基于用户行为的益农之声推广平台的设计与实现

彭晓明　周红　习李琴

摘要：随着互联网的迅速发展，通过网络销售已经成为当前趋势之一，该平台则基于用户行为进行有针对性的推广，目的更明确，目标更清晰。此外在设计上整体采用了三層架构开发思想，同时结合 Ajax技术进行数据的异步刷新，以增强用户的体验效果。

关键词：用户行为；推广平台；三层架构；异步刷新

中图分类号：F426.72；F724.6 文献标识码：A 文章编号：1007-9416（2017）04-0175-01

1 用户行为和用户行为信息

用户行为指的是用户在浏览推广平台时的状况和动作[1]。有研究发现，不同的用户在做某些事情的时候行为反应是不尽相同的，行为和结果之间存在着某种联系，因此，如何在海量的用户行为中找出蕴藏着有价值的信息和有用的知识，并且再进一步有效的利用这些信息成为众多学者关心的问题。

用户行为信息值得是用户在浏览、检索、评论和购买等行为时所留下来的信息，在传统的Web数据挖掘中，依赖的是日志文件[2]。在现在的Web系统中，则可以通过各种方式，将用户的信息更加详尽的记录下来，比如可以通过AJAX技术把用户浏览某一页面的频繁程度[3]；页面跳转的特点；在某一页面停留的时间和规律等行为以信息的形式记录到数据库中，以便后期对用户在购买的行为进行统计和分析得出该用户的购物行为特点、喜好的领域。这个功能是整个推广平台内的一项重要功能。只有根据用户的购买特点和规律设计的推广平台才能更加拥有针对性，真正的提高物品的推广针对性，提高销售业绩。

2 要统计的行为

在该平台中主要统计以下行为，并对其进行分析。首先是浏览时间，然后是访问的资源名称，第三是购买产品名称。

2.1 总浏览时间

总浏览时间反应用户的总体购买时间长度，可以反应该产品对于用户来说的总体吸引度。也能间接的反应推广平台的总体设计质量。如果用户的普遍浏览时间过长，超出预期的设想，说明平台内所提供的资源难度过大。如果普遍的浏览时间过短，则说明网站的产品资源深度在某种意义上不够或者不好，需要改进。

2.2 子页面浏览时间

统计某一类产品或某一种产品的浏览时间可以挖掘用户感兴趣的产品类别或者某个具体产品，或者说浏览时感觉比较认可的产品，通过对他的记录可以挖掘平台在不断的建设当中需要注意和强化的地方，做到产品投放和推送有的放矢。研究发现：如果用户在某一类别内的浏览时间普遍长于其他类别，这说明该类别里推广的产品对于该用户有一定的喜欢（相对于其他产品）而这些产品通常是所有用户所关注的地方，这种浏览时的关注程度和决定是否购买的决定点有着内在的微妙的联系。

2.3 子页面浏览次数（按扭点击次数）

统计某一类产品的浏览频率和统计某一类产品的浏览时间有相同的意义 ，通过对它的记录可以挖掘推广平台在不断的建设当中需要注意和强化的地方，做到产品推广的有的放矢[4]。通过研究发现：如果用户在某一产品类的浏览的频率普遍高于其他类别，这说明类别里介绍的产品对于该用户有一定的价值（相对于其他产品）而这些价值通常是产品本身所特别的地方。

2.4 鼠标在某个产品上的点击次数

对鼠标在某个产品上的点击次数的统计可以抽象的挖掘用户的浏览产品行为特点。总之通过对上述数据的采集，进行数据挖掘就可以得到一些看似抽象但是有价值的信息。

3 数据挖掘建立模型

构建Microsoft决策树和Microsoft神经网络模型以确定哪个算法生成最准确的模型（通过将预测与测试集上产生的实际值进行比较来测度）如图1所示。构建初始挖掘结构和挖掘模型后（指定输入和可预测属性），分析软件可以轻松地添加其他挖掘模型。（可以使用“添加挖掘模型”功能尝试不同的算法。）

研究发现更改COMPLEXITY_PENALTY和MINIMUM_ SUPPORT的默认值后，使用Microsoft决策树算法可以获得非常准确的预测模型。使用COMPLEXITY_PENALTY=0.10。这可能导致较大（较详细）的决策树。较大、较详细的决策树能够更加准确地对练习数据构建模型，甚至某种程度上可以对练习数据中的“干扰”构建模型。这种情况称为“臃肿”，通常导致对提取的数据集或测试数据集的较差预测。另外，较大、较详细的决策树可能需要稍多的计算来进行预测。

4 设计技术

在设计上，依据用户浏览时的特点，分析用户浏览行为，在计算用户的个性化知识需求度的基础上综合显性行为和隐性行为，建立基于本体的用户行为模型；进而实现了个性化知识过滤和推荐，如图2所示。

5 结语

推广平台个性化推送服务是提高平台资源利用率、提升用户黏度的有效手段，本文构建了如何通过对推广平台用户行为的产品分析，对显性行为和隐性行为进行综合评价，计算用户个性化革新挂需求度，建立了基于用户行为模型和个性化知识服务流程。

参考文献

[1]张金增，孟小峰.移动Web搜索研究[J].软件学报，2012，23（1）：46-64.

[2]马少平，刘奕群.中文搜索引擎用户行为的演化分析[J].中文信息学报，2011，25（6）：90-97.

[3]余肖生，孙珊.基于网络用户信息行为的个性化推荐模型[J].重庆理工大学学报自然科学版，2013，27（1）：47-50.

[4]陈吉荣，乐嘉锦.基于Hadoop生态系统的大数据解决方案综述[J].计算机工程与科学，2013，35（10）： 25-35.

[5]Lu X，Islam N S，Wasi-Ur-Rahman M，et al. High-Performance Design of Hadoop RPC with RDMA over InfiniBand[C]，Parallel Processing （ICPP）， 2013 42nd International Conference on. IEEE， 2013：641-650.