论文部分内容阅读
摘要：新时代的到来给人类的日常生活带来了巨大的变化，手机已经成为了人们日常生活中必须的物品，移动通信用户数量也在逐步增加。在网络的运行和维护中，运营商积累了大量的数据信息，记录了用户的行为，增加了数据库中有用信息的挖掘，这是当前移动通信行业亟待解决的问题。它对促进移动通信产业的发展具有重要作用。
關键词：用户行为;网络挖掘;移动;应用
引言：
互联网时代的到来，信息交流变得越来越方便。移动用户的需求也会越来越多、越来越高，比如人们更加希望通话质量的提高。希望能够在任何地方保持顺畅的通信，用户的需求日益多样化。我们对用户行为的研究，也是非常有必要的，这是更好地服务客户的需要，更好适应社会的需要。通过相关数据的采集，然后从中找到规律，利用这些规律来更好的服务社会，为运营商提供决策支持。
一、移动通信用户行为分析方法
从移动通信的角度分析用户的行为时，必须确定和分析数据源，而不是凭空编造数据，这样做的目的是，在后期进行数据分析的时候可靠性更大、分析的结果更加准确。在我们用手机进行通话时，不知道你们有没有经历过类似的情况，在进行通话的双方，其中一方能够听清声音，而另一方根本听不清声音，二者无法交流导致呼叫失败。在从信令过程中分析用户行为时，由于建立了呼叫，网络与用户之间没有建立信令，导致无法正确确定单通原因，而数据采集、存储工作也有较大困难，在正常信令数据的情况下，没有用户面数据，位置需要与用户的行为相结合。大多数移动用户选择在单向情况下挂断电话重拨，这是一种不寻常的用户行为，因为一次通话时间较长，两次通话时间较短。在分析用户的这类行为时，这种方法是不适用的，这导致了不同用户行为之间的差异。
二、用户行为的分析模型
我们把用户行为的分析模型分为四个：采集层、分析层和应用层、数据预处理层，下面我我们将详细分析这四大部分。
采集层
用户行为分析的原始数据来源于某一运营商的网络信令、业务信令、网络配置数据和各网络单元接口的呼叫顺序数据。
数据预处理层
我们在采集到原始信息时，往往是不能不能够直接使用的，需要从中适当加工处理。这是因为原始数据会存在一些误差，这些都会影响到后期的工作处理任务，所以我们必须对原始信息进行适当地处理，避免后期产生更大的误差，我们需要对原始数据进行提取和转换，因此数据预处理是非常重要的。
（三）分析层
挖掘操作是数据挖掘的关键步骤，根据数据挖掘的对象，挖掘操作选择相应算法的参数，对数据进行分析，得到可能形成知识的模式模型。在分析层中，移动公司主要会根据之前获得到的一些数据，进行简单分析。在现代的社会里，大数据处理已经无处不在了，我们也能够经常发现大数据应用在一些数据的分析层面上。这是大数据的应用特点，不仅能够从整体获得数字的发展趋势，也可以从个体获得数据的具体信息，这是其他技术所不能够的。分析层主要依靠的就是数据。
（四）应用层
应用层采用Java编程语言，采用JSP Hiber-NateSpring技术完成用户界面的设计，以列表和图形的形式显示用户的查询行为分析结果。
三、移动通信用户行为分析的步骤
（一）数据采集
数据采集是数据挖掘的基础工作，一般分为以下几大程序：（1）客户数据。客户数据主要是通过客户在使用过程中产生的数据的采集，其也分为两种业务维度和终端维度。这两种数据的采集，将在不同方面上分析不同的数据。（2）计费数据。其指移动互联网通信过程中与用户相关的数据。这种数据也是具有很大用处的。（3）账户数据。与用户帐户相关联的数据叫做帐户数据。（4）业务数据。其主要指的是移动通信网络数据。移动通信网络数据在我们日常生活中也是能够常常见到。网络数据主要包括通信异常、设备异常报警、业务小区基站功率等业务数据。由于数据源的多样性和采集到的数据格式的不统一，在数据挖掘之前必须对数据进行预处理。
（二）数据预处理
