典型文献
基于用户画像的在线健康社区用户流失预测研究
文献摘要：
[目的]对在线健康社区用户进行精准画像并准确预测其在社区中的参与情况,有助于社区管理者早期识别流失用户,并做出个性化挽留措施.[方法]构建多维度用户画像标签体系,采用统计分析、社会网络分析、自然语言处理技术、LDA主题聚类实现指标计算与可视化;将用户画像标签数据作为用户流失预测的模型输入,构建了基于滑动窗口的用户流失实时预测模型.[结果]以华夏中医论坛的真实数据进行实证研究,为9 918个用户生成了多维度画像标签,构建并比较多种机器学习算法对用户流失的预测效果,结果显示Gradient Boosting算法效果最佳,F1值达到88.77％.[局限]未在更多在线健康社区中应用,用户数据量较少.[结论]本研究提出了一种依据用户在线交互行为特征实现多维度用户画像标签计算的方法,并验证了用户画像在用户流失预测中的应用可行性.
文献关键词：
在线健康社区;用户画像;用户流失预测;机器学习
中图分类号：
作者姓名：
王若佳;严承希;郭凤英;王继民
作者机构：
北京中医药大学管理学院 北京100029;中国人民大学信息资源管理学院 北京100872;北京大学信息管理系 北京100871
文献出处：
引用格式：
[1]王若佳;严承希;郭凤英;王继民-.基于用户画像的在线健康社区用户流失预测研究)[J].数据分析与知识发现,2022(02):80-92
A类：
B类：
用户画像,在线健康社区,社区用户,用户流失预测,预测研究,精准画像,准确预测,社区管理,早期识别,挽留,标签体系,社会网络分析,自然语言处理技术,LDA,主题聚类,指标计算,标签数据,模型输入,滑动窗口,失实,实时预测模型,华夏,真实数据,机器学习算法,Gradient,Boosting,未在,用户数据,数据量,在线交互,交互行为,行为特征,征实,应用可行性
AB值：
0.317665
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
