面向教育数据日志分析的用户行为预测研究

发布时间：2021-04-02 21:53

　　当前大多数信息系统使用用户静态属性、动态行为等数据预测用户访问网站行为,但是对用户动态行为之间的联系考虑不足。在业务信息系统中,业务流程的设计是决定用户行为的主要因素。因此,本文使用教育领域业务信息系统的用户行为日志数据,进行了三方面研究:（1）从日志数据中挖掘用户行为关系;（2）研究了融合用户行为关系的脑皮层学习模型BRHTM;（3）预测地区教育统计平台用户访问网站行为。具体研究如下:首先,使用过程挖掘的方法构建完整的工作流网。本文结合该问题研究了一种新型日志次序关系以实现上述目标,并通过五个质量维度（拟合度、简洁度、精确度、泛化度和行为适当性）来比较日志次序关系。在此基础上,梳理用户日志数据中的因果关系、并行关系,结合用户行为次数、前件次数和后件次数进行相关性分析。实验证明,这五类特征之间存在强相关性。最后使用聚类算法,结合用户行为类别标签挖掘用户行为关系。其次,本文设计了融合用户行为关系的脑皮层学习模型,即BRHTM。首先重点探讨了稀疏分布表示,形成了基于稀疏分布表示的处理单元,即一种专属的人工细胞模型,从而构成了该模型的训练数据集;然后识别细胞活跃状态、细胞预测状态,并更新细胞... 

【文章来源】：西安理工大学陕西省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

论文研究内容Fig.1-1Researchcontentsofpaper层级实时记忆模型（HTM）聚类算法（K-means）

西安理工大学硕士学位论文到阈值，该片段就会启动一个 NMDA 峰值，使细胞去极化。NMDA 峰值不足以完全激活细胞，只能表明该细胞处于预测状态。处于预测状态的细胞在电流输入下可能很快就会被激活。因此，HTM 可以预测模式。远端基底区域远端基底区域非活跃突触

相关理论与技术一样。比如序列“0123”和“5124”，当这两个序列被学习之后，输入“012”，则模型应该预测“3”；输入“512”，模型应该预测“4”。因此，子序列“12”在模型内部必须有两种不同的表示；否则，在“2”之后模型不能进行正确预测，具体如图 2-2 所示。输入序列稀疏表示

【参考文献】：
期刊论文
[1]基于机器学习技术的网站用户行为预测[J]. 徐冬,肖莹慧.  现代电子技术. 2019(04)
[2]大规模数据集聚类算法的研究进展[J]. 何玉林,黄哲学.  深圳大学学报(理工版). 2019(01)
[3]GitHub开源软件开发过程中关键用户行为分析[J]. 廖志芳,李斯江,贺大禹,赵本洪.  小型微型计算机系统. 2019(01)
[4]基于用户行为的立体车库车辆停放调度研究[J]. 关榆君,和淼.  华北理工大学学报(自然科学版). 2019(01)
[5]《2018联合国电子政务调查报告（中文版）》发布[J].   电子政务. 2018(10)
[6]结合深度学习的网络邻居结构研究及应用[J]. 寇晓宇,吕天舒,张岩.  计算机科学与探索. 2019(02)
[7]面向大规模认知诊断的DINA模型快速计算方法研究[J]. 王超,刘淇,陈恩红,黄振亚,朱天宇,苏喻,胡国平.  电子学报. 2018(05)
[8]基于用户行为分析的政府网站建设与优化研究[J]. 耿霞.  信息系统工程. 2018(04)
[9]室内定位中K-means聚类算法奇异值的优化处理[J]. 陈云飞,杜太行,江春冬,齐玲,孙曙光.  科学技术与工程. 2018(10)
[10]基于大数据平台的用户画像与用户行为分析[J]. 谢康,吴记,肖静华.  中国信息化. 2018(03)

博士论文
[1]政务流程再造研究[D]. 高静学.吉林大学 2009

硕士论文
[1]云环境下基于Petri网的用户行为分析研究[D]. 杨城.南京邮电大学 2018
[2]基于手机信令数据的区域住房价格与居民出行特性相关性研究[D]. 廖锟.西南交通大学 2018
[3]大学生在校行为分析及毕业去向预测[D]. 丁滨.电子科技大学 2017
[4]针对信息披露网站的实时爬虫检测与拦截[D]. 鲁念平.哈尔滨工业大学 2016
[5]面向教育大数据的多维数据分析系统的研究与实现[D]. 戴园园.湖南大学 2016
[6]基于认知诊断的教育辅助技术研究[D]. 刘玉苹.中国科学技术大学 2016
[7]高中思想政治课中的节约教育探究[D]. 邓紫霞.首都师范大学 2014



本文编号：3116026