基于用户评论的移动App迭代计划决策支持
发布时间：2022-02-21 17:53
移动互联网是当前市场潜力最大且发展前景最诱人的领域之一,移动App因此愈加受到重视。面对愈演愈烈的市场竞争,开发者需要谨慎地制定App的迭代开发计划。移动应用商店采用用户驱动的质量评估机制,这使得那些无法满足用户需求的App很容易被其他App取代、淘汰,因此App需要通过版本更新响应用户需求以获得高的用户评价。移动应用商店提供的用户评论蕴含着宝贵的用户需求资源,但是快速迭代、持续交付的敏捷开发模式使开发者没有足够的时间从数量巨大且质量参差不齐的用户评论中挖掘用户需求、据用户需求调整开发计划以及对新版本进行全面的测试等。针对以上问题,本文提出了一系列为开发者的开发过程提供帮助的算法。实现从移动App的版本更新日志中挖掘App更新特征、从移动App的用户评论中挖掘用户评论特征及其用户满意度变化趋势,并在此基础上识别用户评论与开发者更新行为之间的相互影响关系、推荐App新版本的发布时间、推荐App新版本的更新内容、预测即将发布的新版本的用户满意度情况。本文的主要研究内容及研究成果如下:（1）提出一种App更新特征和用户评论特征的提取算法。对RAKE算法进行改进并用其分别从App更新日志和用户...
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：96 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源与研究意义
1.1.1 课题来源
1.1.2 课题研究意义
1.2 课题相关技术的国内外研究现状
1.2.1 用户反馈挖掘的相关研究
1.2.2 移动App开发者更新行为的相关研究
1.2.3 移动App更新策略推荐的相关研究
1.2.4 移动App质量评估的相关研究
1.2.5 时序数据特征提取的相关研究
1.3 本文研究内容及章节安排
第2章 用户关注特征及App更新特征的挖掘算法
2.1 研究问题描述
2.2 基于“词共现”的用户关注特征及App更新特征的提取算法
2.2.1 RAKE算法的运用与特征提取
2.2.2 用户关注特征情感分析
2.2.3 特征强度计算
2.3 基于聚类的近义特征融合算法
2.3.1 K-Means聚类算法的运用
2.3.2 情感分析与强度计算
2.4实验
2.4.1 数据集
2.4.2 RAKE算法改进前后效果对比
2.4.3 “肘部法”确定K值
2.4.4 用户满意度演化趋势图
2.5 本章小结
第3章 基于高斯朴素贝叶斯分类的App新版本上线时间推荐算法
3.1 研究问题描述
3.2 推荐策略
3.3 算法设计
3.3.1 训练样本生成
3.3.2 样本分类特征计算
3.3.3 样本分类标签计算
3.3.4 高斯朴素贝叶斯分类器的训练与测试
3.4 实验
3.4.1 肯德尔系数阈值与推荐准确率之间关系分析
3.4.2 不同分类算法准确率对比
3.4.3 算法稳定性分析
3.5 本章小结
第4章 基于纵向历史和横向比较的App新版本更新内容推荐算法
4.1 研究问题描述
4.2 推荐策略
4.2.1 基于纵向历史的App新版本更新内容推荐算法
4.2.2 基于横向比较的App新版本更新内容推荐算法
4.2.3 纵向、横向结合推荐
4.3 基于线性支持向量分类的纵向推荐算法
4.3.1 算法设计
4.3.2 线性支持向量分类器的训练与测试
4.4 基于启发式规则的横向推荐算法
4.4.1 算法设计
4.4.2 启发式规则制定
4.5 纵向推荐算法和横向推荐算法的融合
4.6 实验
4.6.1 肯德尔系数阈值与推荐准确率之间关系分析
4.6.2 不同分类算法准确率对比
4.6.3 算法稳定性分析
4.6.4 用户反映延迟
4.6.5 算法准确率分析
4.7 本章小结
第5章 基于逻辑回归的App拟发布版本用户满意度预测算法
5.1 研究问题描述
5.2 预测策略
5.3 算法设计
5.3.1 更新内容向量
5.3.2 训练样本生成
5.3.3 样本分类特征计算
5.3.4 样本分类标签计算
5.3.5 逻辑回归分类器的训练与测试
5.4 实验
5.4.1 肯德尔系数阈值与推荐准确率之间关系分析
5.4.2 不同分类算法准确率对比
5.4.3 算法稳定性分析
5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]用户评论中的标签抽取以及排序[J]. 李丕绩,马军,张冬梅,韩晓晖. 中文信息学报. 2012(05)
