基于神经网络的Internet导航

为迅速准确地在Ｉｎｔｅｒｎｅｔ中获取所需信息，且不致于迷航，通过对Ｉｎｔｅｒｎｅｔ导航的分析，在采用分级结构方法和簇分析相结合的基础上，提出了一种形成单层神经网络形式的概念空间，利用Ｈｏｐｆｉｅｌｄ 神经网络算法的联想功能，通过跟踪用户的浏览行为，对用户浏览进行导航．实验证明，这种导航方法能够大大提高用户的浏览效率．

移动互联网的业务访问特性

随着移动网络的快速发展和智能手机的不断普及,移动互联网的用户规模与日剧增,各类业务应用也层出不穷.为分析移动互联网中各类业务的访问特性,文中首先引入复杂网络的研究方法,建立了一个加权用户-业务二分网络分析模型;然后对现有移动互联网的主要业务应用进行了分类,并利用从某移动通信运营商的互联网网关上采集的2010年和2011年部分数据集,基于该模型从用户访问兴趣、业务点击量特性、业务流量特性、访问关联性等方面分析了移动互联网的业务访问特性,并比较了用户访问行为的变化.结果发现:门户网站、搜索引擎、社交网站和网络文学是用户访问的主要业务类型;用户访问兴趣范围服从指数分布,用户访问的兴趣强度服从幂律分布;点击量大的网站具有流量相似性而点击量小的网站则没有,但当点击量达到一定规模时则会呈现出流量相似性;在访问关联性方面,门户网站和搜索引擎是最容易被关联访问的业务类型,其次是电子邮箱和社交网站.

移动数据的交通出行方式识别方法

识别用户出行的交通方式,对理解用户移动性、交通状况的分析和预测、社会活动模式挖掘等方面起着非常关键的作用。随着无线网络技术的快速发展,越来越多的传感器被用于收集移动数据,如何通过收集的信息准确地识别用户不同的交通出行方式,近年来得到了广泛的研究。针对已有的从不同角度识别交通方式的方法,首先介绍了每种方法的具体内容及应用,然后对不同方法进行分类研究,并重点分析了各类方法的特点,分析几种不同方法在不同条件下的识别精确度,最后,给出了交通方式识别方法的进一步研究方向。

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。

基于用户视角的手机游戏关键设计特征提取

目的探索影响手机游戏用户体验的关键设计特征,基于用户视角进行实验研究,为开发人员指明设计重点。方法首先通过10名被试循环对比两组用户体验水平不同的手机游戏,确立出30项影响手机游戏用户体验的设计特征;其次邀请46名被试对32款游戏的用户体验水平和30项设计特征的实现程度进行评分,利用BP神经网络算法计算设计特征对于用户体验和各维度水平的相对重要度。结果贡献率前十的设计特征共计解释手机游戏57.10%、52.74%、61.07%、62.48%、52.63%、56.01%、59.72%的用户体验、反馈、沉浸、挑战、社交、移动以及控制的感知水平。结论用户体验与各维度间的关键设计特征存在差别,该方法有助于为手机游戏设计人员指明影响用户体验的设计重点,合理分配游戏开发资源。

基于移动互联网技术的出行模式识别方法

针对智能交通中出行模式识别问题,提出一种基于移动互联网技术的出行模式识别方法。通过自主开发的智能终端应用,完成对出行模式位置特征参数、运动参数的实时采集;对采集到的用户出行参数进行分析,选择具有辨识度高的特征;提出一种改进的BP神经网络算法(adaptive learning rate back propagation,ALBP)对出行数据进行训练并识别分类。实验结果表明,该方法能够有效采集出行数据,所提算法提高了出行方式的识别率。

基于群体行为分析的人群异常聚集预测方法

随着智能通信设备的普及和通信基站定位精度的提升,利用通信基站记录的用户行为数据监测和预测人群密度成为可能。由于人群异常聚集事件具有突发性,利用时间序列分析方法和概率模型进行预测的效果较差。针对该问题,提出一种基于群体行为分析的预测方法。通过分析聚集人群的上网行为和基站间的人群移动行为特征,得到两者之间的相关性,结合基站的人群密度时间序列信息,利用扩张因果卷积神经网络和逻辑回归模型得出预测结果。运营商提供的手机用户上网记录数据集上的实验结果表明,该预测方法的精确率为0.93,召回率为0.97,显著优于ARIMA算法、LSTM算法和XGBoost算法,证明了引入用户群体的上网行为和移动特征能够有效提升人群异常聚集预测的准确性。

地理位置和时间感知的表示学习框架

现有时空感知的表示学习框架无法对强时空语义的实际场景存在的“When”、“Where”和“What”3个问题给出一个统一的解决方案。同时,现有的时间和空间建模上的研究方案也存在着一定的缺陷,无法在复杂的实际场景中取得最优的性能。为了解决这些问题,本文提出了一个统一的用户表示框架—GTRL(geography and time aware representation learning),可以同时在时间和空间的维度上对用户的历史行为轨迹进行联合建模。在时间建模上,GTRL采用函数式的时间编码以及连续时间和上下文感知的图注意力网络,在动态的用户行为图上灵活地捕获高阶的结构化时序信息。在空间建模上,GTRL采用了层级化的地理编码和深度历史轨迹建模模块高效地刻画了用户的地理位置偏好。GTRL设计了统一的联合优化方案,同时在交互预测、交互时间预测以及交互位置3个任务上进行模型学习。最后,本文在公开数据集和工业数据集上设计了大量的实验,分别验证了GTRL相较学术界基线模型的优势,以及在实际业务场景中的有效性。

一种移动互联网用户行为模式评估方法及模型研究

提出了一种用户行为模式评估模型,此模型建立反向传播(BP)神经网络系统,对用户行为历史进行学习、训练、校验,最终得到稳定的神经网络形态。经过多重匹配和多次逼近后,成熟的神经网络系统模型可以实现对用户在时域与地域细分下的数据业务密度进行评估,在实际网络系统用户使用场景中,对用户分类和运营商策略给予基础理论参考和方法指引。

基于BP神经网络的用户九型人格模型构建

随着电子商务的发展,对于用户消费行为及用户人格的研究越来越普遍,但人格分类以艾森克人格特质理论和大五人格居多,并且在分析用户消费行为时,没有将消费行为学和用户人格特征相结合。本文提出基于BP神经网络的用户九型人格模型,该模型首先利用消费行为学提取消费行为的维度对用户购物日志进行用户消费维度分析,再对消费行为维度进行九型人格分析,最后利用BP神经网络对用户进行九型人格分类。本文采用天池大数据提供的用户6个月购物日志对该模型进行测试并验证了其可行性。

移动端用户行为特征识别研究

随着移动互联网的高速发展,智能手机已经成为人们社交、支付、出行、娱乐等活动中不可或缺的工具。而一旦手机被盗用,用户的各类应用账户都可能被无限制地访问,继而导致身份冒用、隐私泄露、财产损失等严重后果。本文提出一种在移动端采集用户行为特征,并通过神经网络建模的识别方法,通过收集手机的倾斜角度、移动速度、加速度,以及用户点击、滑动屏幕的力度、速度、触点形状、面积等数据,验证设备是否被他人盗用。这种身份验证技术具有难以窃取和伪造、验证流程用户无感知、隐私性好等优点。