面向移动互联网的用户兴趣度分析及应用

摘要

随着信息技术和移动互联网的飞速发展，移动智能终端日益普及，并将我们带入到信息爆炸时代，人们每天都要接触到无数的垃圾信息。特别是移动互联网的便携性、实时性使得人们能够随时随地获得大量信息。用户迫切希望从海量信息中获取有用信息。这对互联网内容提供商提供服务有着精准性和针对性的新要求。而解决这一问题的关键是必须准确把握用户的需求，根据他们的兴趣进行准确的信息推送和个性化服务。因此分析研究如何获取用户兴趣具有十分重要的意义。 本文研究了基于网络浏览行为分析的用户兴趣计算和建模方法，在传统层次向量空间兴趣模型中引入情景因素改善了模型性能，改进了传统的K-means聚类算法和模糊C均值聚类算法并利用改进算法对用户兴趣进行分析，使得用户兴趣的获取和分析准确性有了明显的提升。最后，论文设计了一个基于JFinal开源框架的用户兴趣分析系统。本文主要研究内容为： （1）用户兴趣度量与计算。通过分析用户网络访问过程中的浏览活动，从中发现并计算用户的兴趣，并给出其计算方法。 （2）对传统向量空间兴趣模型进行了改进。在传统层次向量空间兴趣模型中引入情景因素，使其具有更好的通用性和适应性。 （3）对传统K-means算法和传统模糊C均值算法进行了改进。在传统K-means算法的基础上，引入加权欧式距离来基于密度确定初始聚类中心，提高了算法精确性。针对传统模糊C均值算法容易陷入局部最小解的不足，通过引入遗传算法的自然选择和进化理论，显著改善了聚类效果。 （4）用户兴趣分析系统。本文基于JFinal开源框架开发了一个用户兴趣分析系统，能够对用户的浏览行为详细分析来找出用户潜在兴趣，并按照用户兴趣实现商品推荐，具有良好的应用意义。

目录

声明

第1章 绪论

1.1研究背景与意义

1.2研究现状

1.3研究内容

1.4论文结构

第2章 用户兴趣分析与模型研究

2.1相关概念

2.2用户浏览行为分析

2.3用户兴趣的表示

2.4用户兴趣度度量与计算

2.5基于情景的层次向量空间兴趣模型

2.6用户兴趣的更新与存储

2.7用户兴趣模型性能验证

2.8本章小结

第3章 用户兴趣聚类分析与算法改进

3.1聚类分析概述

3.2用户兴趣挖掘模型

3.3基于特征权重的改进K-means算法

3.4模糊C均值算法及其改进

3.5实验设计及分析

3.6本章小结

第4章 用户兴趣分析系统验证

4.1系统架构

4.2系统实现

4.3系统验证

4.4本章小结

第5章 总结与展望

5.1本文工作总结

5.2工作展望

致谢

参考文献

攻读学位期间发表的论文