全球互聯(lián)網(wǎng)都正在經(jīng)歷著由計(jì)算機(jī)互聯(lián)網(wǎng)PC-Internet向移動(dòng)互聯(lián)網(wǎng)Mobile-Internet的巨大轉(zhuǎn)變,具有各種應(yīng)用功能的移動(dòng)終端及手機(jī)在某種意義上已經(jīng)主導(dǎo)著互聯(lián)網(wǎng)的發(fā)展,全世界將走向真正的移動(dòng)信息時(shí)代。據(jù)2015年中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心CNNIC的最新數(shù)據(jù)顯示,截至2015年6月份,中國(guó)網(wǎng)民的規(guī)模達(dá)到了6.68億,其中手機(jī)網(wǎng)民的規(guī)模就達(dá)到了5.94億。相應(yīng)地,使用臺(tái)式機(jī)、筆記本以及平板電腦上網(wǎng)的比例均有所下降。數(shù)據(jù)的快速爆發(fā)式增長(zhǎng)給數(shù)據(jù)的存儲(chǔ)、處理和分析帶來(lái)了的巨大壓力,而大數(shù)據(jù)技術(shù)的引入,不但滿(mǎn)足了系統(tǒng)功能和性能的需求,帶來(lái)了良好的可擴(kuò)展性,降低了IT部署的成本,此外它還拓展了數(shù)據(jù)智能分析的應(yīng)用領(lǐng)域。大數(shù)據(jù)技術(shù)已經(jīng)成為數(shù)據(jù)爆炸時(shí)代企業(yè)提升競(jìng)爭(zhēng)力的強(qiáng)而有力的工具。傳統(tǒng)的用戶(hù)分析缺少數(shù)據(jù)挖掘和行為分析的手段,未細(xì)分用戶(hù)的需求,定位不準(zhǔn),最終導(dǎo)致企業(yè)營(yíng)銷(xiāo)與用戶(hù)需求不相匹配。伴隨著OTT企業(yè)對(duì)運(yùn)營(yíng)商的擠壓越發(fā)的明顯,造成短信、彩信、視頻等業(yè)務(wù)的大量流失。運(yùn)營(yíng)商迫切需要打造大數(shù)據(jù)運(yùn)營(yíng)的藍(lán)海市場(chǎng)。在此背景下,提出一種綜合的對(duì)于移動(dòng)互聯(lián)網(wǎng)的用戶(hù)行為進(jìn)行分析的方法,找到一個(gè)行之有效的用戶(hù)行為... 

