基于机器学习移动用户行为分析研究

《基于机器学习移动用户行为分析研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学号：S15040485基于机器学习移动用户行为分析研硕士学位(毕业)论文究基于机器学习移动用户行为分析研究刘闯研究生姓名：刘闯学科、专业：信息与通信工程二〇一八年六月分类号：TN393密级：公开UDC：621.39编号：基于机器学习移动用户行为分析研究RESEARCHONMOBILEUSERBEHAVIORANALYSISBASEDONMACHINELEARNING学位授予单位及代码：长春理工大学(10186)学科专业名称及代码：信息与通信工程（0810）研究方向：无线通信系统理论与技术申请学位级别：工学硕士指导教师：陈桂芬教授研究生：刘闯论文起止时间：2016.09-2018

2、.04I摘要近年来，随着移动互联网快速发展，移动互联网技术已经渗透到人民生活的各个领域，成为人们日常生活中的一部分。用户在使用移动互联网的过程中会产生大量的浏览数据。这些数据中蕴藏着大量的用户行为信息，如果能够将这些数据发掘利用，将是一笔宝贵的财富。如何合理利用这些数据是电信运营商需要迫切解决的问题。机器学习能够发现数据之间潜在的规律，从数据中挖掘出有价值的资源。因此，机器学习广泛应用于数据分析和数据挖掘之中。本文主要围绕着移动用户行为分析和机器学习展开。首先，本文研究如何利用机器学习技术对移动用户数据进行分析和挖掘，并且提出一种基于DPC(DensityPeakBasedClu

3、stering)的K-meansk值自适应算法(简称DPCK-K-means)。新提出的算法通过DPC算法选择K-means算法的初始聚类中心，这种方法克服了传统K-means算法初始聚类中心点选择的随机性。此外，新提出算法通过自适应K-means聚类方法，即在每次聚类时合并距离最近的两个类直到不满足合并条件的方法实现聚类数目的自适应选择。其次，本文将提出的DPCK-K-means聚类方法在UCI和人工数据集中进行仿真分析，仿真结果显示新提出的聚类方法在聚类准确率和聚类效果上具有较大的提升。之后将本文提出的聚类方法应用于运营商某市级公司中的用户行为数据之中，分析用户上网时间段，业

4、务偏好以及流量特征。结果表明新提出聚类方法能够有效应用于真实的电信业务数据之中，具有实际应用价值。关键词：用户行为分析机器学习DPCK-K-meansIIABSTRACTInrecentyears,withtherapiddevelopmentofmobileInternet,mobileInternettechnologyhaspenetratedintoeveryfieldofpeople'slife,andhasbecomeapartofpeople'sdailylife.Userswillgeneratealotofbrowsingdataintheprocessofus

5、ingthemobileInternet.Thesedatacontainalotofuserbehaviorinformation,andifyoucanexploitthesedata,itwillbeavaluableasset.Howtomakerationaluseofthesedataisanurgentproblemfortelecommunicationsoperators.Machinelearningcandiscoverthepotentiallawsbetweendataandexcavatevaluableresourcesfromthedata.The

6、refore,machinelearningiswidelyusedindataanalysisanddatamining.Thispaperfocusesonmobileuserbehavioranalysisandmachinelearning.First,thispaperstudieshowtousemachinelearningtechnologytoanalyzeandexcavatethedataofmobileusers,andproposesaK-meansKvalueadaptivealgorithmbasedonDPC(DensityPeakBasedClu

7、stering)(calledDPCK-K-means).ThenewalgorithmselectstheinitialclusteringcenteroftheK-meansalgorithmthroughtheDPCalgorithm,whichovercomestherandomnessoftheselectionoftheinitialclusteringcenterpointsofthetraditionalK-meansalgorithm.Inaddition,th