網(wǎng)絡(luò)用戶行為分類的研究.pdf

1、互聯(lián)網(wǎng)發(fā)展到今天，網(wǎng)民數(shù)量逐漸擴(kuò)大，基于互聯(lián)網(wǎng)的應(yīng)用層出不窮。網(wǎng)絡(luò)已經(jīng)成為人們生活的一部分，人們在網(wǎng)絡(luò)中學(xué)習(xí)、溝通、娛樂，表現(xiàn)出不同的網(wǎng)絡(luò)行為。研究人們的網(wǎng)絡(luò)行為，發(fā)現(xiàn)數(shù)據(jù)背后的規(guī)律，對于用戶個性化推薦，網(wǎng)絡(luò)優(yōu)化，企業(yè)精準(zhǔn)化營銷具有重要意義。
　　本論文主要研究聚類分析在網(wǎng)絡(luò)用戶行為中的應(yīng)用，將用戶瀏覽的網(wǎng)頁和客戶端記錄進(jìn)行整理合并，使用優(yōu)化的K-means算法，得到聚類模型，分析模型的差異化特征，提出針對性營銷策略和網(wǎng)絡(luò)優(yōu)化改進(jìn)

2、方法。
　　本文研究如何將聚類分析應(yīng)用到網(wǎng)絡(luò)用戶行為分析，主要包括以下內(nèi)容:
　　(1)研究網(wǎng)絡(luò)用戶行為，介紹網(wǎng)絡(luò)用戶行為概念、特點(diǎn)及分類，分析網(wǎng)絡(luò)用戶行為的重要性。
　　(2)研究網(wǎng)絡(luò)日志挖掘的過程和技術(shù)以及數(shù)據(jù)預(yù)處理方法和流程，分析聚類算法以及各自的優(yōu)缺點(diǎn)。
　　(3)數(shù)據(jù)源預(yù)處理，根據(jù)web訪問的特性對用戶數(shù)據(jù)進(jìn)行過濾、用戶識別、縮減數(shù)據(jù)規(guī)模，對K值的選取使用方差分析方法，優(yōu)化初始中心的選擇，選擇分布密度最

3、高的K個點(diǎn)作為初始聚類中心，使聚類結(jié)果穩(wěn)定可靠。實(shí)現(xiàn)了密度參數(shù)函數(shù)的設(shè)計(jì)，得到密度參數(shù)以及與其距離在平均距離以內(nèi)的各個數(shù)據(jù)點(diǎn)。通過實(shí)驗(yàn)證明優(yōu)化后的算法在聚類可靠性，穩(wěn)定性方面有一定提升。
　　(4)模型建立和總結(jié)規(guī)律，運(yùn)用K-means算法生成用戶上網(wǎng)行為的聚類模型，展現(xiàn)模型，分析網(wǎng)絡(luò)用戶行為的表現(xiàn)形式以及不同用戶群的行為差異。并對每個模型作了差異化分析，得到了每個模型的特點(diǎn)，分析了相似用戶群體的行為特征和其興趣規(guī)律，為企業(yè)的個性