微博社交网络中面向机构的用户挖掘

本文提出了一种在微博社交平台中挖掘与目标机构相关用户的方法。待发掘的用户主要包括对目标用户有浓厚兴趣和处于目标机构相关社交圈子中的用户。本文爬取了测试机构的若干官方账户的两层粉丝的社交网络数据,利用社交网络的拓扑结构计算用户对目标机构的兴趣度,并在该数据集上进行去噪、压缩处理后,应用社交挖掘算法,划分出网络中的社交圈子,最后通过定义社区的R@N指标来选取相关社区。实验结果现实,在得到的所有社交圈子中,均仍然存在大量噪声,但每个社区的地理位置信息等能够体现出较为一致的特点,通过R@N指标能够有效的区分出相关社区。

基于无侵犯模式的用户挖掘方法

提出了用于保护用户信息安全的无侵犯模式原则,并应用“双标识”策略实现了用户信息的重用;建立了用户网络行为的Markov模型,设计了模型的实现算法模型中定义了用户行为的状态转移概率矩阵以及平均等待时间,自动学习用户行为模式将该方法应用于实验网站上。

基于微博用户兴趣话题的相似用户挖掘

相似用户挖掘是提高社交网络服务质量的重要途径,在面向大数据的社交网络时代,准确的相似用户挖掘对于用户和互联网企业等都有重要的意义,而根据用户自己的兴趣话题挖掘的相似用户更符合相似用户的要求。提出了一种基于用户兴趣话题进行相似用户挖掘的方法。该方法首先使用TextRank话题提取方法对用户进行兴趣话题提取,再对用户发表内容进行训练,计算出所有词之间的相似度。提出CP(Corresponding Position similarity)、CPW(Corresponding Position Weighted similarity)、AP(All Position similarity)、APW(All Position Weighted similarity)四种用户兴趣话题词相似度计算方法,通过用户和相似用户间关注、粉丝重合率验证相似用户挖掘效果,APW similarity的相似用户的关注/粉丝重合百分比为1.687%,优于提出的其他三种算法,分别提高了26.3%、2.8%、12.4%,并且比传统的文本相似度方法 Jaccard相似度、编辑距离算法、余弦相似度分别提高了20.4%、21.2%、45.0%。因此APW方法可以更加有效地挖掘出用户的相似用户。

一种基于排名聚合的社交网络关键用户挖掘方法

带有时间属性的动态社交网络逐步成为社交网络研究热点。相比静态网络,动态网络考虑用户交互发生的先后顺序,能够更直接地描述用户的交互关系和顺序。传统社交网络挖掘方法往往从用户交互路径进行评估,忽略了动态社交网络中交互时间片段的相互影响。综合考虑用户的交互顺序与时间影响,采用超邻接矩阵描述动态网络,并用排名聚合理论对用户影响力进行综合排名,提出了一种基于排名聚合的社交网络关键用户识别方法。Workspace实证数据集显示,该方法在准确率对比结果中,Spearman相关系数最多提高了13.45%,说明该方法在社交网络关键用户挖掘中具有适用性和有效性。

基于负荷曲线特性的潜在储能用户挖掘建模

文章提出的基于负荷曲线特性的潜在储能用户挖掘方法可以基于电网监控系统的运行数据快速确定储能的目标用户,加快储能投资建设的精准度。具体建模方法是通过提取用户负荷特征曲线,聚类处理原始负荷曲线,根据特性指标分析曲线的基本特征计算对应的负荷密度,提取加装储能前后用户的用电变化特征。通过分析用户参与储能用电潜力,利用数据挖掘的方式实现对区域电网中潜在储能用户的挖掘。实验结果表明,与传统的用户挖掘模型相比,基于负荷曲线特性的潜在储能用户挖掘模型挖掘出的用户数量增加了11.1%,挖掘时间节省了约57.1%。

基于大数据用户画像技术的潜在家宽用户挖掘

随着大数据的存储、处理和分析技术不断发展,从移动网络大数据中挖掘和分析用户行为等成为可能。利用移动大数据对终端用户进行画像,从海量移动用户中挑选出潜在家宽营销用户,为移动家宽营销提供了新手段和新思路。本文介绍了在进行潜在家宽用户挖掘中的大数据处理和分析思路,对于用户画像以及潜在家宽用户的挖掘的思路进行讨论分析。

