导读:本文包含了用户行为预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:用户行为特征,深度森林,特征工程,购买行为预测
用户行为预测模型论文文献综述
葛绍林,叶剑,何明祥[1]（2019）在《基于深度森林的用户购买行为预测模型》一文中研究指出近年来,网络零售保持高速增长,网站中富含大量的用户行为数据。电商平台中的用户对商品的操作行为可以体现用户偏好,如何利用用户行为挖掘用户偏好已经成为学术界和工业界的关注焦点,并已经取得了众多研究成果。然而,目前用户操作行为预测方法研究通常只针对用户某一类操作行为进行分析,无法完备反映用户行为的整体特征。因此,提出一种基于深度森林的用户购买行为预测模型,通过构建用户行为特征工程建立整体用户行为特征模型;基于此,提出基于深度森林的用户购买行为预测方法,实现高效的行为预测训练效果。该方法的训练时间为43 s,F1值为9.73%,相对其他模型取得了更好的效果。实验结果表明,该模型在降低时间开销的同时,提高了预测准确率。(本文来源于《计算机科学》期刊2019年09期）
杜世民[2]（2019）在《基于分类模型的电商用户复购行为预测研究》一文中研究指出电商网站每天服务于亿万的用户,人们在淘宝、京东、当当等电商平台消费购物的同时,会产生海量的数据资料,从中挖掘出潜在的价值便具有重大的意义,合理地利用这些数据可以为用户带来更好的消费体验。本文以某电商平台脱敏处理后的某一时段真实用户、商品和行为数据为研究对象,结合数据挖掘技术和机器学习分类算法,主要研究工作如下:(1)电商用户消费行为数据的特征工程研究。重点研究了数据预处理、特征分析、特征构建和特征选择等技术,挖掘出用户的复购行为特点,构造统计特征、衍生特征和行为衰减等特征,将原始数据转化为高维可训练的有效样本数据,并结合相关系数和随机森林选择出影响用户复购行为重要性前10的数据特征。(2)分类模型的对比研究。从传统用户-商品的角度出发,结合机器学习中的分类算法,选取了常用的逻辑斯蒂回归、Xgboost和支持向量机构建出叁种预测模型,通过交叉验证和网格搜索的方式对模型的训练参数进行调优,对比结果发现基于Xgboost算法的模型预测效果要优于其他模型。(3)模型融合方法的研究。通过对模型融合的思想和方法研究,本文使用Soft-Voting方法实现预测模型的融合,经过实验结果论证,融合后模型相较融合前预测精度提升3%左右。本文研究以数据为驱动,针对电商用户的复购行为进行预测研究,从用户-商品和用户-商品品类两种角度分析构建特征,并提出了一种将用户-商品角度下(U-I)预测模型和用户-商品品类角度下(U-C)预测模型进行融合的方案,有效解决了单一角度模型数据敏感且易过拟合问题,可应用于电商业务场景,帮助电商平台实现精准营销,提高用户留存率。(本文来源于《杭州师范大学》期刊2019-06-01）
李新焕[3]（2018）在《基于新浪微博的用户行为及情感预测模型研究》一文中研究指出互联网以较快的速度不断发展,社交网络成为人们之间保持联络、休闲娱乐的重要工具和平台。社交网络中的核心是用户,对用户的行为进行分析研究是更深入的了解社交网络的运行机理的起点。在中国,新浪微博被广大用户接受和使用,因此越来越多的专家学者以新浪微博为研究对象展开研究。文章主要是以新浪微博为对象展开研究,针对社交网络中用户的相关行为及微博情感预测的问题是当下的热门话题,利用新浪微博API接口获取到新浪微博中用户的信息,对提取出的数据运用Excel软件整理和分析,得出用户的转发和评论行为之间具有一定的相似性。综合支持向量机(SVM)、K近邻算法(KNN)以及CART决策树进行加权平均值的计算,提出了基于混合多分类器的微博情感预测模型(以下简称MCEPM),通过具体的实验操作和对SVM、KNN及CART叁者权重系数的计算和对比,得出MCEPM的预测效果与SVM、KNN及CART叁者的权重系数有关,当选取合适的权重系数组合时,通过对计算的数据在准确度P、召回率R及调和平均值F1上的综合分析可知,MCEPM模型能对叁个分类器的正负样本的预测结果起到平衡的效果,即可得出该模型的预测能力相对较好。(本文来源于《江西农业大学》期刊2018-06-01）
