基于用户行为的协同过滤推荐算法在视频推荐上的应用研究

随着互联网的快速发展,人们在网上观看视频的频率也越来越高,对于视频网站来说,如何利用网站本身产生的海量的用户行为数据提升用户的黏性,成为网站经营者需要深刻考虑的问题.为了更好地吸引用户、留住用户,推荐算法也越来越多地在各种网站上得到了利用.该课题将对用户的行为数据进行分析,再利用协同过滤推荐算法来构建模型从而实现对目标...     

基于DBP的Web用户行为分析关键技术

文章针对Web用户行为分析所面临的"无规范、智能性差"问题,提出基于动态行为轮廓库(DBP)的行为分析方法,从数据净化、用户识别、事务识别、用户行为模式匹配几方面进行详细阐述,建立基于DBP的Web用户行为分析模型。首次提出基于DBP的Web用户行为分析关键技术,采用网站黄页法和逆向搜索引擎法构建DBP,通过实验验证,此方法很好解决了Web用户行为分类问题,能很好应用到Web用户行为分析领域。     

一种基于XGBoost算法的用户投诉预测方法

用户的投诉行为既受到客观网络环境作用，又具有强烈的主观行为意识。通过收集投诉用户的主客观数据特征，引入机器学习算法预测潜在的投诉用户，提早介入进行网络优化和用户关怀，能够有效降低网络投诉的发生。本文介绍了一种基于XGBoost算法的投诉用户特征识别和预测方法，通过收集投诉用户数据特征，构建投诉特征指标集，利用XGBoost算法迭代处理实现潜在投诉用户预测。经大量数据验证，本算法可有效实现对网络潜在投诉预测，为网络优化提供了重要依据。     

基于决策树的移动互联网用户付费意愿分析与预测

针对开放移动互联网下难以识别和跟踪潜在用户,无法提供更具个性化服务的状况,文章在传统决策树分类器的基础上,提取用户基础数据特征,引入感知模型分析处理用户行为数据,提出一种基于决策树的移动互联网用户付费分类预测方法。该方法强化用户感知对付费行为的影响,利用决策树建模进行分类并最终作出付费预测,根据模型结果探究付费影响因素,从运营者角度思考如何提高用户的付费意愿。     

融合兴趣和行为的用户转发行为预测

微博转发是微博网络中信息得以传播的基础,对用户影响力评估以及网络营销等具有重要意义。现有的方法在考虑影响用户转发行为的因素时,大多只考虑微博以及用户属性等特征,没有考虑用户兴趣和用户历史行为规律等个性化特征,本文提出了基于LDA主题模型的用户兴趣与微博相似度计算方法,将计算结果作为用户兴趣特征,还提出了基于用户转发率、与上游用户交互频率的用户历史行为特征,最后融合用户兴趣特征、用户历史行为特征、上游用户特征、微博特征,建立基于几种常见分类模型的预测方法,在真实数据集上的实验结果表明,该方法能够有效提升预测准确性,取得较好的预测效果。     

机器学习在用户行为审计中的应用

本文阐述了一种利用机器学习技术对用户通信行为和消费行为数据审计,标注异常用户,提升用户发展质量、提高用户价值的方法.文中重点分析了机器学习用户行为审计系统的系统结构和异常用户判定方法,自动化的用户行为审计系统可以有效的提升准确性,降低审计人员工作强度.     

基于行为日志的性格倾向预测

本文提出了一种基于神经网络的双标签人格检测模型。该模型结合了网络用户的行为特征,并对通过不同分类器传递可用数据得到的结果进行比较。构建了一个改进的LSTM神经网络模型用于有效预测关于行为日志所反映的用户性格特征。实验结果表明,与其他常见神经网络模型相比较,所提出的模型达到了更好的AUC(0.83)。     

机器学习在运营商用户流失预警中的运用

文章研究目的是在电信行业的用户流失预警模型中运用机器学习相关技术,提高预测准确度,节约成本。首先介绍机器学习分类算法基础理论,接着给出算法用于用户流失预警模型的架构及预测结果对比,给出用户流失预警模型关于用户流失得分、用户流失的关键指标和用户是否离网的标签。该模型可用于预测隔月用户是否流失,为客户挽留活动预留了足够的时间,并提供了大量有价值的信息来帮助市场营销人员制定可行的客户挽留方案,具有广泛的行业应用前景。     

基于电信大数据的5G网络海量用户复访行为预测模型

5G网络中的用户会产生大量的访问数据，导致用户复访行为难以精准预测，因此提出基于电信大数据的5G网络海量用户复访行为预测模型。从电信大数据中提取用户上网历史行为特征数据，构建数据集。引入多阶加权马尔可夫链模型，通过计算各阶自相关系数，得到模型权重值，计算模型的统计量。经过分析后得到各阶步长的马尔可夫氏链一步转移概率矩阵，从而实现对5G网络海量用户复访行为的精准预测。实验结果表明，该模型拥有最低的均值误差和标准差，以及最高的精度、查全率、查准率、F1指标，可证明该方法在预测用户复访行为方面有着非常明显的优势。     

基于随机森林算法的农村用户返乡预测

安徽作为劳务大省,每年春节都有大量消费群体返乡。为了更好支撑春节期间电信业务市场业务拓展,预测农村用户的返乡情况,中国电信安徽分公司利用机器学习中的随机森林算法建立相应的预测模型。模型以用户的通话行为等作为输入特征,利用随机森林算法对农村用户返乡情况进行了预测。同时建立了决策树模型与之对比,相比而言,随机森林算法具有更好的分类效果,同样在实际营销过程中,有效地提高了营销运营效率。