基于BP神經(jīng)網(wǎng)絡(luò)的移動(dòng)運(yùn)營(yíng)數(shù)據(jù)分析

張世睿

摘要摘要：運(yùn)營(yíng)數(shù)據(jù)通常是用戶對(duì)移動(dòng)應(yīng)用喜好最直接的體現(xiàn)，運(yùn)營(yíng)數(shù)據(jù)中存在著很多有價(jià)值的信息。如果能夠更快地通過運(yùn)營(yíng)數(shù)據(jù)分析和了解用戶、迎合用戶喜好，就能贏得更多的用戶，在競(jìng)爭(zhēng)中占據(jù)有利地位。針對(duì)移動(dòng)應(yīng)用設(shè)計(jì)復(fù)雜、運(yùn)營(yíng)數(shù)據(jù)分析不直觀的特點(diǎn)，提出一種基于BP人工神經(jīng)網(wǎng)絡(luò)的運(yùn)營(yíng)數(shù)據(jù)分析方法，建立了以移動(dòng)應(yīng)用關(guān)卡常見數(shù)據(jù)為輸入，運(yùn)營(yíng)數(shù)據(jù)為輸出的神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)表明，該方法能夠有效對(duì)移動(dòng)應(yīng)用關(guān)卡設(shè)計(jì)和配置所吸引的用戶數(shù)量和復(fù)玩率進(jìn)行預(yù)測(cè)，從而指導(dǎo)移動(dòng)應(yīng)用的開發(fā)、設(shè)計(jì)及評(píng)價(jià)。

關(guān)鍵詞關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；運(yùn)營(yíng)數(shù)據(jù)；游戲關(guān)卡

DOIDOI：10.11907/rjdk.161379

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）007002103

0引言

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展和智能設(shè)備的普及，移動(dòng)應(yīng)用在人們?nèi)粘Ｉ钪凶兊迷絹碓街匾絹碓蕉嗟膹S商投入到移動(dòng)應(yīng)用的開發(fā)中來，各種相似功能的應(yīng)用層出不窮。因此，如何在移動(dòng)互聯(lián)網(wǎng)發(fā)展的浪潮下了解用戶需求，開發(fā)更加吸引用戶、使用戶滿意的產(chǎn)品，從而在激烈的行業(yè)競(jìng)爭(zhēng)中獲取最多的用戶數(shù)量，就成了目前移動(dòng)應(yīng)用開發(fā)商重點(diǎn)關(guān)注的問題。移動(dòng)應(yīng)用的運(yùn)營(yíng)數(shù)據(jù)是用戶評(píng)價(jià)最直觀的反饋，如何從大量且無規(guī)律的運(yùn)營(yíng)數(shù)據(jù)中了解用戶的想法就成了當(dāng)今移動(dòng)互聯(lián)網(wǎng)界研究的重點(diǎn)。本文提出一種基于人工神經(jīng)網(wǎng)絡(luò)的運(yùn)營(yíng)數(shù)據(jù)分析方法，通過對(duì)移動(dòng)運(yùn)營(yíng)數(shù)據(jù)加以分析，預(yù)測(cè)并指導(dǎo)移動(dòng)應(yīng)用設(shè)計(jì)的方向。實(shí)驗(yàn)結(jié)果表明，基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)應(yīng)用數(shù)據(jù)分析具有很強(qiáng)的指導(dǎo)作用，結(jié)果符合實(shí)際，可大大提高產(chǎn)品吸引力。

1移動(dòng)運(yùn)營(yíng)數(shù)據(jù)分析的一般方法

移動(dòng)運(yùn)營(yíng)數(shù)據(jù)的分析方法一般分為兩大類，一類是很多中小公司采用的較為簡(jiǎn)單的分析方法，即根據(jù)應(yīng)用每日用戶的登錄頻次、滯留時(shí)間、特定功能的使用情況等繪制合適的曲線，分析哪一塊功能更容易受用戶的青睞，根據(jù)版本更新之后用戶的數(shù)量是否增加等制定下一階段的開發(fā)和設(shè)計(jì)任務(wù)。這種方法的好處是實(shí)現(xiàn)起來較為簡(jiǎn)單，不需要很多的知識(shí)儲(chǔ)備，數(shù)據(jù)收集和分析也比較容易。然而這種方法的缺點(diǎn)也是顯而易見的，即對(duì)數(shù)據(jù)的分析更多是基于人的主觀認(rèn)識(shí)，而非理性客觀的評(píng)價(jià)，容易導(dǎo)致產(chǎn)生帶有偏見的結(jié)果，不利于企業(yè)的發(fā)展。另一類運(yùn)營(yíng)數(shù)據(jù)的分析方法是基于數(shù)據(jù)挖掘知識(shí)，目前研究較多的有針對(duì)用VOLOS H， NALLI S， PANNEERSELVAM S，et al.Aerie：flexible filesystem interfaces to storageclass memory .Proceedings of the Ninth European Conference on Computer Systems. ACM， 2014： 14.