杨立洪,白肇强[4]（2018）在《基于二次组合的特征工程与XGBoost模型的用户行为预测》一文中研究指出特征构造的难题在数据挖掘过程中一直存在,传统固化的特征工程对于业务场景千变万化的数据挖掘任务所带来的效益十分有限,因此解决特征工程的特征构造问题已经成为数据挖掘的瓶颈之一;尤其在机器学习算法快速发展的情况下,特征逐渐成为模型中急需重视的部分。基于电商平台的用户行为数据,在原有特征群的基础上提出了二次组合统计特征的构建方法。利用二次交叉衍生出丰富而又切合业务场景的特征群,同时结合两种滑动窗口的方法,分别是定长滑动窗口获取更多的训练样本,变长滑动窗口获取具有时间权重的训练特征,以此来最大限度地还原出用户真实的行为习惯。最后,使用不同的特征组合结合降维的方法建立对照检验模型;并利用线性的逻辑回归模型、线性支持向量机以及树模型极端随机森林与XGBoost对模型进行交叉验证。结果表明,组合特征在树模型的算法中得到了非常好的表达效果;而且无论在线性模型还是树模型中衍生特征群模型的F1值都优于基础特征群。(本文来源于《科学技术与工程》期刊2018年14期）
王高康[5]（2018）在《社交网用户行为预测模型研究》一文中研究指出随着在线社交网络中的人数迅速增长,在社交网络中传播的消息越来越多,但是,目前关于社交网络中信息如何传播以及影响用户行为的相关研究是非常少的。在日常的生活和工作中,人们的思想和行为经常受到朋友和同事的影响,比如在生活中受到朋友的影响去观看一部电影,在学校里受到同学的影响去购买一本书籍。在传统的模型中,有很多都是从朋友的影响或者偏好的影响单方面进行预测用户的行为,并未考虑到用户同时会受到多个因素的影响,例如外部影响力。基于社交网络的用户行为预测问题,就是在社交网络的前提下,通过用户的历史行为记录进行分析,预测用户在未来是否会去做一件事情,比如用户的朋友推荐了一部电影,预测用户是否会受到朋友的影响去看该电影。本文主要的工作为在社交网络中对用户行为的影响因素进行分析以及对用户行为的预测建立模型。首先,本文针对在社交网络中用户行为的影响因素问题,为了揭示社交事件的发生机制。本文介绍了对用户行为有很大影响的叁个因素:社会影响力、外部影响力以及用户偏好,并提出了采用泊松过程分别为这叁个因素进行建模。基于上述的叁个因素能够非常准确地解释每个事件产生的原因。其次,本文针对在社交网络中用户行为的预测问题,通过泊松过程将上述的叁个因素生成的事件序列进行整合并建模,为了能使模型对用户行为的预测达到最优的效果,提出了一个算法进行对模型参数的估计,提出的模型不仅仅能够解释信息在社交网络中是如何传播的,而且能够解释一个特定事件为什么发生。(本文来源于《黑龙江大学》期刊2018-04-30）
张晖,征原[6]（2018）在《移动互联环境下基于改进Markov融合模型的用户行为预测算法》一文中研究指出在移动互联环境下,随着用户需求的不断增加,业务类型变得日益多样。然而不同类型的网络业务具有完全不同的Qo S指标要求和网络资源需求,从而导致有限的网络资源难以同时满足各类业务的Qo S要求。通过对各用户下一业务类型的预测,相应地预留并配置最佳的网络资源,可有效解决上述问题。因此,提出一种基于改进Markov融合模型的用户行为预测算法。首先,建立面向各单一用户的多阶Markov预测模型,进而引入业务偏爱度修正上述模型,以提高行为预测的准确度;其次,利用用户综合相似度,建立目标用户的最近邻用户集,以此形成多用户多阶Markov融合预测模型,从而实现对目标用户行为的精准预测。仿真结果验证了该算法的有效性。(本文来源于《计算机应用研究》期刊2018年10期）
