手机上网用户行为分析的关键技术研究与应用

摘要

随着移动网络的发展、智能上网手机的普及以及海量数据处理技术的进步，针对手机上网用户的行为分析显得愈加重要。手机用户通过网络访问产生大量的用户行为数据，监控采集并分析这些数据对于运营商来说具有重要的意义，可以根据分析或挖掘的结果发现用户行为模式，提前对行为趋势做出判断，从而提高自身的服务水平，达到更高的用户满意度。
　　本文在基于移动流量监控的业务下，设计手机上网用户行为分析系统。系统设计了用户行为数据库，对手机上网行为数据进行统计和维度分析，并通过报表和页面形式展示，统计分析主要对报表分析和流量分析进行研究。重点是根据关联规则分析得到用户行为模式，再根据评价标准，找到真正有意义和感兴趣的模式，建立用户行为模式库。
　　手机上网用户行为分析系统采用数据挖掘技术和海量数据处理Hadoop技术。本文对聚类K-Means算法进行研究并验证，对常见的关联规则算法进行对比研究，并选取FP_Growth算法应用在用户行为分析上。针对基于Hadoop平台的并行化PFP_Growth算法提出改进策略，节省了时间和空间开销。用户行为的海量数据分析和处理利用Hadoop分布式计算平台的相关技术和工具完成的。本文对其核心技术MapReduce进行研究和应用，利用Hadoop的数据仓库工具Hive建立数据分析模型。经实验验证，这些技术能够很好的满足手机上网用户行为分析的需要。

目录

声明

致谢

摘要

1 引言

1．1 课题研究背景

1．2 国内外研究现状

1．3 课题研究内容与意义

1．4 论文结构

2 基本理论方法和技术

2．1 用户行为分析

2．1．1 用户行为分析方法

2．1．2 用户行为模式模型

2．2 多维数据分析与数据挖掘

2．2．1 多维数据分析与数据仓库

2．2．2 数据挖掘技术

2．3 海量数据处理技术研究

2．3．1 Hadoop平台及组件

2．3．2 MapReduce应用开发

2．4 页面显示技术

2．5 本章小结

3 手机上网用户行为分析系统的设计和实现

3．1 业务需求分析

3．2 总体架构设计

3．2．1 系统数据处理流程

3．2．2 系统架构设计

3．3 用户行为数据库设计

3．4 用户行为统计分析设计和实现

3．4．1 报表分析模块

3．4．2 流量分析模块

3．5 用户行为模式生成模块设计和实现

3．5．1 数据预处理

3．5．2 频繁项集和强关联规则生成

3．5．3 建立和评估行为模式

3．6 本章小结

4 手机上网用户行为分析关键技术研究

4．1 Hadoop海量数据处理技术

4．2 聚类和关联规则技术研究

4．2．1 K-Means聚类技术研究

4．2．2 几种关联规则算法及对比

4．2．3 基于Hadoop的FP_Growth算法及改进

4．3 关键技术的应用

4．3．1 Hadoop技术应用

4．3．2 K-Means聚类技术应用

4．3．3 FP_growth关联规则技术应用

4．4 本章小结

5 总结与展望

5．1 论文总结

5．2 论文展望

参考文献

作者简历

学位论文数据集