数据挖掘技术在电商客户粘性预测中的研究

为精准有效地预测电商客户粘性，提升经济效果，研究数据挖掘技术在电商客户粘性预测中的应用。利用可变网格的K-means聚类算法，聚类获取电商客户粘性预测相关数据；通过有效性指标优化可变网格K-means聚类算法的聚类数，确定最佳聚类数，提升数据聚类效果；采用技术接受模型，依据聚类获取的数据，建立电商客户粘性预测指标体系；通过模糊层次分析法，结合指标体系，建立电商客户粘性预测模型，获取预测分值。实验结果表明，该模型可有效确定最优聚类数，精准聚类电商客户粘性预测相关数据；所建立的预测指标体系的指标相关性较低，结构较稀疏、较全面。总体说明，该模型可有效预测电商客户粘性。     

响应面法优化正红菇菌丝体产胞内凝集素培养条件

采用响应面法对液体深层培养的正红菇(Russula vinosa)菌丝体产胞内凝集素的培养条件进行了优化.通过单因子实验确定最适碳源和氮源为淀粉和酵母膏,在此基础上,通过Plackett-Burrman设计对影响其产胞内凝集素的相关因素进行评估并筛选出具有显著效应的淀粉、酵母膏、装液量3个因素,通过最陡爬坡实验及响应面分析法确定了产凝集素的最适条件:ω(淀粉)3.04%,ω(酵母膏)0.3%,ω(KH2PO4)0.2%,ω(MgSO4)0.1%,装液量73mL,转速250r/min,初始pH5,发酵时间5d.在此条件下,菌丝体产胞内凝集素的总活力可达72127.3u,与初始培养条件下的凝集素总活力相比提高了1.88倍.