用户网络访问行为的预测研究

摘要

随着Web2.0技术的推广应用，涌现出各类在线社交网站。借助这些社交网站，用户可以分享内容、表达观点、建立私密关系等，因而社交网站对丰富人们的情感、文化和娱乐等需求起到了很好的作用。与此同时，用户在社交网站上也留下大量的行为痕迹。基于这些行为信息，挖掘用户在线行为规律，预测用户在线行为，对舆情分析、网络安全、社会安全、信息推荐和商品营销等领域都具有极其重要的意义。
　　本毕业论文就是要利用某高校用户对社交网络的访问数据，分析用户的社交网络访问行为特性并揭示用户在线行为背后的内在机理。具体研究工作及贡献包括:
　　(1)基于个体层面和群体层面分析了用户连续两次在线访问行为之间的时间间隔分布，研究了用户时间间隔序列的相关性和活跃性等特征，并揭示了其背后的内在机制;
　　(2)分析了用户访问行为中的记忆特性，发现用户的在线行为具有较强的短记忆性，其分布服从高斯分布。并据此建立了马尔科夫过程模型，用于解释用户访问行为中的记忆特性;
　　(3)基于上述所发现的访问行为特性，本文进行了用户访问行为的时间序列预测研究。针对用户历史访问数据，采用ARIMA模型和Holt-Winters三参数指数平滑法对点击流时间序列进行预测分析，通过建立模型来预测数据的未来走向，并分析比较两模型的优劣。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 主要研究内容及创新点

1．3 论文的结构

第二章 用户在线行为研究综述

2．1 相关研究内容和基本概念

2．2 用户行为的实证研究

2．2．1 用户行为的时间统计特性研究

2．2．2 用户行为的空间统计特性研究

2．3 用户行为的模型研究

2．3．1 任务优先级排队模型

2．3．2 自适应兴趣驱动模型

2．3．3 非齐次泊松模型

2．3．4 其他基于时间特性的行为动力学模型

2．3．5 基于空间特性的行为动力学模型

2．4 本章小结

3．1．1 数据的描述

3．1．2 数据的预处理

3．2 时间间隔分布研究

3．2．1 个体层面的时间间隔幂律特性

3．2．2 群体层面的时间间隔幂律特性

3．2．3 相关性系数

3．3 访问量的记忆性研究

3．3．1 分析方法

3．3．2 分析结果

3．3．3 建模及仿真分析

3．4 本章小结

第四章 用户点击流预测模型的建立与分析

4．1 点击流的统计特性

4．2 时间序列模型

4．2．1 ARIMA理论介绍

4．2．2 ARIMA模型预测的基本步骤

4．2．3 ARIMA模型的构建和预测

4．2．4 指数平滑法

4．2．5 预测结果的比对和分析

4．3 本章小结

第五章 总结与展望

5．1 本文总结

5．2 未来展望

参考文献

攻读硕士期间发表的论文及取得的研究成果

致谢