基于系统日志的高校图书馆研究间用户利用行为分析

[目的 /意义]挖掘高校图书馆研究间的用户行为规律特征,为研究间设施改进、精准服务提供数据支撑。[方法/过程]利用北京师范大学图书馆研究间系统日志数据,参考用户画像的研究思路,对数据进行多维度行为建模,探索影响用户行为的主要因素,并建立用户原型。[结果/结论]行为分析发现,学科特点因素和学生年级是影响研究间使用的重要因素;研究间预约热度与采光条件和相对位置显著相关;研究间违规使用行为与用户所在年级和学科有一定的关联;研究间预约与绩效之间存在一定相关性。多维度行为分析可为改进设施、建立用户原型提供数据支撑。

移动互联网时代的用户上网行为分析浅谈

移动互联网技术的高速发展带来了数据流量的爆炸式增长,如何利用自身系统存储的用户上网行为数据来摆脱目前流量增速远大于其对应的收入增速的困境,成为运营商在移动互联网时代面临的一大难题。文章从数据挖掘的角度出发,分析数据中隐藏的用户行为,并细化分类,构建流量差异化计费体系,从而全面提升流量价值,增强运营商的核心竞争力。

大数据挖掘技术的图书馆移动用户行为分析

传统行为分析方法存在预测能力不足、分析片面化,获取的行为特征数据规律性较差等问题,导致得到的分析结果与实际不符。基于此,提出大数据挖掘技术的图书馆移动用户行为分析方法。该方法将获取的大数据预先清洗、筛选,并利用转换算法集成特征数据;使用BP神经网络适应度函数构建评估预测模型,挖掘行为特征规律,根据预测结果将特征相互信息值排序;通过聚类算法捕捉具有关联的数据,利用交叉分析法分析用户行为内在性质,实现全面的图书馆移动用户行为的全面挖掘。实验结果表明,与传统方法相比,所提分析方法挖掘用户行为特征数据的能力更强,分析结果准确度更高,可应用于现阶段图书馆移动用户行为分析。

数据挖掘在移动通信用户行为分析中的应用

近年来,科学技术的快速发展推动了通信行业的不断进步,各大运营商的用户规模和业务体量迅猛提升,运营数据呈海量增长趋势。用户运营是通信运营商持续发展的关键,通过对海量的用户数据进行分析和挖掘,从而为用户提供更优质的服务,已成为运营商维持整体业务增长的重要途径。笔者主要论述了移动通信用户行为分析的一般方法,并重点对数据挖掘在移动通信用户行为分析的实际应用场景进行了分析与探究。

基于聚类的网络直播群体行为建模分析

近年来,随着互联网技术的不断发展,以及手机、平板电脑等移动终端的普及,网络直播逐渐兴起并壮大.国内众多直播平台基本都有送礼机制,允许观众购买平台提供的虚拟礼物来打赏主播.观众的打赏对于主播和平台来说都是主要的收入来源之一,所以理解观众的行为以挖掘观众的用户价值,提升用户的变现能力就显得尤为重要.本文以斗鱼直播平台为例,聚焦于直播平台上的高消费群体,通过构建观众特征,采用聚类方法分析高消费群体的行为.实验结果表明,高消费观众可被分为特征有明显差异的三类群体.对这三类观众的特征,本文进一步进行详细分析,为直播平台面向用户的差异化产品服务提供依据.

