基于数据挖掘的用户行为特征提取系统构建

为充分缓解电量负荷压力,本文设计了基于数据挖掘的用户行为特征提取系统.按照电力信息提取框架的处置需求,连接用户行为管理模块与电力数据挖掘驱动单元,完成用户行为特征提取系统的硬件环境搭建.采用关联电力用户行为特征树,存储各类待挖掘的电力数据,完成系统的软件环境搭建,结合相关硬件设备结构,完成基于数据挖掘的用户行为特征提取系统设计.实验结果表明,与基于k-means的提取系统相比,应用新型特征提取系统后,电力用户的总负荷水平明显下降,电子转存频率也由47％提升至98％,用户端主体的电量负荷压力得到良好的平均与协调.     

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。     

基于数据挖掘的电子政务数据分析系统

分析和研究了粗糙集和神经网络两种常用的数据挖掘技术 ,将其应用到电子政务数据的分析 ,建立了一个基于数据挖掘的电子政务数据分析系统 ,并通过 2 0 0 3年的沪市证券数据进行了分析 ,为电子政务数据分析提出了一种新的研究思路和分析方法。     

基于特征提取和机器学习的电商数据可视化分析系统设计

针对传统电商数据可视化分析系统对用户行为特征提取准确率低,导致用户行为自动识别效果不佳,无法进行电商数据可视化操作和数据关联分析的问题,提出基于特征提取和机器学习的电商数据可视化分析系统。系统通过Scrapy网络爬虫框架进行数据采集;采用TF-IDF权重法进行特征提取和特征向量空间生成;之后利用支持向量机SVM对特征进行分类,最后通过Django网络开发框架+JavaScript技术进行可视化系统实现。结果表明,TF-IDF算法生成向量空间维度为(5 950,12 530),明显优于其他特征提取策略。在不同的特征提取策略中,支持向量机SVM的精确率、召回率和F1值分别为97.55%、98.42%和96.34%,均高于朴素贝叶斯和逻辑回归分类模型。说明提出的算法和模型可对电商用户行为特征进行准确提取和行为分类识别。验证发现,本系统可进行电商数据陈列、图表展示和动态交互,满足电商数据可视化分析需求,进一步提升了电商数据可视化水平。     

基于数据挖掘技术的电子政务

电子政务的蓬勃发展,使得如何有效分析和利用信息成为一个最重要的问题。本文介绍了数据挖掘技术,探讨了数据挖掘技术在电子政务中的应用,并指出了电子政务数据挖掘的发展趋势。     

基于NetFlow的用户行为挖掘算法设计*

网络安全技术以防火墙、入侵检测等为主,较少从网络用户行为角度考虑可能进行的破坏行为。针对此问题,对网络流量NetFlow采集、统计,设计了表示用户行为特征的数据结构及统计模式,获得了行为的具体信息,建立了在一定时间粒度下的行为数据库;并在行为数据库的基础上,设计出适用于用户行为特征的聚类挖掘算法,定义了用户行为距离,确定各个用户的网络行为模式。实验表明,所设计算法可有效挖掘用户的网络行为,为管理、分析用户行为提供了有效依据。     

移动计算环境下远程用户体验数据挖掘方法研究

在移动计算环境下,通过对远程用户的体验数据优化挖掘,满足远程用户的个性化需求,提高对远程用户QoS服务质量;传统的数据挖掘方法采用显著特征关联信息提取算法,当远程用户体验数据之间的差异性特征不明显时,挖掘的准确性不好;提出一种基于关联用户自适应链路跟踪补偿的移动计算环境下远程用户体验数据挖掘模型,进行远程用户体验数据挖掘模型的总体设计和数据结构特征分析,对采集的远程用户体验数据进行非线性时间序列分解,对数据序列通过自相关特征匹配和特征压缩实现挖掘数据的指向性信息优化提取,采用关联用户自适应链路跟踪补偿方法实现对数据挖掘误差的控制和补偿,提高了数据挖掘的准确性和有效性;仿真结果表明,采用该挖掘方法进行移动计算环境下远程用户体验数据挖掘的准确度高,实时性较好,满足了移动远程用户的个性化需求,提高了对用户服务的针对性。     

电子政务中的数据挖掘

随着信息技术的发展,电子政务已经成为当今的热门话题,围绕电子政务系统的技术研究也成了倍受关注的课题,数据挖掘即是其中一项重要的技术。本文着重研究了数据挖掘技术在电子政务中的应用,对电子政务中数据挖掘的功能、流程、方法、应用和发展方向进行了阐述,并给出了一个应用实例。     

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。     

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DPI的上网行为分析系统设计

本文研究如何利用深度包检测技术,对用户上网报文从应用层进行深度报文检测,实现对用户上网行为的分析和记录。     

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.