《表1 课程内容：基于RFM模型的科学网博客博主群体画像研究——以图书馆学、情报学、档案学三个学科领域为例》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于RFM模型的科学网博客博主群体画像研究——以图书馆学、情报学、档案学三个学科领域为例》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

使用K-均值算法要求将RFM指标标准化并且确定聚类的类别数量。在模型中博主分类通过每个博主类别的RFM均值和总RFM均值的比较来决定。由于单个指标的比较只会有两种情况:每个博主类别的RFM均值大于（等于）或小于整体RFM均值，因此会有2×2×2=8种类别。在K-Means算法中指定类别为8个时，出现多个重复类，说明科学网图情档博主类型较少，因此放弃使用直接指定8个类别的分类方法。根据沈浩[19]关于聚类算法在用户细分实证应用的建议，聚类个数可限制范围为4-7类，故在K-Means算法中指定类别为4-7个。当聚类个数为6个和7个时，出现重复类别，放弃此方案；当聚类个数为4个和5个时，前者F值的差异更大，表明每种类别之间的差异更明显，因此本研究选择聚类个数为4个。最终得到聚类结果如表1所示。