(shí)別模型，具體模型如圖3所示。

（二）識(shí)別與分析偏好

在顧客識(shí)別模型的基礎(chǔ)上挖掘與消費(fèi)偏好相關(guān)的數(shù)據(jù)，對(duì)消費(fèi)偏好進(jìn)行識(shí)別與分析研究，步驟及方法如下：

第一，基于在線社交數(shù)據(jù)的顧客消費(fèi)興趣挖掘。對(duì)于顧客興趣的發(fā)現(xiàn)，在網(wǎng)絡(luò)顧客參與信息傳播的過(guò)程中，在不同的時(shí)間將呈現(xiàn)出不同的興趣關(guān)注內(nèi)容，這種現(xiàn)象可稱(chēng)為興趣的動(dòng)態(tài)遷移。首先分析作為顧客興趣的特征項(xiàng)在動(dòng)態(tài)遷移過(guò)程中的特點(diǎn)，提出文本特征提取方法，在此基礎(chǔ)上采用有限混合概率模型，研究顧客興趣的識(shí)別方法以及對(duì)新出現(xiàn)興趣內(nèi)容的歸并方法。

網(wǎng)絡(luò)顧客是信息傳播的主體，具有較大中心性的顧客在信息傳播中起著至關(guān)重要的作用。前期預(yù)研發(fā)現(xiàn)在線社會(huì)網(wǎng)絡(luò)中具有較大連接度的顧客節(jié)點(diǎn)有助于將信息傳播給更多顧客，具有較大介數(shù)的顧客節(jié)點(diǎn)有助于擴(kuò)大信息傳播范圍，具有較大聚集性的顧客節(jié)點(diǎn)有助于信息的局部傳播，節(jié)點(diǎn)連接的正負(fù)屬性可影響信息傳播路徑的選擇?；谶@些結(jié)構(gòu)屬性，可挑選出具有不同中心性的重要顧客節(jié)點(diǎn)，從而為建立特定類(lèi)型顧客行為模型提供重要的顧客屬性。

第二，基于在線社交數(shù)據(jù)的顧客消費(fèi)行為模式挖掘。在線社會(huì)網(wǎng)絡(luò)中，由于特定類(lèi)型顧客節(jié)點(diǎn)的角色、關(guān)注興趣等因素相似，使得一些顧客節(jié)點(diǎn)子集的行為模式具有一定趨同性。因此在大規(guī)模顧客節(jié)點(diǎn)行為數(shù)據(jù)的基礎(chǔ)上，基于顧客節(jié)點(diǎn)行為模式的趨同性和行為特征的相似性，采用抗噪聲聚類(lèi)算法分析顧客節(jié)點(diǎn)全集，得到若干具有相似行為模式的顧客節(jié)點(diǎn)子集，進(jìn)一步選取頻繁項(xiàng)關(guān)聯(lián)規(guī)則挖掘算法分析某顧客節(jié)點(diǎn)子集，可得到子集顧客的主要行為模式。

第三，基于顧客消費(fèi)行為模式的顧客偏好識(shí)別與分析。通過(guò)語(yǔ)義分析將在線社交媒體中獲得的顧客興趣與行為數(shù)據(jù)，以及其他類(lèi)型數(shù)據(jù)源中獲得的顧客消費(fèi)行為傾向數(shù)據(jù)，按照時(shí)間順序?qū)⒉煌?lèi)型消費(fèi)行為變化發(fā)展過(guò)程記錄并構(gòu)成一個(gè)時(shí)間序列，基于空間重構(gòu)，將測(cè)量值構(gòu)造成為一組多維動(dòng)態(tài)向量。時(shí)間序列中差異較大的部分意味著在原始數(shù)據(jù)中所包含的消費(fèi)行為傾向變化較大，因此通過(guò)此分析能夠識(shí)別消費(fèi)行為傾向的遷移，并且由于引入了在線社會(huì)網(wǎng)絡(luò)等新型數(shù)據(jù)，一些基于傳統(tǒng)問(wèn)卷調(diào)查發(fā)布的消費(fèi)行為數(shù)據(jù)所體現(xiàn)不出的變化也能夠被識(shí)別，從而使得識(shí)別結(jié)果更為準(zhǔn)確、完善。為了從各類(lèi)消費(fèi)行為傾向因素中篩選得到對(duì)消費(fèi)行為造成最大影響的主因素，采取多元逐步回歸方法進(jìn)行因素選擇。由于多維動(dòng)態(tài)向量中差異較大的部分對(duì)應(yīng)的消費(fèi)行為傾向變化也較大，因此基于多維動(dòng)態(tài)向量可提出消費(fèi)行為傾向的遷移識(shí)別方法。

