基于数据挖掘的电子政务用户行为特征提取系统设计

为了监控用户端数据负荷水平,按照电子政务信息提取框架的处置需求,设计了用户行为管理模块数据挖掘驱动单元的连接,完成用户行为特征提取系统的硬件环境搭建。采用关联电子政务用户行为特征树,存储各类待挖掘的电子政府系统访问数据,完成系统软件设计。实验结果表明,与基于k-means的提取系统相比,应用提出的特征提取系统后,电子政务用户端的数据负荷水平明显下降,用户端主体的数据负荷压力得到良好的监控,从而提供了公众对电子政务系统的满意度。     

金融数据中用户行为特征提取方法研究

为确保提取的用户行为特征与用户真实行为具有较高适配度,研究设计金融数据中用户行为特征提取方法。引进数据挖掘技术,整合同类型或同特征数据,建立知识库并分析数据流量,实现对行为数据的聚类;清洗聚类后的用户行为特征数据,去除不完整数据,构建用户行为画像;辨识用户在金融活动中的语义行为,进行特征提取。实验证明,设计方法提取的用户行为特征数据与用户实际行为适配度大于95%,说明该方法的实际提取效果较好。     

基于数据挖掘的电力用户行为特征分类研究

当前电力用户行为特征分类方法对于离散数据的处理能力较差,导致客户服务支撑效果依旧较差。针对此问题,设计基于数据挖掘的电力用户行为特征分类方法。使用LOF算法对离散数据与标准数据之间的距离进行测算,对原始电力数据进行处理,使用主元分析法设定电力用户行为数据观测变量,结合决策树技术构建电力用户特征分类模型,完成行为特征分类。实验结果表明,分类结果更精准,平均电网设备故障发生率为4.06%,用户窃电管控率最高达到87.43%,可有效支撑电力营销服务多个领域,用户服务效果较好。     

基于数据挖掘的用户安全行为分析

通过对用户网络流量进行协议投影,获得其行为的具体信息,然后采用关联规则等方法,将上面得到的信息进行统计学习,从而得到该用户所特有的行为模式。利用这种模式,可以进行网络用户的身份识别。实验结果表明,该方法为进行用户网络行为特征提取和身份识别提供了一种新思路,另外也有助于发现蠕虫或其他大规模入侵行为。     

基于数据挖掘的入侵检测行为数据辨析

行为数据辨析的目的是提取大量行为数据以识别趋势及特定活动。行为数据辨析强调入侵检测的判定支持能力的过程。基于数据挖掘关联行为分析方法的入侵检测系统，能够提升安全策略并降低入侵检测系统中的误报率。     

基于数据挖掘的入侵检测行为数据辨析

行为数据辨析的目的是提取大量行为数据以识别趋势及特定活动。行为数据辨析强调入侵检测的判定支持能力的过程。基于数据挖掘关联行为分析方法的入侵检测系统,能够提升安全策略并降低入侵检测系统中的误报率。     

在IDS中利用数据挖掘技术提取用户行为特征

IDS（入侵检测系统）是一种检测网络入侵行为的工具。然而现在的IDS在提取用户行为特征的时候经常不能取得满意的结果。所提取的特征不能很好的反映出真实的情况,所以有时候经常出现漏报或误报的情况。文章针对这一情况,详细讨论了利用数据挖掘技术提取用户行为特征的方法,提出了采用数据挖掘技术的入侵检测系统的结构模型。     

基于数据挖掘的用户行为特征挖掘研究

针对隐式反馈用户行为特征数据挖掘研究不足的问题,基于大规模的电商隐式反馈数据,提出一种基于Inception网络的用户行为特征挖掘方法,通过构建用户行为加权倾向特征和Inception网络模型,完成了对用户行为特征的分析与预测.结果表明,本研究Inception网络模型在实验数据集上具有较高的准确率,达到90％以上,相...     

