移動(dòng)互聯(lián)網(wǎng)是當(dāng)前市場(chǎng)潛力最大且發(fā)展前景最誘人的領(lǐng)域之一,移動(dòng)App因此愈加受到重視。面對(duì)愈演愈烈的市場(chǎng)競(jìng)爭(zhēng),開發(fā)者需要謹(jǐn)慎地制定App的迭代開發(fā)計(jì)劃。移動(dòng)應(yīng)用商店采用用戶驅(qū)動(dòng)的質(zhì)量評(píng)估機(jī)制,這使得那些無法滿足用戶需求的App很容易被其他App取代、淘汰,因此App需要通過版本更新響應(yīng)用戶需求以獲得高的用戶評(píng)價(jià)。移動(dòng)應(yīng)用商店提供的用戶評(píng)論蘊(yùn)含著寶貴的用戶需求資源,但是快速迭代、持續(xù)交付的敏捷開發(fā)模式使開發(fā)者沒有足夠的時(shí)間從數(shù)量巨大且質(zhì)量參差不齊的用戶評(píng)論中挖掘用戶需求、據(jù)用戶需求調(diào)整開發(fā)計(jì)劃以及對(duì)新版本進(jìn)行全面的測(cè)試等。針對(duì)以上問題,本文提出了一系列為開發(fā)者的開發(fā)過程提供幫助的算法。實(shí)現(xiàn)從移動(dòng)App的版本更新日志中挖掘App更新特征、從移動(dòng)App的用戶評(píng)論中挖掘用戶評(píng)論特征及其用戶滿意度變化趨勢(shì),并在此基礎(chǔ)上識(shí)別用戶評(píng)論與開發(fā)者更新行為之間的相互影響關(guān)系、推薦App新版本的發(fā)布時(shí)間、推薦App新版本的更新內(nèi)容、預(yù)測(cè)即將發(fā)布的新版本的用戶滿意度情況。本文的主要研究?jī)?nèi)容及研究成果如下:（1）提出一種App更新特征和用戶評(píng)論特征的提取算法。對(duì)RAKE算法進(jìn)行改進(jìn)并用其分別從App更新日志和用戶... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省211工程院校985工程院校

【文章頁數(shù)】：96 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來源與研究意義
        1.1.1 課題來源
        1.1.2 課題研究意義
    1.2 課題相關(guān)技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 用戶反饋挖掘的相關(guān)研究
        1.2.2 移動(dòng)App開發(fā)者更新行為的相關(guān)研究
        1.2.3 移動(dòng)App更新策略推薦的相關(guān)研究
        1.2.4 移動(dòng)App質(zhì)量評(píng)估的相關(guān)研究
        1.2.5 時(shí)序數(shù)據(jù)特征提取的相關(guān)研究
    1.3 本文研究?jī)?nèi)容及章節(jié)安排
第2章 用戶關(guān)注特征及App更新特征的挖掘算法
    2.1 研究問題描述
    2.2 基于“詞共現(xiàn)”的用戶關(guān)注特征及App更新特征的提取算法
        2.2.1 RAKE算法的運(yùn)用與特征提取
        2.2.2 用戶關(guān)注特征情感分析
        2.2.3 特征強(qiáng)度計(jì)算
    2.3 基于聚類的近義特征融合算法
        2.3.1 K-Means聚類算法的運(yùn)用
        2.3.2 情感分析與強(qiáng)度計(jì)算
    2.4實(shí)驗(yàn)
        2.4.1 數(shù)據(jù)集
        2.4.2 RAKE算法改進(jìn)前后效果對(duì)比
        2.4.3 “肘部法”確定K值
        2.4.4 用戶滿意度演化趨勢(shì)圖
    2.5 本章小結(jié)
第3章 基于高斯樸素貝葉斯分類的App新版本上線時(shí)間推薦算法
    3.1 研究問題描述
    3.2 推薦策略
    3.3 算法設(shè)計(jì)
        3.3.1 訓(xùn)練樣本生成
        3.3.2 樣本分類特征計(jì)算
        3.3.3 樣本分類標(biāo)簽計(jì)算
        3.3.4 高斯樸素貝葉斯分類器的訓(xùn)練與測(cè)試
    3.4 實(shí)驗(yàn)
        3.4.1 肯德爾系數(shù)閾值與推薦準(zhǔn)確率之間關(guān)系分析
        3.4.2 不同分類算法準(zhǔn)確率對(duì)比
        3.4.3 算法穩(wěn)定性分析
    3.5 本章小結(jié)
第4章 基于縱向歷史和橫向比較的App新版本更新內(nèi)容推薦算法
    4.1 研究問題描述
    4.2 推薦策略
        4.2.1 基于縱向歷史的App新版本更新內(nèi)容推薦算法
        4.2.2 基于橫向比較的App新版本更新內(nèi)容推薦算法
        4.2.3 縱向、橫向結(jié)合推薦
    4.3 基于線性支持向量分類的縱向推薦算法
        4.3.1 算法設(shè)計(jì)
        4.3.2 線性支持向量分類器的訓(xùn)練與測(cè)試
    4.4 基于啟發(fā)式規(guī)則的橫向推薦算法
        4.4.1 算法設(shè)計(jì)
        4.4.2 啟發(fā)式規(guī)則制定
    4.5 縱向推薦算法和橫向推薦算法的融合
    4.6 實(shí)驗(yàn)
        4.6.1 肯德爾系數(shù)閾值與推薦準(zhǔn)確率之間關(guān)系分析
        4.6.2 不同分類算法準(zhǔn)確率對(duì)比
        4.6.3 算法穩(wěn)定性分析
        4.6.4 用戶反映延遲
        4.6.5 算法準(zhǔn)確率分析
    4.7 本章小結(jié)
第5章 基于邏輯回歸的App擬發(fā)布版本用戶滿意度預(yù)測(cè)算法
    5.1 研究問題描述
    5.2 預(yù)測(cè)策略
    5.3 算法設(shè)計(jì)
        5.3.1 更新內(nèi)容向量
        5.3.2 訓(xùn)練樣本生成
        5.3.3 樣本分類特征計(jì)算
        5.3.4 樣本分類標(biāo)簽計(jì)算
        5.3.5 邏輯回歸分類器的訓(xùn)練與測(cè)試
    5.4 實(shí)驗(yàn)
        5.4.1 肯德爾系數(shù)閾值與推薦準(zhǔn)確率之間關(guān)系分析
        5.4.2 不同分類算法準(zhǔn)確率對(duì)比
        5.4.3 算法穩(wěn)定性分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]用戶評(píng)論中的標(biāo)簽抽取以及排序[J]. 李丕績(jī),馬軍,張冬梅,韓曉暉.  中文信息學(xué)報(bào). 2012(05)
[2]肌電信號(hào)特征提取方法綜述[J]. 加玉濤,羅志增.  電子器件. 2007(01)
[3]ARCH族計(jì)量模型在金融市場(chǎng)研究中的應(yīng)用[J]. 錢爭(zhēng)鳴.  廈門大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版). 2000(03)

碩士論文
[1]移動(dòng)App的用戶需求與版本變遷的潛在關(guān)系挖掘與分析[D]. 王善策.哈爾濱工業(yè)大學(xué) 2017
[2]移動(dòng)App的潛在網(wǎng)絡(luò)結(jié)構(gòu)分析與演化分析[D]. 郝有強(qiáng).哈爾濱工業(yè)大學(xué) 2016
[3]移動(dòng)應(yīng)用用戶反饋分析平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 趙青青.哈爾濱工業(yè)大學(xué) 2016



本文編號(hào)：3637770