基于多项logit模型的在线机票代理商选择行为

用户在线机票代理商选择行为的分析对旅游搜索网站机票搜索产品系统的改进非常重要。该文基于某旅游搜索网站机票搜索和预订用户的在线数据,对该网站的用户在线代理商选择行为进行分析。运用了多项logit模型理论及方法,将有关代理商的机票报价、评价、增值服务、页面位置以及市场份额的变量引入模型,并建立了可以解释该选择行为的对数价格多项logit模型。结果显示:用户的确最关注的是代理商的机票报价;搭售保险和评价人数过少都不利于用户对代理商的选择;增值服务的提供和较高的评分会增加用户对代理商的兴趣;用户更倾向于选择展示页面中靠前位置的代理商,其次是靠后的代理商;市场份额大的代理商对用户的选择行为会产生显著影响。预测检验表明该文建立的模型比历史数据预测方法有更高的预测精度。     

一种考虑用户兴趣转移特征的协同预测模型

大多数预测模型使用用户属性或社交关系信息来优化预测结果,然而真实系统中用户的属性或社交关系信息往往很难获得,或者取得的是虚假信息,从而导致用户行为表达不准确或模型不具有普适性.另外,几乎所有使用用户特征的模型仅考虑用户兴趣本身的度量,而忽视兴趣的变化这一重要特征.因此,本文提出一种考虑用户兴趣转移特征的协同预测模型.该模型根据用户连续行为序列构建用户兴趣转移特征和用户行为演变网络,利用用户兴趣转移特征计算用户相似性,进而搜索最近邻集合,利用用户行为演变网络筛选候选集,最后设计最频繁项提取算法来产生预测结果,从而构建用户行为的预测模型.在真实的新闻浏览日志、交互式网络电视视频访问日志和微软服务器日志上的实验表明该预测模型是有效的.     

基于改进GA-BP的移动通信用户流失预测算法

BP神经网络(BPNN)模型对移动通信用户流失的预测有较好的效果,但其全局搜索能力相对较弱,对初始网络权重非常敏感,因此本文通过对用户通信行为的分析,提出一种基于改进GA-BP的移动用户流失预测算法:用改进的遗传算法对BPNN的权值和阈值进行初始化,从而提高预测模型的准确率.改进的遗传算法采用一种自适应的交叉概率和变异概率计算策略,提高了遗传算法寻找全局最优解的能力.通过对比实验发现,本文构建的移动用户流失预测模型,在预测准确率上有着很好的表现.     

基于XGBoost算法的电商用户重复购买行为预测

机器学习算法广泛应用于电商用户行为数据分析及商业预测.其中，XGBoost算法作为一种常用的有监督机器学习算法，能够实现电商用户行为特征最优选择与行为模型构建、评估消费价值、预测重复购买行为概率、提高商业决策的精准性与可行性.本研究采用阿里云天池大数据竞赛“天猫复购预测”所提供的“双十一”电商购物节关联数据集中约42万电商平台用户产生的5 500万条行为数据，基于促销活动情境完成特征构造，实现有监督分类学习.本研究实现了XGBoost算法的参数优化与数据特征值处理过程优化，完成了促销活动后6个月内电商用户重复购买行为的预测模型演算.结果表明：优化后的XGBoost算法能够比较精准地预测电商用户重复购买行为、评估在线用户潜在购买价值、实现精准营销以及真正促进促销活动的长期投资回报率提高.     

异质搜索环境下的用户偏好性预测方法研究

提出了一系列基于搜索结果页面的特征用于学习分类器,自动预测用户的偏好性,并尝试将预测模型与用户实验结合起来。实验结果表明,尽管异质环境下搜索结果页面有着丰富的信息,但仅基于搜索结果页面的展现形式难以对用户的偏好性做出可靠的预测。     