其包括四大方面：数据清洗、数据集成、数据转换和协议。这四个方面我们主要讨论的是第一个方面。
其中数据清洗占据相当大的分量。数据清理在我们日常生活中也是很常见的。比如，我们在日常生活中可能会遇到的情况，手机已经达到了欠费的最大额度，但是仍然可以继续使用，出现这种问题的时候就是属于第一种的行为记录的错误。第二种是冗余的用户行为记录，比如，在我们日常使用通信中，都会产生数据，而这些数据有时候可能会重复记录或者数据更新不及时，通过数据清洗就能够做到去除重复数据以及及时更替老数据。第三是用户行为记录之间的冲突，这种问题也是会经常发生的，由于我国的人口数量较大，甚至一些重名人数也很多，这就可能导致同一用户的数据同时在多个地方记录，当然在实际情况中，这是不可能存在的，但是数据障碍可能会发生这种事情，这就需要数据清洗来及时弥补这些问题、解决这些问题。
（三）常用挖掘算法
（1）分类是指确定对象所属的预定目标类别（2）聚类，主要是将行为或特征相似的用户聚在一起，找出潜在的用户组，并向不同的用户组提供更有针对性和人性化的服务，以达到营销的精确性。（3）关联分析。这种关联分析的方法便于发现用户的一系列行为信息。
四、结束语
时代的进步就会影响客户的需求的增加，在当今的互联网时代，移动用户对网络等相关的需求也是在与日俱增的，这就需要移动公司完善客户服务，通过对大数据的分析，以期待更加完美解决每一位客户的烦恼。移动用户希望能够在任何地方保持顺畅的通信，用户对日常多样化的需求。因此，有必要增加对数据资源的挖掘，优化数据资源的流动，利用聚类分析对数据进行预处理，并在拟合分析的基础上建立用户行为模型。对家庭群体的分布趋势进行了合理、有效的分析，明确了用户的行为。本文通过分析了用户行为的方法、以及模型的设计，最后提出了移动用户行为的分析流程，希望能够给广大读者提高一个好的参考。
参考文献：
[1]孙为民. 基于客户价值的数据业务集成服务营销战略研究[D].复旦大学，2011.
[2]杨栋. 针对基站聚类和用户行为分析的移动通信网络资源优化技术研究[D].北京邮电大学，2014.
關键词：用户行为;网络挖掘;移动;应用
引言：
互联网时代的到来，信息交流变得越来越方便。移动用户的需求也会越来越多、越来越高，比如人们更加希望通话质量的提高。希望能够在任何地方保持顺畅的通信，用户的需求日益多样化。我们对用户行为的研究，也是非常有必要的，这是更好地服务客户的需要，更好适应社会的需要。通过相关数据的采集，然后从中找到规律，利用这些规律来更好的服务社会，为运营商提供决策支持。
一、移动通信用户行为分析方法
从移动通信的角度分析用户的行为时，必须确定和分析数据源，而不是凭空编造数据，这样做的目的是，在后期进行数据分析的时候可靠性更大、分析的结果更加准确。在我们用手机进行通话时，不知道你们有没有经历过类似的情况，在进行通话的双方，其中一方能够听清声音，而另一方根本听不清声音，二者无法交流导致呼叫失败。在从信令过程中分析用户行为时，由于建立了呼叫，网络与用户之间没有建立信令，导致无法正确确定单通原因，而数据采集、存储工作也有较大困难，在正常信令数据的情况下，没有用户面数据，位置需要与用户的行为相结合。大多数移动用户选择在单向情况下挂断电话重拨，这是一种不寻常的用户行为，因为一次通话时间较长，两次通话时间较短。在分析用户的这类行为时，这种方法是不适用的，这导致了不同用户行为之间的差异。
二、用户行为的分析模型
我们把用户行为的分析模型分为四个：采集层、分析层和应用层、数据预处理层，下面我我们将详细分析这四大部分。
采集层
用户行为分析的原始数据来源于某一运营商的网络信令、业务信令、网络配置数据和各网络单元接口的呼叫顺序数据。
数据预处理层
