本文關鍵詞：網(wǎng)絡用戶行為的多維度分析方法，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)技術的快速發(fā)展和廣泛普及,互聯(lián)網(wǎng)的服務模式正在從傳統(tǒng)的被動模式向個性化服務等主動模式演變。企業(yè)要做好個性化服務就要求對用戶上網(wǎng)的興趣、習慣有充分的理解。用戶行為分析能夠在海量的原始數(shù)據(jù)中找出潛在的用戶群體特征,從而為商業(yè)決策和科學研究提供數(shù)據(jù)支持。本文主要通過在多個維度下,對用戶上網(wǎng)行為特征進行分析,并找出每個維度中潛在的用戶群體以及該群體對應的上網(wǎng)習慣和規(guī)律。通過對多個維度的分析結果進行相關性討論,分析出用戶的綜合上網(wǎng)行為模式及特征。文中實驗所采用的數(shù)據(jù),來自于北京理工大學所有用戶的真實上網(wǎng)數(shù)據(jù)。原始數(shù)據(jù)覆蓋了龐大的用戶群體,因此分析結果在一定程度上能夠真實的反應出當前大學校園寬帶用戶的上網(wǎng)特征和行為現(xiàn)狀。本文的分析模型和方法同樣適用于在其它城域網(wǎng)中進行用戶行為分析。本文具體研究內(nèi)容包括:(1)上網(wǎng)活躍維度分析。該維度對用戶上網(wǎng)行為特征和用戶上網(wǎng)行為模式進行了分析。采用Bcv-k-means聚類算法挖掘出用戶活躍維度下的上網(wǎng)行為模式。(2)Web興趣維度分析。在對用戶Web興趣模式的分析中,我們針對樣本數(shù)據(jù)的特點,提出了一種基于熵的自動聚類算法,用于分析用戶訪問網(wǎng)站的興趣模式。該算法與傳統(tǒng)聚類算法相比,無需用戶指定任何參數(shù),并且能夠發(fā)現(xiàn)任意形狀和大小的不規(guī)則簇,并通過實驗驗證了算法的有效性。(3)網(wǎng)絡業(yè)務維度分析。在該維度中,我們針對用戶常用的網(wǎng)絡業(yè)務進行分析,挖掘出用戶常用的業(yè)務模式和業(yè)務使用特征。(4)維度間關聯(lián)分析。本文對網(wǎng)活躍維度、網(wǎng)站訪問興趣維度的分析結果進行了相關性討論,并對特殊的用戶模式進行了補充分析。
【關鍵詞】：用戶行為分析 多維度分析 數(shù)據(jù)挖掘 聚類算法
【學位授予單位】：北京理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.09
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-17
• 1.1 研究背景9-10
• 1.2 研究意義10-11
• 1.3 國內(nèi)外研究現(xiàn)狀11-15
• 1.3.1 用戶行為分析11-13
• 1.3.2 聚類算法13-15
• 1.4 本文主要工作15-16
• 1.5 論文結構16-17
• 第2章 上網(wǎng)活躍維度分析17-37
• 2.1 引言17
• 2.2 上網(wǎng)行為特征分析17-27
• 2.2.1 會話屬性分布規(guī)律17-22
• 2.2.2 用戶數(shù)量分布規(guī)律22-27
• 2.3 上網(wǎng)行為模式分析27-36
• 2.3.1 基于變異系數(shù)的改進K-means算法28-29
• 2.3.2 實驗過程和結果29-34
• 2.3.3 上網(wǎng)行為模式特征34-35
• 2.3.4 用戶忠誠度35-36
• 2.4 小結36-37
• 第3章 WEB興趣維度分析37-52
• 3.1 引言37-38
• 3.2 數(shù)據(jù)描述38-39
• 3.3 基于熵的自動聚類算法39-41
• 3.3.1 熵定義39
• 3.3.2 興趣分布熵39-40
• 3.3.3 初始劃分40-41
• 3.3.4 聚類過程41
• 3.4 實驗過程和結果41-45
• 3.5 上網(wǎng)興趣模式分析45-49
• 3.5.1 興趣模式用戶比例和出現(xiàn)概率45-47
• 3.5.2 興趣模式間的轉(zhuǎn)移47-48
• 3.5.3 用戶穩(wěn)定性48-49
• 3.6 算法分析49-51
• 3.6.1 時間復雜度49-50
• 3.6.2 算法優(yōu)缺點50-51
• 3.7 小結51-52
• 第4章 網(wǎng)絡業(yè)務維度分析52-60
• 4.1 引言52
• 4.2 數(shù)據(jù)描述52-53
• 4.3 業(yè)務使用模式分析53-59
• 4.3.1 實驗過程和結果53-56
• 4.3.2 業(yè)務模式特征56-59
• 4.4 小結59-60
• 第5章 維度間關聯(lián)分析60-65
• 5.1 引言60
• 5.2 綜合行為模式60-62
• 5.3 特殊模式分析62-64
• 5.3.1 上行流量大于下行流量的用戶62-63
• 5.3.2 頻繁上下線的用戶63-64
• 5.4 小結64-65
• 結論65-66
• 參考文獻66-69
• 攻讀學位期間發(fā)表論文與研究成果清單69-70
• 致謝70

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 三川;;CNNIC發(fā)布第35次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》[J];中國遠程教育;2015年02期

2 姜巍;秦雅娟;劉穎;;基于IPFIX的用戶網(wǎng)絡行為分析系統(tǒng)模型研究[J];計算機技術與發(fā)展;2011年09期

3 吳夙慧;成穎;鄭彥寧;潘云濤;;K-means算法研究綜述[J];現(xiàn)代圖書情報技術;2011年05期

4 葉良艷;;基于改進后的K-means聚類算法的網(wǎng)吧用戶行為聚類[J];安徽科技學院學報;2009年04期

5 王安志;李明東;李超;;各種聚類算法及改進算法的研究[J];電腦知識與技術;2008年25期

6 王攀;張順頤;陳雪嬌;;基于DBP的Web用戶行為分析關鍵技術[J];電信快報;2008年08期

7 孫吉貴;劉杰;趙連宇;;聚類算法研究[J];軟件學報;2008年01期

  本文關鍵詞：網(wǎng)絡用戶行為的多維度分析方法，由筆耕文化傳播整理發(fā)布。

，

本文編號：503971