【文章來(lái)源】：沈陽(yáng)農(nóng)業(yè)大學(xué)遼寧省

【文章頁(yè)數(shù)】：124 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究目的和意義
    1.2 研究背景
    1.3 論文研究主要內(nèi)容
    1.4 論文結(jié)構(gòu)
    1.5 論文主要?jiǎng)?chuàng)新點(diǎn)
第二章 網(wǎng)絡(luò)用戶(hù)行為分析方法
    2.1 國(guó)內(nèi)外研究現(xiàn)狀
    2.2 用戶(hù)行為分析的內(nèi)容
    2.3 用戶(hù)行為分析方法
    2.4 數(shù)據(jù)挖掘算法
        2.4.1 數(shù)據(jù)挖掘算法分析比較
        2.4.2 數(shù)據(jù)挖掘算法的選擇
    2.5 聚類(lèi)算法的選擇
    2.6 本章小結(jié)
第三章 網(wǎng)絡(luò)用戶(hù)行為分析系統(tǒng)構(gòu)建方法
    3.1 行為分析系統(tǒng)設(shè)計(jì)原則
    3.2 基于大數(shù)據(jù)技術(shù)的行為分析系統(tǒng)研究現(xiàn)狀
    3.3 行為分析系統(tǒng)總體架構(gòu)
    3.4 行為分析系統(tǒng)平臺(tái)軟件環(huán)境
        3.4.1 DNSmasq
        3.4.2 Hadoop
        3.4.3 Hive
        3.4.4 Haproxy
        3.4.5 ZooKeeper
    3.5 數(shù)據(jù)分析層總體架構(gòu)設(shè)計(jì)
        3.5.1 行為分析系統(tǒng)數(shù)據(jù)源
        3.5.2 訪問(wèn)內(nèi)容處理分類(lèi)
        3.5.3 數(shù)據(jù)分析層總體架構(gòu)設(shè)計(jì)
    3.6 數(shù)據(jù)分析層各模塊詳細(xì)設(shè)計(jì)
        3.6.1 話單日志下載程序
        3.6.2 話單日志處理程序
        3.6.3 話單日志分類(lèi)程序
        3.6.4 任務(wù)統(tǒng)計(jì)調(diào)度程序
        3.6.5 統(tǒng)計(jì)結(jié)果入庫(kù)程序
    3.7 本章小結(jié)
第四章 行為分析客戶(hù)分群理論
    4.1 Web數(shù)據(jù)挖掘
    4.2 數(shù)據(jù)挖掘的流程
    4.3 Web爬取及日志關(guān)聯(lián)規(guī)則挖掘
    4.4 客戶(hù)分群理論研究現(xiàn)狀
    4.5 客戶(hù)分群數(shù)據(jù)挖掘方法
        4.5.1 聚類(lèi)算法
        4.5.2 聚類(lèi)的表示
        4.5.3 層次聚類(lèi)
        4.5.4 k-means算法
            4.5.4.1 k的正確取值
            4.5.4.2 初始聚類(lèi)中心的選取方法
            4.5.4.3 異常值的處理方法
    4.6 客戶(hù)分群的建立
        4.6.1 數(shù)據(jù)挖掘與用戶(hù)分群
        4.6.2 數(shù)據(jù)挖掘的主題
        4.6.3 數(shù)據(jù)挖掘的范圍
        4.6.4 數(shù)據(jù)挖掘的過(guò)程
        4.6.5 客戶(hù)分群模型的構(gòu)建
        4.6.6 客戶(hù)分群策略的制定
        4.6.7 客戶(hù)分群數(shù)據(jù)庫(kù)的建立
        4.6.8 關(guān)鍵詞的管理
    4.7 本章小結(jié)
第五章 網(wǎng)絡(luò)用戶(hù)行為分析預(yù)測(cè)方法
    5.1 決策樹(shù)算法
        5.1.1 決策樹(shù)的基本概念
        5.1.2 分類(lèi)回歸樹(shù)
        5.1.3 決策樹(shù)的剪枝
        5.1.4 決策樹(shù)算法的優(yōu)缺點(diǎn)
        5.1.5 C5.0決策樹(shù)算法
    5.2 人工神經(jīng)網(wǎng)絡(luò)算法
    5.3 基于決策樹(shù)的用戶(hù)行為預(yù)測(cè)模型構(gòu)建
        5.3.1 用戶(hù)行為數(shù)據(jù)收集
        5.3.2 決策樹(shù)算法在用戶(hù)行為分析中應(yīng)用
        5.3.3 行為分析預(yù)測(cè)模型總體設(shè)計(jì)
        5.3.4 行為分析預(yù)測(cè)模型操作流程設(shè)計(jì)
    5.4 采用人工神經(jīng)網(wǎng)絡(luò)改進(jìn)的移動(dòng)用戶(hù)行為分析預(yù)測(cè)實(shí)例
        5.4.1 分析預(yù)測(cè)實(shí)例模型介紹
        5.4.2 分析預(yù)測(cè)實(shí)例仿真測(cè)試
    5.5 本章小結(jié)
第六章 行為分析系統(tǒng)應(yīng)用
    6.1 聯(lián)網(wǎng)標(biāo)簽
    6.2 上網(wǎng)內(nèi)容解析
        6.2.1 解析地址庫(kù)的建立
        6.2.2 上網(wǎng)行為解析
    6.3 數(shù)據(jù)清洗
        6.3.1 地址內(nèi)容清洗
        6.3.2 漫游用戶(hù)清洗
        6.3.3 無(wú)線上網(wǎng)卡標(biāo)簽分離
        6.3.4 地址庫(kù)更新
    6.4 用戶(hù)全息視圖
        6.4.1 用戶(hù)基礎(chǔ)信息的收集
        6.4.2 用戶(hù)身份識(shí)別
        6.4.3 最近關(guān)注
        6.4.4 應(yīng)用使用排名
        6.4.5 行動(dòng)軌跡
    6.5 猜你喜歡
    6.6 猜你喜歡應(yīng)用場(chǎng)景案例介紹
    6.7 企業(yè)選址案例介紹
        6.7.1 行業(yè)細(xì)分互聯(lián)網(wǎng)標(biāo)簽分類(lèi)庫(kù)的建立
        6.7.2 細(xì)分行業(yè)關(guān)鍵詞庫(kù)的建立
        6.7.3 關(guān)鍵字爬取
        6.7.4 分析潛在火鍋需求用戶(hù)
        6.7.5 潛在用戶(hù)軌跡分析
        6.7.6 預(yù)選址區(qū)域分析
    6.8 OTT專(zhuān)題分析
        6.8.1 OTT專(zhuān)題分析規(guī)則
        6.8.2 微信用戶(hù)特征分析
        6.8.3 微信用戶(hù)專(zhuān)題對(duì)比分析
    6.9 本章小結(jié)
第七章 結(jié)論與展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表文章


