基于互联网流量数据的用户行为与意图分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-11页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 论文结构 | 第10-11页 |
| 第二章 互联网用户的行为与意图 | 第11-17页 |
| 2.1 互联网用户的在线行为 | 第11-13页 |
| 2.1.1 互联网用户行为概述 | 第11页 |
| 2.1.2 互联网用户行为内容 | 第11-12页 |
| 2.1.3 互联网用户行为分析 | 第12-13页 |
| 2.2 互联网用户的意图分析 | 第13-17页 |
| 2.2.1 用户意图分析的目的 | 第13-14页 |
| 2.2.2 用户意图分析的内容 | 第14页 |
| 2.2.3 用户意图分析的方法 | 第14-15页 |
| 2.2.4 数据挖掘算法的使用 | 第15-17页 |
| 第三章 Hadoop平台与数据处理 | 第17-23页 |
| 3.1 Hadoop技术 | 第17-21页 |
| 3.1.1 Hadoop概述 | 第17-19页 |
| 3.1.2 MapReduce编程框架 | 第19-21页 |
| 3.2 数据描述与数据处理 | 第21-23页 |
| 3.2.1 数据描述 | 第21-22页 |
| 3.2.2 数据处理 | 第22-23页 |
| 第四章 用户行为和意图分析中的数据挖掘算法 | 第23-31页 |
| 4.1 深度学习算法 | 第23-26页 |
| 4.1.1 深度学习的训练 | 第24页 |
| 4.1.2 深度信念网络 | 第24-26页 |
| 4.2 支持向量机 | 第26-29页 |
| 4.2.1 基本思想 | 第27-28页 |
| 4.2.2 训练方法 | 第28-29页 |
| 4.3 TF-IDF算法 | 第29-31页 |
| 4.3.1 TF-IDF概述 | 第29页 |
| 4.3.2 TF-IDF原理 | 第29-31页 |
| 第五章 用户点击网页行为分析 | 第31-47页 |
| 5.1 数据说明 | 第31-35页 |
| 5.2 建模过程 | 第35-40页 |
| 5.2.1 深度信念网络分类预测模型 | 第35-38页 |
| 5.2.2 支持向量机分类模型 | 第38-39页 |
| 5.2.3 多分类模型 | 第39-40页 |
| 5.3 网页分类及预测分析 | 第40-47页 |
| 5.3.1 实验数据 | 第40-42页 |
| 5.3.2 统计Flscore | 第42-43页 |
| 5.3.3 结果分析 | 第43-47页 |
| 第六章 用户搜索意图分析 | 第47-55页 |
| 6.1 数据说明 | 第47-48页 |
| 6.2 建模过程 | 第48-53页 |
| 6.2.1 提取手机换机用户 | 第48-49页 |
| 6.2.2 建立关键词库 | 第49-51页 |
| 6.2.3 转换训练矩阵 | 第51-52页 |
| 6.2.4 建立SVM预测模型 | 第52-53页 |
| 6.3 意图预测结果分析及优化 | 第53-55页 |
| 6.3.1 模型优化 | 第53页 |
| 6.3.2 优化预测数据 | 第53-54页 |
| 6.3.3 结果分析 | 第54-55页 |
| 第七章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间发表的学术论文目录 | 第60页 |
