Behaviors Modeling and Analysis of Big Data from Web Apps Using Machine Learning and Deep Rnn Techniques.pdf

1、本文提出了一種移動計算的大數(shù)據(jù)服務應用，它是一種基于上下文情境處理網(wǎng)絡平臺用戶文本數(shù)據(jù)的方法，應用數(shù)據(jù)挖掘技術和深度機器學習技術來進行想法/行為建模和數(shù)據(jù)分析。研究展示了，如何在文本數(shù)據(jù)處理過程中應用深度遞歸神經(jīng)網(wǎng)絡(Deep RNN)算法、機器學習和模式識別，如何進行聯(lián)想記憶保存和實驗優(yōu)化，如何通過Python編程建立機器學習庫。在這些工作中，基于深度遞歸神經(jīng)網(wǎng)絡算法的Python開發(fā)的模型架構，用來為文本行為模型提供概念支持，通過語

2、境詞特征識別來進行總體數(shù)據(jù)分析的行為檢測。
　　首先，研究展示了一個web應用程序的示例原型，它是可以獲取用戶關于項目評論等的文本的一個系統(tǒng)（文中稱為行為數(shù)據(jù)，可以用于數(shù)據(jù)收集的電子服務），可以看做行為分析項目的數(shù)據(jù)源。主要研究了深度RNN算法和行為建模概念如何應用到這樣的分類數(shù)據(jù)集的行為模式檢測中。通過觀察潛在的上下文特征（詞在文本中的情感屬性），可以與一些行為模式關聯(lián)起來作為句子/段落/文件/記錄的子集。方法包括:首先，手工數(shù)

3、據(jù)注釋作為標簽記錄集的局部思想建模和行為檢測方法。其次，建立向量數(shù)組的詞集（上下文感知特性），然后應用深度RNN算法來實現(xiàn)監(jiān)督機器學習技術，此技術通過檢測這些情景化特征向量的有序發(fā)生來學習，再構建智能的文本形式模型。文本模型應該準確地產(chǎn)生可接受的目標預測，描述了與已知的分類顯著的相似性，在訓練算法時通過自動條款推理機制進行行為學習。隨后，我們能夠定義適當?shù)臄?shù)據(jù)表示（行為建模），在這些數(shù)據(jù)表示和構建模型的推斷中學習。
　　通過執(zhí)行基

4、于機器學習方法，特別是深度RNN學習，它使用包含上下文保存詞特征的數(shù)值化向量作為數(shù)組輸入，進行訓練和測試以解釋本文中所提出的方法。第一個文本語料庫是轉(zhuǎn)換成一個矩陣向量即數(shù)組的句子，單詞的數(shù)值化格式（同樣單詞出現(xiàn)的次數(shù)）。這些向量通過使用分布式(DM)目標詞來預測詞匯在文檔中的上下文關系。接下來，深層神經(jīng)網(wǎng)絡學習算法被用來通過計算特征識別功能學習向量模式。在神經(jīng)網(wǎng)絡設計的多維矩陣中，采用低水平代數(shù)計算優(yōu)化支持差異化的數(shù)學表達式。此外，存儲

5、單元元素作為神經(jīng)元單位被定位在網(wǎng)絡中，用來有效構建、存儲和維持確定信號在每個階段的復現(xiàn)。
　　盡管擬議的方法可能適用于廣泛的網(wǎng)頁和移動計算環(huán)境的情況下，但人們更關注情感數(shù)據(jù)。用案例研究的實驗，使用合成和真實世界數(shù)據(jù)進行情感分析(SA);通過特征建模和算法訓練得到文本模型，進行分析和評估。通過使用可靠的性能指標評估，部署了真實行為檢測場景的智能文本模式，最后分析討論了結果。實驗結果證明，我的方法實現(xiàn)了準確、健壯和可靠的解決方案，可以

6、克服以前存在的一些問題。進一步，通過比較它與其他流行多分類器算法來測試本算法的有效性，包括:KNN，隨機森林和消極/積極的分類器算法。初步結果表明，與其他方法相比這種方法更有效。在研究的過程中，基于如何獲得實用技能和知識提出了一些關鍵的討論，識別潛在的觀念行為，推導出行為模型，并報告興趣的數(shù)據(jù)分析工作。進一步論文給出了特征建模的一些改進方法，以維持精確算法設計及優(yōu)化，同時引入其他數(shù)據(jù)類型來幫助實現(xiàn)更好的系統(tǒng)并避免過多的復雜度。
　

7、　因此，本文行為建模的研究包括以下四個階段:(1)確定一個行為方面和必要的上下文特征作為文本數(shù)據(jù)。(2)像web-app功能服務定義的那樣，通過網(wǎng)絡與云存儲收集來自用戶的上下文數(shù)據(jù)。(3)使用收集的數(shù)據(jù)來執(zhí)行深度機器學習，使用最適當?shù)臄?shù)據(jù)挖掘工具來分析和陳述事實。(4)評估、驗證和基準測試等其他工作。本研究為通過提供現(xiàn)實的、理論的和經(jīng)過分析的網(wǎng)頁數(shù)據(jù)來進行機器學習，使用上下文特征的ML和RNN算法，使用模式分析工具和大數(shù)據(jù)分析進行行為建