移动用户网络行为分析与预测方法研究
发布时间：2021-01-02 23:42
全球互联网都正在经历着由计算机互联网PC-Internet向移动互联网Mobile-Internet的巨大转变,具有各种应用功能的移动终端及手机在某种意义上已经主导着互联网的发展,全世界将走向真正的移动信息时代。据2015年中国互联网络信息中心CNNIC的最新数据显示,截至2015年6月份,中国网民的规模达到了6.68亿,其中手机网民的规模就达到了5.94亿。相应地,使用台式机、笔记本以及平板电脑上网的比例均有所下降。数据的快速爆发式增长给数据的存储、处理和分析带来了的巨大压力,而大数据技术的引入,不但满足了系统功能和性能的需求,带来了良好的可扩展性,降低了IT部署的成本,此外它还拓展了数据智能分析的应用领域。大数据技术已经成为数据爆炸时代企业提升竞争力的强而有力的工具。传统的用户分析缺少数据挖掘和行为分析的手段,未细分用户的需求,定位不准,最终导致企业营销与用户需求不相匹配。伴随着OTT企业对运营商的挤压越发的明显,造成短信、彩信、视频等业务的大量流失。运营商迫切需要打造大数据运营的蓝海市场。在此背景下,提出一种综合的对于移动互联网的用户行为进行分析的方法,找到一个行之有效的用户行为...
【文章来源】：沈阳农业大学辽宁省
【文章页数】：124 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究目的和意义
1.2 研究背景
1.3 论文研究主要内容
1.4 论文结构
1.5 论文主要创新点
第二章 网络用户行为分析方法
2.1 国内外研究现状
2.2 用户行为分析的内容
2.3 用户行为分析方法
2.4 数据挖掘算法
2.4.1 数据挖掘算法分析比较
2.4.2 数据挖掘算法的选择
2.5 聚类算法的选择
2.6 本章小结
第三章 网络用户行为分析系统构建方法
3.1 行为分析系统设计原则
3.2 基于大数据技术的行为分析系统研究现状
3.3 行为分析系统总体架构
3.4 行为分析系统平台软件环境
3.4.1 DNSmasq
3.4.2 Hadoop
3.4.3 Hive
3.4.4 Haproxy
3.4.5 ZooKeeper
3.5 数据分析层总体架构设计
3.5.1 行为分析系统数据源
3.5.2 访问内容处理分类
3.5.3 数据分析层总体架构设计
3.6 数据分析层各模块详细设计
3.6.1 话单日志下载程序
3.6.2 话单日志处理程序
3.6.3 话单日志分类程序
3.6.4 任务统计调度程序
3.6.5 统计结果入库程序
3.7 本章小结
第四章 行为分析客户分群理论
4.1 Web数据挖掘
4.2 数据挖掘的流程
4.3 Web爬取及日志关联规则挖掘
4.4 客户分群理论研究现状
4.5 客户分群数据挖掘方法
4.5.1 聚类算法
4.5.2 聚类的表示
4.5.3 层次聚类
4.5.4 k-means算法
4.5.4.1 k的正确取值
4.5.4.2 初始聚类中心的选取方法
4.5.4.3 异常值的处理方法
4.6 客户分群的建立
4.6.1 数据挖掘与用户分群
4.6.2 数据挖掘的主题
4.6.3 数据挖掘的范围
4.6.4 数据挖掘的过程
4.6.5 客户分群模型的构建
4.6.6 客户分群策略的制定
4.6.7 客户分群数据库的建立
4.6.8 关键词的管理
4.7 本章小结
第五章 网络用户行为分析预测方法
5.1 决策树算法
5.1.1 决策树的基本概念
5.1.2 分类回归树
5.1.3 决策树的剪枝
5.1.4 决策树算法的优缺点
5.1.5 C5.0决策树算法
5.2 人工神经网络算法
5.3 基于决策树的用户行为预测模型构建
5.3.1 用户行为数据收集
5.3.2 决策树算法在用户行为分析中应用
5.3.3 行为分析预测模型总体设计
5.3.4 行为分析预测模型操作流程设计
5.4 采用人工神经网络改进的移动用户行为分析预测实例
