在线个体特征识别和行为预测研究

发布时间：2022-08-09 13:53

　　人文社会科学通过人类行为来揭示社会现象和经济现象背后的规律。但受到网络应用不断深入的影响,人类在线行为越来越复杂,其背后隐藏的信息也越来越难以发掘。大数据技术的出现,为这一问题提供了新的解决思路。在线用户行为是人类行为在互联网上的表现方式。通过对在线用户行为数据的收集和分析,可以为政府及企业在决策等问题上提供较为准确的数据支撑,同时也可以为科研人员在研究人类行为时提供理论支撑。本文通过在线用户的点击流数据,结合在线用户的特征以及行为,研究了匿名用户识别问题与用户下一步点击行为预测问题,对影响识别及预测准确率的因素进行了分析。主要的研究内容包括以下两个方面:（1）基于多维轨迹集的匿名用户识别。通过实验验证了在用户的软件点击流数据中包含了用户的行为规律,对比网络浏览数据识别准确率有所提高。提出了一种基于关联规则改进的（Anonymous User Identification,AUI）算法,通过筛选异常数据和减少扫描数据集的次数,降低算法运行的时间成本。同时提出了一种多维轨迹集模型（Multidimensional Trajectory Set,MTS）,通过AUI关联算法和向量化方法为每... 

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
    1.2 研究目的与意义
    1.3 国内外研究现状
    1.4 研究内容
    1.5 论文组织结构
第2章 基于多维轨迹集的用户个体特征识别
    2.1 引言
    2.2 用户行为数据描述
    2.3 MTS模型
        2.3.1 AUI行为模式分析
        2.3.2 多维轨迹集构建
        2.3.3 最大熵匿名用户分类
        2.3.4 CM识别结果修正
        2.3.5 MTS模型流程
    2.4 实验与结果
    2.5 本章小结
第3章 基于CMQ的用户点击行为预测模型
    3.1 引言
    3.2 构建基准奖励矩阵
        3.2.1 点击流网络
        3.2.2 基准奖励矩阵B-Reward
    3.3 构建权值奖励矩阵
        3.3.1 频繁点击项集
        3.3.2 权值奖励矩阵Wi-Reward
    3.4 CMQ预测算法
    3.5 RL-P预测模型
    3.6 实验与结果
    3.7 本章小结
结论
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果



本文编号：3672676