基于大规模位置和消费数据的用户行为理解

发布时间：2017-06-10 16:10

  本文关键词：基于大规模位置和消费数据的用户行为理解，由笔耕文化传播整理发布。

【摘要】：用户行为理解对于提供个性化服务和广告投放有着极为重要的意义。一方面,随着近年来智能手机的普及以及移动互联网的蓬勃发展,越来越多的用户位置信息能够被精确地记录和获取。这些位置信息真实地展示了用户在生活中进行用餐、购物、旅游等与物理世界紧密相连的行为,能够准确和完整地反映用户的生活状态和兴趣习惯。现在普遍采用的位置数据包括了GPS轨迹、手机的基站定位数据、公共交通卡记录的上下车站信息、基于位置的社交网络签到数据、无线网络的定位数据以及图片的位置标记数据等等。另外一方面,电子商务近年来飞速发展,像阿里巴巴和京东这类电商平台的网络购物已经是国民整体消费的重要组成部分,这些电商平台所记录的消费数据能够很大程度上反映出用户的消费偏好和兴趣爱好。通过对这些精确量化的消费数据进行深度挖掘,能够更好地理解个人以及群体的消费行为模式,从而可以设计出更精准的推荐系统向用户推荐感兴趣的物品。 用户的位置数据和消费数据是相辅相成的,一方面用户在物理世界的移动规律能够折射出其在消费方面的偏好,反之通过对用户消费行为习惯的挖掘也能够推测用户在真实生活中的移动模式。把这些信息有效的结合在一起能够更加深入和准确地理解用户行为习惯,为完善推荐系统和精准的用户定位提供有效的支持。本文围绕大规模的位置数据和消费数据,从具体应用的角度出发针对用户理解展开了深入研究,这些研究成果体现了重要的学术研究价值以及广泛的应用场景。具体而言,本文的主要研究成果、贡献和创新点可以慨括为如下几点： ·提出从轨迹数据智能感知用户的加油消费规律,从位置数据的角度挖掘了用户的消费模式。本文通过对出租车的移动轨迹、城市兴趣点的地理位置数据库以及城市的路网拓扑结构进行建模,实现了一个能够自动检测加油事件,推断用户加油时间和估计顾客数目的智能系统。这个系统主要包括三个模块,第一个模块通过对出租车的轨迹数据进行分析和挖掘,采用静止点检测算法发现可能的候选加油事件,然后通过提取候选加油事件的时空特征使用随机梯度树模型过滤掉非真实的加油事件；第二个模块首先对时空进行划分以确定每个时空单元的加油事件,然后通过情境感知的协同过滤学习模型来推断在用户在某个时间去某个加油站的时间消耗；第三个模块进一步根据所得到的加油时间消耗,使用排队论模型来估计加油站内的顾客数目。该文通过真实数据和实地测试相结合的方式,充分验证了该智能系统的有效性和可靠性。 ·提出从智能卡的消费中挖掘用户的位置移动规律,从消费数据的角度挖掘了用户的位置移动模式。本文基于用户公交智能卡的消费信息,采用半监督随机场模型并融入多空间对齐的约束以及协同过滤学习得到的隐空间特征来智能恢复没有记录的上下车站位置信息。这个模型包含三个步骤：第一步根据地理、时间以及金钱三个维度存在的约束过滤不符合条件的候选上下车站：第二步提取半监督条件随机场模型所需要用到的各种特征；第三步提取单个车站乘坐的约束概率以及车站换乘的约束概率并融入模型作为先验知识,接着训练历史数据和恢复没有记录的乘坐车站信息。多维度的实验结果证实了本文的方法能够准确地恢复用户上下车站的移动信息。 ·提出从移动和消费行为来挖掘用户的猎奇心理特质,同时从位置数据和消费数据的角度挖掘用户的心理特征。本文基于用户在位置社交社区的签到位置数据和电商平台的在线购物数据,使用基于贝叶斯图结构的猎奇心理模型来准确地刻画出用户在相对于个人和相对于群体两方面的猎奇特质。该工作主要包含三个步骤：第一步是构建一个通用的猎奇心理模型,这个模型采用贝叶斯图结构,把用户表现出来的时间序列行为表示为能够观察到的显式变量,同时把用户的猎奇心理特质以及效用偏好表示为隐变量,通过模型的生成过程来表示用户的行为模式；第二步具体分析了用户的位置数据和在线购物消费数据,来深入理解用户在移动行为和消费行为中分别展示出来的猎奇心理特质；第三步通过大规模的真实数据验证了所提出模型能够准确的刻画用户的猎奇心理特质分布以及在预测用户行为方面展示出来的优势,然后进一步对比了用户在这两个领域所展示的猎奇心理特质的一致性,为跨领域的用户定位和推荐系统设计提供了依据。
【关键词】：位置数据 消费数据 加油消费规律 位置移动规律 猎奇心理特质
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP311.13
【目录】：

