21世紀(jì)以來,隨著智能手機(jī)與互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展與革新,移動(dòng)互聯(lián)網(wǎng)作為二者結(jié)合的產(chǎn)物,近年來發(fā)展迅猛。數(shù)據(jù)顯示,2014年中國智能手機(jī)保有量達(dá)到7.8億臺(tái),移動(dòng)網(wǎng)民達(dá)到5.7億人,且以飛快的速度在不斷增長。隨著人們使用智能手機(jī)的時(shí)長和頻數(shù)的不斷增加,其用戶行為數(shù)據(jù)呈指數(shù)級(jí)增加。且從智能終端收集的數(shù)據(jù)具有大數(shù)據(jù)量、實(shí)時(shí)性、準(zhǔn)確性、空間性、動(dòng)態(tài)性的基本特征。為了解決這一大數(shù)據(jù)的分析需求,本文從用戶角度出發(fā),以2014年第四季度部分手機(jī)用戶使用APP的行為數(shù)據(jù)為研究對象,從用戶畫像的用戶屬性、用戶流失、用戶行為三個(gè)主要方面進(jìn)行了研究。首先,研究認(rèn)為用戶畫像其是對現(xiàn)實(shí)世界中用戶的數(shù)學(xué)建模。用戶畫像的核心是標(biāo)簽體系的建立。標(biāo)簽是某一種用戶特征的符號(hào)表示,用戶畫像可以用標(biāo)簽的集合來表示。其次,依據(jù)用戶一段時(shí)間內(nèi)的使用行為數(shù)據(jù),通過支持向量機(jī)、生存分析兩種分析方法建立了用戶流失預(yù)測模型。模型結(jié)果表明,對于用戶流失的預(yù)測準(zhǔn)確率基本能達(dá)到90%以上,模型預(yù)測召回率達(dá)到80%以上。最后,使用hadoop中的mahout分析框架,對用戶20多項(xiàng)行為指標(biāo)進(jìn)行了聚類分析,分析得出了不同階層的用戶人群對于APP的偏...

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 用戶畫像研究現(xiàn)狀
        1.3.1 用戶畫像中用戶屬性研究現(xiàn)狀
        1.3.2 用戶畫像中用戶行為分析研究現(xiàn)狀
        1.3.3 用戶畫像中用戶流失模型研究現(xiàn)狀
    1.4 本文研究內(nèi)容及文章結(jié)構(gòu)
第二章 用戶畫像的體系結(jié)構(gòu)
    2.1 用戶畫像簡介
        2.1.1 用戶畫像的定義
        2.1.2 用戶畫像的微觀示例
    2.2 大數(shù)據(jù)背景下用戶畫像的體系建立
        2.2.1 用戶畫像中標(biāo)簽體系的大致結(jié)構(gòu)
        2.2.2 標(biāo)簽體系的重要性及應(yīng)用情景
    2.3 標(biāo)簽體系
        2.3.1 用戶畫像標(biāo)簽層級(jí)的基本構(gòu)成
        2.3.2 標(biāo)簽體系建立的方法
        2.3.3 用戶畫像標(biāo)簽層級(jí)的建模方法
第三章 用戶畫像中的用戶屬性研究
    3.1 標(biāo)簽體系的建立
    3.2 用戶畫像的用戶屬性描述
        3.2.1 樣本綜述
        3.2.2 APP用戶屬性研究
        3.2.3 個(gè)人屬性與APP偏好的關(guān)系
    3.3 游戲類APP用戶屬性分析
        3.3.1 使用時(shí)長分析
        3.3.2 使用時(shí)段分析
        3.3.3 使用人次分析
    3.4 游戲用戶特征描述
第四章 用戶畫像中的用戶流失預(yù)測研究
    4.1 用戶流失概述
    4.2 基于SVM的流失預(yù)測模型
        4.2.1 svm算法簡介
        4.2.2 流失的定義
        4.2.3 svm模型的流失預(yù)測
        4.2.4 算法評(píng)價(jià)
    4.3 基于COX模型的用戶流失預(yù)測
        4.3.1 cox模型介紹
        4.3.2 cox模型的流失預(yù)測
        4.3.3 模型評(píng)價(jià)
    4.4 模型總結(jié)與結(jié)論
    4.5 模型的優(yōu)化方向
第五章 用戶畫像中的用戶行為分析
    5.1 基于手機(jī)用戶使用行為的聚類
        5.1.1 用戶行為研究的目的
        5.1.2 數(shù)據(jù)的選取
        5.1.3 數(shù)據(jù)的預(yù)處理
        5.1.4 聚類分析
    5.2 基于游戲玩家歷史記錄的聚類
        5.2.1 研究目的
        5.2.2 數(shù)據(jù)的選取
        5.2.3 數(shù)據(jù)的預(yù)處理
        5.2.4 RFM指標(biāo)值的計(jì)算
        5.2.5 基于玩家歷史數(shù)據(jù)的聚類分析
    5.3 模型評(píng)價(jià)及展望
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 未來研究展望
附錄A
參考文獻(xiàn)
致謝



本文編號(hào)：4039249