面向社会计算的手机用户行为大数据研究
全新正版 极速发货
￥ 51.75 7.5折 ￥ 69 全新
库存2件
广东东莞
认证卖家担保交易快速发货售后保障
作者赵玺.冯耕中 编
出版社电子工业出版社
ISBN9787121401695
出版时间2023-01
装帧平装
开本16开
定价69元
货号1202834655
上书时间2024-12-02
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1篇 导 论
第1章 研究背景 2
第2章 社会计算概述 5
2.1 社会计算介绍 5
2.2 社会计算研究概述 6
2.2.1 人道主义救援 6
2.2.2 公共卫生管理 8
2.2.3 气象灾害应急 9
2.2.4 经济发展监控 9
2.2.5 农业食品安全 10
2.2.6 交通城市规划 11
2.2.7 能源 11
2.2.8 国家调研统计 11
第3章 智能决策 16
第2篇 用户行为分析
第4章 基于电信运营商数据的路网匹配
算法 20
4.1 本章简介 20
4.2 背景介绍 20
4.3 问题定义 22
4.3.1 路网匹配问题定义 22
4.3.2 现有的路网匹配方法的
局限性 23
4.4 方法设计 24
4.4.1 方法概览 24
4.4.2 位置表征模型 25
4.4.3 路网匹配模型 26
4.4.4 强化学习优化模型 27
4.5 系统实现 29
4.5.1 离线训练过程 29
4.5.2 在线匹配过程 30
4.6 实验结果 31
4.6.1 实验设置 31
4.6.2 路网匹配准确率验证 31
4.6.3 路网匹配的匹配时间验证 32
4.6.4 注意力模型的有效性验证 32
4.6.5 系统的鲁棒性验证 33
4.6.6 位置表征模型的有效性验证 35
4.6.7 强化学习优化模型的有效性
验证 36
4.7 相关文献讨论 37
4.8 总结 38
第5章 利用移动跟踪数据从旅游团组
规模的角度理解游客移动模式：
以中国西安为例 43
5.1 本章简介 43
5.2 背景介绍 43
5.2.1 游客行为 43
5.2.2 团组规模 44
5.3 案例介绍 45
5.3.1 研究区域和数据 45
5.3.2 细粒度旅游团组划分方法 47
5.4 案例分析结果 51
5.4.1 人口统计学模式 51
5.4.2 空间模式 52
5.4.3 时间模式 54
5.5 总结 55
5.5.1 结果洞察 55
5.5.2 实际意义 56
5.5.3 结论 58
第6章 大型活动期间的旅游景区游客
增幅研究：目的地属性的影响 62
6.1 本章简介 62
6.2 背景介绍 62
6.2.1 研究背景 62
6.2.2 相关研究 63
6.3 案例介绍 66
6.3.1 案例区域和数据 66
6.3.2 变量测量 66
6.3.3 数据分析 68
6.4 案例分析结果 69
6.4.1 描述性分析 69
6.4.2 相关性分析 69
6.4.3 探索性因子分析 70
6.4.4 回归分析―目的地属性对
游客增幅的影响 71
6.5 总结 72
6.5.1 理论意义 72
6.5.2 实际意义 73
6.5.3 结论 74
第7章 基于标记时间点过程的手机应用
程序使用预测算法 78
7.1 本章简介 78
7.2 背景介绍 79
7.3 方法设计 80
7.4 应用程序时间点过程算法 81
7.4.1 应用程序表征模块 82
7.4.2 应用程序使用预测器模块 82
7.4.3 环境感知优化模块 84
7.5 实验结果 85
7.5.1 数据驱动实验 86
7.5.2 现场实验 88
7.5.3 系统开销 89
7.6 相关文献讨论 91
7.7 总结 92
附录A MTPP模型的参数学习 93
附录B 模型实现 94
附录C 模型训练 94
第3篇 用户行为预测
第8章 使用“大五”人格特质预测日常
移动行为：基于手机数据的实证
研究 96
8.1 本章简介 96
8.2 研究背景 96
8.2.1 日常移动行为 96
8.2.2 人格特质与日常移动行为 97
8.2.3 研究概述 98
8.3 假设建立 98
8.3.1 神经质与日常移动行为 98
8.3.2 尽责性和日常移动行为 99
8.3.3 宜人性和日常移动行为 99
8.3.4 开放性与日常移动行为 99
8.3.5 外向性和日常移动行为 99
8.4 实验设计 100
8.4.1 数据收集 100
8.4.2 变量测量 100
8.5 分析结果 101
8.6 总结 104
8.6.1 研究总结 104
8.6.2 贡献 105
8.6.3 局限性和未来研究方向 105
第9章 基于元级手机使用数据的个人
信用评估研究 110
9.1 本章简介 110