• 摘要5-8
• ABSTRACT8-11
• 目录11-15
• 表格15-16
• 插图16-18
• 第一章 绪论18-24
• 1.1 引言18-20
• 1.2 本文概述及主要贡献20-24
• 第二章 从轨迹挖掘用户加油消费规律24-54
• 2.1 引言24-27
• 2.2 相关定义27-28
• 2.3 数据集描述28-29
• 2.4 系统综述29-30
• 2.5 加油事件检测30-33
• 2.5.1 候选集提取31-32
• 2.5.2 过滤32-33
• 2.6 时间消耗推断33-39
• 2.6.1 情境感知的协同过滤模型CATF34-35
• 2.6.2 情境因素提取35-39
• 2.7 顾客数目估计39-41
• 2.7.1 排队论系统39
• 2.7.2 计算39-40
• 2.7.3 参数设定40-41
• 2.8 实验41-47
• 2.8.1 人工标注的数据集41-42
• 2.8.2 针对加油事件检测的实验42-43
• 2.8.3 针对时间消耗推断的实验43-45
• 2.8.4 针对顾客数目估计的实验45-47
• 2.9 加油消费规律分析47-50
• 2.9.1 从地理角度看加油消费行为47-48
• 2.9.2 从时间角度看加油消费行为48-49
• 2.9.3 从经济调度看加油消费行为49-50
• 2.10 讨论50-51
• 2.11 相关工作51-54
• 2.11.1 用户加油行为分析51
• 2.11.2 加油站分析和建模51-52
• 2.11.3 城市计算52-54
• 第三章 从智能卡消费挖掘用户位置移动规律54-80
• 3.1 引言54-57
• 3.2 数据57-60
• 3.2.1 公交车消费记录57-58
• 3.2.2 充值记录58
• 3.2.3 路网数据58
• 3.2.4 数据去噪和数据标注58-60
• 3.3 方法60-72
• 3.3.1 相关定义61-62
• 3.3.2 约束62-65
• 3.3.3 带约束的半监督条件随机场模型65-72
• 3.4 实验72-76
• 3.4.1 实验设定72
• 3.4.2 基准算法72-74
• 3.4.3 数据集中所有用户的结果74-75
• 3.4.4 受试者的结果75
• 3.4.5 重要地点识别75-76
• 3.5 相关工作76-80
• 3.5.1 人类移动分析76-77
• 3.5.2 挖掘智能卡消费数据77-80
• 第四章 从移动和消费行为挖掘用户猎奇心理特质80-102
• 4.1 引言80-82
• 4.2 猎奇心理模型82-88
• 4.2.1 相关定义82-85
• 4.2.2 猎奇心理模型85-87
• 4.2.3 猎奇心理特质推断87-88
• 4.3 位置移动和在线购物中的猎奇心理88-90
• 4.3.1 位置移动中的猎奇心理88-89
• 4.3.2 在线购物中的猎奇心理89-90
• 4.4 实验90-98
• 4.4.1 数据收集和描述91-92
• 4.4.2 单个领域内的猎奇心理特质92-94
• 4.4.3 预测94-96
• 4.4.4 猎奇心理特质在位置移动和消费行为中的一致性96-98
• 4.5 讨论98-99
• 4.6 相关工作99-102
• 4.6.1 猎奇心理研究99
• 4.6.2 推荐系统99-102
• 第五章 结论和展望102-106
• 5.1 结论和相关成果102-103
• 5.2 未来工作设想103-106
• 参考文献106-116
• 在读期间发表的学术论文与取得的研究成果116-118
• 致谢118-119

【共引文献】

中国期刊全文数据库 前10条

1 马凯;张小蕾;陶先平;吕建;;一种基于Agent的移动应用框架设计与应用研究[J];计算机科学;2004年09期

2 俞兆安;张申生;张勇;童红霞;;状态自动机支持的环境感知应用框架研究[J];计算机科学;2006年06期

3 苏敬勤;崔淼;张竟浩;;企业家视角下外部取向管理创新决策——基于探索性多案例识别的实证研究[J];科学学研究;2010年07期

4 董伶俐;;消费者知识对高新技术标准产品创新扩散影响研究——以蓝光DVD播放器为例[J];科学学研究;2012年01期

5 郑思齐;孙聪;;城市经济的空间结构:居住、就业及衍生问题[J];南方经济;2011年08期

6 阿布力孜·布力布力;张新国;;消费者创新性与新产品创新性行为关系研究[J];科技进步与对策;2013年07期

7 陈文沛;;消费者创新性研究综述[J];技术经济;2013年04期

8 赵灵芝;;浅谈房地产工程管理创新模式研究[J];价值工程;2013年25期

9 黄洋;;LBS模式的个性化推荐技术在移动电子商务客户关系管理中的应用[J];经营与管理;2013年11期

10 宋婧文;;软集在移动套餐推荐中的应用[J];计算机与现代化;2013年11期

中国重要会议论文全文数据库 前10条

1 孙瑾;闫谨;刘燕捷;陈媛Z，

本文编号：439085