探究網(wǎng)絡(luò)用戶的數(shù)據(jù)挖掘行為

引言：伴隨著互聯(lián)網(wǎng)的飛速發(fā)展和用戶日益劇增的需求，關(guān)于網(wǎng)絡(luò)用戶的行為分析和數(shù)據(jù)挖掘研究從無(wú)到有的迅速的發(fā)展了起來(lái)。現(xiàn)在的輿論亂七八糟，為了引導(dǎo)輿論朝著正確的道路走下去，節(jié)約網(wǎng)絡(luò)用戶的上網(wǎng)時(shí)間，提讓用戶更好的訪問(wèn)網(wǎng)站，我們對(duì)網(wǎng)絡(luò)用戶的數(shù)據(jù)行為進(jìn)行了如下探究。

前言：

網(wǎng)絡(luò)信息的數(shù)據(jù)挖掘包含的內(nèi)容很多，有效的挖掘網(wǎng)絡(luò)信息不但可以增強(qiáng)網(wǎng)站的吸引力，還可以讓用戶更有效的利用網(wǎng)絡(luò)資源。和數(shù)據(jù)挖掘類似，社交網(wǎng)絡(luò)的用戶行為分析可以幫助決策者掌握用戶的行為特征，同時(shí)也能幫助決策者了解用戶的興趣變化，更好的發(fā)揮網(wǎng)絡(luò)的作用。

一、 數(shù)據(jù)挖掘和網(wǎng)絡(luò)用戶行為的概念

（一） 數(shù)據(jù)挖掘的概念

數(shù)據(jù)挖掘的另一種叫法數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Databases），簡(jiǎn)稱KDD，由數(shù)據(jù)的清理，數(shù)據(jù)的集成，數(shù)據(jù)的選擇，數(shù)據(jù)的轉(zhuǎn)換，模式額發(fā)現(xiàn)，模式的評(píng)估和知識(shí)的表示 七個(gè)部分組成。數(shù)據(jù)的集成，數(shù)據(jù)的選擇和數(shù)據(jù)的轉(zhuǎn)換可以劃分為一個(gè)部分，成為數(shù)據(jù)預(yù)處理階段，數(shù)據(jù)的預(yù)處理階段的效果將直接影響著數(shù)據(jù)挖掘質(zhì)量的好壞。模式的發(fā)現(xiàn)是中間階段，是運(yùn)用數(shù)據(jù)挖掘算法從數(shù)據(jù)庫(kù)中提取有效模式的階段。

常用的數(shù)據(jù)挖掘方法包括支持向量機(jī)，K-Means聚類算法，聚類分析。

（二） 網(wǎng)絡(luò)用戶行為的概念

網(wǎng)絡(luò)用戶行為是指網(wǎng)絡(luò)用戶在使用網(wǎng)絡(luò)信息和資源時(shí)所表現(xiàn)出來(lái)了規(guī)律性的行為特征。對(duì)網(wǎng)絡(luò)用戶行為的研究目的就是通過(guò)一些算法和軟件對(duì)網(wǎng)絡(luò)用戶行為進(jìn)行研究分析，發(fā)現(xiàn)規(guī)律特征，進(jìn)而利用這些特征預(yù)測(cè)未來(lái)的網(wǎng)絡(luò)用戶行為，同時(shí)通過(guò)這些網(wǎng)絡(luò)用戶規(guī)律優(yōu)化網(wǎng)絡(luò)信息。

網(wǎng)絡(luò)用戶行為的特點(diǎn)：一方面是它的主觀能動(dòng)性太強(qiáng)，牽扯到的東西很多，它不受地域的限制，用戶之間能自由的發(fā)表意見進(jìn)行交流；一方面它知識(shí)豐富，計(jì)劃跟不上變化，用戶可以隨意的上傳資料行為信息豐富多彩；一方面網(wǎng)絡(luò)用戶特點(diǎn)鮮明，比較偏好的特征和用戶的習(xí)慣不受時(shí)間和空間的限制；一方面隱蔽性比較好，網(wǎng)絡(luò)用戶在訪問(wèn)信息的時(shí)候可以隱藏自己的真實(shí)身份，并且物理傳遞介質(zhì)也具有隱藏性；最后一方面，它即存在隨機(jī)性又存在規(guī)律性，用戶行為分析就是通過(guò)用戶行為的這一特征進(jìn)行分析的。

