oalib

OALib Journal期刊

ISSN: 2333-9721

费用：99美元

投稿

时间不限

( 2026 )

( 2025 )

( 2024 )

( 2023 )

自定义范围…

匹配条件： “停留行为预测” ，找到相关结果约1000条。
列表显示的所有文章，均可免费获取
第1页/共1000条
每页显示 条
顾及上网行为特征的手机用户停留行为预测方法
倪雅倩, 黄守倩,方志祥
- , 2020,
Abstract: 摘要： 随着信息通讯技术的发展,手机成为人类日常生活不可缺少的一部分,人类活动逐渐从现实空间延伸至网络空间,在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分。当前个体出行行为预测建模较少考虑上网行为与出行行为间的关系,本文提出一种融合上网行为特征的手机用户停留行为预测模型,通过时空约束定义手机用户的停留行为,在考虑个体出行行为时空偏好的同时,融合手机用户使用的APP组合、上网流量、上网次数等上网行为特征以及天气信息等外部特征,从时间、空间的角度进行特征交叉,构建从特征到模型均具有高可解释性的手机用户停留行为预测模型。实验证明：本文模型预测准确率为80.31%,且在融合上网行为特征、天气等外部因素后,比仅使用个体出行特征进行手机用户停留行为预测提升了12.08%。
提升成都博物馆游客观展停留行为的线上营销策略研究
Research on Online Marketing Strategies to Enhance Visitor Engagement and Stay Duration at Chengdu Museum  [PDF]
吴燕
E-Commerce Letters (ECL) , 2025, DOI: 10.12677/ecl.2025.14113685
Abstract: 随着文化消费的走热和新博物馆学运动的全球席卷，博物馆作为连接过去与未来的文化桥梁，其重要性日益凸显。本研究以成都博物馆为例，采用访谈、参与观察和网络调查等研究方法，探讨博物馆游客观展停留行为的特征及其线上营销策略。从游客观展停留行为体验角度，提出了内容体系分层建设、专业观众多维培育、数字技术重构观展行为、智能推荐系统构建、社交化传播体系建立和性别与生命周期传播策略实施的建议，以便为同类博物馆的发展提供经验借鉴。
With the rise of cultural consumption and the global surge of the New Museology movement, museums have increasingly emerged as vital cultural bridges connecting the past and future. Taking Chengdu Museum as a case study, this research employs interviews, participant observation, and online surveys to explore the characteristics of museum visitors’ exhibition engagement behaviors and formulate corresponding online marketing strategies. From the perspective of visitor experience, the study proposes recommendations including: hierarchical development of content systems, multidimensional cultivation of professional audiences, digital technology-driven restructuring of viewing behaviors, establishment of intelligent recommendation systems, creation of socialized dissemination frameworks, and implementation of gender- and life-cycle-based communication strategies. These findings aim to provide practical insights for the development of similar museums.
购物中心消费者停留时间对交叉购买行为的影响：一个理论框架
The Impact of Customer Shopping Duration on Cross-Shopping Behavior in Shopping Mall: A Theoretical Model  [PDF]
沈凯丽
Modern Marketing (MOM) , 2016, DOI: 10.12677/MOM.2016.64008
Abstract:
消费者在购物中心的停留时间对其购买行为有着重要影响，在国外关于购物中心的研究中已经有一些初步的结论。本文在总结国内外文献研究的基础上，以中国购物中心的发展为研究背景，构建购物中心消费者停留时间与其交叉购买行为的研究模型。以期为下一步研究提供研究基础。
There have been some Initial conclusions abroad about the impact of customer shopping duration on their cross-shopping behavior in the shopping mall. This paper aims to create the research model of customer shopping duration on cross-shopping behavior and tries to contribute to the future research based on the past research results at home and abroad in the background of cur-rent situation of China’s shopping mall.