我们在采集到原始信息时，往往是不能不能够直接使用的，需要从中适当加工处理。这是因为原始数据会存在一些误差，这些都会影响到后期的工作处理任务，所以我们必须对原始信息进行适当地处理，避免后期产生更大的误差，我们需要对原始数据进行提取和转换，因此数据预处理是非常重要的。
（三）分析层
挖掘操作是数据挖掘的关键步骤，根据数据挖掘的对象，挖掘操作选择相应算法的参数，对数据进行分析，得到可能形成知识的模式模型。在分析层中，移动公司主要会根据之前获得到的一些数据，进行简单分析。在现代的社会里，大数据处理已经无处不在了，我们也能够经常发现大数据应用在一些数据的分析层面上。这是大数据的应用特点，不仅能够从整体获得数字的发展趋势，也可以从个体获得数据的具体信息，这是其他技术所不能够的。分析层主要依靠的就是数据。
（四）应用层
应用层采用Java编程语言，采用JSP Hiber-NateSpring技术完成用户界面的设计，以列表和图形的形式显示用户的查询行为分析结果。
三、移动通信用户行为分析的步骤
（一）数据采集
数据采集是数据挖掘的基础工作，一般分为以下几大程序：（1）客户数据。客户数据主要是通过客户在使用过程中产生的数据的采集，其也分为两种业务维度和终端维度。这两种数据的采集，将在不同方面上分析不同的数据。（2）计费数据。其指移动互联网通信过程中与用户相关的数据。这种数据也是具有很大用处的。（3）账户数据。与用户帐户相关联的数据叫做帐户数据。（4）业务数据。其主要指的是移动通信网络数据。移动通信网络数据在我们日常生活中也是能够常常见到。网络数据主要包括通信异常、设备异常报警、业务小区基站功率等业务数据。由于数据源的多样性和采集到的数据格式的不统一，在数据挖掘之前必须对数据进行预处理。
（二）数据预处理
其包括四大方面：数据清洗、数据集成、数据转换和协议。这四个方面我们主要讨论的是第一个方面。
其中数据清洗占据相当大的分量。数据清理在我们日常生活中也是很常见的。比如，我们在日常生活中可能会遇到的情况，手机已经达到了欠费的最大额度，但是仍然可以继续使用，出现这种问题的时候就是属于第一种的行为记录的错误。第二种是冗余的用户行为记录，比如，在我们日常使用通信中，都会产生数据，而这些数据有时候可能会重复记录或者数据更新不及时，通过数据清洗就能够做到去除重复数据以及及时更替老数据。第三是用户行为记录之间的冲突，这种问题也是会经常发生的，由于我国的人口数量较大，甚至一些重名人数也很多，这就可能导致同一用户的数据同时在多个地方记录，当然在实际情况中，这是不可能存在的，但是数据障碍可能会发生这种事情，这就需要数据清洗来及时弥补这些问题、解决这些问题。
（三）常用挖掘算法
（1）分类是指确定对象所属的预定目标类别（2）聚类，主要是将行为或特征相似的用户聚在一起，找出潜在的用户组，并向不同的用户组提供更有针对性和人性化的服务，以达到营销的精确性。（3）关联分析。这种关联分析的方法便于发现用户的一系列行为信息。
四、结束语
时代的进步就会影响客户的需求的增加，在当今的互联网时代，移动用户对网络等相关的需求也是在与日俱增的，这就需要移动公司完善客户服务，通过对大数据的分析，以期待更加完美解决每一位客户的烦恼。移动用户希望能够在任何地方保持顺畅的通信，用户对日常多样化的需求。因此，有必要增加对数据资源的挖掘，优化数据资源的流动，利用聚类分析对数据进行预处理，并在拟合分析的基础上建立用户行为模型。对家庭群体的分布趋势进行了合理、有效的分析，明确了用户的行为。本文通过分析了用户行为的方法、以及模型的设计，最后提出了移动用户行为的分析流程，希望能够给广大读者提高一个好的参考。
参考文献：
[1]孙为民. 基于客户价值的数据业务集成服务营销战略研究[D].复旦大学，2011.
[2]杨栋. 针对基站聚类和用户行为分析的移动通信网络资源优化技术研究[D].北京邮电大学，2014.