二、 數(shù)據(jù)挖掘和用戶行為分析的聯(lián)系

不同的人有不同的興趣愛(ài)好，網(wǎng)絡(luò)用戶也是這樣的，因?yàn)榫W(wǎng)絡(luò)用戶的社會(huì)經(jīng)歷文化程度等的不同，所以網(wǎng)絡(luò)用戶的行為模式各有不同。而數(shù)據(jù)挖掘是從眾多數(shù)據(jù)中選取有用知識(shí)的過(guò)程，這些有用的數(shù)據(jù)往往是被隱藏起來(lái)的。同時(shí)，數(shù)據(jù)挖掘的對(duì)象并不單一，任何數(shù)據(jù)集合都可以通過(guò)數(shù)據(jù)挖掘方法照出統(tǒng)一的規(guī)律。

數(shù)據(jù)挖掘在用戶行為分析過(guò)程中的應(yīng)用可以分為以下幾種：

（一） 推薦系統(tǒng)

推薦系統(tǒng)有兩部分組成，一部分是基于內(nèi)容的推薦，一部分是協(xié)同過(guò)濾推薦。基于內(nèi)容的推薦它依賴產(chǎn)品和信息的說(shuō)明，在各大購(gòu)物網(wǎng)站出現(xiàn)的頻率最高。如京東，天貓，巴里巴巴等商城?，F(xiàn)階段在很多視頻網(wǎng)站也得到了廣泛的應(yīng)用，比如奇異，優(yōu)酷，土豆等網(wǎng)站?；趦?nèi)容的方法它是以信息論為理論基礎(chǔ)的，以關(guān)鍵詞和用戶比較感興趣的信息作為模型，然后再通過(guò)其他的軟件計(jì)算出用戶對(duì)于其他信息的興趣程度，然后再將符合用戶興趣程度的信息傳遞給用戶，而協(xié)同過(guò)濾是基于模型的，它是通過(guò)尋找相似的用戶進(jìn)行推廣的。

（二） 檢測(cè)入侵和防止入侵

入侵檢測(cè)和預(yù)防系統(tǒng)分為基于特征的檢測(cè)和基于異常的檢測(cè)?；谔卣鞯臋z測(cè)在檢測(cè)網(wǎng)絡(luò)流量異常上應(yīng)用比較廣泛，假如檢測(cè)異常的結(jié)果與標(biāo)準(zhǔn)模型相符合，那么該系統(tǒng)就會(huì)采取相關(guān)的措施終止該系統(tǒng)異常的運(yùn)行。這種不具有動(dòng)態(tài)性，只能對(duì)已經(jīng)存在的異常進(jìn)行檢測(cè)，對(duì)于新異常是不能進(jìn)行檢測(cè)的。而基于異常的檢測(cè)是根據(jù)正常的 行為模式特點(diǎn)，如果系統(tǒng)存在異常，那么會(huì)把異常同正常行為特征相比較，進(jìn)而進(jìn)行檢測(cè)和預(yù)防。數(shù)據(jù)挖掘算法就是應(yīng)用在正常行為特征和異常特征的訓(xùn)練匹配中。

（三） 零售和電信業(yè)

在零售業(yè)，數(shù)據(jù)挖掘的應(yīng)用也是很廣泛的。它用來(lái)分析處理購(gòu)買者的購(gòu)買行為，總結(jié)出顧客的購(gòu)買模式，同時(shí)將顧客以后可能要購(gòu)買的東西擺放在明顯的位置，以便顧客方便拿取，同時(shí)提高商品的銷售量。

在電信業(yè)方面，主要是幫助用戶防盜，幫助電信運(yùn)營(yíng)商判斷用戶行為模式，從而提高電信運(yùn)行商的服務(wù)質(zhì)量。

數(shù)據(jù)挖掘在用戶行為分析上的應(yīng)用大體可以分為兩個(gè)方面：一方面，幫助用戶發(fā)現(xiàn)興趣特征，然后根據(jù)這些用戶特征建立用戶的興趣模型和先關(guān)的更新文件，這樣以后就可以利用數(shù)據(jù)挖掘出來(lái)的模型對(duì)以后用戶的興趣做出預(yù)判和揣測(cè)；另一方面，對(duì)用戶的興趣特征進(jìn)行識(shí)別，通過(guò)識(shí)別，然后對(duì)未來(lái)論壇和其他交流軟件上比較受關(guān)注的帖子重新置頂回歸。

三、 應(yīng)用最廣泛的數(shù)據(jù)挖掘算法

在數(shù)據(jù)挖掘算法中，應(yīng)用最廣的就是決策樹算法，它是一種歸納推理算法，它通過(guò)逼近離散值函數(shù)來(lái)對(duì)噪聲數(shù)據(jù)處理然后分析出表達(dá)式的方法來(lái)實(shí)現(xiàn)的。在這種方法中，表達(dá)式被稱為決策樹，也正是如此才被叫做決策樹算法的。

下面我們就談一下決策樹算法的特點(diǎn)：一方面，種方法便于理解，因?yàn)閺氖陆虅?wù)處管理的老師并不了解數(shù)據(jù)挖掘相關(guān)的知識(shí)，而決策樹算法非常形象的通過(guò)樹形結(jié)構(gòu)表示最后的分類結(jié)果。它符合人們認(rèn)識(shí)事物的一般規(guī)律；一方面決策樹算法的計(jì)算量小，復(fù)雜程度小，這樣就能提高工作人員的效率嗎，能在短時(shí)間內(nèi)解決更多的問(wèn)題；最后一方面，決策樹算法能夠主次分明的表達(dá)出重點(diǎn)，屬性的重要程度能被一眼看出來(lái)。

結(jié)語(yǔ)

隨著信息技術(shù)和通信技術(shù)的飛速發(fā)展，數(shù)據(jù)挖掘幾乎出現(xiàn)在了所有的領(lǐng)域。在解決重大策略的時(shí)候，數(shù)據(jù)挖掘往往作為一種重要的手段。它能從萬(wàn)千的數(shù)據(jù)中找出有價(jià)值的信息，為決策和方案的制定提供數(shù)據(jù)和理論支持。

網(wǎng)絡(luò)用戶的行為中蘊(yùn)含著萬(wàn)千的信息，不但用來(lái)反映用戶的興趣，還用來(lái)對(duì)未來(lái)的發(fā)展趨勢(shì)進(jìn)行預(yù)判，雖然數(shù)據(jù)挖掘算法一直被創(chuàng)新，但是提高數(shù)據(jù)挖掘算法的效率的任務(wù)依舊艱巨，面臨著諸多挑戰(zhàn)。另外用戶行為分析系統(tǒng)還僅處在系統(tǒng)分析階段，而具體得到應(yīng)用還有很長(zhǎng)的路要走，需要我們對(duì)此加大研究力度。

參考文獻(xiàn)

[1]陳克寒，韓盼盼，吳健.基于用戶聚類的異構(gòu)社交網(wǎng)絡(luò)推薦算法[J].計(jì)算機(jī)學(xué)報(bào).2013（02）.

[2]高彬.大學(xué)生社交網(wǎng)站使用動(dòng)機(jī)研究——以人人網(wǎng)為例[J].學(xué)理論.2012（17）.

[3]楊亮，林原，林鴻飛.于情感分布的微博熱點(diǎn)事件發(fā)現(xiàn)[J].中文信息學(xué)報(bào).2012（01）.

[4]李澤峰，王煜.基于RBF神經(jīng)網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則的Web文本分類規(guī)則獲取方法[J].圖書情報(bào)工作.2012（10）.

（作者單位：長(zhǎng)沙醫(yī)學(xué)院）

作者簡(jiǎn)介：高超，男，出生于1982年3月，籍貫湖南省長(zhǎng)沙市，就職于長(zhǎng)沙醫(yī)學(xué)院，講師職稱