《基于Hadoop电商大数据分析系统的设计与实现》7700字（论文）

[1][7]，查询完成之后将数据存放于SpringMVC的model作用域内，之后在页面端借助JSTL表达式和EL表达式进行数据的获取，并通过Layui进行页面的渲染和显示。5.3.2购买数量最多的商品购买数量最多的商品可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击购买数量最多的商品模块，查看购买数量最多的商品分布，如图5-12所示。图5-12购买数量最多的商品界面由图5-12可知，在购买数量最多的商品中编号为“4157431”的商品购买数量最多，其他top20都以柱状图展现出来，整体差距不大。5.3.3加入购物车次数最多的商品加入购物车次数最多的商品可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击加入购物车次数最多的商品模块，查看加入购物车次数最多的商品分布，如图5-13所示。图5-13加入购物车次数最多的商品界面如图5-13所示，在加入购物车次数最多的商品中编号为“2331370”的商品加入购物车次数最多，其他top20都以柱状图展现出来，整体差距不大。实现方面，首先用户端通过请求后端接口进行数据的获取，该接口的借助于SpringMVC进行对外暴露的，从网页获得key从数据库中查询符合条件的数据，然后把这些国际疫情信息放到list中。后台程序将包含商品信息的list结合返回给前端页面，最终这些信息将呈现给用户。5.3.4浏览次数最多的商品浏览次数最多的商品可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击浏览次数最多的商品模块，查看浏览次数最多的商品分布，如图5-14所示。图5-14浏览次数最多的商品界面由图5-14可知，在浏览次数最多的商品中编号为“812879”的商品，其他top20都以柱状图展现出来，商品“812879”拥有绝对优势。5.3.5收藏次数最多的商品收藏次数最多的商品可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击收藏次数最多的商品模块，查看收藏次数最多的商品分布，如图5-15所示。图5-15收藏次数最多的商品界面由图5-15可知，在收藏次数最多的商品中编号为“2279428”的商品，其他top20都以柱状图展现出来，商品“2279428”拥有绝对优势。5.3.6一段时间内的用户流量一段时间内的用户流量可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击一段时间内的用户流量模块，查看一段时间内的用户流量分布，如图5-16所示。图5-16一段时间内的用户流量界面由图5-16可知，一段时间内的用户流量分布上面，主要集中在11月27号到12月2号，其他时间段流量较少。5.3.7一天时间内的用户行为一天时间内的用户行为可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击一天时间内的用户行为模块，查看一天时间内的用户行为分布，如图5-17所示。图5-17一天时间内的用户行为界面由图5-17可知，一天时间内的用户行为上面，最高点为5点到6点的时候，在中午的时候迎来低估，下午到晚上的用户行为逐渐增加。5.3.8用户总行为漏斗模型用户总行为漏斗模型可视化步骤：（1）在Eclipse中启动程序；（2）在网页中输入网址进入主界面；（3）点击用户总行为漏斗模型模块，查看用户总行为漏斗模型，如图5-18所示。图5-18用户总行为漏斗模型界面

6总结本文基于Hadoop实现的电商网站用户行为分析系统设计与实现，本此设计完成的主要工作有：（1）通过对国内外研究现状的了解，再加上对相关技术的进一步学习，确立的系统的主要需求，完成了系统的流程设计；（2）使用Java语言和Spring框架实现了前台的电商网站页面，能够完成基本的电商网站浏览和购物操作，并产生相应的用户行为数据；（3）利用Hadoop实现了对用户行为的分析，包括独立访客漏斗模型、购买数量最多的商品、加购物车次数最多的商品、浏览次数最多的商品、收藏次数最多的商品、一段时间内的用户流量、一天时间内的用户行为以及用户行为漏斗模型八个部分的功能。基于Hadoop实现的电商大数据分析系统可以使电商网站管理者第一时间得到网站的推广情况，帮助企业优化网络营销策略，减少营销盲目性。开发过程中主要应用Hadoop平台、JAVA语言、MySQL数据库、JSP前端开发技术等。本文针对电商网站用户行为分析问题，结合了前人的工作与自己的创新，取得了一些研究成果，但是受限于本人的能力，本文的研究工作仍有一些不足之处，需要继续完善，例如数据集有限、数据挖掘算法有待提高等等。

参考文献谢路伦.基于Spark的电商用户行为分析与研究[D].银川:北方民族大学,2019.张丽.电商平台的用户消费行为分析预测模型[D].重庆:重庆大学,2018.BruceL.Bachelder,DennisJ.Delprato.TheSimpleMemorySpanExperiment:ABehavioralAnalysis[J].ThePsychologicalRecord,2017,67(3):QingHaohua,ZhangJiali,FuDie.DataofE-CommerceUsersBasedonDataMiningTechnology[J].JournalofPhysics:ConferenceSeries,2021,1852(2):吴荣灿,罗嘉龙,郑伙群,陈正铭.基于大数据技术的用户行为分析平台的设计与实现[J].电脑知识与技术,2021,17(12):40-42.TheApplicationofUserBehaviorAnalysisbyImprovedK-meansAlgorithmBasedonHadoop[J].RevistadelaFacultaddeIngeniería,2016,131(12):廖舒航.基于Spark的校园网用户行为分析与研究[D].南宁:广西大学,2021.张煜福.基于Spark的查询日志用户行为系统的设计与实现[D].济宁:曲阜师范大学,2020.肖顺.基于Spark的用户行为分析系统研究及实现[D].荆州:长江大学,2019.孙天慧,丁晓东,刘峥.基于行为分析的社区化电商用户忠诚度提升机制