基于大数据的互联网金融用户画像技术研究

随着互联网金融的不断发展,数据量的增大造成互联网金融用户画像技术用户信息聚类能力下降。因而,设计基于大数据的互联网金融用户画像技术。使用Kettler软件辅助用户数据采集芯片,完成用户信息的获取,并进行数据整理以及数据清洗等数据预处理过程,设定相应的格式,完成信息的存储。采用数据挖掘中的K均值聚类算法,对采集到的数据进行聚类设定用户标签体系。使用获取到的标签体系,构建多层级的用户画像模型。至此,基于大数据的互联网金融用户画像技术设计完成。构建技术测试环节,与原有技术对比可知,此技术在数据等级明确以及数据量增大后的测试环境下,对测试数据进行高效聚类。对比测试结果,此技术数据聚类能力优于原有技术数据聚类能力。由此可知,此技术所构架出的用户画像更为全面。

Web数据挖掘在移动电子商务领域的应用研究

随着移动通信技术的飞速发展,移动电子商务以其方便、快捷等优点获得了大量的网络用户。移动互联网端的用户行为分析已经成为迅速发展的知识领域。Web数据挖掘技术作为用户行为分析的基础在移动电子商务领域具有很高的实用价值。文章主要介绍了基于Web的数据挖掘定义及Web的数据特点,并对Web使用模式挖掘的过程和算法进行了重点分析,包括数据的预处理、模式发现和模式分析。除此之外,基于传统企业的电子商务化、业务领域多元化等特点,创新研究了如何建设企业电子化大平台,如何有效收集平台产生的海量数据,如何将Web数据挖掘技术应用于企业等内容。

基于社交电商平台的用户行为分析

随着近几年互联网经济以及社交化平台的蓬勃发展和兴起,社交电商群体越发活跃在大众的眼前,在中国的经济社会中占有越来越重要的位置,对社交电商这个新兴的群体进行用户行为分析对于经济社会发展来说具有重要意义。本文借助大数据挖掘技术,对社交电商的行为进行聚类分析,将改进后的Canopy算法结合K-means聚类算法运用在社交电商的功能访问数据上。实验证明,该算法能够有效地根据社交电商特征进行聚类分析,划分社交电商群体,为社交电商提供个性化服务方面提供理论依据。

一种社交电商平台的用户行为分析方法

随着近几年互联网经济以及社交化平台的蓬勃发展和兴起,社交电商群体越发活跃在大众的眼前,在中国的经济社会中占有越来越重要的位置,对社交电商这个新兴的群体进行用户行为分析对于经济社会发展来说具有重要意义。本文借助大数据挖掘技术,对社交电商的行为进行聚类分析,将改进后的Canopy算法结合K-means聚类算法运用在社交电商的功能访问数据上。实验证明,该算法能够有效地根据社交电商特征进行聚类分析,划分社交电商群体,为社交电商提供个性化服务方面提供理论依据。

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。

利用通信数据的移动用户行为分析

【目的】了解移动用户的行为模式并建立用户模型。【方法】基于国内电信运营商随机抽取某市一万个移动用户一周的日志记录,包含4万余条通话记录和200余万条网络请求,每条请求包含对应的基站标号以及基站地理位置。从消费能力、通话量、网络请求量、位移量4个维度在这批数据中提取14种基本特征指标,并利用K-means方法聚类。【结果】将移动用户区分成规律通话型、随机上网型、居家节约型和随机高消费型4类用户模型。【局限】用户量与数据量有限,没有采用更复杂的机器学习算法构建用户模型。【结论】研究结果对移动应用个性化服务的改进具有重要的参考价值。

一种基于类内类间协同的用电数据聚类选择

为应对大数据环境下用户用电的最佳聚类数的选择问题,提出一种用户用电行为的聚类优选策略;针对用户用电的行为复杂性和特征选择的有效性,通过一种基于信息量的方法对用户用电进行聚类。首先,引入评价指标,提出一种合理的聚类优选方法。然后,针对用户用电特征选择,提出基于互信息的特征优选算法。在传统聚类算法中,聚类数是随机给定的,其值选取不合理会使聚类陷入局部最优,基于此,根据“类内相似度最大化,类间相似度最小化”原理,提出距离评价函数并将其作为评判最佳聚类数的标准,采用多种方法进行综合分析得到最优聚类数。最后,用具体的用电数据对用户进行计算机仿真,验证了聚类优选策略的合理性。以自适应分布式聚类算法作为对比算法,进一步验证了所提算法的有效性。