基于数据挖掘的B2B供应商可信度的分类

摘要

B2B电子商务网站为采购方企业和供应商企业提供了一个交易平台，作为二者交易的第三方，为了更好地为采购商提供服务，对供应商的可信度进行分类是非常有必要的。针对B2B平台上供应商行为的数据量大且表达复杂的特点，本文尝试将数据挖掘技术应用于供应商的可信度分类中，从而获得可信度分类模型，为采购方企业提供有价值的供应商信息，具有重要的研究价值和现实意义。
　　 本文针对供应商的基本信息、交易信息和客户评价信息，采用分类指标统计分析与数据挖掘技术相结合的方法来开展对供应商样本数据的聚类及分类分析。论文重点研究了K-Means算法和ID3算法的算法原理及优缺点，并提出了其改进算法Wm-K-Means算法和J-ID3算法，采用Java语言在Eclipse开发平台上进行程序编写来实现改进的算法，并与传统的算法进行了实验对比。运用改进后的K-Means算法对供应商的样本数据进行聚类分析，针对聚类后形成的供应商组别，标记出每个供应商组的特征属性后，采用改进后的ID3算法对供应商的可信度进行分类，生成一棵决策树，产生分类规则，形成供应商可信度的分类模型。
　　 论文详细说明了从数据的预处理到对数据集进行聚类分析和分类预测的数据挖掘过程，对所挖掘的可信度分类结果进行了分析，并讨论了所获得的供应商分类模型的价值和意义。论文研究工作对于实际的B2B电子商务网站有一定的借鉴价值，同时对供应商本身可信度的提高方面也具有积极的作用。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 研究现状

1．3 研究目标和内容

1．4 论文结构

第2章 基于数据挖掘的供应商分类技术

2．1 传统的供应商分类存在的问题

2．2 数据挖掘技术

2．2．1 数据挖掘技术的引入

2．2．2 数据挖掘过程

2．3 供应商可信度分类算法的选取

2．3．1 聚类算法

2．3．2 分类算法

2．4 数据挖掘工具

第3章 对K-Means算法的改进

3．1 聚类中的数据类型及数据结构

3．1．1 数据类型

3．1．2 数据结构

3．2 经典的K-Means聚类算法

3．2．1 算法原理

3．2．2 算法实例

3．2．3 优缺点分析

3．3 对K-Means算法的改进

3．3．1 改进原因

3．3．2 改进方法

3．3．3 算法实验对比分析

3．4 改进算法的程序实现

3．4．1 算法描述

3．4．2 代码实现

第4章 对ID3算法的改进

4．1 决策树分类

4．2 经典的ID3算法

4．2．1 算法原理

4．2．2 算法实例

4．2．3 优缺点分析

4．3 ID3算法的改进

4．3．1 改进原因

4．3．2 改进方法

4．3．3 算法实验对比分析

4．4 改进算法的程序实现

4．4．1 算法描述

4．4．2 代码实现

第5章 B2B供应商可信度分类实验

5．1 实验背景

5．2 数据预处理

5．2．1 处理缺失数据

5．2．2 处理噪声数据

5．2．3 处理不一致数据

5．2．4 数据转换

5．2．5 处理数据离散化

5．3 数据聚合及属性约简

5．3．1 数据聚合

5．3．2 属性约简

5．4 wm-K-Means算法的聚类分析

5．4．1 供应商数据的聚类过程

5．4．2 聚类结果分析

5．5 J-ID3算法的分类分析

5．5．1 供应商可信度分类过程

5．5．2 可信度分类结果分析

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