基于贝叶斯网络和BP神经网络预测用户使用App行为的分析与研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 预测移动App研究现状 | 第12-13页 |
| 1.2.2 移动广告研究现状 | 第13-14页 |
| 1.3 移动行为可预测性研究 | 第14-15页 |
| 1.4 研究内容及创新点 | 第15-17页 |
| 1.4.1 研究内容 | 第15-17页 |
| 1.4.2 创新点 | 第17页 |
| 1.5 论文结构安排 | 第17-19页 |
| 第二章 相关理论与技术的研究 | 第19-28页 |
| 2.1 移动广告定价 | 第19-20页 |
| 2.1.1 移动广告定价模型 | 第19页 |
| 2.1.2 移动App广告拍卖 | 第19-20页 |
| 2.2 贝叶斯神经网络 | 第20-22页 |
| 2.2.1 贝叶斯概率基础 | 第20-21页 |
| 2.2.2 贝叶斯网络 | 第21-22页 |
| 2.3 BP神经网络 | 第22-24页 |
| 2.3.1 BP神经网络简介 | 第22页 |
| 2.3.2 BP神经网络的原理 | 第22-24页 |
| 2.4 遗传算法 | 第24-25页 |
| 2.5 相关数学知识 | 第25-27页 |
| 2.5.1 方差分析 | 第25-26页 |
| 2.5.2 信息增益 | 第26页 |
| 2.5.3 归一化处理 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 移动用户下一次使用App的分析与研究 | 第28-39页 |
| 3.1 数据集来源和特征提取 | 第28-30页 |
| 3.1.1 数据集来源 | 第28页 |
| 3.1.2 影响因素分析与提取 | 第28-30页 |
| 3.2 基于贝叶斯网络和线性模型算法的提出 | 第30-34页 |
| 3.2.1 历史算法的不足 | 第30-31页 |
| 3.2.2 算法的分析与设计 | 第31-34页 |
| 3.3 算法的实现与性能评估 | 第34-38页 |
| 3.3.1 算法实现 | 第34-35页 |
| 3.3.2 评估指标 | 第35-36页 |
| 3.3.3 结果及性能分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 预测用户使用App时间的分析与研究 | 第39-54页 |
| 4.1 可行性分析 | 第39-40页 |
| 4.2 数据处理及影响因素分析 | 第40-45页 |
| 4.2.1 数据集来源及处理 | 第40页 |
| 4.2.2 影响因素分析 | 第40-45页 |
| 4.3 基于BP神经网络算法的提出 | 第45-48页 |
| 4.3.1 标准BP神经网络算法的不足 | 第45-46页 |
| 4.3.2 基于BP神经网络算法的改进 | 第46-48页 |
| 4.4 算法的实现与性能评估 | 第48-52页 |
| 4.4.1 算法实现 | 第48-50页 |
| 4.4.2 评估指标 | 第50-51页 |
| 4.4.3 结果分析 | 第51-52页 |
| 4.5 预测误差损失估计 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 结束语 | 第54-56页 |
| 5.1 全文总结 | 第54-55页 |
| 5.2 展望未来 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的学术论文目录 | 第62页 |