儿童行为与心理水平的特质推理的发展
王美芳,陈会昌
心理学报 , 2009,
Abstract: ？选取4岁组、5岁组、7岁组、10岁组、12岁组儿童和成人共192名(各年龄组32名,男女各半)为被试,采用个别测查法考察学前和小学儿童行为与心理水平的特质推理发展。结果表明:(1)4岁时儿童已能进行行为水平的特质推理,5岁时才能进行心理水平的特质推理,即使用特质引发规则进行特质推理,10岁时两者均达到成人水平。(2)4岁、5岁时儿童心理水平的特质推理显著落后于行为水平的特质推理,至少7岁时两者处于同一水平上。(3)儿童使用概念相似规则而不是情境匹配规则进行行为预测。(4)4岁儿童不使用简单效价规则进行行为预测,5岁及以上儿童使用简单效价规则,但他们是在区分同一特质范畴和不同特质范畴的基础上、在较低的确定程度上使用该规则。
斑块质量对大斑啄木鸟冬季觅食行为的影响
邢茂卓,付林巨,温俊宝
动物学杂志 , 2012,
Abstract: 为了解大斑啄木鸟(Dendrocoposmajor)冬季对食物斑块的利用对策,2011年1月和2012年2~3月,在内蒙古乌拉特前旗的农田防护林中,采用目标动物取样法和全事件记录法,观察了大斑啄木鸟在食物斑块的觅食行为,利用主成分分析方法对斑块质量进行评价,通过比较不同质量斑块中大斑啄木鸟的觅食频次、停留时间、觅食成功频次及觅食成功率等指标,分析斑块质量对其觅食行为的影响。结果显示,在不同质量斑块中大斑啄木鸟的觅食频次、停留时间、觅食成功频次差异都极显著,但觅食成功率差异不显著;除停留时间外,不同性别间觅食差异不显著。大斑啄木鸟的觅食频次、停留时间、觅食成功频次与斑块质量呈显著正相关,觅食成功率与斑块质量相关性不显著。大斑啄木鸟倾向于在质量水平高的斑块觅食,表现为在这些斑块停留时间更长、往返次数更频繁;但觅食成功率不受斑块质量影响,这可能是大斑啄木鸟适应不同觅食环境的一种生存本能。
植食性哺乳动物能量收益函数模型的预测性及适用性
陶双伦*？,张伟华？,李俊年？,何岚？
生态学报 , 2010,
Abstract: 以东方田鼠喜食的白三叶叶片作为食物，在保持叶片生物量不变的条件下，改变叶片大小，配置东方田鼠觅食的各类食物大小异质斑块，测定东方田鼠觅食的行为\.通过比较几种植食性哺乳动物能量收益函数模型的预测性，评价其适用性。结果发现，没有检测到东方田鼠食物摄入量动态呈s型能量收益函数增长。线性函数模型能准确地预测东方田鼠在中、小型食物斑块的停留时间；在大型食物斑块，尽管，分段线性函数及渐进函数均能很好地拟合东方田鼠的食物摄入量动态，但仅分段线性函数模型能准确地预测其停留时间。线性函数模型及分段线性函数模型是在功能反应机制模型-口量模型基础上建立的，反映了调节摄入率动态的机制，为机制性模型。因此，此2种模型是在口量及摄食站尺度上，探讨动物在食物斑块的能量收益动态及停留时间；而渐进函数模型及s型函数模型均为实验性模型，是在斑块尺度上预测动物能量收益动态及停留时间，未能反映动物摄入率动态，故其预测效果较差。由于此4种模型均未考虑动物在食物斑块搜寻食物及非觅食活动如警觉和逃跑等花费的时间，因而，限制了模型的广泛应用。建议，发展新的模型，促进觅食生态学斑块模型理论研究的深入发展。
价值观与行为的一致性争议
陈莹,郑涌
心理科学进展 , 2010,
Abstract: ？价值观与行为的一致性存在着争论,相关的实证研究包括以下几种模式:价值观直接预测行为;生活方式、态度等中介变量的桥梁作用;人格与情境等调节变量的影响作用。目标层次理论认为价值观与行为之间是由逐渐具体化的目标连接起来的;建构水平理论认为心理距离影响价值观与行为的关系;自我价值定向理论认为个人自我价值体系对行为具有定向作用;新社会分析模型则认为价值观是人格的一个领域,特质与价值观这两个平行的结构共同作用于行为。未来的研究方向可能表现为价值观词典的应用;价值矛盾与行为决策关系的研究;中国文化背景下的价值观与行为一致性的探索以及建立专门针对二者关系的理论模型等方面。
Information sharing behavior prediction of online social network users
在线社会网络用户的信息分享行为预测研究
LIU Chen,TIAN Zhan-wei,YU Jing,SHAN Wei,
刘　臣,田占伟,于　晶,单　伟
计算机应用研究 , 2013,
Abstract: Information transmission paths in online social networks (OSN) contain users' preferences as information content and source. This paper proposed a method based on the information paths to predict the information sharing behavior of OSN users. Firstly studied the transform method of the information transform process to information transform paths based on information filtrate ability of these paths. Then, used an association rules based classification algorithm to predict the information sharing behavior of users. It used an empirical research of Sina Weibo to test the prediction method. Results show that it works well when predict the information sharing behavior of active uses on OSNs.
基于数据再生与空间重构的岩土体变形行为预测
董辉,杨珺博,傅鹤林,聂春龙
岩土力学 , 2010,