融合多元影响因素的配电台区BiLSTM负荷预测方法

配电台区负荷预测是保障电力供需平衡的关键,对电力系统的安全预警、应急维护和经济运行具有重要的指导作用．受多种耦合因素影响,面向台区负荷的中短期常规预测方法存在较大的局限性．为提高台区负荷预测方法的泛化能力,提出一种基于双向长短期记忆网络(bidirectionallongshort-termmemory,BiLSTM),并引入要素主成分分析(principalcomponentanalysis,PCA)和用电行为分析的中短期日负荷预测模型．首先,基于PCA方法提取预选的影响用电负荷外在因素的主成分,实现对包含冗余、缺失和异常信息的输入变量的降维和修正;其次,依据历史负荷数据,利用基于遗传算法(geneticalgorithm,GA)的模糊C均值(fuzzyC-means,FCM)聚类提取台区内不同用户的用电行为特征并依此划分台区内的用户集合,降低用电行为差异对预测结果的影响;然后,搭建每类用户的BiLSTM预测模型,并应用随机权重平均(stochasticweightaveraging,SWA)算法提升预测模型的泛化能力,以年为单位预测日负荷电量;最后,将每类用户的负荷预测数据进行线性...     

图像搜索环境下用户满意度预测方法研究

搜索用户的满意度是搜索引擎性能的重要体现。在网页搜索中,通过用户行为,即用户和搜索引擎之间的交互信息,可以比较准确地预测用户满意度。根据图像和网页搜索过程中的相似和差异,整合和设计出用户交互行为中存在的特征,用来训练模型,并对用户满意度进行预测。实验结果表明,文章所提出的组合模型对图像搜索环境下用户满意度的预测有着较高的准确率。     

基于营销策略的用户离网预测模型

传统的用户离网预测方法都是针对用户信息、消费行为等数据,通过数据挖掘的方法进行预测。为此,在分析移动用户离网原因的基础上提出了一种基于营销策略的用户离网预测模型(CPMP:Churn Predictionbased on Market Plan)。该模型针对用户主动离网的主要原因是其他运营商推出新的营销策略这一事实,通过比较用户在不同营销策略下可能发生的行为,进而预测用户离网的可能性。实验结果表明,基于CPMP模型对不同营销方案比较所得出差异,直接影响用户离网率。通过对营销策略的对比分析,可有效控制离网率。     

基于多度量融合的微博转发行为预测方法

文章提出了一种基于多度量融合的微博转发行为预测方法(MRBP-MMF),该方法提取用户微博特征,设计了转发行为习惯度、历史微博认同度、微博内容相似度和转发行为相似度计算方法,并综合多种度量标准预测用户转发行为。在实际微博数据集上实验发现,MRBP-MMF方法对用户转发行为的预测灵敏度比融合前平均高出12%,分别比预测模型3:基于情感主题模型(The Third Prediction Model-Emotion topic based Model,PM3)和多异质扩散关系网络转发行为(Retweeting Behavior on Multiple Heterogeneous Diffusion Relation Networks,RBMHDRN)平均高出4%和0.7%,在训练数据较少的情况下,MRBP-MMF方法更具优越性。实验结果表明,MRBPMMF方法预测灵敏度高于基于微博正文或用户情感的转发行为预测方法。     

基于序列特征的点击率预测模型

点击率预测模型是主流推荐系统中十分重要的部分.根据点击率预测的打分来调整商品的展示策略,对提高业务的转化率、改进用户体验等有着重要的意义.传统的点击率预测模型是利用用户特征和商品特征,对点击率进行预测.然而,用户行为序列的结构特征,如周期性规律、趋势等也能一定程度地体现用户行为的倾向.针对部分信息利用上的空缺,使用时间序列分析单元,将提取用户行为序列的特征作为用户特征的扩展,结合因子分解机结构将其与用户、商品特征进行交叉,能够有效提高特征质量,优化点击率预测模型的性能.实验表明,结合用户行为序列特征进行交叉优化的方法能够对点击率预测模型的表现带来很大提升,提高点击率预测的精度.     