5.4.1 分析预测实例模型介绍
5.4.2 分析预测实例仿真测试
5.5 本章小结
第六章 行为分析系统应用
6.1 联网标签
6.2 上网内容解析
6.2.1 解析地址库的建立
6.2.2 上网行为解析
6.3 数据清洗
6.3.1 地址内容清洗
6.3.2 漫游用户清洗
6.3.3 无线上网卡标签分离
6.3.4 地址库更新
6.4 用户全息视图
6.4.1 用户基础信息的收集
6.4.2 用户身份识别
6.4.3 最近关注
6.4.4 应用使用排名
6.4.5 行动轨迹
6.5 猜你喜欢
6.6 猜你喜欢应用场景案例介绍
6.7 企业选址案例介绍
6.7.1 行业细分互联网标签分类库的建立
6.7.2 细分行业关键词库的建立
6.7.3 关键字爬取
6.7.4 分析潜在火锅需求用户
6.7.5 潜在用户轨迹分析
6.7.6 预选址区域分析
6.8 OTT专题分析
6.8.1 OTT专题分析规则
6.8.2 微信用户特征分析
6.8.3 微信用户专题对比分析
6.9 本章小结
第七章 结论与展望
参考文献
致谢
攻读学位期间发表文章
【参考文献】：
期刊论文
[1]移动互联网用户行为分析系统中聚焦爬虫的设计与实现[J]. 邓炳光,郭慧兰,张治中. 重庆邮电大学学报(自然科学版). 2015(03)
[2]基于数据挖掘的移动用户预测[J]. 吴曜宏,王鹤鸣,刘义铭. 通信技术. 2015(06)
[3]数据挖掘中基于最小遗憾度的偏好感知算法[J]. 孙静. 计算机应用与软件. 2015(05)
[4]基于消费者偏好分群的网络营销模型设计[J]. 郑雨潇,刘孚清. 科技广场. 2015(04)
[5]关联规则在Web日志挖掘中的研究与应用[J]. 李纲,李春雅,胡蓉,海岚. 信息资源管理学报. 2015(02)
[6]基于时间序列分解的用户行为分析[J]. 常慧君,单洪,满毅,毛毛. 数据采集与处理. 2015(02)
[7]基于用户兴趣三维建模的个性化推荐算法[J]. 王冰怡,刘杨,聂长新,田萱. 计算机工程. 2015(01)
[8]产品研发中用户画像的数据模建——从具象到抽象[J]. 余孟杰. 设计艺术研究. 2014(06)
[9]基于海量搜索历史数据的用户兴趣模型[J]. 詹天晟,陈德华,乐嘉锦,王梅. 计算机应用. 2014(S2)
[10]基于日志挖掘的移动应用用户访问模型建模技术研究[J]. 陈三川,吴国全,魏峻,黄涛. 计算机科学. 2014(11)
博士论文
[1]微博用户行为分析和网络结构演化的研究[D]. 苑卫国.北京交通大学 2014
[2]基于关联数据和用户本体的个性化知识服务关键技术研究[D]. 陈毅波.武汉大学 2012
[3]面向精确营销基于数据挖掘的3G用户行为模型及实证研究[D]. 狄浩林.北京邮电大学 2012
[4]基于用户行为挖掘的数据流管理技术研究[D]. 李军.北京邮电大学 2012
[5]上下文感知推荐系统若干关键技术研究[D]. 王立才.北京邮电大学 2012
[6]基于用户行为的无线通信网络综合优化研究[D]. 郭喆.华中科技大学 2011
[7]根据多维特征的网络用户分类研究[D]. 窦伊男.北京邮电大学 2010
[8]基于用户行为分析的搜索引擎评价研究[D]. 岑荣伟.清华大学 2010
[9]分析型CRM下的移动数据产品精确营销应用研究[D]. 杨鸿宾.北京邮电大学 2009
[10]基于潜在语义的个性化搜索关键技术研究[D]. 陈冬玲.东北大学 2009
硕士论文
[1]K-means聚类方法的改进及其应用[D]. 李荟娆.东北农业大学 2014
[2]面向大数据的电信客户分群模型研究与设计[D]. 齐恒.华北电力大学 2014
[3]移动用户上网行为分析系统关键技术研究[D]. 周庆玲.北京交通大学 2014
[4]基于客户分群的精准营销系统研究[D]. 张蔚.华东理工大学 2014
[5]基于Hadoop用户行为分析系统设计与实现[D]. 郝增勇.北京交通大学 2014
