基于移动大数据的用户分析Word格式文档下载.docx

基于移动大数据的用户分析Word格式文档下载.docx

《基于移动大数据的用户分析Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《基于移动大数据的用户分析Word格式文档下载.docx（31页珍藏版）》请在冰豆网上搜索。

指导教师（校内）：

职称：

副教授指导教师（校外）：

20年5月20日基于移动大数据的用户分析摘要近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量可广泛使用的数据，并且人们迫切需要将这些数据转换成有用的信息和知识。

获取的信息和知识可以广泛用于各种领域，包括商务管理、生产控制、市场分析、工程设计和科学探索等。

随着移动设备的普及，传统通信运营商在这方面将具备无可比拟的数据资源优势。

从海量用户数据中提取出客户信息进而拟定合理的营销方案已成为各运营商吸引和保留客户的必要之举。

本文将对移动网络用户行为进行概述，之后基于运营商提供的移动用户流量数据之上，使用数据挖掘中神经网络、决策树以及贝叶斯分类算法对用户流量数据进行分类模型建立与验证，同时归纳出各个算法的优缺点，选择出适宜对该类型数据进行处理的分类算法以方便日后对用户数据的处理算法选择。

关键词数据挖掘用户分析决策树神经网络贝叶斯分类算法analysisofusersbehaviorbasedonmobilebigdataAbstractInrecentyears,datamininghasarousedgreatconcernininformationindustry,mainlyduetothepresenceoflargeamountsofdatawhichcanbewidelyused,andtheurgentneedtoconvertingthesedataintousefulinformationandknowledge.Informationandknowledgegainedfromthesedatacanbewidelyusedinvariousapplications,suchasincludingbusinessmanagement,productioncontrol,marketanalysis,engineering,scientificexploration.Withthepopularityofmobiledevices,traditionalcommunicationsoperatorswillhaveunparalleleddataresources.Extractthedatafromthemassiveusercustomerinformationandthendevelopareasonablemarketingprojectsarenecessaryforoperatorstoattractandretaintheircustomers.Thispaperwillbaseonthemobileusertrafficdatawhichhadbeenlabelsthroughclustering,anduseNeuralNetwork,DecisionTree,andNaveBayesianclassificationalgorithmtotrainingclassifyingmodel,andatthesametimesummeduptheadvantagesanddisadvantagesofeachalgorithm,selectingtheappropriatealgorithmforthistypeofdatatofacilitatethechooseoftheclassificationalgorithminthefuture.KeywordsDataMiningUseranalysisDecisionTreeNeuralNetworkNaveBayes第一章第一章绪论绪论1.1背景背景随着云时代的来临，大数据（Bigdata）这个概念正逐渐被人们所熟知。

人们在每天的日常生活中都将产生数以PB（1024TB=1PB）的数据。

根据国际数据公司（IDC）的研究结果发现，在2008年全球产生数据量为0.49ZB（1ZB=1024EB,1EB=1024TB），在2009年数据量为0.8ZB，而到了2010年则增长为1.2ZB，2011年产生的数量更是高达1.82ZB，相当于全球每个人产生200GB以上的数据。

IBM的研究表明，整个人类文明所获得的全部数据里，有90%的数据是过去两年内产生的。

以此推测到了2020年，全世界所产生的数据规模将达到2012年的44倍。

在如此庞大的数据中，蕴含着人类无法估量的商业价值以及科研价值。

智能手机和一些随身设备的普及使得人们的行为、位置甚至是习惯等数据都成为了可以被记录和分析的数据。

以此为基础，“反馈型经济”（feedbackeconomy）等新经济、新型商业模式也正在形成。

由此，移动互联网现已成为最具潜力的市场之一。

其中，传统通信运营商在这方面无疑具备无可比拟的数据资源优势，在网络、业务运营和为用户提供服务的过程中能够有效而直接地挖掘用户具体信息、获取网络状态和识别终端业务等特征数据。

通过对这些特征数据进行充分的挖掘和分析，能够对用户的使用行为、兴趣爱好、发展趋势等进行全面了解，进而对运营商增值业务进行有效的指导。

1.2国内现状国内现状随着中国电信业改革和重组的进程不断深化，目前中国电信业的市场格局已经发生了巨大的变化。

从早期的邮电分营、移动寻呼剥离、联通网通以及铁通的出现再到中国加入WTO协议，国外电信运营商逐步进入中国电信市场争夺中国电信市场份额，这都加剧了国内各电信企业之间的业务竞争。

面对如此激烈的市场竞争，如何改变现在的经营方式，寻找一种全新的盈利模式，提高自身的核心竞争力，成为中国电信运营商们所必须考虑的问题。

对于我国移动通信商来说客户关系管理显得尤为重要。

电信行业发展到今天，各种电信企业与客户的交互发生了很大变化，谁也不能保证客户会对你从一而终，电信企业想要保留自己的客户，就必须更多的了解客户的需求。

电信企业要与自己的客户建立一种持久的关系，并从每一个客户身上获取最大的利润，降低且的运营成本，减少因客户的离去而产生的损失和无效的经营决策而产生的浪费，就要求个企业能够深入了解客户习惯、喜好，由此正确的估计到客户对电信产品的品种需求，并在最短的时间内满足客户的各种需求。