基于数据挖掘的个性化学习教学系统用户模型的建立

主要分析了整个系统的结构,即如何根据不同用户各自的特点主动地为用户提供其相关的信息和内容,并建立个性化用户模型,构建基于用户行为习惯的个性化用户模型。     

基于Hadoop平台的用户行为挖掘

随着互联网发展带来的数据爆炸,使得 Web日志的数据量也越来越大,如何从海量的 Web 日志中挖掘有价值的信息成为了目前研究的热点。本文提出基于 Hadoop 集群框架对 Web 日志进行挖掘。实验结果表明,该集群系统既可以处理海量的 web 日志,同时也能够挖掘出有价值的信息,并证实了利用sqoop在 Hive仓库和传统数据库之间数据迁移的可行性。     

基于用户行为的Web使用挖掘数据采集技术研究

如何准确、及时、全面地采集用户使用数据是Web使用挖掘研究重要的前提和基础.本文从用户行为视角,讨论了传统的基于Web日志进行Web使用挖掘研究所面临的问题,对基于用户行为的Web使用挖掘的数据采集技术进行了深入分析,重点研究了主动式服务器端数据采集方法和客户端数据采集方法.     

基于数据挖掘的用户忠诚度分析

用户聚类分析是数据挖掘中的重要手段.文中根据视频应用的特点,在传统的RFM模型基础上,提出一种根据用户观看行为对用户进行聚类的方法:Video-RFM聚类法.利用该方法,文中对中国最大的网络电视运营商PPTV的客户端用户进行了聚类分析.在此基础上,提出了一套将Video-RFM聚类法所使用的用户行为指标,映射到用户忠诚度指数的有效方法.经过实际数据验证发现,Video-RFM方法能够成功地区分行为差异较大的用户群,同时也能够很好地区分用户忠诚度.文中提出的聚类方法对了解视频系统的用户行为具有普遍的参考价值.文中对用户忠诚度的定量研究,对企业优化产品质量具有实际意义.     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

论坛社区用户时空特征建模与挖掘

用户建模是提供个性化服务的基础工作.结合数据挖掘在论坛社区系统中的运用,把言论行为建模为数据记录,提出基于时空特征属性的用户模型(spatiotemporal feature based user model)表示和挖掘算法.不同于传统的基于文本特征的用户模型,SFBUM提供了量化的用户在时间和空间维度上行为特征的描述,并通过实验表明该模型的稳定性以及在社区用户角色分类上的运用.     

基于用户搜索行为的query-doc关联挖掘

query和doc之间的关联关系是搜索引擎期望获取的一类有价值的信息. query和doc间准确的关联分析不仅可以帮助搜索结果排序,也在query和doc之间的桥接中起到重要作用,以实现相关query和doc之间的信息传递,有利于更深入的query理解和doc理解,并在此基础上开展相关应用.本文提出了一种基于用户搜索行为的query和doc关联关系挖掘算法,该方法首先对用户搜索点击日志中的数据进行整理与分析,构建query与doc间的二部图,再通过采用马尔可夫随机游走模型对二部图数据进行建模,挖掘二部图中的点击数据和session数据,最终挖掘出点击日志中用户没有点击到的doc数据,从而预测出query和doc间的隐含关联关系,同时也可以利用该算法得到query和query潜在的关联关系.基于以上理论基础,我们实现了一套完整的日志挖掘系统,通过大量的实验对比,该系统在各方面均取得了优异的表现,其中对检索结果相关性的性能提升可以达到71.23%,这充分表明,本文所提出的理论和算法能够很好地解决query和doc之间的隐含关系挖掘问题,为提高搜索结果的召回率、实现查询推荐和检索结果聚类奠定了良好的前提基础.     

基于大数据的移动用户行为分析系统设计

随着信息技术的发展,世界进入了大数据时代。为了提升移动APP用户服务质量,分析用户需求和行为特征,设计了一种移动用户行为分析系统架构。系统底层利用数据采集SDK和业务逻辑数据库,采集用户行为数据并保存,Spark平台快速清理、抽取、转换、合并和聚类数据,同时,在分析用户行为的关联性上改进Apriori算法,在APP上进行验证测试。