[6]基于移动终端的移动互联网服务质量及用户行为分析研究[D]. 余泓.安徽大学 2014
[7]基于移动用户行为的动态社区发现算法研究与实现[D]. 龚胜芳.北京邮电大学 2014
[8]基于URL分析的移动互联网用户分群[D]. 宋嵩.河北大学 2013
[9]中国移动新化分公司中高端客户忠诚度研究[D]. 阳胜伍.湘潭大学 2013
[10]面向用户兴趣的用户浏览行为分析方法及应用[D]. 邢晓兵.东北大学 2013
本文编号：2953876
【文章来源】：沈阳农业大学辽宁省
【文章页数】：124 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究目的和意义
1.2 研究背景
1.3 论文研究主要内容
1.4 论文结构
1.5 论文主要创新点
第二章 网络用户行为分析方法
2.1 国内外研究现状
2.2 用户行为分析的内容
2.3 用户行为分析方法
2.4 数据挖掘算法
2.4.1 数据挖掘算法分析比较
2.4.2 数据挖掘算法的选择
2.5 聚类算法的选择
2.6 本章小结
第三章 网络用户行为分析系统构建方法
3.1 行为分析系统设计原则
3.2 基于大数据技术的行为分析系统研究现状
3.3 行为分析系统总体架构
3.4 行为分析系统平台软件环境
3.4.1 DNSmasq
3.4.2 Hadoop
3.4.3 Hive
3.4.4 Haproxy
3.4.5 ZooKeeper
3.5 数据分析层总体架构设计
3.5.1 行为分析系统数据源
3.5.2 访问内容处理分类
3.5.3 数据分析层总体架构设计
3.6 数据分析层各模块详细设计
3.6.1 话单日志下载程序
3.6.2 话单日志处理程序
3.6.3 话单日志分类程序
3.6.4 任务统计调度程序
3.6.5 统计结果入库程序
3.7 本章小结
第四章 行为分析客户分群理论
4.1 Web数据挖掘
4.2 数据挖掘的流程
4.3 Web爬取及日志关联规则挖掘
4.4 客户分群理论研究现状
4.5 客户分群数据挖掘方法
4.5.1 聚类算法
4.5.2 聚类的表示
4.5.3 层次聚类
4.5.4 k-means算法
4.5.4.1 k的正确取值
4.5.4.2 初始聚类中心的选取方法
4.5.4.3 异常值的处理方法
4.6 客户分群的建立
4.6.1 数据挖掘与用户分群
4.6.2 数据挖掘的主题
4.6.3 数据挖掘的范围
4.6.4 数据挖掘的过程
4.6.5 客户分群模型的构建
4.6.6 客户分群策略的制定
4.6.7 客户分群数据库的建立
4.6.8 关键词的管理
4.7 本章小结
第五章 网络用户行为分析预测方法
5.1 决策树算法
5.1.1 决策树的基本概念
5.1.2 分类回归树
5.1.3 决策树的剪枝
5.1.4 决策树算法的优缺点
5.1.5 C5.0决策树算法
5.2 人工神经网络算法
5.3 基于决策树的用户行为预测模型构建
5.3.1 用户行为数据收集
5.3.2 决策树算法在用户行为分析中应用
5.3.3 行为分析预测模型总体设计
5.3.4 行为分析预测模型操作流程设计
5.4 采用人工神经网络改进的移动用户行为分析预测实例
5.4.1 分析预测实例模型介绍
5.4.2 分析预测实例仿真测试
5.5 本章小结
第六章 行为分析系统应用
6.1 联网标签
6.2 上网内容解析
6.2.1 解析地址库的建立
6.2.2 上网行为解析
6.3 数据清洗
6.3.1 地址内容清洗
6.3.2 漫游用户清洗
6.3.3 无线上网卡标签分离
6.3.4 地址库更新
6.4 用户全息视图
6.4.1 用户基础信息的收集
6.4.2 用户身份识别
6.4.3 最近关注
6.4.4 应用使用排名
6.4.5 行动轨迹
6.5 猜你喜欢
6.6 猜你喜欢应用场景案例介绍
6.7 企业选址案例介绍
6.7.1 行业细分互联网标签分类库的建立
