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.     

微博社交网络社区发现方法研究

基于分析微博社交网络用户之间关系,提出了一种适用于微博的社区发现方法。实验表明这种方法能够有效地发掘微博社交网络中的社区结构。     

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。     

基于社交网络用户特征的数据挖掘研究

随着网络与移动通讯的发展,人们的社交关系与网络衔接越来越紧密。本文对互联网社交网络用户特征进行分析,分析社交网络群体结构、用户影响力、用户活跃度,从用户特征权重的角度进行预测算法研究,建立社交网络用户特征的数据挖掘模型,利用蒙特卡罗仿真方法,实现对社交网络用户特征数据的加工与利用。     

跨社交网络用户识别综述

随着互联网的快速发展,社交网络不断影响着人们的生活方式,其使用率也在不断提高.随着社交网络的发展以及其多样性的特征,用户可能同时具有多个社交网络的账号.如果能够识别出同一用户在不同社交网络中的账号,就能够整合出该用户较为全面的信息,从而挖掘出一些隐藏的信息,对于好友推荐、广告推荐、信息扩散的研究也很有帮助.目前用户识别...     

基于泰文社交网络的用户行为可视化方法探讨

针对大规模社交群体中查询结果过于复杂等问题,将个性化定制和可视化联系起来,能够帮助开发者分析海量数据中的有用信息。本文以泰文版的Facebook为研究对象,结合当前社交网络的OAuth认证、Graph Search社交图谱搜索等原理,对其用户行为可视化方法进行了探讨。考虑到防火墙对Facebook的限制,对自由构建可视化模型的相关泰文文本处理技术还不够成熟。本文利用JJT(Java Scipt Info Vis Toolkit)工具,查询定制了RGraph可视化模型构建的相关参数,并通过Visual.ly数据可视化平台将程序脚本打包成可视化定制模版,实现了基于泰文社交网络行为的可视化图谱。     

基于用户签到的跨社交网络用户匹配

跨社交网络用户匹配技术可以融合多平台用户数据,从而实现更多元的应用,现有基于签到的社交网络用户匹配研究,忽略了多源社交网络签到数据的失衡性,导致算法在真实数据集下匹配精度下降的问题。针对此问题,提出一种基于用户签到的跨社交网络用户匹配方法。通过网格聚类算法对用户签到数据进行粗粒度化和过滤,选择出潜在相关性强的签到数据;从这些签到数据中提取时空特征,计算出不同属性相似度;通过优化多属性相似度的权重分配,综合计算用户匹配分。在多组数据集上的实验结果表明,所提出方法在签到数据失衡情况下的有效性。     

一种社交网络Sybil用户检测方法

对社交网络中广泛存在的“女巫攻击”(Sybil Attack)进行检测。通过对收集的近10万微博用户数据提取特征并进行分析,同时结合网络可信度,提出了社交网络Sybil用户检测方法。最后通过实验验证了该方法的有效性。     

社交网络中用户个人信息安全保护方法研究

在网络时代背景下,社交网络在人们工作和生活中占据的比重越来越大,人们对社交网络的依赖性也越来越强,在享受其带来的便利服务的同时也遇到了一些新的问题,其中最为突出的就是用户个人信息安全问题.发生这一现象的主要原因在于我国相关的法律法规不够健全以及用户自身的安全意识薄弱,导致用户个人信息泄漏成为了一种常态,严重威胁着用户的生命财产安全.本文将对社交网络中用户个人信息安全保护的有效策略加以探讨和分析,以供相关人员参考和借鉴.     

一种基于AHP方法的客户价值细分研究

通过分析基于客户生命周期价值客户价值细分的各种方法,给出了一种简单易行的基于AHP(层次分析法)的客户价值细分方案,为客户价值细分提供了一种新的思路。该方案引入AHP通过领域专家的群体决策计算出RFM(最近购买时间、购买频率和总购买金额)的权重,根据加权的RFM变量来对客户群进行聚类分析,探讨了该方案的具体实施流程,并对方案中的关键方法做了详细的分析。最后通过实例分析,聚类结果表明了这种方案能够有效地对客户群体进行细分。     

基于用户兴趣的跨网络用户身份识别算法

针对现有算法对用户兴趣在跨网络用户身份识别中作用的忽视以及时间复杂度高的问题,提出了基于用户兴趣的跨社交网络用户身份识别算法（UI-UI）。首先利用分块思想对用户节点进行初筛选,以提升算法效率、降低时间复杂度;其次,根据用户产生内容（UGC）和用户社交关系对用户兴趣进行建模,并计算兴趣相似度作为身份识别的依据;最后利用半监督学习的方法进行跨网络用户身份识别。通过在真实社交网络中进行实验,结果表明UI-UI算法能有效识别跨网络用户,且准确率和召回率稳定,运行时间显著减少。     

基于用户关系的跨社交网络用户身份关联方法

为识别出不同社交网络平台中属于同一自然人的账号,提出了一种基于用户关系的跨社交网络用户身份关联方法。首先,设计了基于网络表示学习的用户关系提取模块,将大规模用户关系转换至低维向量空间进行表示;然后,针对异构信息网络改进了传统网络表示学习算法,提出了CSN_LINE算法,实现融合跨社交网络先验关联关系的网络表示;最后,构建了基于多层感知机的用户身份关联模型。实验结果表示,提出的方法与目前先进的方法相比,综合指标F1值和正确率的提高均超过12%,证明了该方法的合理性和有效性。     

