基于蜂窝网络数据业务的用户聚类研究

发布时间：2021-02-20 06:20

　　伴随着移动互联网的发展,蜂窝网络中的数据量呈爆炸式增长,电信运营商的话音等传统业务的收入不断萎缩,其自身产品的用户粘度也不断下降。如何利用蜂窝网络中的海量用户数据挖掘出有价值的用户行为模式,建立恰当的用户行为特征模型以优化用户的产品体验并提高营销的准确度,成为了近年来研究的热点。而聚类技术作为一种无监督学习算法,非常适合于探索数据中隐藏的模式。本文基于从运营商采集得到的海量蜂窝网络业务数据,分别从时间维度和空间维度开展了用户聚类的研究。论文的主要工作包括:一、重度用户的提取。本文通过绘制用户流量的劳伦兹曲线发现了用户的流量使用分布得非常不均衡,21.2%左右的重度用户消费了81.85%的流量;接着本文提取了部分对蜂窝网络有重要影响的重度用户进行研究,从流量使用、活跃时长、业务种类数、移动性这四个方面与普通用户进行了对比,结果表明,重度用户在流量使用、活跃时长和业务种类数方面都超过普通用户,而在移动性方面与普通用户没有明显差异。二、时间维度的用户聚类,发掘重度用户的流量使用模式。本文研究了时间维度的用户聚类和能够表征用户对不同时段偏好的特征向量。特征向量的创建过程为:将一天24小时按照生... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图２－１聚类技木的基本流程??

本小节将对重度用户和普通用户分别进行数据探索，发现他们之间的异同??点。??第一个角度是每天的活跃时长如图３－４所示，可以看出一个明显的分界线在??２０??

Ａｃｔｉｖｅ?Ｈｏｕｒｓ?ｉｎ?ａ?Ｄａｙ??图３－４用户一天中活跃小时个数的分布图??第二个角度是每天使用的业务种类数如图３－５所示，可以看出一个明显的分??界线在１１类ＡＰＰ，重度用户群中一天中使用的ＡＰＰ种类在１１类以上的用户比??例为７１．８％，明显多于普通用户群的２９．０％，反过来，一般用户群中一天中使??用的ＡＰＰ种类在１１类以下的用户比例为７１．０％，也明显多于重度用户群的??２８．０％。??１００?１?：??ｐｄｆ?ｏｆ?ｈｅａｖｙ?ｕｓｅｒ?ｒ??ｐｄｆ?ｏｆ?ｎｏｒｍａｌ?ｕｓｅｒ?：?／?／??ｃｄｆ?ｏｆ?ｈｅａｖｙ?ｕｓｅｒ?：?ｒ?／??８０＇?ｃｄｆ?ｏｆ?ｎｏｒｍａｌ?ｕｓｅｒ?：?／?ｒ??ｒ?／?／??？６〇－?／?＼??｛：．?ｙ?Ｌ???????????（［Ｉ－—?．?．?．￣￣＾??２?４?６?８?１０?１１?１２?１４??Ａｐｐ?Ｃａｔｅｇｏｒｉｅｓ?Ｕｓｅｄ?ｉｎ?ａ?Ｄａｙ??图３－５用户一天中使用的ＡＰＰ类别数的分布诨??总结起来是，大多数重度用户在一天中使用的ａｐｐ种类都超过了?１１类，同时大??２１??

【参考文献】：
期刊论文
[1]互联网环境下的中小企业客户细分研究[J]. 高榕.  智富时代. 2016(S2)
[2]基于小波聚类的网络用户行为分析[J]. 陈嘉翼.  计算机光盘软件与应用. 2015(01)

硕士论文
[1]基于Hadoop的用户行为分析方法的应用研究[D]. 陈姗姗.南京邮电大学 2016
[2]基于运营商大数据的互联网海量用户行为分析系统设计与实现[D]. 崇林.南京邮电大学 2016
[3]基于机器学习的电信网络用户行为分析研究[D]. 张阔.北京邮电大学 2014
[4]基于云计算的移动互联网用户行为分析[D]. 郭岩.北京邮电大学 2014
[5]基于数据挖掘的移动公司高端客户细分及营销策略研究[D]. 邹湘萍.电子科技大学 2013
[6]聚类分析在移动通信用户行为分析中的研究与应用[D]. 黄诗瑶.广东工业大学 2013



本文编号：3042363