| 摘要 | 第12-14页 |
| Abstract | 第14-15页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究目的和意义 | 第16-20页 |
| 1.2 研究背景 | 第20-21页 |
| 1.3 论文研究主要内容 | 第21页 |
| 1.4 论文结构 | 第21-22页 |
| 1.5 论文主要创新点 | 第22-24页 |
| 第二章 网络用户行为分析方法 | 第24-32页 |
| 2.1 国内外研究现状 | 第24-27页 |
| 2.2 用户行为分析的内容 | 第27页 |
| 2.3 用户行为分析方法 | 第27-28页 |
| 2.4 数据挖掘算法 | 第28-30页 |
| 2.4.1 数据挖掘算法分析比较 | 第28-30页 |
| 2.4.2 数据挖掘算法的选择 | 第30页 |
| 2.5 聚类算法的选择 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 网络用户行为分析系统构建方法 | 第32-48页 |
| 3.1 行为分析系统设计原则 | 第32页 |
| 3.2 基于大数据技术的行为分析系统研究现状 | 第32-34页 |
| 3.3 行为分析系统总体架构 | 第34-36页 |
| 3.4 行为分析系统平台软件环境 | 第36-41页 |
| 3.4.1 DNSmasq | 第36-37页 |
| 3.4.2 Hadoop | 第37-38页 |
| 3.4.3 Hive | 第38页 |
| 3.4.4 Haproxy | 第38-39页 |
| 3.4.5 ZooKeeper | 第39-41页 |
| 3.5 数据分析层总体架构设计 | 第41-42页 |
| 3.5.1 行为分析系统数据源 | 第41页 |
| 3.5.2 访问内容处理分类 | 第41-42页 |
| 3.5.3 数据分析层总体架构设计 | 第42页 |
| 3.6 数据分析层各模块详细设计 | 第42-46页 |
| 3.6.1 话单日志下载程序 | 第42-44页 |
| 3.6.2 话单日志处理程序 | 第44页 |
| 3.6.3 话单日志分类程序 | 第44-45页 |
| 3.6.4 任务统计调度程序 | 第45页 |
| 3.6.5 统计结果入库程序 | 第45-46页 |
| 3.7 本章小结 | 第46-48页 |
| 第四章 行为分析客户分群理论 | 第48-71页 |
| 4.1 Web数据挖掘 | 第48-51页 |
| 4.2 数据挖掘的流程 | 第51-53页 |
| 4.3 Web爬取及日志关联规则挖掘 | 第53页 |
| 4.4 客户分群理论研究现状 | 第53-58页 |
| 4.5 客户分群数据挖掘方法 | 第58-65页 |
| 4.5.1 聚类算法 | 第58页 |
| 4.5.2 聚类的表示 | 第58-60页 |
| 4.5.3 层次聚类 | 第60页 |
| 4.5.4 k-means算法 | 第60-65页 |
| 4.5.4.1 k的正确取值 | 第62-63页 |
| 4.5.4.2 初始聚类中心的选取方法 | 第63-64页 |
| 4.5.4.3 异常值的处理方法 | 第64-65页 |
| 4.6 客户分群的建立 | 第65-70页 |
| 4.6.1 数据挖掘与用户分群 | 第65页 |
| 4.6.2 数据挖掘的主题 | 第65-66页 |
| 4.6.3 数据挖掘的范围 | 第66页 |
| 4.6.4 数据挖掘的过程 | 第66-67页 |
| 4.6.5 客户分群模型的构建 | 第67页 |
| 4.6.6 客户分群策略的制定 | 第67-69页 |
| 4.6.7 客户分群数据库的建立 | 第69-70页 |
| 4.6.8 关键词的管理 | 第70页 |
| 4.7 本章小结 | 第70-71页 |
| 第五章 网络用户行为分析预测方法 | 第71-88页 |
| 5.1 决策树算法 | 第71-75页 |
| 5.1.1 决策树的基本概念 | 第71-73页 |
| 5.1.2 分类回归树 | 第73-74页 |
| 5.1.3 决策树的剪枝 | 第74页 |
| 5.1.4 决策树算法的优缺点 | 第74-75页 |
| 5.1.5 C5.0决策树算法 | 第75页 |
| 5.2 人工神经网络算法 | 第75-82页 |
| 5.3 基于决策树的用户行为预测模型构建 | 第82-86页 |
| 5.3.1 用户行为数据收集 | 第82-83页 |
| 5.3.2 决策树算法在用户行为分析中应用 | 第83-84页 |
| 5.3.3 行为分析预测模型总体设计 | 第84-85页 |
| 5.3.4 行为分析预测模型操作流程设计 | 第85-86页 |
| 5.4 采用人工神经网络改进的移动用户行为分析预测实例 | 第86-87页 |
| 5.4.1 分析预测实例模型介绍 | 第86页 |
| 5.4.2 分析预测实例仿真测试 | 第86-87页 |
| 5.5 本章小结 | 第87-88页 |
| 第六章 行为分析系统应用 | 第88-114页 |
| 6.1 联网标签 | 第88-90页 |
| 6.2 上网内容解析 | 第90-93页 |
| 6.2.1 解析地址库的建立 | 第91-93页 |
| 6.2.2 上网行为解析 | 第93页 |
| 6.3 数据清洗 | 第93-96页 |
| 6.3.1 地址内容清洗 | 第93-94页 |
| 6.3.2 漫游用户清洗 | 第94-95页 |
| 6.3.3 无线上网卡标签分离 | 第95-96页 |
| 6.3.4 地址库更新 | 第96页 |
| 6.4 用户全息视图 | 第96-100页 |
| 6.4.1 用户基础信息的收集 | 第96-97页 |
| 6.4.2 用户身份识别 | 第97-98页 |
| 6.4.3 最近关注 | 第98-99页 |
| 6.4.4 应用使用排名 | 第99页 |
| 6.4.5 行动轨迹 | 第99-100页 |
| 6.5 猜你喜欢 | 第100-104页 |
| 6.6 猜你喜欢应用场景案例介绍 | 第104-106页 |
| 6.7 企业选址案例介绍 | 第106-110页 |
| 6.7.1 行业细分互联网标签分类库的建立 | 第106-107页 |
| 6.7.2 细分行业关键词库的建立 | 第107页 |
| 6.7.3 关键字爬取 | 第107-108页 |
| 6.7.4 分析潜在火锅需求用户 | 第108页 |
| 6.7.5 潜在用户轨迹分析 | 第108-109页 |
| 6.7.6 预选址区域分析 | 第109-110页 |
| 6.8 OTT专题分析 | 第110-113页 |
| 6.8.1 OTT专题分析规则 | 第110页 |
| 6.8.2 微信用户特征分析 | 第110-112页 |
| 6.8.3 微信用户专题对比分析 | 第112-113页 |
| 6.9 本章小结 | 第113-114页 |
| 第七章 结论与展望 | 第114-117页 |
| 参考文献 | 第117-123页 |
| 致谢 | 第123-124页 |
| 攻读学位期间发表文章 | 第124页 |