社交网络中网络空间安全用户挖掘模型研究

当下如何从社交网络平台中自动准确地挖掘网络空间安全相关用户具有重要意义。在现有的基于社交关系的相似度算法基础上,结合基于动态交互信息的相似度算法,加权综合两种用户相似度算法,提出一种新的用户相似度算法,从而初步计算社交网络中网络空间安全相似用户。再通过基于机器学习的用户分类算法,从网络空间安全相似用户中进一步准确地检测网络空间安全领域的用户,最终构建社交网络的网络空间安全用户挖掘模型。

一种基于综合场景标签的用户挖掘方法

随着互联网业务的冲击,以及“提速降费”和“携号转网”等国家政策的陆续实施,运营商普遍面临业务增速放缓、流量单价下滑、用户需求个性化增强等难题。运营商作为基础通信服务的提供者,拥有天然的数据优势,如何利用海量大数据以挖掘潜在用户成为了精准营销与业务转型关注的重点之一。本文基于XDR、MDT、API地图接口等大数据构建具备场景名称及标签的用户综合位置信息库,并关联ARPU、DOU等经分数据建立包含用户基本信息、时间戳、经纬度、场景标签、用户流量特征的融合数据,并进一步利用该融合数据挖掘潜在用户,识别可能流失客户,为实现精细化市场营销提供了参考。

基于消费者行为逻辑对房地产微信公众平台的用户挖掘研究

新媒体环境下,为房地产行业发展带来了新的契机,对于房产此类大宗消费品而言,依旧存在决策过程漫长的特点。那么,如何利用新媒体对于消费者行为进行挖掘就成了现在业界研究的热点。文章通过对互联网时代消费者行为模型分析后,对照引用相对应的微信公众平台数据对房地产消费者进行理论逻辑上的行为挖掘研究。希望为房地产微信公众平台的消费者行为挖掘带来可行性研究。

基于在线品牌社区意见领袖的用户关键需求挖掘

随着社会的快速发展以及技术的不断进步,人们生活节奏不断加快,对产品的需求也在快速发生着变化。在线评论是目前用户需求表达的重要渠道。为克服不加区分挖掘所有评论的传统用户需求挖掘方法耗时过长,难以聚焦用户关键需求的问题,从用户关键性与需求关键性的双关键性角度出发,研发了一种基于在线品牌社区意见领袖的用户关键需求挖掘方法以快速获取用户重要需求,简称KEY-DEMANDS-OL。该方法依据帕累托法则,依托意见领袖评论大数据,采用优化的情感程度及初始改进率,结合KANO模型对用户关键需求进行挖掘。该方法不仅考虑了程度副词的语义信息,提高了情感分析的准确率,而且能够完成意见领袖的生成内容与KANO模型的自动整合,实现用户关键需求的获取与分类。研究结果表明,与挖掘所有评论的传统方法相比,KEY-DEMANDS-OL可以快速获取用户的关键需求,为企业制定产品优化方案提供辅助决策支持。

基于用户偏好挖掘算法的IPTV用户多维画像的设计与实现

随着用户增长和视听类业务发展,IPTV平台积累了海量的用户行为数据,精准挖掘行为数据中的用户偏好是视听类业务持续发展的关键。本文针对IPTV用户特点和业务场景需求,基于IPTV用户行为数据设计了统计规则类和机器学习类的用户偏好挖掘算法,分别挖掘IPTV用户的基础偏好和深层次偏好,并通过Hadoop、Hive、Spark等大数据技术实现了基础标签和深层次标签相结合的IPTV用户多维画像。本文的研究可为网络视听媒体资源价值管理、定制化服务和个性化推荐提供依据。

基于用户特征挖掘的电网多维数据协同可观测性模型研究

目前的电网数据协同可观测性模型主要针对单个或少数几个可观测源,未考虑电网中多维度数据,导致观测的数据偏差较大,对此设计一种基于用户特征挖掘的电网多维数据协同可观测性模型。构建电网拓扑结构后进行分区,建立不同区域下电机动力学方程,获取电网多维数据,对得到数据进行关联规则挖掘,获取频繁项集后进行校正,结合联机分析处理技术实现多维数据的存储。为验证模型在实际应用中的有效性,利用算例对模型进行测试,结果表明:设计的电网多维数据协同可观测性模型在不同的数据类型中的观测数据误差更小,且与实际电网数据之间的拟合精度更高,具有良好的实用性。

