大数据下的用户行为的分析

随着大数据等概念运用到互联网中,如何针对大数据下的用户行为进行分析成为了研究的热点,本文首先分析了云计算下的Hadoop框架,其次对用户网络行为进行了分析,最后采用基于Web日志挖掘的用户行为聚类方法;(1)构建用户行为的挖掘模型,(2)建立聚类问题优化模型,(3)采用基于混沌的人工蚁群算法对其进行聚类分析。实验说明本文算法具有比较好的聚类效果。     

一种基于K-均值聚类算法的站点结构优化研究

文章以Web网站站点结构优化为目标,针对用户的Web日志数据采用K-均值聚类算法实现对该网站用户的聚类和该网站页面的分析,将具有相似属性和相似浏览模式的用户分为一组,通过聚类发现该类用户的访问兴趣和爱好,通过调整网站页面的内容和结构,达到优化站点结构的目的。     

混合聚类算法的电子商务网站安全分析模型

为了提高电子商务网站安全分析精度,提出混合聚类算法的电子商务网站安全分析算法.首先采集电子商务网站安全分析数据,选取能够描述电子商务网站安全状态的特征,然后将超网络聚类算法和K-means聚类算法组合成混合聚类算法,并采用混合聚类算法根据特征设计电子商务网站安全状态划分的树型结构,建立电子商务网站安全分析模型,判断电子商务网站中的行为数据是否存在异常,以此完成最后电子商务网站安全分析.测试结果表明,所提方法的安全分析正确率高,而且分析结果十分稳定.     

模糊聚类在客户关系管理中的应用

企业积累了大量的客户消费数据,如何从大量的数据中发现用户的消费模式,对企业的营销策略具有重要的指导意义,数据挖掘技术正是可以从大量的数据中挖掘出对企业决策有价值的信息。针对客户数据的特点,提出一种基于Kruskal算法的最小生成树模糊聚类算法KTFC,并将其应用在客户关系管理中。实验证明,该模糊聚类算法可以有效地对企业客户群进行分类,并分析出每类客户的特点,动态地选取不同的A值可以获得不同的聚类结果,大大地提高了聚类的灵活性。     

限制性半监督谱聚类算法

限制性聚类是一种试图将用户监督信息加入到已有聚类算法中的一种分类技术,目前已经被广泛应用于K-means算法和层次聚类算法中.在本文中,提出一种将限制条件加入到谱聚类算法的半监督聚类方法,利用正约束和负约束限制来构造约束矩阵,通过它们来引导聚类过程,并结合最优化技术,达到聚类的目的.数据实验验证了这种方法具有很好的精确度.     

网络用户在线评论的主题图谱构建及可视化研究——以酒店用户评论为例

【目的/意义】网络用户在线评论是用户对某产品或服务机构体验感知的反馈,对网络用户在线评论的文 本挖掘是情报分析的重要内容。【方法/过程】为了更有效从海量网络用户在线评论文本中挖掘用户感兴趣的信息, 本研究爬取TripAdvisor网站四大城市的酒店用户在线评论,基于主题图谱理论和文本聚类算法构建网络用户在线 评论的聚类模型,通过图谱可视化揭示不同地区酒店用户观点差异,并分析不同图谱的社会网络特征。【结果/结 论】研究发现酒店用户最关注的是服务,其次是酒店的环境和位置。本研究能够快速挖掘酒店用户关注内容,对帮 助酒店管理者了解用户住宿需求并以此提高用户满意度具有重要价值。【创新/局限】本文结合主题图谱和文本挖 掘技术构建酒店用户在线评论主题图谱,在大数据文本主题聚类上显示出优越性。但本文仅分析TripAdvisor网站 四个城市中部分酒店的用户在线评论,数据面覆盖不够广泛。     

基于相似传播和情景聚类的网络协同过滤推荐算法研究

互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。     

迁移学习优化TB算法的个性化推荐模型

针对标准Trada Boost算法在个性化推荐的应用中还存在精度不高的问题,本文提出了一种基于迁移学习优化Trada Boost算法的个性化推荐模型。首先采用迁移学习对Trada Boost算法的类簇进行平滑处理,即使用聚类算法对用户—项目评分数据进行预处理,并产生预选最近邻用户,接着使用基于内存的协同过滤算法在聚类结果数据上对评分数据进行平滑,最后采用改进的Trada Boost算法构建个性化推荐模型。通过仿真实验表明,本文提出的改进算法相比较目前常用的算法具有更高的个性化推荐精度。     

基于相似用户情感分析的推荐算法研究

互联网发展迅速,电商扮演了重要角色,大多数的电商仅仅根据用户评分进行推荐,日益庞大的用户评论数据并没有很好的运用到商品推荐当中。本文利用大数据的聚类技术结合情感分析算法,通过相似用户对物品的需求相似,结合用户对商品评价的情感分析,对评价的情感倾向的分析作出一些评判,给出了一个较好的推荐算法,使得推荐系统可以为用户进行更好的推荐,代替了传统根据评分推荐系统,对未来推荐系统的发展方向有正面意义。     

基于基因表达数据的双向聚类算法的综述

随着基因芯片和DNA微阵列等高通量、短读取、低成本检测技术的发展,从而产生了丰富的基因表达数据。对这些数据进行有效的分析已经成为后基因组时代的研究重点。一般的聚类是根据数据的全部属性将数据聚类,这种聚类方式称为传统聚类。传统聚类只能寻找到全局信息,无法找到局部信息,而大量的生物学信息就隐藏在这些局部信息中。为了更好地在数据矩阵中搜索局部信息,人们提出了双聚类概念,这种算法从思想上有别于传统的聚类算法,它主要强调在聚类时基因和条件的同时性。目前比较成熟的双聚类算法大约有十七种左右。基于此本文简要调研了现有的三种具有代表性的双聚类算法,系统的分析了每种算法的设计步骤,算法原理,操作环境以及应用。这对于不同的基因数据如何选择更加合适的双聚类算法和软件提供了一定的指导。