【參考文獻(xiàn)】：
期刊論文
[1]移動(dòng)互聯(lián)網(wǎng)用戶(hù)行為分析系統(tǒng)中聚焦爬蟲(chóng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 鄧炳光,郭慧蘭,張治中.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[2]基于數(shù)據(jù)挖掘的移動(dòng)用戶(hù)預(yù)測(cè)[J]. 吳曜宏,王鶴鳴,劉義銘.  通信技術(shù). 2015(06)
[3]數(shù)據(jù)挖掘中基于最小遺憾度的偏好感知算法[J]. 孫靜.  計(jì)算機(jī)應(yīng)用與軟件. 2015(05)
[4]基于消費(fèi)者偏好分群的網(wǎng)絡(luò)營(yíng)銷(xiāo)模型設(shè)計(jì)[J]. 鄭雨瀟,劉孚清.  科技廣場(chǎng). 2015(04)
[5]關(guān)聯(lián)規(guī)則在Web日志挖掘中的研究與應(yīng)用[J]. 李綱,李春雅,胡蓉,海嵐.  信息資源管理學(xué)報(bào). 2015(02)
[6]基于時(shí)間序列分解的用戶(hù)行為分析[J]. 常慧君,單洪,滿(mǎn)毅,毛毛.  數(shù)據(jù)采集與處理. 2015(02)
[7]基于用戶(hù)興趣三維建模的個(gè)性化推薦算法[J]. 王冰怡,劉楊,聶長(zhǎng)新,田萱.  計(jì)算機(jī)工程. 2015(01)
[8]產(chǎn)品研發(fā)中用戶(hù)畫(huà)像的數(shù)據(jù)模建——從具象到抽象[J]. 余孟杰.  設(shè)計(jì)藝術(shù)研究. 2014(06)
[9]基于海量搜索歷史數(shù)據(jù)的用戶(hù)興趣模型[J]. 詹天晟,陳德華,樂(lè)嘉錦,王梅.  計(jì)算機(jī)應(yīng)用. 2014(S2)
[10]基于日志挖掘的移動(dòng)應(yīng)用用戶(hù)訪問(wèn)模型建模技術(shù)研究[J]. 陳三川,吳國(guó)全,魏峻,黃濤.  計(jì)算機(jī)科學(xué). 2014(11)

博士論文
[1]微博用戶(hù)行為分析和網(wǎng)絡(luò)結(jié)構(gòu)演化的研究[D]. 苑衛(wèi)國(guó).北京交通大學(xué) 2014
[2]基于關(guān)聯(lián)數(shù)據(jù)和用戶(hù)本體的個(gè)性化知識(shí)服務(wù)關(guān)鍵技術(shù)研究[D]. 陳毅波.武漢大學(xué) 2012
[3]面向精確營(yíng)銷(xiāo)基于數(shù)據(jù)挖掘的3G用戶(hù)行為模型及實(shí)證研究[D]. 狄浩林.北京郵電大學(xué) 2012
[4]基于用戶(hù)行為挖掘的數(shù)據(jù)流管理技術(shù)研究[D]. 李軍.北京郵電大學(xué) 2012
[5]上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D]. 王立才.北京郵電大學(xué) 2012
[6]基于用戶(hù)行為的無(wú)線通信網(wǎng)絡(luò)綜合優(yōu)化研究[D]. 郭喆.華中科技大學(xué) 2011
[7]根據(jù)多維特征的網(wǎng)絡(luò)用戶(hù)分類(lèi)研究[D]. 竇伊男.北京郵電大學(xué) 2010
[8]基于用戶(hù)行為分析的搜索引擎評(píng)價(jià)研究[D]. 岑榮偉.清華大學(xué) 2010
[9]分析型CRM下的移動(dòng)數(shù)據(jù)產(chǎn)品精確營(yíng)銷(xiāo)應(yīng)用研究[D]. 楊鴻賓.北京郵電大學(xué) 2009
[10]基于潛在語(yǔ)義的個(gè)性化搜索關(guān)鍵技術(shù)研究[D]. 陳冬玲.東北大學(xué) 2009

碩士論文
[1]K-means聚類(lèi)方法的改進(jìn)及其應(yīng)用[D]. 李薈嬈.東北農(nóng)業(yè)大學(xué) 2014
[2]面向大數(shù)據(jù)的電信客戶(hù)分群模型研究與設(shè)計(jì)[D]. 齊恒.華北電力大學(xué) 2014
[3]移動(dòng)用戶(hù)上網(wǎng)行為分析系統(tǒng)關(guān)鍵技術(shù)研究[D]. 周慶玲.北京交通大學(xué) 2014
[4]基于客戶(hù)分群的精準(zhǔn)營(yíng)銷(xiāo)系統(tǒng)研究[D]. 張蔚.華東理工大學(xué) 2014
[5]基于Hadoop用戶(hù)行為分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 郝增勇.北京交通大學(xué) 2014
[6]基于移動(dòng)終端的移動(dòng)互聯(lián)網(wǎng)服務(wù)質(zhì)量及用戶(hù)行為分析研究[D]. 余泓.安徽大學(xué) 2014
[7]基于移動(dòng)用戶(hù)行為的動(dòng)態(tài)社區(qū)發(fā)現(xiàn)算法研究與實(shí)現(xiàn)[D]. 龔勝芳.北京郵電大學(xué) 2014
[8]基于URL分析的移動(dòng)互聯(lián)網(wǎng)用戶(hù)分群[D]. 宋嵩.河北大學(xué) 2013
[9]中國(guó)移動(dòng)新化分公司中高端客戶(hù)忠誠(chéng)度研究[D]. 陽(yáng)勝伍.湘潭大學(xué) 2013
[10]面向用戶(hù)興趣的用戶(hù)瀏覽行為分析方法及應(yīng)用[D]. 邢曉兵.東北大學(xué) 2013



本文編號(hào)：2953876