面向用户需求挖掘的去中心化异步联邦LDA算法

在云制造服务场景下,服务组合开发者往往需要基于用户的制造需求进行定制化服务组合开发。随着隐私保护法律法规的相继颁布,常用的用户需求挖掘算法如隐狄利克雷分布(LDA)主题模型已难以在实际中使用。本文通过对区块链和联邦学习技术交叉研究,提出了面向用户需求挖掘的去中心化异步联邦隐狄利克雷分布算法(DAFedLDA)。在DAFedLDA中,本文基于对等分布式LDA,进一步提出了基于多链的权限控制机制(MCACS)以及基于随机丢弃的数据贡献质量监控机制(RDDMS)。本文基于ProgrammableWeb.com实例进行了一系列实验,验证了算法的有效性。

民航出行产品的用户数据挖掘与个性化推荐

随着科技的不断发展,互联网时代的到来使得人们的出行方式发生了翻天覆地的变化,民航出行服务也不例外。随着出行服务市场的竞争越来越激烈,民航出行服务产品开始重视如何更好地了解用户需求,提供更贴近用户需求的个性化服务。在此背景下,用户数据挖掘和个性化推荐成为了越来越受关注的技术。

基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.

社交网络用户兴趣挖掘研究

面向消费者的公司或者企业都希望了解他们用户的需求,而大量的用户产生的数据在很大程度上就体现了用户的兴趣和需求.提出一种用于社交网站上,针对用户生成内容(User Generate Content UGC)和用户关注信息的用户兴趣发掘方法.首先通过启发式初始化的PLSA模型训练得到贴近兴趣类别的话题模型,然后从训练结果中抽取可靠的话题并以此构建分类器,对用户的分享数据进行分类,最后根据用户的分享数据分类结果来识别用户的兴趣类别.在初始化PLSA模型时,用关键词抽取算法抽取每个分类的关键词,并给这些关键词赋予较高的PLSA初始权重,以此来引导PLSA模型的训练.实验的结果表明:本文方法可以有效的构建用户兴趣类别,并对用户兴趣的挖掘比较理想.

基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法

结合用户兴趣与微博信息的特点,提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘(TCID-MUIM)方法。首先通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端;然后利用二次single-pass不完全聚类算法将用户微博划分为多个簇,将簇合并为同一文档以弥补微博文本短小难以挖掘主题信息的问题;最后通过LDA模型建模,并考虑用户兴趣随时间变化的问题,引入时间因子,将微博—主题矩阵压缩为用户—主题矩阵,获取用户兴趣。实验表明,较之传统建模方法与合并用户历史微博为同一文档的建模方法,TCID-MUIM方法挖掘的用户兴趣主题具有更好的主题区分度,且更贴合用户的真实兴趣偏好。

基于流量统计特征的潜在威胁用户挖掘方法

为有效的从网络中挖掘出潜在威胁用户,提出了一种基于网络流量统计特征的异常用户挖掘方法。通过分析用户的网络流量,归纳出刻画网络流量集合的13个特征属性,包含网络流大小、数据包大小、数据包持续时间、数据包对称度等。在此基础上采用熵权决策法对每个特征选取合适的权重,计算出用户的行为威胁度,根据威胁度的大小和预先定义的阈值,将用户归为不同的威胁度分类等级。真实网络流量的实验结果显示,所提出的方法能够准确的实现潜在威胁的挖掘。

基于序列移动距离的用户行为挖掘与相似度计算

为了对用户的行为进行相似性度量,从用户行为流程产生的行为序列出发计算用户行为的相似度。将推土机距离算法应用到用户行为相似度的计算领域,提出用户行为相似度计算的序列移动距离方法。首先定义了基于最长公共子序列的用户行为序列距离度量方法;其次定义了用户行为序列多重集之间距离的度量指标,在此基础上提出用户行为相似度计算的SMD方法;最后提出行为序列多重集之间距离度量应遵循的基本准则。在人工和真实数据集上进行了实验,实验结果表明了所提方法的有效性。

个性化服务中基于支持向量机的用户兴趣挖掘分析

用户兴趣的准确获取是保证个性化服务质量的关键;分析用户所浏览的网页集,捕获用户兴趣、建立用户兴趣挖掘模型是目前个性化服务研究的一个重要方向。本文首先比较支持向量机与其他分类算法的性能,分析了基于支持向量机进行用户兴趣挖掘的可行性;然后在介绍支持向量机分类原理和分析分类预测理论模型的基础上构建了用户兴趣挖掘模型;最后选取中文网页分类训练集和特定用户的网页浏览记录,主要从支持向量机分类器的构造和用户兴趣预测两个方面进行了模型的实现研究。