基于人工蜂群改进的BP神经网络移动用户行为分析及预测方法

如何根据不同的用户行为,来为移动用户提供精准的个性化服务是目前移动应用服务开发技术发展的主流。为解决BP神经网络建模算法收敛速度慢及预测不准确问题,提出基于人工蜂群算法改进的BP神经网络算法。为测试改进后算法的准确性,采用Matlab编程进行试验仿真,通过黑盒子测试方法输出预测的用户行为和实际的用户行为。在18次预测中只有2次预测失败,预测成功率达80%以上。为了验证改进的BP神经网络算法的效率,采用初始总群数为1000,进行了收敛性测试。试验结果表明:基于人工蜂群算法改进的BP神经网络算法可以有效的提高移动用户行为分析的效率和准确性,对在使用移动用户行为分析模型构建过程中,准确定位用户上网需求,提升企业在营销中的竞争力具有非常重要的意义。

基于区块链理念的图书馆移动用户行为大数据挖掘研究

区块链的出现为图书馆移动用户行为大数据提供了重新架构技术底层基础的机会。图书馆移动用户行为大数据挖掘具有数量大、速度快、类型复杂等本质特征,使数据挖掘在实际工作中面临逻辑困境与现实问题。区块链去中心化、时间戳、安全密钥的特征是改变图书馆移动用户行为大数据挖掘的支撑条件。区块链通过去信任达成共识、通过隐私安全达成可持续发展、通过智能合约达成智慧化是改变图书馆移动用户行为大数据挖掘的应用手段。在图书馆移动用户行为大数据挖掘过程中融合区块链理念,可以推动优势资源的共建和低成本资源共享市场的开拓,帮助图书馆移动用户行为大数据挖掘实现从网络信息服务向价值服务的转变。

大数据环境下的移动用户行为分析

本文主要针对移动用户研究了移动用户行为的特点、移动用户行为分析的内容和方法及数据挖掘算法的选择,结合Hadoop、Hive及ZooKeeper等大数据技术,深入地研究了移动用户行为分析系统的构建方法并详细地对数据分析层各模块进行了设计。

基于Spark的移动用户行为轨迹大数据分析

为获取移动用户轨迹数据中的价值信息,利用Spark集群分布式处理用户行为轨迹的原始数据,对存入HBase分布式数据存储中的数据进行筛选、分析后存入Hive数据库中,Spark对数据库文件中的数据进行相关性卡方检验和K-Means聚类分析,得到用户出行方式的统计结果及在距离限制下出行方式选择的普遍规律.该过程为用户行为分析和预测提供可行的解决方案.

信息构建视域下的移动用户行为数据收集与应用研究

[目的/意义]旨在为图书馆精准有效地开展契合读者需求的阅读推广建立基础。[方法/过程]通过新技术手段的运用对图书馆移动用户的交互行为数据进行精确收集,设计统一的移动用户行为数据采集系统,解决采集对象、前端采集方法、后端存储方式上存在的实际问题,从移动用户行为数据规模与可行性评估、移动用户个性化服务需求定位、增强图书馆移动用户个性化服务能力3个方面研究信息构建视域下图书馆移动用户行为模式。[结果/结论]提出从信息服务方式、网络信息组织表述、网络检索途径、用户体验特征、个性化推送手段5个方面提升图书馆阅读推广服务。

数据驱动的移动用户行为研究框架与方法分析

随着智能设备的高度普及化,移动用户产生了海量移动数据。数据驱动的移动用户行为还原与挖掘,能够为用户提供深度个性化服务,成为数据挖掘的热点之一。相关研究的目的和方法差异较大并缺乏统一的研究框架,本文在2005-2015年间发表在国内外重要期刊和会议上的相关文献中筛选出近50篇有关键影响的论文,经过系统梳理和分析,建构了数据驱动的移动用户行为研究框架,主要包括：移动数据的类型、移动用户行为模式分析、移动用户画像的建构和移动用户画像的深度应用。并且系统梳理了移动用户行为研究的方法,总结了当前研究的主要难题和研究方向。

采用CAUX工具的用户日常频繁行为方法研究

随着智能手机的不断普及,移动用户体验变得越来越重要,而移动用户体验与移动用户行为密切相关。为有效地对移动用户行为进行研究,采用基于运动状态感知的CAUX工具方法,首先在CAUX工具基础上实时获取用户运动状态,然后对数据进行可视化提取,最后对原始数据进行标注分析,得到用户日常频繁行为模式。实验表明各运动状态感知准确率达90%以上。该方法解决了传统用户研究方法数据与情境信息耦合度低、主观性强、真实性弱等问题。