P M CHEN， W T NG，S CHANDRA，et al.The rio file cache：surviving operating system crashes[J].In Proc. of the Architectural Support for Programming Languages and Operating Systems，1996.

ANI A WANG，GEOFFREY H KUENNING， PETER REIHER，et al.The conquest file system：better performance through a disk/persistentRAM hybrid design[J].ACM Transactions on Storage，2006（3）：309348.

CHEN J， WEI Q， CHEN C，et al.FSMAC： A file system metadata accelerator with nonvolatile memory .Mass Storage Systems and Technologies （MSST）， 2013 IEEE 29th Symposium on. IEEE， 2013： 111.

QIU S， REDDY A L.Nvmfs：a hybrid file system for improving random write in nandflash ssd.Mass Storage Systems and Technologies （MSST）， 2013 IEEE 29th Symposium，2013： 15.

CHEN F， MESNIER M P， HAHN S. A protected block device for persistent memory.Mass Storage Systems and Technologies （MSST）， 2014 30th Symposium on. IEEE， 2014： 112.

責(zé)任編輯（責(zé)任編輯：陳福時(shí)）戶忠誠(chéng)度方面的分析[1]、用戶流失方面的預(yù)測(cè)分析[24]，以及用戶興趣挖掘[5]和聚類分析[6]等。這些分析和預(yù)測(cè)方法為移動(dòng)運(yùn)營(yíng)提供了較為理性和可靠的數(shù)據(jù)，對(duì)于應(yīng)用開發(fā)商的計(jì)劃訂制和用戶群體分析有很大幫助。

然而，這些方法都只是通過運(yùn)營(yíng)數(shù)據(jù)對(duì)用戶某一單方面的行為進(jìn)行分析和預(yù)測(cè)，沒有考慮到應(yīng)用系統(tǒng)設(shè)計(jì)和運(yùn)營(yíng)過程中諸如設(shè)計(jì)、獎(jiǎng)勵(lì)、活動(dòng)等復(fù)雜因素。本文提出一種基于BP人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)運(yùn)營(yíng)數(shù)據(jù)分析方法，具有利用人工神經(jīng)網(wǎng)絡(luò)可逼近任意復(fù)雜非線性關(guān)系、可學(xué)習(xí)和自適應(yīng)的特點(diǎn)，建立起了相應(yīng)的數(shù)學(xué)模型。

2人工神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）是由大量簡(jiǎn)單的處理單元連接組成的一種網(wǎng)絡(luò)模型，主要用來模擬人類大腦運(yùn)行的一些基本邏輯和結(jié)構(gòu)，反映了人腦功能的很多基本特性，但是人工神經(jīng)網(wǎng)絡(luò)并不是人腦真實(shí)反映，只是對(duì)人腦作出了某種程度的簡(jiǎn)化和模擬[7]。圖1展示了一個(gè)較為典型的人工神經(jīng)網(wǎng)絡(luò)細(xì)胞。

由于人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元根據(jù)某種結(jié)構(gòu)組合而成，因此通常按照其組合方式進(jìn)行分類。較為常見的網(wǎng)絡(luò)結(jié)構(gòu)可以分為前饋神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)三類。前饋網(wǎng)絡(luò)也稱前向網(wǎng)絡(luò)。該網(wǎng)絡(luò)只在訓(xùn)練過程會(huì)有反饋信號(hào)，層間沒有向后的反饋信號(hào)，因此被稱為前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)的一種。反饋型神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)比前饋網(wǎng)絡(luò)要復(fù)雜得多。

自組織神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。它通過自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。網(wǎng)絡(luò)運(yùn)作過程分為學(xué)習(xí)和工作兩種狀態(tài)。網(wǎng)絡(luò)學(xué)習(xí)主要是指根據(jù)學(xué)習(xí)算法來調(diào)整神經(jīng)元間的聯(lián)接權(quán)值，使得網(wǎng)絡(luò)輸出更符合實(shí)際。學(xué)習(xí)算法分為有導(dǎo)師學(xué)習(xí)與無導(dǎo)師學(xué)習(xí)兩類。

有導(dǎo)師學(xué)習(xí)算法將一組訓(xùn)練集送入網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出間的差別來調(diào)整連接權(quán)。有導(dǎo)師學(xué)習(xí)算法的主要步驟包括：①?gòu)臉颖炯现腥∫粋€(gè)樣本（Ai，Bi）；②計(jì)算網(wǎng)絡(luò)的實(shí)際輸出O；③求D=Bi-O；④根據(jù)D調(diào)整權(quán)矩陣W；⑤對(duì)每個(gè)樣本重復(fù)上述過程，直到對(duì)整個(gè)樣本集來說，誤差不超過規(guī)定范圍。

BP算法是一種出色的有導(dǎo)師學(xué)習(xí)算法。由于本文針對(duì)移動(dòng)運(yùn)營(yíng)數(shù)據(jù)進(jìn)行分析，從而建立起應(yīng)用設(shè)計(jì)和運(yùn)營(yíng)數(shù)據(jù)相關(guān)的數(shù)學(xué)模型，因而選擇基于BP算法的有導(dǎo)師人工神經(jīng)網(wǎng)絡(luò)，采用已知的運(yùn)營(yíng)數(shù)據(jù)作為訓(xùn)練集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，建立數(shù)學(xué)模型，并通過該模型來驗(yàn)證實(shí)際項(xiàng)目中的數(shù)據(jù)情況，以此來驗(yàn)證該網(wǎng)絡(luò)模型的準(zhǔn)確程度和可靠性。

3樣本數(shù)據(jù)與模型構(gòu)造

3.1樣本數(shù)據(jù)

本文以國(guó)內(nèi)某手機(jī)游戲公司的一款跑酷游戲?yàn)槔?，由于其關(guān)卡模式為當(dāng)前主推模式且數(shù)據(jù)信息較多，因此選擇該模式下的前40關(guān)為研究對(duì)象，考察不同關(guān)卡布局、設(shè)計(jì)和獎(jiǎng)勵(lì)下玩家總體的游玩次數(shù)。

本文選取版本3.2的前40關(guān)數(shù)據(jù)作為訓(xùn)練集構(gòu)造神經(jīng)網(wǎng)絡(luò)模型。選取版本4.0的前40關(guān)的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證該模型的準(zhǔn)確性。

3.2模型構(gòu)造

神經(jīng)網(wǎng)絡(luò)模型的建立主要需考慮兩方面的問題： 一是確定網(wǎng)絡(luò)結(jié)構(gòu) ； 二是調(diào)整學(xué)習(xí)參數(shù)。首先考慮神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)主要包括網(wǎng)絡(luò)的鏈接方式、網(wǎng)絡(luò)層數(shù)和各網(wǎng)絡(luò)層節(jié)點(diǎn)的個(gè)數(shù)，本文采用目前使用最為廣泛的神經(jīng)網(wǎng)絡(luò)。

模型輸入?yún)?shù)選取可以直觀獲得、不需要加工的數(shù)值，避免因?yàn)槿藶橹饔^因素的干擾導(dǎo)致模型無法客觀對(duì)應(yīng)用的設(shè)計(jì)進(jìn)行評(píng)價(jià)從而無法模擬出真實(shí)移動(dòng)運(yùn)營(yíng)數(shù)據(jù)。在關(guān)卡設(shè)計(jì)中，常見的對(duì)數(shù)據(jù)產(chǎn)生影響的直觀因素如下：

（1）關(guān)卡序號(hào)。越靠前的關(guān)卡越容易吸引更多的用戶參與，關(guān)卡序號(hào)的表示方法從1開始，依次遞增。

因此，根據(jù)上述信息，將關(guān)卡的序號(hào)、類型、獎(jiǎng)勵(lì)級(jí)別、挑戰(zhàn)次數(shù)作為網(wǎng)絡(luò)模型的數(shù)據(jù)參數(shù)。模型的輸出參數(shù)代表所關(guān)心的玩家對(duì)應(yīng)用喜好意愿的表達(dá)，通常認(rèn)為以下參數(shù)能夠表達(dá)玩家對(duì)于關(guān)卡的喜好：關(guān)卡挑戰(zhàn)次數(shù)、關(guān)卡復(fù)玩率、下一關(guān)挑戰(zhàn)率。

通過資料可知[8]，三層的BP網(wǎng)絡(luò)可以逼近任意的映射關(guān)系，且與通常使用的一個(gè)隱藏層的網(wǎng)絡(luò)相比，兩個(gè)隱藏層的網(wǎng)絡(luò)對(duì)提高最終的預(yù)測(cè)準(zhǔn)確率來說并沒有顯著幫助。隱藏層中節(jié)點(diǎn)數(shù)目選擇較復(fù)雜，并沒有統(tǒng)一的規(guī)則去指導(dǎo)，因此本文根據(jù)設(shè)置隱藏層節(jié)點(diǎn)個(gè)數(shù)的不同對(duì)數(shù)據(jù)準(zhǔn)確性進(jìn)行了測(cè)試，最終確定隱藏層幾點(diǎn)的個(gè)數(shù)為20。

本文輸入數(shù)據(jù)均為正數(shù)，因此通過線性歸一化方法將數(shù)據(jù)歸一化到[0，1]范圍上：f（x）=x-minmax-min（1）由于數(shù)據(jù)均歸一化到[0，1]區(qū)間，因此第一層激活函數(shù)選擇S型函數(shù)，第二層激活函數(shù)選擇線性激活函數(shù)，公式如下：f（x）=11+e-x（0

按照上文所述構(gòu)建網(wǎng)絡(luò)模型，訓(xùn)練函數(shù)選擇有動(dòng)量和自適應(yīng)lr的梯度下降法進(jìn)行訓(xùn)練，訓(xùn)練參數(shù)設(shè)置迭代次數(shù)為20 000次，訓(xùn)練目標(biāo)最小誤差位0.003，訓(xùn)練速度為0.01。 網(wǎng)絡(luò)訓(xùn)練完成后，將一組測(cè)試數(shù)據(jù)輸入程序中，用來測(cè)試該網(wǎng)絡(luò)的識(shí)別成功率，將上下浮動(dòng)5%的數(shù)據(jù)作為正確數(shù)據(jù)進(jìn)行處理，進(jìn)行了四次實(shí)驗(yàn)，得到結(jié)果如表3所示。

識(shí)別準(zhǔn)確率都穩(wěn)定在80%以上，尤其是復(fù)玩率，穩(wěn)定在87.5%以上。將上述模型數(shù)據(jù)與常規(guī)運(yùn)營(yíng)數(shù)據(jù)分析方法的結(jié)果進(jìn)行對(duì)比，從圖2可以看到基于BP神經(jīng)網(wǎng)絡(luò)的方法更加準(zhǔn)確客觀，不摻雜分析人員的主觀因素。

4結(jié)語

本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的移動(dòng)運(yùn)營(yíng)數(shù)據(jù)分析方法，建立起移動(dòng)游戲關(guān)卡設(shè)計(jì)因素和運(yùn)營(yíng)數(shù)據(jù)之間的關(guān)系。經(jīng)過仿真實(shí)驗(yàn)證明了該方法有效，相對(duì)于傳統(tǒng)的人工分析方法準(zhǔn)確率較高且穩(wěn)定可靠，可以作為一種提高運(yùn)營(yíng)數(shù)據(jù)分析準(zhǔn)確率的方法應(yīng)用于實(shí)踐。

參考文獻(xiàn)參考文獻(xiàn)：

[1] 劉芳，郭宇春.基于數(shù)據(jù)挖掘的用戶忠誠(chéng)度分析[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（7）：1417.

[2]劉光遠(yuǎn)，苑森淼，董立巖.數(shù)據(jù)挖掘方法在用戶流失預(yù)測(cè)分析中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（9）：154156.

[3]葉進(jìn)，林士敏.基于貝葉斯網(wǎng)絡(luò)的推理在移動(dòng)客戶流失分析中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2005，25（3）：673675.

[4]田玲，邱會(huì)中，鄭莉華.基于神經(jīng)網(wǎng)絡(luò)的電信客戶流失預(yù)測(cè)主題建模及實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2007，27（9）：22942297.

[5]郭巖，白碩，楊志峰，等.網(wǎng)絡(luò)日志規(guī)模分析和用戶興趣挖掘[J].計(jì)算機(jī)學(xué)報(bào)，2005，28（9）：14831496.

[6]徐涌，陳恩紅，王煦法.基于神經(jīng)網(wǎng)絡(luò)的Web用戶行為聚類分析[J].小型微型計(jì)算機(jī)系統(tǒng)，2001，22（6）：699702.

[7]施鴻寶 .神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D].西安： 西安交通大學(xué)出版社 ，1993.

[8]LIPPMANN R P.An introd