結(jié)論與展望

基于現(xiàn)有研究與理論，本文首先提出利用自媒體平臺(tái)上顧客社交行為數(shù)據(jù)構(gòu)建顧客識(shí)別模型的步驟：一是構(gòu)建個(gè)體顧客識(shí)別數(shù)據(jù)庫(kù)，建立個(gè)體顧客基礎(chǔ)標(biāo)簽；二是以個(gè)體顧客為基點(diǎn)從橫縱兩方向構(gòu)建社群，通過(guò)社群研究擴(kuò)充顧客標(biāo)簽；三是提出基于以上的識(shí)別模型，用數(shù)據(jù)挖掘進(jìn)行消費(fèi)偏好識(shí)別與分析的思路，引入文本特征提取方法、抗噪聲聚類(lèi)算法、語(yǔ)義分析法等。

目前本文只是提出了基于數(shù)據(jù)挖掘?qū)ζ米R(shí)別模型進(jìn)行構(gòu)建的方案，以及利用該技術(shù)識(shí)別與分析消費(fèi)偏好的相關(guān)建議。在后續(xù)研究中，可針對(duì)具體企業(yè)或產(chǎn)品，利用計(jì)算機(jī)科學(xué)領(lǐng)域的數(shù)據(jù)挖掘技術(shù)，獲取相關(guān)在線社交數(shù)據(jù)，完成實(shí)證研究，將模型量化、驗(yàn)證。

參考文獻(xiàn)：

1.金代志，王春霞，石春生.基于BP神經(jīng)網(wǎng)絡(luò)的顧客價(jià)值識(shí)別研究[J].中國(guó)軟科學(xué)，2009

2.劉書(shū)慶，蘇秦等.科技成果產(chǎn)業(yè)化目標(biāo)市場(chǎng)顧客需求識(shí)別與評(píng)審模型研究[J].科技進(jìn)步與對(duì)策，2011

3.孔勤.數(shù)據(jù)挖掘技術(shù)在移動(dòng)增值業(yè)務(wù)中的應(yīng)用[D].北京交通大學(xué)，2009

4.肖生苓，牟娌娜等.基于數(shù)據(jù)挖掘技術(shù)的超市顧客群研究[J].資源開(kāi)發(fā)與市場(chǎng)，2011

5.劉軍.數(shù)據(jù)挖掘在讀者閱讀需求偏好研究中的應(yīng)用[J].圖書(shū)館論壇，2012（3）

6.楊勇攀等.基于混合Logit模型的消費(fèi)者偏好測(cè)量研究[J].生產(chǎn)力研究，2009（2）

7.吳留平.服裝款式定制輔助系統(tǒng)研究[D].西安工程大學(xué)，2011

8.曾令明等.雙向關(guān)聯(lián)規(guī)則挖掘及其相關(guān)性分析[J].計(jì)算機(jī)工程與設(shè)計(jì)，2005，26（10）

9.劉枚蓮等.基于雙向關(guān)聯(lián)規(guī)則的網(wǎng)絡(luò)消費(fèi)者偏好挖掘研究[J].微電子學(xué)與計(jì)算機(jī)，2013（3）

10.劉遠(yuǎn)超等.基于聚類(lèi)分析策略的用戶偏好挖掘[J].計(jì)算機(jī)應(yīng)用研究，2005（12）

11.王縱虎.聚類(lèi)分析優(yōu)化關(guān)鍵技術(shù)研究[D].西安電子科技大學(xué)，2012

12.祁小麗.一種改進(jìn)的快速聚類(lèi)算法及并行化研究[D].蘭州大學(xué)，2009

13.劉鑫朝.聚類(lèi)算法的研究及應(yīng)用[D].長(zhǎng)沙理工大學(xué)，2006

14.趙曙光.高轉(zhuǎn)化率的社交媒體用戶畫(huà)像：基于500用戶的深訪研究[J].新媒體研究，2014

15.劉海，盧慧等.“用戶畫(huà)像”挖掘的精準(zhǔn)營(yíng)銷(xiāo)細(xì)分模型研究[J].絲綢，2015