Database Search Behaviors: Insight from a Survey of Information Retrieval Practices

This study examines the database search behaviors of individuals, focusing on gender differences and the impact of planning habits on information retrieval. Data were collected from a survey of 198 respondents, categorized by their discipline, schooling background, internet usage, and information retrieval preferences. Key findings indicate that females are more likely to plan their searches in advance and prefer structured methods of information retrieval, such as using library portals and leading university websites. Males, however, tend to use web search engines and self-archiving methods more frequently. This analysis provides valuable insights for educational institutions and libraries to optimize their resources and services based on user behavior patterns.

A Fast Multi-Pattern Matching Algorithm for Mining Big Network Data

The rapid development of mobile network brings opportunities for researchers to analyze user behaviors based on largescale network traffic data. It is important for Internet Service Providers(ISP) to optimize resource allocation and provide customized services to users. The first step of analyzing user behaviors is to extract information of user actions from HTTP traffic data by multi-pattern URL matching. However, the efficiency is a huge problem when performing this work on massive network traffic data. To solve this problem, we propose a novel and accurate algorithm named Multi-Pattern Parallel Matching(MPPM) that takes advantage of HashMap in data searching for extracting user behaviors from big network data more effectively. Extensive experiments based on real-world traffic data prove the ability of MPPM algorithm to deal with massive HTTP traffic with better performance on accuracy, concurrency and efficiency. We expect the proposed algorithm and it parallelized implementation would be a solid base to build a high-performance analysis engine of user behavior based on massive HTTP traffic data processing.

基于用户画像的暖通空调智能调控

目前,建筑物中的暖通中央空调系统基本上是根据行业准则设置的,然而,多项研究表明,由于用户的偏好、姿态和需求各异,这种传统做法不太可能满足大多数用户的热量需求。为了更精准地满足用户热量需求,使得基于用户行为模式来针对性提高热舒适性成为可能。文中采用深度强化学习的方法实现智能化暖通空调智能送风策略,该策略能够根据环境和用户行为模式动态地确定最佳暖通空调设置(温度设置和送风设置),从而极大提高用户的热舒适度,同时,实验结果还表明该智能调控策略相比传统固定值控制策略具有一定的节能效果。

基于码流分离与统计的小区用户行为模式识别

对移动通信小区用户的侦察与管控是保证电磁空间安全和正常通信秩序的必要手段。针对目前面向第5代(5G)移动通信侦察无法在用户级别进行精准分析的现状,提出了基于码流分离和统计的小区用户行为模式识别方法。通过通信侦察处理,不仅能够获得基础的系统信令信息,还可以截获、分析用户级别特定的信令与身份信息。根据用户的身份信息和控制信息,通过解调、解扰、解码得到终端的上下行业务码流,并从统计角度获得其流量图。在此基础上,利用深度学习模型进行迁移学习,识别其行为是通话、短信还是上网,从统计学意义上完成小区用户的行为模式识别。经过实际侦察实验验证,识别正确率达到了87.50%,为移动通信用户的精准侦察与管控相关研究奠定了重要基础。

一种基于Kohonen神经网络Web用户行为模式的挖掘方法

根据Kohonen自组织特征映射神经网络中学习阶段的性质,对标准Kohonen神经网络进行了改进,通过选取不同的学习率和邻域函数,将学习阶段分为粗调整学习和微调整学习二个阶段,使Kohonen神经网络的训练速度和收敛效果有一定程度的提高,改善了聚类效果。同时在Kohonen神经网络的输出层添加一模糊聚类层,为挖掘用户的多种兴趣提供了一种可行的方法。

Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析

针对用户浏览兴趣模式数据的收敛性和准确度不高的问题,提出一种基于Web日志与用户浏览行为结合的用户浏览兴趣模式数据挖掘模型。首先设计Web日志与用户浏览行为结合的用户浏览兴趣模式数据信息流模型,进行用户浏览兴趣模式的频繁项特征提取和Qo S预测;然后采用Web日志与用户浏览行为结合的行为调度模式自适应检索用户浏览网页的兴趣特征点,实现语义特征匹配,达到用户浏览兴趣模式数据挖掘的目的;最后通过仿真实验实现性能验证。结果表明,该方法的用户浏览兴趣特征点的匹配度高,数据挖掘精度得到提升,展示了优越性能。

