安卓平台移动用户画像算法的研究与实现
摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-15页 |
1.1 研究背景及研究意义 | 第11-12页 |
1.2 研究现状及存在问题 | 第12-13页 |
1.3 主要研究内容及特色 | 第13-14页 |
1.4 论文结构安排 | 第14-15页 |
第二章 移动用户画像 | 第15-23页 |
2.1 用户画像 | 第15-17页 |
2.1.1 用户画像流程 | 第15-16页 |
2.1.2 用户画像标签体系 | 第16-17页 |
2.2 用户画像算法技术 | 第17-19页 |
2.2.1 特征工程 | 第17页 |
2.2.2 机器学习 | 第17-18页 |
2.2.3 深度学习 | 第18-19页 |
2.2.4 其他技术 | 第19页 |
2.3 移动用户画像技术 | 第19-20页 |
2.3.1 静态属性画像 | 第19-20页 |
2.3.2 动态属性画像 | 第20页 |
2.4 用户画像与推荐系统 | 第20-21页 |
2.5 小结 | 第21-23页 |
第三章 移动用户画像算法创新 | 第23-37页 |
3.1 引言 | 第23页 |
3.2 用户起床睡眠时间相关研究 | 第23-24页 |
3.3 息亮屏数据识别和用户睡觉起床时间 | 第24-28页 |
3.3.1 遇到的难题 | 第25-26页 |
3.3.2 解决方案 | 第26-28页 |
3.4 BTP算法 | 第28-31页 |
3.4.1 数据采集及预处理过程 | 第28-29页 |
3.4.2 识别算法描述 | 第29-30页 |
3.4.3 预测算法描述 | 第30-31页 |
3.5 实验比较与分析 | 第31-35页 |
3.5.1 实验环境介绍 | 第31-32页 |
3.5.2 识别任务的实验结果 | 第32-34页 |
3.5.3 预测任务的实验结果 | 第34-35页 |
3.6 小结 | 第35-37页 |
第四章 移动用户画像应用于推荐系统的算法创新 | 第37-49页 |
4.1 引言 | 第37页 |
4.2 一种提高APP推荐多样性的学习方法 | 第37-38页 |
4.3 P-SNN网络 | 第38-41页 |
4.3.1 P-SNN网络描述 | 第39页 |
4.3.2 网络优化 | 第39-40页 |
4.3.3 P-SNN伪代码 | 第40-41页 |
4.4 DAM算法 | 第41-44页 |
4.4.1 APP多样性 | 第41-42页 |
4.4.2 DAM算法描述 | 第42-43页 |
4.4.3 DAM算法伪代码 | 第43-44页 |
4.5 算法整体框架 | 第44-45页 |
4.5.1 模型训练 | 第44-45页 |
4.5.2 模型应用 | 第45页 |
4.6 实验比较与分析 | 第45-48页 |
4.6.1 实验环境介绍 | 第45-46页 |
4.6.2 算法对比实验 | 第46页 |
4.6.3 参数P讨论实验 | 第46-47页 |
4.6.4 多样性对比实验 | 第47-48页 |
4.7 小结 | 第48-49页 |
第五章 移动用户画像APP设计与实现 | 第49-75页 |
5.1 引言 | 第49页 |
5.2 系统开发技术简介 | 第49-52页 |
5.2.1 Android开发介绍 | 第49-50页 |
5.2.2 SQLite数据库介绍 | 第50-51页 |
5.2.3 安卓自动化测试技术介绍 | 第51-52页 |
5.3 系统需求分析 | 第52-56页 |
5.3.1 功能需求分析 | 第52-55页 |
5.3.2 非功能需求分析 | 第55-56页 |
5.4 系统详细设计 | 第56-70页 |
5.4.1 系统整体框架设计 | 第56-57页 |
5.4.2 系统功能模块设计 | 第57-64页 |
5.4.3 数据库设计 | 第64-66页 |
5.4.4 系统接口设计 | 第66-67页 |
5.4.5 系统界面设计 | 第67-70页 |
5.5 系统实现与测试 | 第70-74页 |
5.5.1 系统功能实现及测试 | 第70-73页 |
5.5.2 系统性能测试 | 第73-74页 |
5.6 小结 | 第74-75页 |
第六章 总结与展望 | 第75-77页 |
6.1 总结 | 第75页 |
6.2 展望 | 第75-77页 |
参考文献 | 第77-83页 |
致谢 | 第83-85页 |
攻读学位期间发表的学术论文目录 | 第85页 |