《手机上网用户行为分析系统》结题汇报

《《手机上网用户行为分析系统》结题汇报》由会员分享，可在线阅读，更多相关《《手机上网用户行为分析系统》结题汇报（30页珍藏版）》请在金锄头文库上搜索。

1、中国移动集团级重点研发项目 结题汇报报告,10/17/2018,项目名称：手机上网用户行为分析系统,一. 课题目标实现情况,目 录,二、主要研究成果（整合后）,研究背景,“十一五”期间，我国网民规模跃居全球第一，宽带普及率接近100%，手机网民规模迅速发展，互联网应用更加深入，推动着社会进步和人们生活方式的变革。随着移动互联网近几年快速的发展，作为移动互联网关键环节的中国移动正在感受这个浪潮带来的冲击。,上网流量同比上升112.3%,流量收入同比上升49.4%,高速发展的流量并没有带来相关收入的同步增长,研究背景,在以用户为中心的发展时代下，了解用户需求成为我们面对课题的第一步工作，这就需要我

2、们对我们网络中的流量有深入的了解，掌握我们用户的行为情况，便于我们针对性的调整运营战略，在正在到来的移动互联网大潮中未雨绸缪，迎接即将到来的挑战。 针对用户的需求分析作为中国移动具有先天的优势，海量的CMWAP、CMNET的日志信息蕴含着巨大的财富，通过用户移动互联网行为分析，一方面让我们更了解我们的用户，实现个性化需求的识别。同时在有限的资源情况下及时的为用户提供个性化的产品生产、个性化的匹配/分发。 通过针对用户上网行为的分析实现个性化需求的识别，成为数据部迫不及待需要解决的问题；同时在流量经营和精细化的营销方面具有非常重要的战略意义。,研究目标,建立一套完善的手机上网用户行为分析系统,

3、通过对用户手机上网访问行为进行分析，获取用户的访问轨迹、浏览页面内容、网站信息、浏览客户端信息、移动终端信息等，进行各类分析，形成各类用户模型。,网络爬虫,GPRS,网站 内容分析,用户行为分析,用户属性,内容属性,结果呈现,5个应用,细分营销活动,精确发展用户,引导自有业务,分析竞争业务,个性化内容,日志采集,研究目标,研究一种适应分类体系变化的海量网页快速分类系统，要求如下： 实现一个快速爬取手机用户访问日志的方法，需要深入到用户访问页面的标题、正文信息以及相关网页链接。 针对手机互联网，提出一种正文提取的方法。基于分块的基础上，提取每个信息块的信息量，并计算各个分块和网页title的相似

4、度，最终确定正文块。 基于主题的多分类方法。文本不被看作仅仅是由一些特征词所组成的，而是被看作是由一些主题构成的，主题是由一些特征词构成的。通过样本中不同类别的主题分布，实现预测出一个新的文本到底属于什么类别。,研究总体框架,手机上网用户行为分析项目研究的总体架构如下： 多数据海量数据预处理 海量数据存储和计算 “客户-内容”特征类标签分层可扩充体系 “客户-内容-业务”三维匹配矩阵 前台应用管理模块,研究总体框架,系统海量数据存储和计算功能是整个系统的核心功能实现模块，根据功能的层次结构可以进一步细分为以下层次： 数据采集和接口层：它负责从不同类型的网络中的接入和采集数据。针对网络自身的特性

5、以及系统建设的实际情况，数据的采集可以是从硬件设备（如网关、Gn口、分光设备）直接获取并解析，也可以是从其它系统（如BOSS和VGOP）导入。 数据清理和融合层：它负责对采集的数据进行清洗，归一化后存入海量数据存储设备。为了更深层次分析用户行为，它还负责网页收集和爬取、网页分类、应用协议分析，以及用户属性的获取等功能。 网络统计和用户行为分析层：它负责系统的核心应用功能实现，分为手机和有线网络流量统计分析、用户个体和群体行为分析、以及游戏、音乐等应用业务专题分析等。 分析结果展示层：它负责向读取网络统计和用户行为分析层产生的结果，并向用户展示在浏览其中。,难点及解决方案,项目的难点： 本课题首