基于模式挖掘的用户行为异常检测算法

为了解决恶意终端用户行为的安全管控问题,针对用户行为的规律性、偶然性、多重复性的特点,提出一种基于模式挖掘的用户行为异常检测算法.该算法针对单个用户行为序列,包括序列模式挖掘和模式比较两个过程.序列模式挖掘应用滑动时间窗口界定事务策略和首项固定策略,挖掘出用户的行为模式;通过模式比较计算的相关度,综合了当前行为模式与正常行为模式相比较的连接度、匹配度两个因素,当模式比较结果处于可评判区间,便可以给出异常检测的确定性结果.实验结果表明,由本文序列模式挖掘过程获得的用户行为模式更贴合用户的实际操作情况;模式比较得到的相关度能够区分正常行为与异常行为,有效地实现用户行为的异常检测.

用户行为模式挖掘问题的研究

在软件可用性测试中,分析用户行为模式是一个关键的问题。为解决具有序列长度长、以序列片断为支持度计算依据等特点的用户行为模式挖掘问题,提出了一种有效的基于前缀树的频繁事件序列扩展方法,给出了比特图索引表的构造、事件扩展、事务扩展以及支持度计算的算法。使频繁事件序列能够简单快速地被确定。

云模式用户行为关联聚类的协同过滤推荐算法

传统的协同过滤推荐算法基于互联网模式单纯从某个角度研究电子商务推荐问题,推荐质量明显不高。为改善推荐效果,提高推荐系统的伸缩性和实用价值,基于研究云模式的用户行为相似性度量公式、用户行为等级函数、关联规则函数,定义关联聚类方法,改进相应算法,提出一种云模式用户行为关联聚类的协同过滤推荐算法。最后使用MovieLens和阿里巴巴的云测试数据进行局部实验与全局实验,并对各种算法的实验结果进行对比分析。实验结果表明,该算法推荐效果明显优于传统算法,具有较强的伸缩性和较高的实用价值。

用户行为异常检测在安全审计系统中的应用

提出一种基于数据挖掘的用户行为审计方法,通过对正常审计数据进行分类预处理获取其他传统方法容易遗漏的正常模式,结合使用关联规则以及序列模式挖掘技术对用户行为进行模式挖掘,根据模式相似度比较来检测用户行为的异常。将此方法应用于实际的安全审计系统,得到了较好的效果。

一种基于用户行为模式的匿名数据鉴定方法

针对匿名用户数据的海量性与冗余性等特点,为提高数字证据的用户身份鉴定性能,文章提出基于用户行为模式的匿名数据鉴定方法。首先,文章研究了基于BIDE算法的用户频繁行为模式挖掘方法,为数据鉴定提供了高质量的用户频繁序列行为模式库。然后,采用基于最长公共子序列的相似度方法得到模式综合相似度,全面描述用户数据之间的吻合程度。最后,分别使用Web浏览数据集和Unix操作命令行数据集进行实验,结果表明,文章所提出的数字证据鉴定方法具有良好的适用性和计算效率,为匿名数据的同一鉴定提供了技术支撑。

基于蚁群行为的动态挖掘用户导航模式兴趣模型

随着电子商务的快速发展,一个越来越重要的问题是如何挖掘并预测用户的导航模式。挖掘用户的导航模式是Web使用挖掘的一项重要任务,也是产生导航推荐的基本方法。由于用户的兴趣是不断变化的,因此很难准确跟踪用户的导航模式。在提出了一种蚁群模型来解决该问题。把Web用户看成是人工的蚂蚁,然后应用蚂蚁理论来指导用户在网站上的选择。首先,基于Web日志数据建立一个用户导航模型;其次,设计了一个算法,动态挖掘群体用户偏好的导航模式;最后,对真实数据集的实验结果表明该方法是有效的。