林晓勇,俞洋,糜正琨[7]（2017）在《一种基于用户行为预测的群移动性管理模型》一文中研究指出移动性管理是未来5G移动的重要组成部分,如何均衡寻呼负载和位置更新开销,从而合理利用无线资源是当前的研究重点。提出了一种新的群移动性管理(GMM)方案,可以针对具有相同运动特征的用户进行集中式管理,从而可以减少单个用户移动性管理(SMM)时存在的重复开销。仿真结果表明,GMM比SMM可以获得更佳的运行开销。(本文来源于《电信科学》期刊2017年08期）
姚顺[8]（2017）在《考虑用户行为及行业用电特性的电网负荷预测模型及应用研究》一文中研究指出中长期负荷预测对于地区电网的发展规划具有重要的指导意义,能否实现精准的中长期负荷预测将直接影响到地区电网的经济性、安全性和合理性。电力市场改革和各种新能源发电技术在近些年取得了较大的发展,但也因此给未来的负荷预测带了全新的挑战。本文主要从用户用电行为和分行业用电特性两方面入手,充分考虑外在因素的影响和分行业用电特性,从而更加精细、准确把握负荷在未来的走向。用户的用电行为分析在电力系统分析中扮演着重要角色,本文首先对用户行为影响机理展开研究,重点分析了外在影响因素对负荷的影响。然后对灰色预测GM(1,1)模型进行改进,结合灰色关联分析法确定负荷和各外在影响因素的关联度,通过多变量灰色预测MGM(1,n)模型将外在影响因素纳入到模型构建中,从而实现对传统模型的优化与改进,最后对MGM(1,n)模型中引入的影响因素数目展开进一步研究。基于分行业用电特性的负荷预测以各分行业的负荷数据为研究对象。传统的中长期负荷预测更多的侧重于研究地区整体负荷数据,忽视了每个行业自身用电的独特性和差异性。本文首先简单介绍了用电行业分类的概念及修订历史,然后基于《国民经济行业用电分类表》制定了用于本文负荷预测的用电行业分类表,通过拟合年用电量曲线的方法从分行业维度进行预测,最后将分行业负荷预测值累加,从而得到整个地区负荷的预测值。最后对传统灰色预测、多变量灰色预测和分行业年用电量曲线预测叁种方法作比较,以验证基于分行业的模型是否更加准确,并选择预测结果较优的两个单项模型,以误差绝对值和最小为目标函数构建最优组合预测模型。(本文来源于《东南大学》期刊2017-06-01）
周航[9]（2017）在《基于多模型的用户行为预测的研究与实现》一文中研究指出好的推荐系统不仅能够大大提高效率,而且可以提高顾客体验,因此电子商务领域的推荐问题研究具有较好的应用价值和现实意义。预测顾客是否会回到同一家商店重复购买,即成为回头客。这是推荐系统研究中的问题之一。此问题本质上是一个二分类(0/1)问题,影响分类效果的因素主要取决于两个方面,一是特征的好坏;二是模型的选择与融合。原始数据一般仅仅是对顾客行为的记录,分散且没有针对性,如何综合运用多种方式对原始数据进行处理,提取与预测的问题相关联的特征;以及如何选择有效模型并通过多模型的融合提高预测精度是需要研究解决的问题。为此,本文针对特征的提取,以及模型的改进与融合进行了研究,主要工作如下:1)在特征工程方面:从顾客,商家,顾客-商家叁个视角进行特征扩展。以月为单位,计算顾客四种行为(点击/购买/喜爱/加入到购物车)的统计特征。然后再将不同的特征集进行组合,得到更为丰富的特征子集。2)在模型选择方面:除了使用几种经典的模型,如神经网络,逻辑回归,随机森林,GBDT进行预测外,还对深度堆栈模型(DSN)模型进行改进,提出了基于RBM特征生成的DSN模型,在电子商务领域数据集上的实验结果表明所提出的推荐算法是有效的。3)在模型融合方面:研究提出基于AUC的多样性度量来确定模型融合权值的方法;并探索了基于贪心策略的模型融合方法。与经典的融合方式相比,如简单平均法、神经网络和逻辑回归学习法,实验结果表明通过基于AUC的多样性度量法来确定权值,其效果要优于其它几种融合方法。(本文来源于《东南大学》期刊2017-05-01）