Abstract: 针对岩土体变形行为预测中观测数据的有限性以及信息的不完备性，提出以分段插值或boostrap重采样对有限观测数据再生以增强数据细节信息，以坐标变换或状态空间重构改变时序数据的表示形式，并重写原有不显著的规律的研究方法。在深入分析方法中重采样、混沌辨识、相空间重构的嵌入维数和延迟时间等关键技术的基础上，分别采用支持向量机、径向基函数前向型神经网络（rbf）以及反馈型神经网络（elman），对3组不同特征工程算例的岩土体变形时序在数据再生和空间重构前后进行预测对比研究。结果表明，变形时序的数据再生与重构能够极大地扩充数据细部特征信息和凸显岩土体变形演化的本质规律，以此数据建立的svm预测模型，其可靠性和准确性优于以原始数据svm、rbf和elman建模预测效果。
基于Transformer-LSTM算法的电子商务平台用户行为预测研究
Research on User Behavior Prediction of E-Commerce Platform Based on Transformer-LSTM Algorithm  [PDF]
周文钦
E-Commerce Letters (ECL) , 2025, DOI: 10.12677/ecl.2025.1472385
Abstract: 本文探讨了在电子商务领域，利用Transformer-LSTM混合神经网络算法对用户行为进行预测的方法。随着网络购物的普及，用户浏览、收藏、加入购物车等在电商平台产生的大量行为数据成为预测其购买行为的关键信息。在处理此类序列性和依附关系复杂的数据时，传统的机器学习方法有一定的局限性。因此，本文提出了一种结合Transformer和LSTM的混合神经网络模型，以提高预测的准确性和效率。Transformer模型擅长在序列数据中捕捉长时间的依赖关系和并行计算，而LSTM则可以针对梯度消失和爆炸等问题，对长序列数据进行有效处理。本文的模型首先通过Transformer对用户行为数据进行编码，提取关键特征，然后利用LSTM对提取的特征序列进行建模，最终实现对用户购买行为的预测。实验结果显示，该模型比传统的LSTM模型在精确度、精确率、召回率、F1-score等指标上都要好，在电商用户行为预测上显示出潜力和优势。电商平台通过这种改良的模式，能够将商品更精准地推荐给用户，提升用户的购物体验，同时也提高了平台的经济效率。
This paper discusses the method of predicting user behavior by using the Transformer-LSTM hybrid neural network algorithm in the field of e-commerce. With the popularity of online shopping, the large amount of behavioral data generated by users on e-commerce platforms (such as browsing, collecting, adding to shopping carts, etc.) has become the key information for predicting their purchasing behaviors. Traditional machine learning methods have certain limitations when dealing with such data that have complex sequentiality and dependencies. Therefore, this paper proposes a hybrid neural network model combining Transformer and LSTM to improve the accuracy and efficiency of prediction. The Transformer model is good at capturing long-term dependencies and parallel computing in sequence data, while LSTM can effectively handle long sequence data and solve the problems of vanishing and exploding gradients. The model in this paper first encodes the user behavior data through Transformer to extract key features, and then uses LSTM to model the extracted feature sequence, ultimately achieving the prediction of user purchasing behavior. The experimental results show that this model outperforms the traditional LSTM model in terms of indicators such as accuracy rate, precision rate, recall rate and F1-score, demonstrating its potential and advantages in the prediction of e-commerce user behaviors. Through this improved model, e-commerce platforms can recommend products to users more accurately, enhancing the shopping experience of users and the economic benefits of the platform.
第1页/共1000条
每页显示 条


Home
Copyright © 2008-2020 Open Access Library. All rights reserved.