隨著互聯(lián)網(wǎng)社交產(chǎn)業(yè)的快速發(fā)展,網(wǎng)站通常對用戶的各種行為進行分析:商業(yè)網(wǎng)站會分析用戶的購買行為以確定用戶的商業(yè)價值,新聞網(wǎng)站和音樂網(wǎng)站會分析用戶的點擊行為并推薦感興趣的內(nèi)容。然而傳統(tǒng)網(wǎng)站端的行為分析通常覆蓋了所有用戶群體,不適用于用戶關(guān)注環(huán)境的定制化分析,且隨著用戶的關(guān)注量逐漸增多,用戶從龐大的關(guān)注動態(tài)中獲取有價值內(nèi)容的難度也在不斷加大。為此,本文針對當(dāng)前缺乏對互聯(lián)網(wǎng)用戶關(guān)注環(huán)境的定制化分析問題,基于商用用戶價值模型RFM（Recency Frequency Monetary,RFM）,從值度、頻度、近度三方面歸納并選擇相應(yīng)指標(biāo),通過對關(guān)注用戶集群信息進行采集、分析、處理,構(gòu)建關(guān)注用戶的價值評估模型。提出一種基于動態(tài)補正值評分制度,對時間區(qū)域內(nèi)所有關(guān)注用戶產(chǎn)出內(nèi)容的值度指標(biāo)進行特征抽取,在保證指標(biāo)能適應(yīng)不同用戶環(huán)境的同時降低特征數(shù)過多對評估模型性能造成的影響。同時針對FCM（Fuzzy-C-Means,C均值聚類）聚類算法中存在的初始敏感問題提出一種基于粒子群的FCM初始敏感優(yōu)化算法用于用戶分類。該方法在標(biāo)準(zhǔn)PSO算法中引入萊維飛行公式模擬全局隨機行走以增強粒子活性,通過開關(guān)參數(shù)控制距離... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３－２?ＰＳＯＬＦ－ＦＣＭ算法流程圖??３．４仿真實驗??

?準(zhǔn)確率。值（／ｔ?＝?４實驗結(jié)果采用準(zhǔn)確率和函數(shù)適應(yīng)值兩個指標(biāo)。表３－４為式距三??種算法實驗結(jié)果，圖３－３、３－４、３－５分別為Ｉｒｉｓ、Ｗｉｎｅ、Ｓｅｅｄ數(shù)據(jù)集在馬氏距離??度量下ＰＳＯ－ＦＣＭ與ＰＳＯＬＦ－ＦＣＭ算法最優(yōu)粒子適應(yīng)值變化曲線。??表３－４?不同數(shù)據(jù)集下三種聚類算法準(zhǔn)確率??＾?數(shù)據(jù)集?算法?迭代次數(shù)?準(zhǔn)確率??Ｉｒｉｓ?ＦＣＭ?１７?８９．３％??ＰＳＯ－ＦＣＭ?１００?９０．０％???ＰＳＯＬＦ－ＦＣＭ?＼００?９１．３％???Ｗｉｎｅ?Ｆ

?１００??迭代次數(shù)??圖３－４?Ｗｉｎｅ數(shù)據(jù)集下兩種算法最優(yōu)粒子適應(yīng)值變化曲線??Ｓｅｅｄ??１１００?．?－？?——ＰＳ０ＬＦ－ＦＣＭ??１?——ＰＳＯ－ＦＣＭ??１〇〇〇?－?ｎ??９００?－??｝§?８００?－??１?Ｌ??Ｓ?７００?－?ｌ??１?＼＼??５００?－??４００?－?＼??３００?－?＾二?？－???——??０?２０?４０?６０?８０?１００??送代次數(shù)??圖３－５?Ｓｅｅｄ數(shù)據(jù)集下兩種算法最優(yōu)粒子適應(yīng)值變化曲線??從表３－４可以看出，ＰＳＯＬＦ－ＦＣＭ在兩個數(shù)據(jù)集上的準(zhǔn)確率均優(yōu)于其他兩種??算法，ＰＳＯ－ＦＣＭ優(yōu)于傳統(tǒng)ＦＣＭ算法，這是因為傳統(tǒng)ＦＣＭ算法采用梯度算??子，易受初始隨機中心點影響，容易陷入局部最小值，而基于ＰＳＯ的ＦＣＭ算??法全局搜索能力較好，能有效克服傳統(tǒng)ＦＣＭ算法對初始值敏感的問題。??從圖３－３、３－４、３－５可以看出，ＰＳＯＬＦ－ＦＣＭ較ＰＳＯ－ＦＣＭ前期收斂速度較??為平緩，但后期粒子活性較強，最優(yōu)解目標(biāo)函數(shù)值較為優(yōu)秀，這是通過全局隨??２２??