基于行为模式的用户声誉度量方法研究

在线评级系统由于水军和恶意打分者的存在而无法对物品给出客观评价,因此,建立一个基于打分行为的声誉度量模型对于在线评级系统的健康发展至关重要。现有的用户声誉度量方法仅依靠用户评分和商品质量之间的差异进行计算,忽略了用户的行为模式。将用户的评分偏差和行为模式相结合,提出了一种新的声誉度量方法,该方法不仅考虑了用户打分频率的极值,还考虑了用户打分总次数。在两个实证数据集上的实验结果表明,新方法对随机打分的识别准确率相较于经典算法最高可以提高17%,对于解决冷启动和鲁棒性问题具有更好的表现。

微博用户的信息发布行为模式实证研究

本文利用新浪微博数据,从微博发布行为的时间间隔分布、周期性与波动性,以及记忆性与爆发性等方面出发,对微博用户的行为特征进行实证研究和分析。实验结果表明微博信息发布行为的时间间隔分布具有幂律特征。在此基础上,我们还发现微博用户的分布行为表现出明显的周期性与波动性,同时还具有强记忆弱阵发的特性。研究结果在控制网络谣言,促进微博营销等领域具有一定的指导意义和实际价值。

行为模式研究在公共等待家具中的应用——以儿童室内游乐场为例

行为模式是人行为活动的规律,在受人们内心需求驱动的同时也受外界环境的影响。公共等待区内的公共家具是室内儿童游乐场的重要组成部分,人们在使用公共家具的过程中表现出各种行为。本文通过对用户行为模式的分析,揭示了用户对公共家具的需求特征,最终设计出公共等待家具的设计解决方案。

一种用户行为模式的挖掘算法

最大频繁事件序列挖掘是数据挖掘中重要的研究课题之一。该文提出了一种新的挖掘用户行为模式的算法。该算法采用位图索引表的数据格式,使用一种有效的基于前缀树的频繁事件序列扩展方法,结合有效的剪枝技术,明显地加速了最大频繁事件序列的生成。

基于属性重要性的WUM数据预处理方式

为了降低Web日志数据的规模,并能从预处理后的数据中发现更有价值的访问模式,在引入知识的信息量的基础上,给出了单个属性相对于属性集的重要性量化值的概念,并采用了操作系统中LRU页面置换算法的思想,提出了基于属性重要性的WUM数据预处理方式。实验证明:该方式可以删除不具有挖掘价值的、因用户短期行为而访问的Web日志记录,剔除掉噪音数据,从而有效减小了日志挖掘的复杂度。

计算机网络用户的偏好和话题趋势预测方法探究

目前网络技术的发展十分迅速,且其发展的趋势也在逐渐增强,这使得互联网对人们的生活产生了巨大的影响。网民是互联网上的媒体,是其信息传播的主力军,所以网民的行为习惯对互联网的环境的形成和变化起到重要作用,网民对话题的喜好会直接性的影响到网络话题发展的趋势,对网民进行话题偏好的预测,能够促使网络话题的发展朝着良性的方向去发展。在现如今庞大的网络信息之中去搜索信息,其难度十分大,提高对信息的搜索效率,需要强大在搜索引擎之外,还要对网民的信息偏好进行分析,根据网民的偏好,针对性的提供服务。本文首先从计算机网络背景进行介绍,然后从计算机网络用户偏好进行研究,最后对互联网话题发展趋势预测展开详细的分析。

信息“后稀缺”背景下图书馆危机及应对研究

分析了信息"后稀缺"下的用户行为模式,阐述了信息"后稀缺"下的图书馆危机根源,探讨了解决危机的方法和途径。

数据挖掘在用户上网行为分析中的应用研究

严格遵循数据挖掘的步骤,采用时间序列挖掘算法,结合微软的BI数据挖掘工具（SQL Server Business Intelligence Development Studio）对从数据堂[9]上采集的数据集进行建模,从而挖掘出在特定时间段内用户的上网行为模式和潜在的上网规律,对校园网络的科学管理提出了合理的建议。