近年來(lái),智能手機(jī)憑借其強(qiáng)大的功能,占據(jù)了手機(jī)市場(chǎng)的絕大多數(shù)份額。作為智能手機(jī)的主要組成部分,智能手機(jī)應(yīng)用(APP)也展現(xiàn)出了蓬勃的發(fā)展態(tài)勢(shì)。為了能在激烈的市場(chǎng)競(jìng)爭(zhēng)中脫穎而出,APP開(kāi)發(fā)者要時(shí)刻關(guān)注用戶的喜好變化,盡可能滿足用戶的需求,為用戶提供最便捷的服務(wù)。隨著數(shù)據(jù)存儲(chǔ)技術(shù)的發(fā)展,龐大的APP用戶群體產(chǎn)生出的海量行為數(shù)據(jù)得以存儲(chǔ)下來(lái),通過(guò)對(duì)這些數(shù)據(jù)進(jìn)行深入的分析和挖掘,能夠獲取到用戶的的行為習(xí)慣特征,并提前預(yù)知用戶的某些行為。對(duì)用戶行為的預(yù)測(cè)可以為APP的開(kāi)發(fā)和運(yùn)營(yíng)提供決策支持,從而為用戶提供更個(gè)性化的服務(wù)。對(duì)于APP開(kāi)發(fā)者而言,用戶的流失和付費(fèi)是他們最為關(guān)心的兩個(gè)行為特征,因此,基于上述背景,本文利用某APP的真實(shí)用戶數(shù)據(jù),對(duì)APP用戶的流失和付費(fèi)行為預(yù)測(cè)算法進(jìn)行了研究,主要內(nèi)容如下:1.APP用戶原始數(shù)據(jù)預(yù)處理。本文首先針對(duì)數(shù)據(jù)集中存在的數(shù)據(jù)異常、重復(fù)等問(wèn)題進(jìn)行了相應(yīng)處理。然后,從處理后的數(shù)據(jù)集中提取出了能反映用戶行為習(xí)慣的關(guān)鍵統(tǒng)計(jì)數(shù)據(jù),以及用戶行為的動(dòng)態(tài)變化特征,為每個(gè)用戶構(gòu)建了用戶畫像。同時(shí),本文也對(duì)用戶的行為特點(diǎn)進(jìn)行了總體的分析,明確了后續(xù)用戶行為預(yù)測(cè)的重點(diǎn)。2.基于生存模型...

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－３用戶操作Ｓｐｉｎ的累計(jì)數(shù)量??數(shù)量累計(jì)曲線進(jìn)行了擬合

ｙ（’）?＝?１?＋?（２＿１）??方程中有兩個(gè)參數(shù)ｇ和０，這兩個(gè)參數(shù)決定了曲線的形狀。圖２－４展示了四種不同ｇ??和彡下，ｓｉｇｍｏｉｄ函數(shù)形狀的變化。因此，這兩個(gè)參數(shù)可以一定程度上描述用戶行為的??變化情況，它們作為用戶行為動(dòng)態(tài)特征參數(shù)，被一起加入到每個(gè)用戶的用戶畫像中。??....

圖２－４不同參數(shù)下ｓｉｇｍｏｉｄ函數(shù)的形狀??錄的用戶

圖２－４不同參數(shù)下ｓｉｇｍｏｉｄ函數(shù)的形狀??錄的用戶。??如圖２．５（ａ）所示，是數(shù)據(jù)集中所有流失用戶和非流失用戶的數(shù)量對(duì)比。其中橫軸０??代表未流失用戶，１代表流失用戶，可以看到，流失用戶和非流失用戶的比例非常不平??衡，流失用戶非常多，而非流失用戶很少。同樣的現(xiàn)象也出現(xiàn)在如....

圖２－５付費(fèi)和流失用戶數(shù)量??

＾Ｖ＞３°??１１－５０??圖２－６用戶付費(fèi)次數(shù)統(tǒng)計(jì)??２．４．２用戶生命周期分布??用戶生命周期，是指用戶從注冊(cè)開(kāi)始，到最后流失所經(jīng)歷的整個(gè)時(shí)間長(zhǎng)度。根據(jù)以??上定義，圖２－７展示了某一天新注冊(cè)用戶的生命周期長(zhǎng)度的統(tǒng)計(jì)分布和概率分布。??其中，統(tǒng)計(jì)分布圖橫軸為用戶的生命周期長(zhǎng)度....

圖２－６用戶付費(fèi)次數(shù)統(tǒng)計(jì)??

（ａ）流失用戶和非流失用戶數(shù)量?（ｂ）付費(fèi)和非付費(fèi)用戶數(shù)量??圖２－５付費(fèi)和流失用戶數(shù)量??２７．３％??２￣１０?ｆ?４０．３％??＾Ｖ＞３°??１１－５０??圖２－６用戶付費(fèi)次數(shù)統(tǒng)計(jì)??２．４．２用戶生命周期分布??用戶生命周期，是指用戶從注冊(cè)開(kāi)始，到最后流失所經(jīng)歷的整個(gè)時(shí)間....

本文編號(hào)：3975680