在當(dāng)今互聯(lián)網(wǎng)迅速發(fā)展的時代,新型社交或多媒體網(wǎng)站層出不窮,其中不乏大量功能類似的競爭者,為互聯(lián)網(wǎng)世界增添活力的同時也給予了用戶更多的自由。站在在線多媒體網(wǎng)站的角度上看,只有大批量的用戶才能帶來穩(wěn)定的增長率和營業(yè)收入。因此為了保證網(wǎng)絡(luò)的競爭力和生命力,對于處于競爭關(guān)系中的網(wǎng)絡(luò)中的任意一方,監(jiān)控和預(yù)測用戶的遷移趨勢都成了極為重要的商業(yè)手段。然而,由于用戶遷移難以量化,數(shù)據(jù)集缺少合理的遷移樣本標(biāo)簽,所以目前對于在線用戶遷移的研究停留在統(tǒng)計和趨勢分析階段,而無法對未來的用戶遷移趨勢進(jìn)行監(jiān)控和預(yù)測。為了解決這個問題,本文選擇Acfun和Bilibili這兩個視頻網(wǎng)絡(luò)為目標(biāo)網(wǎng)絡(luò),并引入了重疊用戶的新浪微博數(shù)據(jù)來增強(qiáng)目標(biāo)網(wǎng)絡(luò)的用戶信息。首先,本文定義了用戶行為向量和用戶行為狀態(tài)來量化用戶在目標(biāo)網(wǎng)絡(luò)上的行為活動,并使用馬爾可夫鏈對用戶狀態(tài)遷移進(jìn)行計算并得到全局的狀態(tài)轉(zhuǎn)移矩陣,在此基礎(chǔ)上分析了整體的用戶遷移趨勢。在發(fā)現(xiàn)了用戶遷移趨勢的基礎(chǔ)上,本文提出了三種順序增強(qiáng)的用戶遷移預(yù)測模型,分別為GMOM模型,TMM模型和WITMM模型。其中在WITMM模型中引入了重疊用戶的微博特征數(shù)據(jù),并取得了最好的遷移預(yù)測...

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.17個社交網(wǎng)絡(luò)中單個網(wǎng)絡(luò)向其余網(wǎng)絡(luò)遷移趨勢雷達(dá)圖（AttentionMigration）

圖1.17個社交網(wǎng)絡(luò)中單個網(wǎng)絡(luò)向其余網(wǎng)絡(luò)遷移趨勢雷達(dá)圖（AttentionMigration）Newell[2]等人則利用Reddit在2015年發(fā)生的社區(qū)危機(jī)作為其在線用戶遷移的研究對象。該研究考察了2015年Reddit危機(jī)事件前后用戶向同類型競爭網(wǎng)絡(luò)....

圖2.1多社交網(wǎng)絡(luò)重疊用戶模型

則稱用戶u是跨社交網(wǎng)絡(luò)，，三網(wǎng)的重疊用戶。 5.用戶的行為內(nèi)容與個人資料信息因各個社交網(wǎng)絡(luò)的特色而不同。 圖2.1多社交網(wǎng)絡(luò)重疊用戶模型2.1.3多社交網(wǎng)絡(luò)重疊用戶發(fā)現(xiàn)方法目前，發(fā)現(xiàn)多社交網(wǎng)絡(luò)重疊用戶身份的研究方法大致分為以下幾種。1.基于....

圖3.2用戶視頻數(shù)量分布圖

圖3.2用戶視頻數(shù)量分布圖Acfun與Bilibili用戶播放量累計分布圖如下圖3.3所示。該分布圖采用半對數(shù)坐標(biāo)系，其中橫坐標(biāo)為對數(shù)坐標(biāo)，代表單個用戶視頻播放量，縱坐標(biāo)為不同播放量的用戶累計百分比。該圖顯示，Acfun的單個用戶播放量較Bilibili的單個....

圖3.3用戶播放量累計分布

17圖3.2用戶視頻數(shù)量分布圖Acfun與Bilibili用戶播放量累計分布圖如下圖3.3所示。該分布圖采用半對數(shù)坐標(biāo)系，其中橫坐標(biāo)為對數(shù)坐標(biāo)，代表單個用戶視頻播放量，縱坐標(biāo)為不同播放量的用戶累計百分比。該圖顯示，Acfun的單個用戶播放量較Bilibili的....

本文編號：3920537