【參考文獻】：
期刊論文
[1]基于自適應(yīng)粒子群優(yōu)化的非穩(wěn)態(tài)自動平衡控制算法研究[J]. 陳立芳,陳哲超,王維民,秦悅,李兆舉,晏資文.  振動與沖擊. 2018(24)
[2]基于模糊C-均值聚類法和粒子群優(yōu)化算法的江西省無水港選址分析[J]. 徐兵,束斌.  南昌大學(xué)學(xué)報(工科版). 2018(04)
[3]基于用戶興趣相似度與熟悉度的興趣點推薦算法[J]. 王崢,張成.  計算機與數(shù)字工程. 2018(12)
[4]基于融合GMM聚類與FOA-GRNN模型的推薦算法[J]. 李毅鵬,阮葉麗,張杰.  網(wǎng)絡(luò)與信息安全學(xué)報. 2018(12)
[5]結(jié)合評分時間和用戶空間的協(xié)同過濾推薦算法[J]. 李炎,艾均,蘇湛.  計算機應(yīng)用與軟件. 2018(12)
[6]基于改進萊維飛行粒子群算法的光伏系統(tǒng)MPPT方法[J]. 王榮,李少綱.  南昌大學(xué)學(xué)報(工科版). 2018(03)
[7]基于改進RFM模型和證據(jù)推理的MOOC學(xué)習(xí)者忠誠度度量模型研究[J]. 王銳,李荻,闕師鵬,廖作鴻.  江西理工大學(xué)學(xué)報. 2018(04)
[8]基于粒子群優(yōu)化的模糊C均值聚類算法[J]. 王宇鋼.  信息技術(shù)與網(wǎng)絡(luò)安全. 2018(08)
[9]基于布谷鳥搜索改進的聚類算法[J]. 孫偉鵬,孟斌,吳錫生.  微電子學(xué)與計算機. 2018(08)
[10]自適應(yīng)動態(tài)鄰域布谷鳥混合算法求解TSP問題[J]. 陳雷,張紅梅,張向利.  計算機工程與應(yīng)用. 2018(23)

碩士論文
[1]基于用戶社交關(guān)系的微博情感分類模型研究[D]. 阮曉艷.南京航空航天大學(xué) 2018
[2]基于改進布谷鳥優(yōu)化的圖像分割算法研究[D]. 朱春.南京郵電大學(xué) 2017
[3]基于改進RFM模型的聚類算法在農(nóng)村用戶4G消費行為中研究與應(yīng)用[D]. 楊磊.南京郵電大學(xué) 2017
[4]改進布谷鳥算法在水電站水庫群優(yōu)化調(diào)度的應(yīng)用[D]. 李笑竹.新疆大學(xué) 2017
[5]基于用戶分類的隱馬爾可夫WEB預(yù)取模型及應(yīng)用研究[D]. 王釩霖.西安理工大學(xué) 2017
[6]基于Flask框架的微博用戶分類及推薦系統(tǒng)的實現(xiàn)[D]. 曾思亮.廈門大學(xué) 2017
[7]基于Web數(shù)據(jù)挖掘的旅游者網(wǎng)絡(luò)用戶行為及用戶價值研究[D]. 張書海.廣州大學(xué) 2016



本文編號：3317932