[2]肌电信号特征提取方法综述[J]. 加玉涛,罗志增. 电子器件. 2007(01)
[3]ARCH族计量模型在金融市场研究中的应用[J]. 钱争鸣. 厦门大学学报(哲学社会科学版). 2000(03)
硕士论文
[1]移动App的用户需求与版本变迁的潜在关系挖掘与分析[D]. 王善策.哈尔滨工业大学 2017
[2]移动App的潜在网络结构分析与演化分析[D]. 郝有强.哈尔滨工业大学 2016
[3]移动应用用户反馈分析平台的设计与实现[D]. 赵青青.哈尔滨工业大学 2016
本文编号：3637770
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：96 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源与研究意义
1.1.1 课题来源
1.1.2 课题研究意义
1.2 课题相关技术的国内外研究现状
1.2.1 用户反馈挖掘的相关研究
1.2.2 移动App开发者更新行为的相关研究
1.2.3 移动App更新策略推荐的相关研究
1.2.4 移动App质量评估的相关研究
1.2.5 时序数据特征提取的相关研究
1.3 本文研究内容及章节安排
第2章 用户关注特征及App更新特征的挖掘算法
2.1 研究问题描述
2.2 基于“词共现”的用户关注特征及App更新特征的提取算法
2.2.1 RAKE算法的运用与特征提取
2.2.2 用户关注特征情感分析
2.2.3 特征强度计算
2.3 基于聚类的近义特征融合算法
2.3.1 K-Means聚类算法的运用
2.3.2 情感分析与强度计算
2.4实验
2.4.1 数据集
2.4.2 RAKE算法改进前后效果对比
2.4.3 “肘部法”确定K值
2.4.4 用户满意度演化趋势图
2.5 本章小结
第3章 基于高斯朴素贝叶斯分类的App新版本上线时间推荐算法
3.1 研究问题描述
3.2 推荐策略
3.3 算法设计
3.3.1 训练样本生成
3.3.2 样本分类特征计算
3.3.3 样本分类标签计算
3.3.4 高斯朴素贝叶斯分类器的训练与测试
3.4 实验
3.4.1 肯德尔系数阈值与推荐准确率之间关系分析
3.4.2 不同分类算法准确率对比
3.4.3 算法稳定性分析
3.5 本章小结
第4章 基于纵向历史和横向比较的App新版本更新内容推荐算法
4.1 研究问题描述
4.2 推荐策略
4.2.1 基于纵向历史的App新版本更新内容推荐算法
4.2.2 基于横向比较的App新版本更新内容推荐算法
4.2.3 纵向、横向结合推荐
4.3 基于线性支持向量分类的纵向推荐算法
4.3.1 算法设计
4.3.2 线性支持向量分类器的训练与测试
4.4 基于启发式规则的横向推荐算法
4.4.1 算法设计
4.4.2 启发式规则制定
4.5 纵向推荐算法和横向推荐算法的融合
4.6 实验
4.6.1 肯德尔系数阈值与推荐准确率之间关系分析
4.6.2 不同分类算法准确率对比
4.6.3 算法稳定性分析
4.6.4 用户反映延迟
4.6.5 算法准确率分析
4.7 本章小结
第5章 基于逻辑回归的App拟发布版本用户满意度预测算法
5.1 研究问题描述
5.2 预测策略
5.3 算法设计
5.3.1 更新内容向量
5.3.2 训练样本生成
5.3.3 样本分类特征计算
5.3.4 样本分类标签计算
5.3.5 逻辑回归分类器的训练与测试
5.4 实验
5.4.1 肯德尔系数阈值与推荐准确率之间关系分析
5.4.2 不同分类算法准确率对比
5.4.3 算法稳定性分析
5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]用户评论中的标签抽取以及排序[J]. 李丕绩,马军,张冬梅,韩晓晖. 中文信息学报. 2012(05)
[2]肌电信号特征提取方法综述[J]. 加玉涛,罗志增. 电子器件. 2007(01)
[3]ARCH族计量模型在金融市场研究中的应用[J]. 钱争鸣. 厦门大学学报(哲学社会科学版). 2000(03)
硕士论文
[1]移动App的用户需求与版本变迁的潜在关系挖掘与分析[D]. 王善策.哈尔滨工业大学 2017
[2]移动App的潜在网络结构分析与演化分析[D]. 郝有强.哈尔滨工业大学 2016
[3]移动应用用户反馈分析平台的设计与实现[D]. 赵青青.哈尔滨工业大学 2016
本文编号：3637770
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3637770.html