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型

对用户的Web浏览行为进行分析,既可以使用户减少等待时间,同时也能减轻网络负载.依据Web网站的层次结构特点,首先设计了基于Hash表的反向索引结构来提高数据的预处理速度;在此基础上,利用分层思想构建了基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型.给出了模型的设计思想、相关定义、模型框架以及模型中所涉及的关键构建方法等.最后,对模型进行了实验分析,结果表明在适当的预测准确率前提下,模型能够有效减少在预测时所需的候选网页数量,并大幅提升预测效率.     

基于局部信息增强注意力机制的网络流量预测

针对网络流量具有强烈的非线性和不确定性导致传统统计方式或者机器学习方法难以准确预测的问题,为进一步提升网络流量预测精度,在传统时序序列预测模型的基础上设计实现了一种局部上下文信息增强的注意力机制,通过卷积计算将输入转换为注意力机制中的Query和Key,从微观角度对时间序列进行解释,提高了预测模型的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络和门控循环单元两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。     

融合多通道信息的社交网络人格预测模型

构建了融合多通道信息的社交网络人格预测模型(MCIPP),在深度学习框架内用客观行为数据自动预测用户人格特质，并分析用户在线行为与其线下人格特质是否具有一致性。具体而言，利用双向长短期记忆网络(BiLSTM)和注意力机制(Attention)捕捉文本的上下文语义特征，通过图卷积网络((GCN)构造句法依存树，得到基于句法的结构表示，将Attention融入主题模型(Topic Model)从而提取深层语义信息，最后共同输入Softmax层得到用户微博的人格倾向。结果表明：MCIPP模型预测效果较好，准确率最高可达0.806 4.个体线上线下对应维度存在显著正相关，因此可采用该模型对用户网络数据进行心理建模，使理论驱动的心理科学研究能够客观解读个体心理和行为。     

基于概率图模型的互联网广告点击率预测

点击率预测可以提高用户对所展示互联网广告的满意度,支持广告的有效投放,是针对用户进行广告的个性化推荐的重要依据.对于没有历史点击记录的用户,仍需对其推荐广告,预测所推荐广告的点击率.针对这类用户,以贝叶斯网这一重要的概率图模型,作为不同用户之间广告搜索行为的相似性及其不确定性的表示和推理框架,通过对用户搜索广告的历史记录进行统计计算,构建反映用户间相似关系的贝叶斯网,进而基于概率推理机制,定量度量没有历史点击记录的用户与存在历史点击记录的用户之间的相似性,从而预测没有历史点击记录的用户对广告的点击率,为广告推荐提供依据.通过建立在KDD Cup 2012-Track 2的Tencent CA训练数据集上的实验,测试了方法的有效性.     

基于噪声处理的网络搜索和QCR-HHT模型的九寨沟客流量预测

客流量预测可以弥补强周期性和波动性客流冲击给景区和游客造成的影响,使有限的旅游资源提前得到合理调度和配置.在考虑网络搜索噪声的基础上,建立QCR(Query Chain Retrieve)搜索词链和HHT的网络搜索数据预测模型,对九寨沟旅游日客流量进行预测.通过对比时间序列模型、未经噪声处理的网络搜索预测模型和BP神经...     

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。     

一种新的砂泥岩孔隙度估计模型及其应用

针对不同岩性的储层孔隙类型不同,孔隙度结构也存在较大差异,导致支持向量回归机(SVR)在孔隙度预测中效果不理想这一问题,提出在孔隙度预测模型中考虑岩性信息的方法。该方法将样本岩性转化为一种与岩性变化相关性好的属性值,以此构造出一种新的预测模型。对于模型参数优选,提出使用网格粗选和智能精选相结合的方法,网格粗选确定最优解的近似范围,智能精选(遗传算法、粒子群算法)可以在局部区间搜索到最优解。利用优选出的参数建立预测模型,并将预测结果与实测资料进行对比。对比结果表明:加入岩性信息提高了模型的预测精度;在参数精选中,使用智能方法的预测精度高于常规网格搜索法。     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

网络科技用户的信息搜索行为刍议

为了使研究者高效地利用网络数据库产品,研究用户网络信息搜索行为具有重要意义。在分析国内外信息搜索的基础上,应用认知科学的理论,进行网络信息搜索行为的测试和探索性研究。