6、先是获取不同类型网页的正文内容，然后利用数据挖掘来分析用户的喜好，其主要的困难如下： 数据大规模性 网页类型多样性 分类要求的高效性 多分类性 分类体系的变化性 “客户-内容-业务”三维矩阵模型的构建 用户数据的零散性 垃圾数据的清理 用户数据业务偏好的识别,项目的难点及解决方案,相关解决方案： 系统架构采用云存储和云计算的方式，有良好的扩展性； 建立适应性分类体系变化的海量网页快速分类体系和系统 基于主题的分类方法正是为解决这些问题应运而生。它基于PLSA模型，计算出文本的主题分布，再根据贝叶斯分类来预测文本所属的类别。由于PLSA模型在训练的时候比较耗时，但在训练过之后，计算文本的主题分布

7、的时间是线性的，所以在实际应用中，计算文本的主题分布并不是很耗时。另外，基于主题贝叶斯分类消耗的时间也是有限的，因为主题数通常都在1000以下，相比于特征词来说，维度已经降低了很多，所以时间花费也比较少。 基于主题的分类方法以PLSA的模型的理论基础，通过抽象出一个虚拟的主题层，通过文档和关键词之间的共生关系，来求解主题和各文档的关系及主题和关键词的分布情况。以及在求解过程中所采用的EM迭代算法。,主要技术方案和关键技术,hadoop-分布式存储系统hdfs 高效性:任务分配,数据分发,本地计算,高吞吐量等 异构软硬件平台的可移植性 可靠性:容错,复本 大数据集 数据一致性,主要技术方案和关键

8、技术,hadoop-并行计算框架MapReduce MapReduce是一种编程模型，用于大规模数据集的并行运算，所有操作被抽象为两类:Map(映射)和Reduce(规约) 包括:分布grep，分布排序，WAP连接图反转，WAP访问日志分析，反向索引构建，文档聚类,机器学习，基于统计的机器翻译等,主要技术方案和关键技术,主题分类体系的建设 是基于主题的分类方法，而不是文本的关键词属性。而主题是隐含在某些文章里面的，它是抽象出来的一个概念，必须通过一个计算阶段把它用实际的向量表示出来，先找到本文分类体系中所有分类的样本，再从这些样本中去寻找隐含的主题。,计算与存储平台,爬取,正文提取,PLSA模

9、型训练,降维,分类训练,分类,不同的分类体系,收集用户上网的URL集合,访问内容层面的分析,网页分类分析：加了一个语义层，建立文档、语义、关键词之间的概率关系 解决传统VSM(向量空间模型)的问题-同义词,多义词等,超越词汇层面，更加深刻地把握文本的主旨语义层面的理解 具有概率理论作为理论依据，相比于LSA 新颖性，此技术先前主要应用寻找一些相关词，在这里，成功应用于主题分类。,访问内容层面的分析,网页爬取/正文提取的流程。,爬取流程,正文提取流程,通过优化日志数据（如去重、爬取频率优化），可避免重复爬取，及爬虫对网站造成巨大访问压力。,提取网页内容，利用网页分块技术、块和标题之间的语义分析，

10、准确的获取网页正文内容。,访问内容层面的分析,关键词分析 根据用户访问的信息（词向量），求得这些词向量所属的主题及其概率p1，并根据词表找到该主题下所有的词及其概率分布p2，再参考这些词向量本身的tf*idf，最终求得p1*p2*tf*idf，取前N个得分最高的词，即作为用户最为喜好的关键词。,访问内容层面的分析,网页分类分析举例说明,访问内容层面的分析,通过用户访问网页概率分布获得用户标签和相关权重 通过网页分类(PLSA分类或者SVM分类)得到每个网页在类别上的概率分布 累加用户访问过的网页的类别概率分布并归一化,得到用户在类别上的概率分布 取概率最大的几个分类作为用户内容标签,基于上一页

11、的关系,通过语义分析，得到用户、网页、类别间的关联。为后面的用户行为分析，网站内容分析及对比提供基础。,项目研究建设情况,目前完成系统平台建设，正在进一步优化标签体系； 目前一级标签25类，包括新闻、阅读、娱乐、健康、财经、游戏、体育、科技等，基本覆盖移动互联网的内容体系； 目前二级分类标签约238类，针对一级标签进行了详细的内容分析，目前重点完成的分类包括阅读、新闻、娱乐等，其他一级分类对应的二级分类还在进一步完善中； 系统每天分析的话单量约9-10亿条，涉及用户600-1000余万； 目前每天成功分析并标注内容标签的用户约500-800万间，标签标注成功率在75%； 目前用户的偏好主要分布

12、在新闻、社区、博客、游戏、阅读等一级内容标签下； 分析共捕捉了15万多个网站（包括二级域名），其中成功根据用户点击进行内容标注的网站约2万网站，覆盖用户100%，覆盖点击量99.9%；其中前281个网站占总访问量的80%,偏好分析主菜单 全景分析对访问内容偏好情况的总体分析 综合分析对内容进行的35个类别的统计 阅读、新闻、游戏、音乐、视频对五种内容的类型的进一步分析；目前音乐和视频无法分析。 个性化分析针对某个用户号码的个性化偏好，以及适合推荐的业务。,根据用户数、用户点击次数的饼图显示,“其他|其他”是访问内容无法归类的内容,“|”为标签的分级分隔符,一级标签、二级标签 目前的分类体系方法

13、，仍在优化过程中。,按日查询 按地区查询,见下页,系统功能界面：全景分析-用户,系统功能界面：综合分析,内容的一级分类，目前有35个一级分类；根据目前互联网的内容分类方式。,偏好某个分类下的用户号码列表，目前隐藏了中间四位。,该内容标签的点击次数占该用户总点击次数的比重,“新闻”类的域名的根据点击量进行排行,系统功能界面：阅读,阅读类内容的进一步分类；目前共45个阅读二级分类；,可对用户偏好的程度进行选择性筛选,该阅读偏好的用户在哪些网站访问内容,研究成功在营销工作上的应用,对客户移动互联网行为进行采集，分析，发现用户关注相关内容，为开展营销提供号码支持。,人不分高低贵贱，只是环境使然，让一个

14、总统之才出生在“狼窝”，他的内心也会滋生出拔不断根的淫脏瘾窥癖虐的龌龊来。他们一旦被主流文化、主流环境所边缘，就会,用户行为,爬虫采集,页面分析,偏好：阅读，励志等行为,阅读类 励志关键词,用户视图,按偏好、关注点、业务群,用户群,实时用户群规模分析； 励志内容关注群分析； 阅读频道行为群分析;,用户群提取,开展营销,营销方案,营销支撑,用户响应率有三倍提升 本次营销相关激励措施和前期开展的WAP PUSH营销相同； 对比以往的群发响应率1%-3%，本次群发响应率效果明显，达到5.80%-10.21%，有近乎3倍的提升效果。 访问用户活跃度高 用户后有继续点击其他内容的行为，最高占比达到91.

15、4%； 产生二次点击行为的用户数的占比高，反映贴合用户需求的内容对用户的吸引力，用户粘性越高。,项目取得的研究应用成果,研究成果应用：开展内容个性化推送,根据用户上网行为分析，挖掘冲浪助手用户访问的内容偏好 根据内容偏好组织不同内容的热推，与对照组比较效果显著,运营群体：杭州冲浪助手在订用户 选取规则：选取wap偏好标签为“财经”、“娱乐”用户为测试组，随机抽取2000用户为对照组。 内容标签：财经、娱乐 群发时间：每日上午10点左右,群发效果：,财经偏好用户 内容：温州眼镜巨头信泰集团老板失踪 传欠款20多亿 偏好用户响应率：12.38% 对照组用户响应率：1.86%,娱乐偏好用户 内容：疑王力宏同性激情照疯传 回应否认 偏好用户响应率：5.23% 对照组用户响应率：1.39%,1.3 目标完成情况总结,项目进度执行情况表可作为附件,项目对企业绩效贡献的量化路径图,1.4 项目企业绩效贡献和特征指标,1.4 项目企业绩效贡献和特征指标,项目特征指标的年度预期数值表,29,结束,谢谢大家！,感恩的心，感谢有你！ 谢谢你的欣赏！,文档有价，知识无价 课件之家精心整理,