基于边聚类的多层社会网络社团发现算法

针对目前多层社会网络(multi-layered social network, MSN)的社团发现算法较少、社团划分结果较粗糙等特点, 提出了一种基于边聚类的多层社会网络社团发现(CLEDCC)算法。该算法综合考虑每层关系网中的任意两节点邻居及节点本身的关系强弱, 并分别针对人造稀疏网、稠密网以及真实数据集进行仿真。实验表明, 所提出的CLEDCC算法能有效地避免参数不确定性问题, 并比跨层边聚类系数(CLECC)算法的社团划分结果更精准。     

基于信息熵的跨社交网络用户身份识别方法

针对主观分配属性项权重的方法忽视了各属性项在身份匹配的应用领域中具有的特殊含义与作用,导致识别准确率低的问题,提出了一种基于信息熵的跨网络用户身份识别算法（IE-MSNUIA）。首先,该算法分析不同属性项的数据类型及物理含义,相应地采用不同的相似度计算方法;然后根据各属性的信息熵值赋予权值,进而充分挖掘各属性的潜在信息;最后融合各个属性进行决策判定账号是否匹配。理论分析和实验结果表明,与机器学习算法和主观赋权算法相比,所提算法的各个性能参数值均有所提升,在不同数据集上的平均准确率可以达到97.2%,平均召回率达到94.1%,平均综合性能值达到95.6%,可以准确地识别出用户在不同社交网络中的多个账号身份。     

基于带权超图的跨网络用户身份识别方法

随着各种社交网络的不断涌现,越来越多的研究者开始从多源的角度分析社交网络数据,多社交网络的数据融合依赖于跨网络用户身份识别。针对现有的基于好友关系（FRUI）算法对社交网络中的异质关系利用率不高的问题,提出了基于带权超图的跨网络用户身份识别（WHUI）算法。首先,通过在好友关系网络上构建带权超图来准确地描述同一网络中的好友关系及异质关系,以此提高表示节点所处拓扑环境的准确性;然后,在构建好的带权超图的基础上,根据节点所处拓扑环境在不同网络中大致相同这一特性,定义节点之间的跨网络相似性;最后,结合迭代匹配算法,每次选取跨网络相似性最高的用户对进行匹配,并加入双向认证和结果剪枝来保证识别准确率。在合作网络DBLP和真实社交网络上进行了实验,实验结果表明,在真实社交网络上,所提算法相比FRUI算法,平均准确率提高了5.5个百分点,平均召回率提高了3.4个百分点,平均F值提高了4.6个百分点。在只有网络拓扑信息的情况下,所提WHUI算法有效提高了实际应用中身份识别的准确率和召回率。     

基于改进RFM模型的电子商务客户细分

对电子商务企业的客户进行准确细分,采取相应的营销策略,是电子商务发展的重要环节。在传统零售行业客户细分的RFM模型上,引入总利润属性,创建RFP模型,使用数据挖掘K-Means算法对某电子商务企业客户进行聚类分析,与RFM模型比较,并分析了模型属性的关联性对聚类结果的影响,得出了模型比较的六个结论和四个营销策略,能为电子商务行业以及其他销售行业提出相关营销策略。     

分布式环境中基于社会网络的资源发现机制

基于社会网络设计了一个无中心的、可生存的、自适应的资源发现方法,使得网络节点相互协作,以发现所需资源。接着,详细地给出了方法的模型、算法。仿真结果表明该方法能够改善发现的性能、很好地适应不同的资源分布和用户请求模式以及能够从动态的网络环境中生存。     

Modeling and analyzing dynamic social networks for behavioral pattern discovery in collaborative design

As a newly-developed information exchange and management platform, Building Information Modeling (BIM) is altering the way of collaboration among multi-engineers for civil engineering projects. During the BIM implementation, a large number of event logs are automatically generated and accumulated to record details of the model evolution. For knowledge discovery from huge logs, a novel BIM event log mining approach based on the dynamic social network analysis is presented to examine designers’ performance objectively, which has been verified in BIM event logs about an ongoing year-long design project. Relying on meaningful information extracted from time-stamped logs, networks on the monthly interval are built to graphically represent information and knowledge sharing among designers. Special emphasis is put on measuring designers’ influence by a defined new metric called “impact score”, which combines the k-shell method and 1-step neighbors to achieve comparatively low computational cost and high accurate ranking. Besides, an emerging machine learning algorithm named CatBoost is utilized to predict designers’ influence intelligently by learning features from both network structure and human behavior. It has been found that twelve networks can be easily distinguished into two collaborative patterns, whose characteristics in both network structures and designers’ behaviors are significantly different. The most influential designers are similar within the same group but varied from different groups. Extensive analytical results confirm that the method can potentially serve as month-by-month feedback to monitor the complex modeling process, which further supports managers to realize data-driven decision making for better leadership and work plan towards an optimized collaborative design.