基于大规模数据挖掘的VOD系统用户忠诚度演进分析
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第8-14页 |
| 1 引言 | 第14-18页 |
| ·研究背景 | 第14页 |
| ·研究意义及目的 | 第14-15页 |
| ·研究现状 | 第15-16页 |
| ·论文组织结构 | 第16-18页 |
| 2 Flume日志收集系统介绍 | 第18-22页 |
| ·Flume核心概念 | 第18-19页 |
| ·Flume架构 | 第19页 |
| ·Flume数据源以及输出方式 | 第19页 |
| ·Flume特点 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 3 数据预处理及数据集 | 第22-30页 |
| ·基于创造的抽样法 | 第23页 |
| ·基于剩余寿命的抽样法 | 第23-24页 |
| ·本文提出的基于始末的抽样法 | 第24-26页 |
| ·数据集 | 第26-28页 |
| ·本章小结 | 第28-30页 |
| 4 用户访问行为模式 | 第30-34页 |
| ·用户访问行为聚类 | 第30-31页 |
| ·K-means聚类原理 | 第30-31页 |
| ·用户访问行为聚类结果—用户访问行为模式 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 5 用户忠诚度分析 | 第34-50页 |
| ·用户活跃度 | 第34-38页 |
| ·忠诚度模型 | 第38-41页 |
| ·AHP模型活跃度权值 | 第38-40页 |
| ·活跃度数据归一化 | 第40-41页 |
| ·生命周期忠诚度及活跃度演进 | 第41-48页 |
| ·生命周期忠诚度演进 | 第41-43页 |
| ·生命周期活跃度演进 | 第43-48页 |
| ·本章小结 | 第48-50页 |
| 6 基于机器学习的用户生命周期预测 | 第50-60页 |
| ·分类原理 | 第50-52页 |
| ·K近邻分类器 | 第50-51页 |
| ·贝叶斯分类器 | 第51-52页 |
| ·决策树分类器 | 第52页 |
| ·用户生命周期长度预测 | 第52-59页 |
| ·分类器输入输出数据格式说明 | 第52-54页 |
| ·标签映射 | 第54-56页 |
| ·预测及结果分析 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 7 系统用户流量演进预测 | 第60-92页 |
| ·系统用户流量模型 | 第60-82页 |
| ·访问系统次数条件概率模型 | 第61-66页 |
| ·访问系统条件概率模型 | 第66-81页 |
| ·系统用户流量模型 | 第81-82页 |
| ·系统用户流量预测模型 | 第82-90页 |
| ·系统流量预测思路 | 第82-84页 |
| ·已知用户真实生命周期长度预测流量模型 | 第84-86页 |
| ·结合用户生命周期长度预测的系统流量预测模型 | 第86-90页 |
| ·本章小结 | 第90-92页 |
| 8 总结 | 第92-93页 |
| 参考文献 | 第93-96页 |
| 作者简历 | 第96-100页 |
| 学位论文数据集 | 第100页 |