黄炜,余辉,李岳峰[10]（2016）在《基于微信用户行为的分享预测模型研究》一文中研究指出[目的/意义]构建微信用户分享行为的预测模型,探究微信分享的传播规律。[方法/过程]从用户行为动机、基本特征、群体传播特征3个维度分析并对用户的分享行为进行预测建模,并以微信热议"穹顶之下"为例,进行分享预测实例分析。[结果/结论]微信用户行为与现实人际关系有着较大的相关性,其行为受通信录好友、身边熟人、公众平台的影响,实例检测结果符合实际用户分享行为分布。其分享行为可以基于用户行为特征集进行预测,并能够达到一定的准确率。[局限]调查数据源和范围存在一定的局限性,给预测工作带来了一定的误差,未来可以加入更多维度和扩大调查范围来得到更准确的结果。(本文来源于《情报理论与实践》期刊2016年11期）
用户行为预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
电商网站每天服务于亿万的用户,人们在淘宝、京东、当当等电商平台消费购物的同时,会产生海量的数据资料,从中挖掘出潜在的价值便具有重大的意义,合理地利用这些数据可以为用户带来更好的消费体验。本文以某电商平台脱敏处理后的某一时段真实用户、商品和行为数据为研究对象,结合数据挖掘技术和机器学习分类算法,主要研究工作如下:(1)电商用户消费行为数据的特征工程研究。重点研究了数据预处理、特征分析、特征构建和特征选择等技术,挖掘出用户的复购行为特点,构造统计特征、衍生特征和行为衰减等特征,将原始数据转化为高维可训练的有效样本数据,并结合相关系数和随机森林选择出影响用户复购行为重要性前10的数据特征。(2)分类模型的对比研究。从传统用户-商品的角度出发,结合机器学习中的分类算法,选取了常用的逻辑斯蒂回归、Xgboost和支持向量机构建出叁种预测模型,通过交叉验证和网格搜索的方式对模型的训练参数进行调优,对比结果发现基于Xgboost算法的模型预测效果要优于其他模型。(3)模型融合方法的研究。通过对模型融合的思想和方法研究,本文使用Soft-Voting方法实现预测模型的融合,经过实验结果论证,融合后模型相较融合前预测精度提升3%左右。本文研究以数据为驱动,针对电商用户的复购行为进行预测研究,从用户-商品和用户-商品品类两种角度分析构建特征,并提出了一种将用户-商品角度下(U-I)预测模型和用户-商品品类角度下(U-C)预测模型进行融合的方案,有效解决了单一角度模型数据敏感且易过拟合问题,可应用于电商业务场景,帮助电商平台实现精准营销,提高用户留存率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
用户行为预测模型论文参考文献
[1].葛绍林,叶剑,何明祥.基于深度森林的用户购买行为预测模型[J].计算机科学.2019
[2].杜世民.基于分类模型的电商用户复购行为预测研究[D].杭州师范大学.2019
[3].李新焕.基于新浪微博的用户行为及情感预测模型研究[D].江西农业大学.2018
[4].杨立洪,白肇强.基于二次组合的特征工程与XGBoost模型的用户行为预测[J].科学技术与工程.2018
[5].王高康.社交网用户行为预测模型研究[D].黑龙江大学.2018
[6].张晖,征原.移动互联环境下基于改进Markov融合模型的用户行为预测算法[J].计算机应用研究.2018
[7].林晓勇,俞洋,糜正琨.一种基于用户行为预测的群移动性管理模型[J].电信科学.2017
[8].姚顺.考虑用户行为及行业用电特性的电网负荷预测模型及应用研究[D].东南大学.2017
[9].周航.基于多模型的用户行为预测的研究与实现[D].东南大学.2017
[10].黄炜,余辉,李岳峰.基于微信用户行为的分享预测模型研究[J].情报理论与实践.2016