摘要 | 第3-4页 |
abstract | 第4-5页 |
注释表 | 第11-12页 |
第1章 引言 | 第12-17页 |
1.1 研究背景及意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-14页 |
1.3 论文主要研究内容 | 第14-15页 |
1.4 论文结构安排 | 第15-17页 |
第2章 移动互联网用户行为分析概述 | 第17-23页 |
2.1 移动互联网用户行为分析简介 | 第17页 |
2.2 移动互联网用户行为分析内容 | 第17-18页 |
2.3 信令解析技术 | 第18-19页 |
2.4 网络爬虫技术 | 第19-20页 |
2.5 数据挖掘技术 | 第20-21页 |
2.6 大数据处理技术 | 第21-22页 |
2.7 本章小结 | 第22-23页 |
第3章 移动互联网用户标签库的总体设计 | 第23-35页 |
3.1 移动互联网用户标签库的设计原则 | 第23-24页 |
3.1.1 功能需求分析 | 第23-24页 |
3.1.2 性能需求分析 | 第24页 |
3.2 移动互联网用户标签库的总体架构设计 | 第24-27页 |
3.2.1 标签库的系统架构设计 | 第24-26页 |
3.2.2 用户标签库的体系设计 | 第26-27页 |
3.3 基础数据融合层的设计 | 第27-29页 |
3.3.1 协议解析模块的设计 | 第28页 |
3.3.2 聚焦爬虫模块的设计 | 第28-29页 |
3.4 用户数据分析层的设计 | 第29-30页 |
3.5 用户标签及其应用层的设计 | 第30页 |
3.6 移动互联网用户标签库的软件环境 | 第30-34页 |
3.6.1 Hadoop | 第30-32页 |
3.6.2 Hive | 第32页 |
3.6.3 Zookeeper | 第32-33页 |
3.6.4 实验环境搭建 | 第33-34页 |
3.7 本章小结 | 第34-35页 |
第4章 移动互联网用户细分标签的研究 | 第35-47页 |
4.1 特征需求分析 | 第35-36页 |
4.2 自适应Rk-means算法 | 第36-39页 |
4.2.1 自适应选取初始中心选取 | 第36-37页 |
4.2.2 RK-means算法 | 第37-39页 |
4.3 移动互联网用户细分模型的构建 | 第39-43页 |
4.3.1 数据清洗 | 第39-40页 |
4.3.2 模型变量的提取 | 第40-41页 |
4.3.3 基于Hadoop的初始聚类数目选取 | 第41页 |
4.3.4 基于Hadoop的RK-means聚类实现 | 第41-43页 |
4.4 实验结果分析 | 第43-46页 |
4.4.1 细分结果 | 第43-44页 |
4.4.2 细分效率对比 | 第44-45页 |
4.4.3 细分效率分析 | 第45-46页 |
4.5 本章小结 | 第46-47页 |
第5章 移动互联网用户标签库的开发与实现 | 第47-78页 |
5.1 数据处理流程 | 第47-48页 |
5.2 基础数据准备及数据入库 | 第48-53页 |
5.2.1 终端IMEI库 | 第48-51页 |
5.2.2 APP特征库 | 第51页 |
5.2.3 信令数据入库实现 | 第51-53页 |
5.3 Boss类标签的实现 | 第53-58页 |
5.4 信令类标签的实现 | 第58-66页 |
5.4.1 信令数据的预统 | 第58-59页 |
5.4.2 信令类标签的生成 | 第59-63页 |
5.4.3 用户APP偏好标签的生成 | 第63-66页 |
5.5 业务支撑类标签的实现 | 第66-73页 |
5.5.1 用户换机预测标签的生成 | 第66-69页 |
5.5.2 存量用户营销标签的生成 | 第69-73页 |
5.6 实际营销场景实例 | 第73-76页 |
5.6.1 大学开学营销场景 | 第73-75页 |
5.6.2 品牌忠实用户换机场景 | 第75-76页 |
5.7 本章小结 | 第76-78页 |
第6章 标签库的结果与验证 | 第78-82页 |
6.1 Boss及信令类标签结果与验证 | 第78-79页 |
6.2 业务支撑类标签结果与验证 | 第79-82页 |
第7章 总结与展望 | 第82-84页 |
7.1 工作总结 | 第82页 |
7.2 未来展望 | 第82-84页 |
参考文献 | 第84-88页 |
附录A 用户标签详表 | 第88-93页 |
附录B 可识别的应用大类及数目 | 第93-94页 |
致谢 | 第94-95页 |
攻读硕士学位期间从事的科研工作及取得的成果 | 第95页 |