9.2 背景介绍 110
9.3 实证研究 112
9.3.1 假设提出 112
9.3.2 样本和数据 114
9.3.3 变量 114
9.3.4 探索性分析 116
9.4 个人信用评估模型构建 119
9.4.1 变量选择 120
9.4.2 个人信用评估模型 121
9.5 结果分析 123
9.5.1 评价 123
9.5.2 变量表现 123
9.5.3 不同方法的比较 125
9.5.4 与现有模型的对比 126
9.6 总结 127
第10章 一个应用程序使用行为预测的
深度强化学习框架 132
10.1 本章简介 132
10.2 背景介绍 133
10.3 相关文献 135
10.3.1 App使用行为预测研究
现状 135
10.3.2 深度强化学习研究现状 136
10.4 方法设计 137
10.4.1 研究必要性 137
10.4.2 DeepApp框架设计 138
10.4.3 App使用行为预测的上下文
感知状态 140
10.4.4 App使用行为预测的Actor-
Critic智能体 140
10.4.5 DeepApp工作流程 142
10.5 DeepApp框架的实现 143
10.5.1 DeepApp框架后端 143
10.5.2 DeepApp框架前端 143
10.5.3 前后端预测实现 144
10.6 基于数据驱动的实验与结果 144
10.6.1 实验设置 144
10.6.2 不同方法的准确率比较 145
10.6.3 通用智能体的有效性
验证 145
10.6.4 DeepApp解决用户偏好
时变性问题 146
10.6.5 参数设置实验 146
10.6.6 不同用户行为下DeepApp的
性能 147
10.7 实地实验与结果 148
10.7.1 用户调查问卷 149
10.7.2 实地实验算法性能 150
10.7.3 预测延迟问题 150
10.7.4 系统的额外开销 150
10.8 总结 151
第4篇 用户行为干预
第11章 基于多源数据融合的商铺类型
推荐系统研究 158
11.1 本章简介 158
11.2 背景介绍 159
11.3 方法设计 160
11.3.1 系统概述 160
11.3.2 商铺类型推荐模型构建 161
11.4 结果分析 165
11.4.1 数据收集及预处理 165
11.4.2 实验执行 166
11.4.3 评估度量 166
11.4.4 实验结果 167
11.5 总结 172
第12章 基于App有效性预测的移动
健康类App推荐方法研究 176
12.1 本章简介 176
12.2 背景介绍 177
12.3 方法设计 178
12.3.1 问题定义 178
12.3.2 用户-BCT矩阵构建 179
12.3.3 用户画像构建 181
12.3.4 合适的BCT预测 182
12.3.5 移动健康类App推荐 182
12.4 实验结果 183
12.4.1 实验数据 183
12.4.2 评估指标 185
12.4.3 实验结果及分析 186
12.5 总结 190
第13章 利用蜂窝数据基于偏好补全的
协同过滤方法进行位置推荐 195
13.1 本章简介 195
13.2 背景介绍 195
13.3 方法设计 197
13.3.1 问题定义及偏好补充分析 197
13.3.2 基于偏好补全的位置推荐
方法 200
13.4 实验结果 204
13.4.1 数据 204
13.4.2 评价指标 205
13.4.3 基准方法 206
13.4.4 实验结果 206
13.5 总结 212
第14章 基于强化学习的城市地铁网络
扩建研究 215
14.1 本章简介 215
14.2 背景介绍 216
14.3 方法设计 217
14.3.1 准备性工作 217
14.3.2 地铁扩建方法 219
14.4 实验结果 224
14.4.1 数据及其预处理 225
14.4.2 基准方法和性能评估 225
14.4.3 与实际规划地铁线路的
比较 229
14.4.4 多条地铁线路扩建 231
14.5 总结 232
内容摘要
本书以电信运营商数据为基础，依照“用户行为分析―用户行为预测―用户行为干预”的思路，针对社会计算领域的手机用户行为大数据进行深入剖析，开展面向社会治理、商业智能、个体决策各领域(包括城市交通规划、旅游行业发展、公共管理等)的理论分析及应用技术研究。 本书适合高等院校和科研单位从事社会计算、大数据研究的硕士研究生、博士研究生和相关领域学者阅读参考，也有助于电信运营商、手机厂商、政府管理部门在社会计算领域开展大数据管理应用实践。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价