6.7.2 细分行业关键词库的建立
6.7.3 关键字爬取
6.7.4 分析潜在火锅需求用户
6.7.5 潜在用户轨迹分析
6.7.6 预选址区域分析
6.8 OTT专题分析
6.8.1 OTT专题分析规则
6.8.2 微信用户特征分析
6.8.3 微信用户专题对比分析
6.9 本章小结
第七章 结论与展望
参考文献
致谢
攻读学位期间发表文章
【参考文献】：
期刊论文
[1]移动互联网用户行为分析系统中聚焦爬虫的设计与实现[J]. 邓炳光,郭慧兰,张治中. 重庆邮电大学学报(自然科学版). 2015(03)
[2]基于数据挖掘的移动用户预测[J]. 吴曜宏,王鹤鸣,刘义铭. 通信技术. 2015(06)
[3]数据挖掘中基于最小遗憾度的偏好感知算法[J]. 孙静. 计算机应用与软件. 2015(05)
[4]基于消费者偏好分群的网络营销模型设计[J]. 郑雨潇,刘孚清. 科技广场. 2015(04)
[5]关联规则在Web日志挖掘中的研究与应用[J]. 李纲,李春雅,胡蓉,海岚. 信息资源管理学报. 2015(02)
[6]基于时间序列分解的用户行为分析[J]. 常慧君,单洪,满毅,毛毛. 数据采集与处理. 2015(02)
[7]基于用户兴趣三维建模的个性化推荐算法[J]. 王冰怡,刘杨,聂长新,田萱. 计算机工程. 2015(01)
[8]产品研发中用户画像的数据模建——从具象到抽象[J]. 余孟杰. 设计艺术研究. 2014(06)
[9]基于海量搜索历史数据的用户兴趣模型[J]. 詹天晟,陈德华,乐嘉锦,王梅. 计算机应用. 2014(S2)
[10]基于日志挖掘的移动应用用户访问模型建模技术研究[J]. 陈三川,吴国全,魏峻,黄涛. 计算机科学. 2014(11)
博士论文
[1]微博用户行为分析和网络结构演化的研究[D]. 苑卫国.北京交通大学 2014
[2]基于关联数据和用户本体的个性化知识服务关键技术研究[D]. 陈毅波.武汉大学 2012
[3]面向精确营销基于数据挖掘的3G用户行为模型及实证研究[D]. 狄浩林.北京邮电大学 2012
[4]基于用户行为挖掘的数据流管理技术研究[D]. 李军.北京邮电大学 2012
[5]上下文感知推荐系统若干关键技术研究[D]. 王立才.北京邮电大学 2012
[6]基于用户行为的无线通信网络综合优化研究[D]. 郭喆.华中科技大学 2011
[7]根据多维特征的网络用户分类研究[D]. 窦伊男.北京邮电大学 2010
[8]基于用户行为分析的搜索引擎评价研究[D]. 岑荣伟.清华大学 2010
[9]分析型CRM下的移动数据产品精确营销应用研究[D]. 杨鸿宾.北京邮电大学 2009
[10]基于潜在语义的个性化搜索关键技术研究[D]. 陈冬玲.东北大学 2009
硕士论文
[1]K-means聚类方法的改进及其应用[D]. 李荟娆.东北农业大学 2014
[2]面向大数据的电信客户分群模型研究与设计[D]. 齐恒.华北电力大学 2014
[3]移动用户上网行为分析系统关键技术研究[D]. 周庆玲.北京交通大学 2014
[4]基于客户分群的精准营销系统研究[D]. 张蔚.华东理工大学 2014
[5]基于Hadoop用户行为分析系统设计与实现[D]. 郝增勇.北京交通大学 2014
[6]基于移动终端的移动互联网服务质量及用户行为分析研究[D]. 余泓.安徽大学 2014
[7]基于移动用户行为的动态社区发现算法研究与实现[D]. 龚胜芳.北京邮电大学 2014
[8]基于URL分析的移动互联网用户分群[D]. 宋嵩.河北大学 2013
[9]中国移动新化分公司中高端客户忠诚度研究[D]. 阳胜伍.湘潭大学 2013
[10]面向用户兴趣的用户浏览行为分析方法及应用[D]. 邢晓兵.东北大学 2013
本文编号：2953876
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/2953876.html
