| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 用户画像研究现状 | 第12-13页 |
| 1.2.2 用户行为分析研究现状 | 第13-15页 |
| 1.3 论文主要工作 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 技术基础 | 第17-28页 |
| 2.1 建模理论基础 | 第17-20页 |
| 2.1.1 建模的目的 | 第17-18页 |
| 2.1.2 建模的一般过程 | 第18-19页 |
| 2.1.3 建模的形式化描述方法 | 第19-20页 |
| 2.2 数据挖掘算法 | 第20-27页 |
| 2.2.1 K-means算法 | 第20-23页 |
| 2.2.2 Apriori算法 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于密度切割K-means算法的用户画像 | 第28-42页 |
| 3.1 相关研究及建模框架 | 第28-29页 |
| 3.2 事实标签的提取 | 第29-33页 |
| 3.2.1 用户上网日志 | 第30页 |
| 3.2.2 用户通话记录 | 第30-32页 |
| 3.2.3 用户短信发送 | 第32-33页 |
| 3.3 隐性标签的提取 | 第33-39页 |
| 3.3.1 用户行为标签建模 | 第33-34页 |
| 3.3.2 基于密度切割的K-means算法 | 第34-37页 |
| 3.3.3 隐性标签提取 | 第37-38页 |
| 3.3.4 用户画像实例 | 第38-39页 |
| 3.4 实验分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 多业务环境下用户行为分析建模方法 | 第42-57页 |
| 4.1 相关研究 | 第42-43页 |
| 4.2 数据预处理 | 第43-46页 |
| 4.2.1 用户移动属性 | 第44-45页 |
| 4.2.2 用户多业务数据 | 第45-46页 |
| 4.3 用户行为分析建模 | 第46-53页 |
| 4.3.1 基于Hadoop平台的Apriori算法 | 第46-51页 |
| 4.3.2 用户行为关联分析 | 第51-53页 |
| 4.4 实验分析 | 第53-56页 |
| 4.4.1 Apriori 算法的运行脚本 | 第53页 |
| 4.4.2 算法实验分析 | 第53-54页 |
| 4.4.3 结果分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |