一种用户成长性画像的建模方法

被引：8

作者：

董哲瑾

王健

钱凌飞

林鸿飞

机构：

[1] 大连理工大学计算机科学与技术学院

来源：

山东大学学报(理学版) | 2019年 / 54卷 / 03期

基金：

国家重点研发计划;

关键词：

用户成长值; 用户画像; 特征提取; 半监督回归; 模型融合;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

用户成长值反映用户粘性,预测用户成长值有助于实现精准营销。聚焦用户成长性画像研究,针对用户原始数据记录复杂多样、难以提取有效特征的问题,通过散点图分析挖掘影响用户成长值的因素,提取行为特征和相对稳定的时间特征,并对比基于树的特征筛选算法和L1范数进行特征筛选。针对已标注成长值的用户数据不足问题,改进COREG算法,通过半监督学习模型丰富训练数据,提高模型的预测准确度,同时降低原算法的时间复杂度,最后采用模型融合整合不同模型的优势。在CSDN博客平台提供的SMP CUP 2017数据集上进行实验,结果表明,建立的模型有效地提高了泛化能力和预测准确度。

引用

页码：38 / 45

页数：8

共 11 条

[1]

StackTIS: A stacked generalization approach for effective prediction of translation initiation sites[J] . George Tzanis,Christos Berberidis,Ioannis Vlahavas. &nbspComputers in Biology and Medicine . 2011 (1)

[2] 半监督学习方法 [J].

刘建伟 ;

刘媛 ;

罗雄麟 .

计算机学报, 2015, 38 (08) :1592-1617

[3] 网络用户粘性行为测评研究 [J].

赵青 ;

薛君 .

统计与信息论坛, 2014, 29 (10) :72-78

[4] 基于SVM的新浪热门微博预测 [J].

陈梦秋 ;

周安民 .

现代计算机(专业版), 2017, (09) :23-27

[5] 基于理性行为理论的微博用户转发行为影响因素研究 [J].

陈姝 ;

窦永香 ;

张青杰 .

情报杂志, 2017, 36 (11) :147-152+160

[6] A framework for validating the merit of properties that predict the influence of a twitter user [J].

Rabiger, Stefan ;

Spiliopoulou, Myra .

EXPERT SYSTEMS WITH APPLICATIONS, 2015, 42 (05) :2824-2834

[7]

Sentiment analysis on twitter data using KNN and SVM. REZWANUL M,ALI A,RAHMAN A. International Journal of Advanced Computer Science and Applications . 2017

[8]

Semi-supervised regression with co-training. ZHOU Zhihua,LI Ming. International Joint Conference on Artificial Intelligence . 2005

[9]

Identification of influential online social network users based on multi-features. SUN Q D,WANG N,ZHOU Y D, et al. International Journal of Pattern Recognition and Artificial Intelligence . 2016

[10]

Cost-based Feature Selection for Support Vector Machines:An Application in Credit Scoring. Maldonado S,Pérez J,Bravo C. European Journal of Operational Research . 2017

← 1 2 →