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(duì)用戶(hù)的各種行為進(jìn)行分析:商業(yè)網(wǎng)站會(huì)分析用戶(hù)的購(gòu)買(mǎi)行為以確定用戶(hù)的商業(yè)價(jià)值,新聞網(wǎng)站和音樂(lè)網(wǎng)站會(huì)分析用戶(hù)的點(diǎn)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(hù)群體,不適用于用戶(hù)關(guān)注環(huán)境的定制化分析,且隨著用戶(hù)的關(guān)注量逐漸增多,用戶(hù)從龐大的關(guān)注動(dòng)態(tài)中獲取有價(jià)值內(nèi)容的難度也在不斷加大。為此,本文針對(duì)當(dāng)前缺乏對(duì)互聯(lián)網(wǎng)用戶(hù)關(guān)注環(huán)境的定制化分析問(wèn)題,基于商用用戶(hù)價(jià)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(guò)對(duì)關(guān)注用戶(hù)集群信息進(jìn)行采集、分析、處理,構(gòu)建關(guān)注用戶(hù)的價(jià)值評(píng)估模型。提出一種基于動(dòng)態(tài)補(bǔ)正值評(píng)分制度,對(duì)時(shí)間區(qū)域內(nèi)所有關(guān)注用戶(hù)產(chǎn)出內(nèi)容的值度指標(biāo)進(jìn)行特征抽取,在保證指標(biāo)能適應(yīng)不同用戶(hù)環(huán)境的同時(shí)降低特征數(shù)過(guò)多對(duì)評(píng)估模型性能造成的影響。同時(shí)針對(duì)FCM（Fuzzy-C-Means,C均值聚類(lèi)）聚類(lèi)算法中存在的初始敏感問(wèn)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(hù)分類(lèi)。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(jī)行走以增強(qiáng)粒子活性,通過(guò)開(kāi)關(guān)參數(shù)控制距離... 

【文章來(lái)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(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－２?ＰＳＯＬＦ－ＦＣＭ算法流程圖??３．４仿真實(shí)驗(yàn)??

?準(zhǔn)確率。值（／ｔ?＝?４實(shí)驗(yàn)結(jié)果采用準(zhǔn)確率和函數(shù)適應(yīng)值兩個(gè)指標(biāo)。表３－４為式距三??種算法實(shí)驗(yàn)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(xiàn)。??表３－４?不同數(shù)據(jù)集下三種聚類(lèi)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(xiàn)??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(xiàn)??從表３－４可以看出，ＰＳＯＬＦ－ＦＣＭ在兩個(gè)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?yàn)閭鹘y(tǒng)ＦＣＭ算法采用梯度算??子，易受初始隨機(jī)中心點(diǎn)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(duì)初始值敏感的問(wèn)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(qiáng)，最優(yōu)解目標(biāo)函數(shù)值較為優(yōu)秀，這是通過(guò)全局隨??２２??

【參考文獻(xiàn)】：
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(dòng)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(dòng)與沖擊. 2018(24)
[2]基于模糊C-均值聚類(lèi)法和粒子群優(yōu)化算法的江西省無(wú)水港選址分析[J]. 徐兵,束斌.  南昌大學(xué)學(xué)報(bào)(工科版). 2018(04)
[3]基于用戶(hù)興趣相似度與熟悉度的興趣點(diǎn)推薦算法[J]. 王崢,張成.  計(jì)算機(jī)與數(shù)字工程. 2018(12)
[4]基于融合GMM聚類(lèi)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(bào). 2018(12)
[5]結(jié)合評(píng)分時(shí)間和用戶(hù)空間的協(xié)同過(guò)濾推薦算法[J]. 李炎,艾均,蘇湛.  計(jì)算機(jī)應(yīng)用與軟件. 2018(12)
[6]基于改進(jìn)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(bào)(工科版). 2018(03)
[7]基于改進(jìn)RFM模型和證據(jù)推理的MOOC學(xué)習(xí)者忠誠(chéng)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(bào). 2018(04)
[8]基于粒子群優(yōu)化的模糊C均值聚類(lèi)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(niǎo)搜索改進(jìn)的聚類(lèi)算法[J]. 孫偉鵬,孟斌,吳錫生.  微電子學(xué)與計(jì)算機(jī). 2018(08)
[10]自適應(yīng)動(dòng)態(tài)鄰域布谷鳥(niǎo)混合算法求解TSP問(wèn)題[J]. 陳雷,張紅梅,張向利.  計(jì)算機(jī)工程與應(yīng)用. 2018(23)

碩士論文
[1]基于用戶(hù)社交關(guān)系的微博情感分類(lèi)模型研究[D]. 阮曉艷.南京航空航天大學(xué) 2018
[2]基于改進(jìn)布谷鳥(niǎo)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(jìn)RFM模型的聚類(lèi)算法在農(nóng)村用戶(hù)4G消費(fèi)行為中研究與應(yīng)用[D]. 楊磊.南京郵電大學(xué) 2017
[4]改進(jìn)布谷鳥(niǎo)算法在水電站水庫(kù)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(hù)分類(lèi)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(hù)分類(lèi)及推薦系統(tǒng)的實(shí)現(xiàn)[D]. 曾思亮.廈門(mén)大學(xué) 2017
[7]基于Web數(shù)據(jù)挖掘的旅游者網(wǎng)絡(luò)用戶(hù)行為及用戶(hù)價(jià)值研究[D]. 張書(shū)海.廣州大學(xué) 2016



本文編號(hào)：3317932