想要做到这些，就必须对客户在与企业交互过程中的各种客户数据收集、整理和分析，然后再根据收集到的数据，挖掘出隐含在数据中的有用的信息和知识。

但是随着数据库技术的广泛应用和发展，企业的客户数量爆炸式的膨胀，很多企业由于缺乏发现隐藏在众多数据中的有用信息的能力，故他们就没有办法将隐含在这些数据中的信息转换为有用的知识。

数据挖掘技术就是帮助他们解决同客户在交互过程中遇到的各种问题的一种重要的技术。

国内外在进行基于手机用户行为分析中，主要以流量、数量以及消费等信息的应用研究为主。

这类研究只能阶段性地解决一些市场发展和业务营销问题。

随着移动业务的不断蓬勃发展以及用户需求的不断更新，深层次的用户建模也就越发重要。

深层次的用户建模对用户手机使用业务偏好、上网时间、位置轨迹和终端特征等进行数据挖掘，针对不同用户群体进行精确营销，根据不同用户的访问、点击行为推测用户的兴趣偏好，推荐不同的商品或推送内容。

在移动互联网时代，用户对内容信息的获取更为迫切，为用户推荐合适的内容能够增加用户的黏性，降低用户流失率。

1.3本次研究工作本次研究工作本文的主要工作是从移动网络用户流量数据中挖掘出用户分类模型。

本文首先阐述了网络用户行为分析的重要性以及本次工作的意义，同时对网络用户信息特点以及现有的用户建模系统进行介绍。

之后本文将使用运营商提供的用户数据作为训练数据集进行用户流量使用模式挖掘，依据聚类后打上的分类标签，分别使用神经网络、贝叶斯分类算法以及决策树分类算法来训练出用户流量分类模型，并对分类后的模型进行评估，选择出较优的分类模型，同时也对用户数据预处理的合理性进行探讨。

1.4论文组织框架论文组织框架文章结构具体安排如下：

第一章首先介绍了课题的背景并提出了本文所要处理的问题以及研究该问题的必要性等。

之后大致介绍了本文接下来的工作内容以及研究目的，同时对文章的大致结构进行整体描述。

第二章主要是对用户行为分析进行简单的概述。

本章首先对网络用户数据的特点以及来源进行综述，之后对用户建模方式进行介绍。

第三章首先将对本次工作进行概述，并对所使用的用户数据进行介绍说明，同时对该用户数据进行预处理。

之后使用数据挖掘中的三种不同分类算法建立用户流量分类模型，同时对生成的模型进行对比评估，进而选择出合适的分类算法。

第四章将对本文工作进行总结与展望。

第二章第二章移动网络用户行为分析移动网络用户行为分析2.1概述概述用户行为研究主要的工作就是研究用户的行为习惯，以此来更好地了解用户以及他们的需求。

随着通信网络的不断优化与进步，如今用户可以随时随地地高速访问各种无线数据业务。

通信运营商也抓住了这个契机，推出了各种服务于手机用户的移动互联网数据业务，例如手机阅读、手机音乐、手机邮箱等，数据流量也与日俱增。

数据显示到2011年底，我国的移动业务市场规模已经接近3500亿元。

随着移动增值业务发展步伐的加快，国内移动的增值业务收入也已经占移动运营商业务总收入的30%。

移动增值业务多元化的利润增长点逐步形成1。

随着移动数据业务日渐丰富，新兴业务特别是移动数据业务在整个市场中所占百分比将逐年提高，这也是市场发展的重要推动力。

移动通信的发展与演变，总是伴随着用户需求或潜在需求开始的。

面对如此众多的增值业务，提供哪些业务和不提供哪些业务，业务之间是否相关以及哪些业务有较好的前景等，这些问题都十分的重要2。

了解用户的行为兴趣，让用户快速找到感兴趣的业务从而达到增值业务的有效推荐等已然成为三大通信运营商面临的共同问题，同时也是规划设计和日常优化的重要内容3。

因此，只有在知道了用户的地点、时间，以及访问内容等信息后，才能够准确及时地把握用户需求，进而对客户群体进行细分，实现差异化营销，增大用户群体的黏性。

为此，就需要对用户访问移动互联网信息进行深度地挖掘与分析，了解用户兴趣以及访问习惯，进而借助有针对性的网络营销手段快速地将业务推广到用户终端，促使用户访问所感兴趣的内容，从而实现移动互联时代的精细化运营4。

一条解决途径就是进行数据挖掘，从而建立用户行为模型，最终实现用户行为的分析预测，为运营商提供科学决策的基础。

2.2移动网络用户数据及特征移动网络用户数据及特征2.2.1.网络用户数据特征网络用户数据特征网络用户行为就是网络用户的特点、构成以及其在网络应用过程中行为活动上所表现出来的规律，其中隐藏着大量用户的消费习惯，偏好或是终端设备等有价值的信息。

这些信息都存在于网络中。

移动网络用户行为分析的数据主要包括以下几个方面：

（1）用户数据，用户的基础信息数据；

（2）用户访问记录，用户使用业务的时间以及时长等日志型数据；

（3）用户业务品牌数据，用户所使用的套餐类型数据；

（4）网络基础数据，网络的资源数据，例如小区、基站、BSC、RNC、MSC、GGSN等数据；

（5）网络性能数据，网元的话务、流量等话统数据。

由上述基本数据又可以组合成较为复杂的数据信息，例如上下文信息（Context），用户行为（Behavior）以及相互关系信息（Relationship）等。

如何利用丰富的上下文信息和移动用户行为等信息获取用户