大数据背景下用户画像的统计方法实践研究

发布时间：2025-04-11 00:52

　　21世纪以来,随着智能手机与互联网技术的不断发展与革新,移动互联网作为二者结合的产物,近年来发展迅猛。数据显示,2014年中国智能手机保有量达到7.8亿台,移动网民达到5.7亿人,且以飞快的速度在不断增长。随着人们使用智能手机的时长和频数的不断增加,其用户行为数据呈指数级增加。且从智能终端收集的数据具有大数据量、实时性、准确性、空间性、动态性的基本特征。为了解决这一大数据的分析需求,本文从用户角度出发,以2014年第四季度部分手机用户使用APP的行为数据为研究对象,从用户画像的用户属性、用户流失、用户行为三个主要方面进行了研究。首先,研究认为用户画像其是对现实世界中用户的数学建模。用户画像的核心是标签体系的建立。标签是某一种用户特征的符号表示,用户画像可以用标签的集合来表示。其次,依据用户一段时间内的使用行为数据,通过支持向量机、生存分析两种分析方法建立了用户流失预测模型。模型结果表明,对于用户流失的预测准确率基本能达到90%以上,模型预测召回率达到80%以上。最后,使用hadoop中的mahout分析框架,对用户20多项行为指标进行了聚类分析,分析得出了不同阶层的用户人群对于APP的偏...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 用户画像研究现状
        1.3.1 用户画像中用户属性研究现状
        1.3.2 用户画像中用户行为分析研究现状
        1.3.3 用户画像中用户流失模型研究现状
    1.4 本文研究内容及文章结构
第二章 用户画像的体系结构
    2.1 用户画像简介
        2.1.1 用户画像的定义
        2.1.2 用户画像的微观示例
    2.2 大数据背景下用户画像的体系建立
        2.2.1 用户画像中标签体系的大致结构
        2.2.2 标签体系的重要性及应用情景
    2.3 标签体系
        2.3.1 用户画像标签层级的基本构成
        2.3.2 标签体系建立的方法
        2.3.3 用户画像标签层级的建模方法
第三章 用户画像中的用户属性研究
    3.1 标签体系的建立
    3.2 用户画像的用户属性描述
        3.2.1 样本综述
        3.2.2 APP用户属性研究
        3.2.3 个人属性与APP偏好的关系
    3.3 游戏类APP用户属性分析
        3.3.1 使用时长分析
        3.3.2 使用时段分析
        3.3.3 使用人次分析
    3.4 游戏用户特征描述
第四章 用户画像中的用户流失预测研究
    4.1 用户流失概述
    4.2 基于SVM的流失预测模型
        4.2.1 svm算法简介
        4.2.2 流失的定义
        4.2.3 svm模型的流失预测
        4.2.4 算法评价
    4.3 基于COX模型的用户流失预测
        4.3.1 cox模型介绍
        4.3.2 cox模型的流失预测
        4.3.3 模型评价
    4.4 模型总结与结论
    4.5 模型的优化方向
第五章 用户画像中的用户行为分析
    5.1 基于手机用户使用行为的聚类
        5.1.1 用户行为研究的目的
        5.1.2 数据的选取
        5.1.3 数据的预处理
        5.1.4 聚类分析
    5.2 基于游戏玩家历史记录的聚类
        5.2.1 研究目的
        5.2.2 数据的选取
        5.2.3 数据的预处理
        5.2.4 RFM指标值的计算
        5.2.5 基于玩家历史数据的聚类分析
    5.3 模型评价及展望
第六章 总结与展望
    6.1 总结
    6.2 未来研究展望
附录A
参考文献
致谢



本文编号：4039249