| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 运营商数据使用现状 | 第9-10页 |
| 1.2.2 移动用户行为分析的现状 | 第10-11页 |
| 1.3 本文主要工作 | 第11页 |
| 1.4 本文组织结构 | 第11-12页 |
| 第二章 机器学习与用户行为分析 | 第12-17页 |
| 2.1 机器学习简介 | 第12-14页 |
| 2.1.1 机器学习的任务 | 第12页 |
| 2.1.2 机器学习的种类 | 第12-13页 |
| 2.1.3 机器学习经典方法 | 第13-14页 |
| 2.2 移动用户行为分析研究 | 第14-16页 |
| 2.2.1 用户分析的定义 | 第15页 |
| 2.2.2 用户分析研究内容以及影响因素 | 第15-16页 |
| 2.2.3 用户行为分析必要性 | 第16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 聚类分析的研究 | 第17-29页 |
| 3.1 聚类分析 | 第17-22页 |
| 3.1.1 聚类简介 | 第17页 |
| 3.1.2 类的定义以及表示 | 第17-18页 |
| 3.1.3 相似性度量 | 第18-19页 |
| 3.1.4 类间测度函数 | 第19页 |
| 3.1.5 聚类评价指标 | 第19-22页 |
| 3.1.6 聚类的一般流程 | 第22页 |
| 3.2 基本聚类方法 | 第22-26页 |
| 3.2.1 基于层次聚类方法 | 第23-25页 |
| 3.2.2 基于划分聚类方法 | 第25页 |
| 3.2.3 基于密度聚类方法 | 第25-26页 |
| 3.2.4 基于网格聚类方法 | 第26页 |
| 3.2.5 模糊聚类 | 第26页 |
| 3.2.6 基于模型聚类方法 | 第26页 |
| 3.3 K-means聚类算法 | 第26-28页 |
| 3.3.1 K-means算法简介 | 第26-27页 |
| 3.3.2 K-means算法的优缺点 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 K-means聚类算法的分析以及改进 | 第29-44页 |
| 4.1 K-means聚类算法分析 | 第29-30页 |
| 4.2 K-means各种改进算法的研究 | 第30页 |
| 4.3 一种基于DPC的K-meansk值自适应方法(DPCK-K-means) | 第30-39页 |
| 4.3.1 基于DPC的K-means聚类中心点优化 | 第31-34页 |
| 4.3.2 K-means算法的k值自适应方法的提出 | 第34-37页 |
| 4.3.3 DPC与K-meansk值自适应算法融合(DPCK-K-means) | 第37-38页 |
| 4.3.4 算法融合的工作流程 | 第38-39页 |
| 4.4 实验结果分析 | 第39-43页 |
| 4.4.1 人工数据集 | 第39-41页 |
| 4.4.2 UCI试验集 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 DPCK-K-means算法在用户分析上应用 | 第44-51页 |
| 5.1 移动用户数据 | 第44-46页 |
| 5.2 软硬环境介绍 | 第46页 |
| 5.3 用户行为分析 | 第46-48页 |
| 5.3.1 用户服务分析 | 第46-47页 |
| 5.3.2 用户时间特征分析 | 第47-48页 |
| 5.4 基于流量的用户分群 | 第48-50页 |
| 5.4.1 用户流量特点分析 | 第48-49页 |
| 5.4.2 DPCK-K-means算法在用户流量分类的应用 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 攻读硕士学位期间发表的论文情况 | 第55页 |
