| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究内容 | 第12-13页 |
| 1.3 论文结构 | 第13-15页 |
| 第二章 移动互联网用户行为分析现状 | 第15-19页 |
| 2.1 移动互联网用户行为分析概述 | 第15页 |
| 2.2 基于用户兴趣的移动互联网行为研究现状 | 第15-16页 |
| 2.3 用户兴趣社区发现相关工作 | 第16-17页 |
| 2.4 用户兴趣与时空相关性的研究现状 | 第17-19页 |
| 第三章 基于Hadoop的移动互联网用户行为分析系统 | 第19-24页 |
| 3.1 Hadoop技术架构 | 第19-21页 |
| 3.1.1 Hadoop概述 | 第19-20页 |
| 3.1.2 MapReduce编程模型 | 第20页 |
| 3.1.3 Hadoop分布式文件系统 | 第20-21页 |
| 3.2 基于Hadoop的用户行为分析系统 | 第21-24页 |
| 3.2.1 数据采集 | 第21-22页 |
| 3.2.2 数据预处理 | 第22-24页 |
| 第四章 移动互联网用户兴趣社区 | 第24-39页 |
| 4.1 用户兴趣社区 | 第24页 |
| 4.2 传统社区发现方法 | 第24-30页 |
| 4.2.1 CNM方法 | 第25-26页 |
| 4.2.2 LPA (label based propagation algorithm)算法 | 第26-27页 |
| 4.2.3 k-clique算法 | 第27-28页 |
| 4.2.4 谱聚类算法 | 第28-30页 |
| 4.3 兴趣社区发现 | 第30-37页 |
| 4.3.1 提取用户浏览兴趣种类 | 第30-31页 |
| 4.3.2 兴趣类别用户数分析 | 第31-32页 |
| 4.3.3 兴趣类别流量分析 | 第32-34页 |
| 4.3.4 兴趣社区发现过程 | 第34-35页 |
| 4.3.5 兴趣社区分析 | 第35-37页 |
| 4.4 兴趣社区流量分析 | 第37-39页 |
| 4.4.1 娱乐类兴趣社区流量 | 第37页 |
| 4.4.2 社交商务类兴趣社区流量 | 第37-38页 |
| 4.4.3 生活服务类兴趣社区流量 | 第38-39页 |
| 第五章 用户浏览兴趣与位置的相关性 | 第39-47页 |
| 5.1 用户描述 | 第39-41页 |
| 5.1.1 位置信息提取 | 第39-40页 |
| 5.1.2 用户分类 | 第40-41页 |
| 5.2 用户兴趣与位置间的关联规则挖掘 | 第41-44页 |
| 5.2.1 关联规则挖掘 | 第41-42页 |
| 5.2.2 改进的Apriori算法挖掘用户行为 | 第42-44页 |
| 5.3 结果分析 | 第44-47页 |
| 5.3.1 示例用户说明 | 第44页 |
| 5.3.2 关联性分析 | 第44-47页 |
| 第六章 基于时间序列的用户行为分析 | 第47-56页 |
| 6.1 时间序列分析 | 第47-49页 |
| 6.1.1 时间序列分析概述 | 第47-48页 |
| 6.1.2 隐马尔可夫模型 | 第48-49页 |
| 6.2 基于HMM的用户行为建模 | 第49-52页 |
| 6.2.1 定义模型参数 | 第49-50页 |
| 6.2.2 构建模型 | 第50-51页 |
| 6.2.3 基于模型预测浏览应用兴趣类别 | 第51-52页 |
| 6.3 用户浏览兴趣预测 | 第52-56页 |
| 6.3.1 个体用户的预测结果 | 第52-53页 |
| 6.3.2 HM类用户预测准确率 | 第53-54页 |
| 6.3.3 LM类用户预测准确率 | 第54-56页 |
| 第七章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |