本文關(guān)鍵詞：面向移動(dòng)商務(wù)的數(shù)據(jù)挖掘方法及應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),隨著移動(dòng)互聯(lián)網(wǎng)相關(guān)技術(shù)的高速發(fā)展,各種移動(dòng)應(yīng)用和服務(wù)在規(guī)模上呈現(xiàn)出前所未有的增長(zhǎng)態(tài)勢(shì)。種類(lèi)繁多的移動(dòng)應(yīng)用和服務(wù)覆蓋了諸如生活?yuàn)蕵?lè)、在線(xiàn)社交、導(dǎo)航定位等各種功能層面,從而滿(mǎn)足了移動(dòng)用戶(hù)在日常生活中各式各樣的功能需求。與此同時(shí),這些移動(dòng)應(yīng)用和服務(wù)也產(chǎn)生了海量的用戶(hù)交互記錄與歷史商務(wù)數(shù)據(jù),為研究者深入探索移動(dòng)商務(wù)環(huán)境下的潛在價(jià)值、開(kāi)發(fā)全新的移動(dòng)商務(wù)應(yīng)用和服務(wù)帶來(lái)了全新的機(jī)遇和挑戰(zhàn)。事實(shí)上,針對(duì)移動(dòng)商務(wù)智能的研究方興未艾,近年來(lái)在國(guó)際學(xué)術(shù)界和產(chǎn)業(yè)界均受到廣泛的重視�；谝陨媳尘�,本文開(kāi)展了針對(duì)移動(dòng)商務(wù)的數(shù)據(jù)挖掘方法的一系列探索性研究。具體地,結(jié)合來(lái)自于智能移動(dòng)應(yīng)用程序(簡(jiǎn)稱(chēng)移動(dòng)App)的新型商務(wù)數(shù)據(jù),從用戶(hù)理解、應(yīng)用理解、應(yīng)用孵化等三個(gè)層面開(kāi)展了研究工作�；谶@三個(gè)層面,分別提出了情境感知的移動(dòng)用戶(hù)個(gè)性化偏好挖掘方法、基于擴(kuò)展信息的移動(dòng)App分類(lèi)方法、面向移動(dòng)App的排名欺詐檢測(cè)方法、面向移動(dòng)App的流行度建模方法、安全隱私感知的移動(dòng)App推薦方法等探索性工作。具體而言,本文的主要研究貢獻(xiàn)總結(jié)如下： 第一,通過(guò)分析來(lái)自于用戶(hù)移動(dòng)設(shè)備的豐富情境日志,提出了一種情境感知的移動(dòng)用戶(hù)個(gè)性化偏好挖掘方法,從而幫助實(shí)現(xiàn)基于情境感知的個(gè)性化移動(dòng)推薦系統(tǒng)。針對(duì)情境日志缺乏顯式評(píng)分、記錄稀疏、特征復(fù)雜等挑戰(zhàn),設(shè)計(jì)了一種全新的基于多用戶(hù)數(shù)據(jù)的偏好挖掘框架。在此框架下,首先通過(guò)對(duì)多用戶(hù)情境數(shù)據(jù)的分析來(lái)挖掘移動(dòng)用戶(hù)的公共偏好。然后,將單個(gè)用戶(hù)的個(gè)性化偏好表示為這些公共偏好上的概率分布。特別地,根據(jù)情境數(shù)據(jù)建模的需要,提出了兩種不同的情境建模獨(dú)立性假設(shè),并且分別根據(jù)這兩種假設(shè)設(shè)計(jì)了不同的方法來(lái)挖掘移動(dòng)用戶(hù)的個(gè)性化偏好。具體來(lái)說(shuō),當(dāng)情境數(shù)據(jù)被認(rèn)為是相互條件獨(dú)立的,采用概率主題模型對(duì)情境數(shù)據(jù)和用戶(hù)行為進(jìn)行建模；如果情境數(shù)據(jù)被認(rèn)為是相互依賴(lài)的,則采用行為模式挖掘算法和貝葉斯非負(fù)矩陣分解的辦法來(lái)進(jìn)行建模。最后,在一個(gè)真實(shí)世界的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明本文提出的方法相對(duì)于其他基準(zhǔn)方法能夠更好地為移動(dòng)用戶(hù)提供基于情境感知的個(gè)性化推薦。 第二,通過(guò)擴(kuò)展來(lái)自于Web和情境日志的輔助信息,提出了一種自動(dòng)化的移動(dòng)App分類(lèi)方法,從而實(shí)現(xiàn)移動(dòng)用戶(hù)的行為理解以及移動(dòng)App的管理需求。針對(duì)移動(dòng)App缺乏必要的上下文信息訓(xùn)練分類(lèi)器這一難題,提出了一個(gè)全新的分類(lèi)框架。該框架可以利用外部的輔助信息擴(kuò)充移動(dòng)App本身稀少的上下文信息,從而使得我們能夠?qū)σ苿?dòng)App進(jìn)行有效的分類(lèi)。具體來(lái)說(shuō),首先利用Web搜索引擎為移動(dòng)App擴(kuò)充必要的文本信息,并且基于此提出了多個(gè)有效的分類(lèi)特征。其次,基于近年來(lái)在情境信息領(lǐng)域的研究成果,提出使用真實(shí)世界的情境日志來(lái)為移動(dòng)App擴(kuò)充上下文信息,并設(shè)計(jì)了多個(gè)有效的基于情境感知的分類(lèi)特征。隨后,將提取的各種特征整合到經(jīng)典的最大熵分類(lèi)模型中來(lái)訓(xùn)練一個(gè)高效的移動(dòng)App分類(lèi)器。最后,在一個(gè)真實(shí)的移動(dòng)App數(shù)據(jù)集上測(cè)試了提出的分類(lèi)方法,實(shí)驗(yàn)結(jié)果表明本文提出的方法相比其它基準(zhǔn)方法能夠更加有效地對(duì)移動(dòng)App進(jìn)行分類(lèi)。 第三,通過(guò)研究來(lái)自于在線(xiàn)移動(dòng)App商店的長(zhǎng)期商務(wù)數(shù)據(jù),提出了一種面向移動(dòng)App的排名欺詐檢測(cè)方法,從而發(fā)現(xiàn)不良App開(kāi)發(fā)商的惡意刷榜行為。具體而言,首先定義了面向移動(dòng)App的排名欺詐問(wèn)題,然后介紹和分析了解決這一問(wèn)題所面臨的諸多技術(shù)挑戰(zhàn),例如欺詐時(shí)間定位、欺詐自動(dòng)化檢測(cè)、欺詐證據(jù)提取等等。基于上述挑戰(zhàn),開(kāi)發(fā)了一個(gè)全自動(dòng)化的移動(dòng)App排名欺詐檢測(cè)系統(tǒng)。首先通過(guò)挖掘移動(dòng)App在排行榜上的活躍周期來(lái)定位排名欺詐可能出現(xiàn)的時(shí)間段。然后通過(guò)對(duì)各個(gè)App在歷史中的排名記錄和用戶(hù)評(píng)分、評(píng)論記錄進(jìn)行分析,提取出了三類(lèi)共七種欺詐證據(jù)。進(jìn)一步,提出了一種全新的非監(jiān)督證據(jù)整合方法來(lái)實(shí)現(xiàn)最后的排名欺詐檢測(cè)。最后,使用Apple Appstore中超過(guò)兩年的App排行榜數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果證明本文提出的方法能夠有效地檢測(cè)出移動(dòng)App排名欺詐現(xiàn)象。 第四,通過(guò)整合來(lái)自于移動(dòng)App的多種異構(gòu)流行度信息,提出了一種面向移動(dòng)App的流行度建模方法,從而幫助實(shí)現(xiàn)多種移動(dòng)智能服務(wù)。目前基于移動(dòng)App流行度的相關(guān)研究十分離散,主要分散在移動(dòng)推薦系統(tǒng)、移動(dòng)App異常檢測(cè)等領(lǐng)域,缺乏一個(gè)綜合的模型對(duì)相關(guān)信息和問(wèn)題進(jìn)行整合。針對(duì)這一挑戰(zhàn),提出了一種基于隱馬爾科夫模型的擴(kuò)展模型對(duì)App的排名、用戶(hù)評(píng)分、用戶(hù)評(píng)論等三種重要流行度信息進(jìn)行綜合建模。同時(shí),提出了一種基于二部圖聚類(lèi)的模型參數(shù)估計(jì)方法,用以實(shí)現(xiàn)高效的模型訓(xùn)練。特別地,基于所提出的模型,展示了多種潛在的移動(dòng)智能服務(wù),比如基于趨勢(shì)的移動(dòng)App推薦等等。最后,在兩個(gè)采集于Apple Appsotre的數(shù)據(jù)集中進(jìn)行了豐富的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果清晰地驗(yàn)證了本文所提出建模方法的有效性。 最后,通過(guò)挖掘來(lái)自于移動(dòng)App的數(shù)據(jù)訪問(wèn)權(quán)限和流行度信息,提出了一種安全隱私感知的移動(dòng)App推薦方法,從而滿(mǎn)足移動(dòng)用戶(hù)在安全隱私保護(hù)方面的需求,并促進(jìn)移動(dòng)App產(chǎn)業(yè)的健康發(fā)展。事實(shí)上,現(xiàn)有的移動(dòng)App推薦系統(tǒng)僅僅考慮評(píng)分、下載量等流行度信息,而不考慮其潛在的安全隱私風(fēng)險(xiǎn),因此很難滿(mǎn)足移動(dòng)用戶(hù)對(duì)于安全隱私保護(hù)的需求。針對(duì)這一問(wèn)題,設(shè)計(jì)了一種全新的移動(dòng)App推薦系統(tǒng),用來(lái)為用戶(hù)推薦既流行又安全的移動(dòng)App。首先,提出了一個(gè)擴(kuò)展性良好的移動(dòng)App安全隱私風(fēng)險(xiǎn)評(píng)估方法,這一方法可以自由整合各種關(guān)于安全隱私風(fēng)險(xiǎn)的先驗(yàn)信息,并且不需要任何的顯式函數(shù)定義。緊接著,根據(jù)經(jīng)濟(jì)學(xué)中的投資組合理論,提出了一種全新的優(yōu)化方法來(lái)實(shí)現(xiàn)移動(dòng)App推薦時(shí)在流行度與用戶(hù)安全偏好上的折中。特別地,進(jìn)一步設(shè)計(jì)了一個(gè)新穎的數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)App哈希樹(shù),用來(lái)實(shí)現(xiàn)海量移動(dòng)App在不同類(lèi)別和安全級(jí)別下的快速推薦和管理。最后,在一個(gè)采集自Google Play的大規(guī)模數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果充分地驗(yàn)證了本文所提出的移動(dòng)App安全風(fēng)險(xiǎn)評(píng)估方法,以及推薦算法的有效性。
【關(guān)鍵詞】：移動(dòng)用戶(hù) 移動(dòng)商務(wù) 移動(dòng)App 情境感知 推薦系統(tǒng)
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TP311.13
【目錄】：

• 摘要5-8
• ABSTRACT8-11
• 目錄11-16
• 表格16-18
• 插圖18-22
• 算法22-23
• 第一章 緒論23-35
• 1.1 研究背景和意義23-26
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀26-28
• 1.3 主要研究工作28-31
• 1.4 論文的組織結(jié)構(gòu)31-35
• 第二章 情境感知的移動(dòng)用戶(hù)個(gè)性化偏好挖掘方法35-65
• 2.1 引言35-37
• 2.2 相關(guān)工作37-39
• 2.3 預(yù)備知識(shí)和方法概覽39-41
• 2.4 基于情境數(shù)據(jù)條件獨(dú)立性假設(shè)的移動(dòng)用戶(hù)偏好挖掘方法41-46
• 2.4.1 基于LDA模型的用戶(hù)偏好學(xué)習(xí)43-44
• 2.4.2 基于LDAC模型的用戶(hù)偏好學(xué)習(xí)44-45
• 2.4.3 公共偏好數(shù)目估計(jì)方法45-46
• 2.5 基于情境數(shù)據(jù)依賴(lài)性假設(shè)的移動(dòng)用戶(hù)偏好挖掘方法46-51
• 2.5.1 活動(dòng)相關(guān)情境的挖掘方法47-48
• 2.5.2 基于矩陣分解方法的用戶(hù)偏好學(xué)習(xí)48-50
• 2.5.3 公共偏好數(shù)目估計(jì)方法50-51
• 2.6 實(shí)驗(yàn)結(jié)果分析51-62
• 2.6.1 實(shí)驗(yàn)數(shù)據(jù)集51-53
• 2.6.2 實(shí)驗(yàn)用基準(zhǔn)方法53-54
• 2.6.3 方法評(píng)價(jià)指標(biāo)54-55
• 2.6.4 實(shí)驗(yàn)結(jié)果總體分析55-59
• 2.6.5 魯棒性測(cè)試59
• 2.6.6 案例分析59-62
• 2.7 本章小結(jié)62-63
• 2.8 附錄：CIAP-LDAC方法的Gibbs采樣推導(dǎo)63-65
• 第三章 基于擴(kuò)展信息的移動(dòng)App分類(lèi)方法65-91
• 3.1 引言65-67
• 3.2 相關(guān)工作67-68
• 3.3 預(yù)備知識(shí)和方法概覽68-71
• 3.4 構(gòu)建移動(dòng)App分類(lèi)器的技術(shù)細(xì)節(jié)71-79
• 3.4.1 基于Web搜索引擎的文本特征提取71-74
• 3.4.2 基于用戶(hù)情境日志的輔助特征提取74-78
• 3.4.3 移動(dòng)App分類(lèi)器的訓(xùn)練78-79
• 3.5 實(shí)驗(yàn)結(jié)果分析79-88
• 3.5.1 實(shí)驗(yàn)數(shù)據(jù)及設(shè)置79-81
• 3.5.2 實(shí)驗(yàn)用基準(zhǔn)方法81-82
• 3.5.3 方法評(píng)價(jià)指標(biāo)82
• 3.5.4 實(shí)驗(yàn)結(jié)果總體分析82-85
• 3.5.5 分類(lèi)模型的效率分析85
• 3.5.6 應(yīng)用案例：基于App使用的用戶(hù)分組85-88
• 3.6 本章小結(jié)88-91
• 第四章 面向移動(dòng)App的排名欺詐檢測(cè)方法91-121
• 4.1 引言91-93
• 4.2 相關(guān)工作93-94
• 4.3 移動(dòng)App的活躍周期識(shí)別方法94-96
• 4.3.1 預(yù)備知識(shí)94-95
• 4.3.2 活躍周期挖掘算法95-96
• 4.4 排名欺詐檢測(cè)的證據(jù)提取方法96-109
• 4.4.1 基于排名的欺詐證據(jù)96-102
• 4.4.2 基于評(píng)分的欺詐證據(jù)102-104
• 4.4.3 基于評(píng)論的欺詐證據(jù)104-106
• 4.4.4 欺詐證據(jù)整合106-109
• 4.5 方法討論109-110
• 4.6 實(shí)驗(yàn)結(jié)果分析110-120
• 4.6.1 實(shí)驗(yàn)數(shù)據(jù)110-111
• 4.6.2 挖掘App的活躍周期111-112
• 4.6.3 基于人工標(biāo)注的評(píng)價(jià)方法112-116
• 4.6.4 案例學(xué)習(xí)：評(píng)價(jià)App的可信度116-118
• 4.6.5 證據(jù)整合方法的魯棒性討論118-120
• 4.7 本章小結(jié)120-121
• 第五章 面向移動(dòng)App的流行度建模方法121-141
• 5.1 引言121-122
• 5.2 相關(guān)工作122-123
• 5.3 方法概覽123-125
• 5.3.1 App流行度信息123-125
• 5.3.2 問(wèn)題描述125
• 5.4 面向App的流行度建模方法詳解125-130
• 5.4.1 PHMM的模型訓(xùn)練126-128
• 5.4.2 流行度狀態(tài)數(shù)目估計(jì)128-130
• 5.5 PHMM的模型應(yīng)用130-133
• 5.6 實(shí)驗(yàn)結(jié)果分析133-139
• 5.6.1 PHMM的模型訓(xùn)練效果133-134
• 5.6.2 PHMM模型的有效性分析134-138
• 5.6.3 PHMM的魯棒性測(cè)試138-139
• 5.7 本章小結(jié)139-141
• 第六章 安全隱私感知的移動(dòng)App推薦方法141-165
• 6.1 引言141-143
• 6.2 相關(guān)工作143-144
• 6.3 安全隱私感知的移動(dòng)App推薦系統(tǒng)概覽144-148
• 6.3.1 預(yù)備知識(shí)144-147
• 6.3.2 推薦系統(tǒng)框架概覽147-148
• 6.4 學(xué)習(xí)移動(dòng)App的安全風(fēng)險(xiǎn)值148-151
• 6.5 移動(dòng)App推薦算法151-155
• 6.6 實(shí)驗(yàn)結(jié)果分析155-163
• 6.6.1 實(shí)驗(yàn)數(shù)據(jù)集155-157
• 6.6.2 移動(dòng)App安全級(jí)別劃分157-158
• 6.6.3 移動(dòng)App的安全風(fēng)險(xiǎn)排序158-162
• 6.6.4 移動(dòng)App推薦性能分析162-163
• 6.7 本章小結(jié)163-165
• 第七章 總結(jié)與展望165-169
• 7.1 工作總結(jié)165-167
• 7.2 未來(lái)研究展望167-169
• 參考文獻(xiàn)169-185
• 致謝185-187
• 在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果187-193
• 已發(fā)表/接收期刊論文187-188
• 已發(fā)表/接收會(huì)議論文188-191
• 已申請(qǐng)發(fā)明專(zhuān)利191
• 主要參與的科研項(xiàng)目情況191-192
• 攻讀學(xué)位期間獲得的學(xué)術(shù)獎(jiǎng)勵(lì)192-193

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 茹立云;李智超;馬少平;;搜索引擎索引網(wǎng)頁(yè)集合選取方法研究[J];計(jì)算機(jī)研究與發(fā)展;2014年10期

2 李玉坤;任標(biāo);趙喜燕;劉里;肖迎元;;個(gè)人數(shù)據(jù)管理技術(shù)研究[J];計(jì)算機(jī)科學(xué)與探索;2014年11期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 杜亞娟;基于條件隨機(jī)場(chǎng)的多引擎云安全機(jī)制研究[D];湘潭大學(xué);2012年

2 胡桑;基于混合模型的阿拉伯語(yǔ)命名實(shí)體識(shí)別[D];哈爾濱工業(yè)大學(xué);2013年

3 楊凡;基于免疫克隆選擇的垃圾網(wǎng)頁(yè)檢測(cè)技術(shù)研究[D];西南交通大學(xué);2014年

4 陳賀昌;基于網(wǎng)絡(luò)結(jié)構(gòu)多樣性分析的新型網(wǎng)頁(yè)排名算法[D];吉林大學(xué);2014年

  本文關(guān)鍵詞：面向移動(dòng)商務(wù)的數(shù)據(jù)挖掘方法及應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：369170