Web用户行为模式（精选6篇）
Web用户行为模式 篇1
0 引言
Web技术的飞速发展和Web信息的迅猛增长使得Web不再仅仅是一个信息共享和发布平台。如何在用户的Web活动中挖掘获取有价值的信息和隐含知识, 并以此提供智能化、语义化、个性化的信息服务已经成为研究热点。
随着信息化教育的发展, 数字化校园和网络教育逐渐成为人们足不出户完成教育和学习的关键领域, 各种类型的教育软件和网站层出不穷, 用户在自由浏览教育网站信息的同时出现了海量的具有潜在价值的日志信息。如何把这些教育数据转变成教育决策和教育教学活动优化等有用信息和知识, 便是E-Learning用户行为模式挖掘的意义所在。
1 Web数据挖掘
1.1 Web数据挖掘及Web用户行为模式挖掘
Web数据挖掘 (Web Data Mining) 是数据挖掘技术在Web上的应用。Web挖掘是集数据挖掘、信息检索和信息抽取多种技术于一体的研究领域。Web数据挖掘的发展源于数据挖掘, 但是Web挖掘的研究对象囊括了很多传统数据挖掘技术很难处理的数据:图像、视频、声音及网页之间的各种链接等。这些数据具有海量、异构、非结构化等特性, Web挖掘就是针对这些数据特点而进行研究并获取潜在有用信息的过程。
行为模式是指用户操作过程中所体现出来的某种规律性[1]。用户行为模式挖掘是在Web日志挖掘 (Web usage mining) 基础上的应用研究, 以网络日志为研究对象。Web日志挖掘是指从用户的访问记录中提取感兴趣内容的挖掘模式。在用户浏览Internet信息的过程中, 服务器会记录用户访问及其与客户端之间的交互信息 (包括访问的页面、时间、用户ID等信息) 并被记录在日志文件中, 包括3种类型的日志文件:Server logs、Error logs、Cookie logs。Web用户行为模式挖掘正是对这3种日志文件进行挖掘, 从而发现相似用户群体、访问模式、频繁路径等知识。
1.2 Web行为模式挖掘
目前, Web行为模式挖掘研究领域主要包括:形式化描述网络访问行为、自动获取行为特征以及发现行为规律, 研究的数据主要包括URL页面请求、页面间链接的拓扑结构、注册用户特征等[2]。常用的研究方法主要有统计分析、关联规则分析、聚类分析和频繁序列模式分析[3]。
(1) 统计分析是指获取用户行为的统计信息, 如访问时间、频率等[4]。
(2) 关联规则分析可获取用户页面访问行为间的关系。
(3) 聚类分析是指通过聚类将特征相似用户的访问行为特点归并分组。
(4) 频繁序列模式分析可以获取用户访问习惯、爱好及趋势等[5]。
通过这些分析方法获得的数据在页面导航、应用和产品推荐及公共教育服务系统的开发方面有着十分重要的作用。
1.3 用户行为模式挖掘工作流程
结合Web应用的需求, 针对用户行为模式的特点, 参照Web日志挖掘的方法和流程, 建立了用户行为模式挖掘模型, 其工作流程如图1所示。
1.3.1 数据准备
Web挖掘过程中的数据采集和预处理阶段, 旨在收集Web服务器的访问日志文件, 生成挖掘数据源, 主要包括数据清洗、用户唯一性识别和完善访问路径等。通过这些可以有效地过滤掉一些类似用户访问传输协议、错误请求和短时间内多次重复的干扰信息, 从而提高数据的纯净度、准确度和可信度。
1.3.2 用户行为建模
早期的Web应用大多以静态网页的形式呈现, 现在越来越多的应用系统转变为基于平台的, 并逐步发展成为具有实时交互性和开放性的Web服务模式。人们发现在应用这些服务系统的过程中, 理解用户与系统交互行为对于网络系统性能的提高、站点的重构以及个性化、多元化服务等具有重要意义[6]。同时, 大量实践也表明, 用户行为在时序、聚集、依赖等方面确实存在强一致性的行为特征[7]。
传统的建模方法和仅基于Web日志的访问路径建模方法缺乏对用户行为模式的动态语义信息描述, 为了解决这些建模方式存在的问题, 我们采用一种新的基于网页元数据的建模方式。根据Web用户行为的分层特性, 行为模式可分为URL访问、活动、会话3个层次。
基于分层的行为模型在用户访问序列信息的基础上增加了访问内容的局部主题、关键字等信息, 这样的行为模型不仅有助于对用户行为的分析和理解, 而且为新的网络服务系统构建提供了良好的支持。
1.3.3 用户频繁行为序列模式挖掘
用户行为序列模式挖掘是在用户行为序列模型的基础上, 根据网络行为的一般规律, 在目标用户群中通过序列模式挖掘方法, 获得频繁的、普遍的、潜在的行为序列规律。这种行为序列描述了该用户群体在网络环境下一定程度上的共性行为特征, 为后期的个性化行为预测提供了必要的支持[8]。
针对行为序列数据的特点, 对现有序列模式挖掘算法适用场合进行分析, 我们选择出一种合适的访问行为频繁序列模式挖掘算法———PreFixSpan算法。根据访问行为序列特点, 发现此算法比较适合行为序列模式挖掘。这主要是因为: (1) 行为序列的每个元素都是单向的, 便于序列投影; (2) 以活动为单位的序列模式很长, 使用此算法才能提高挖掘效率。
PreFixSpan算法是一种深度优先搜索算法, 其基本思想是使用频繁前缀划分搜索空间和投影序列数据库, 并搜索相关序列, 检查前缀子序列, 将其相应的后缀子序列投影到数据库中。该算法同时采用分治的策略, 不断产生更多个更小的投影数据库, 然后在各投影数据库上进行序列模式挖掘。
假设用户分为一个组, 根据PreFixSpan算法得到频繁序列模式为:
其中, groupid为用户组的标识, 具有唯一性。si是该组内频繁行为序列, ti为si的支持度。
1.3.4 用户行为模式聚类
Web用户访问模式聚类就是根据用户访问的公共特性进行聚类。通过聚类形成多于一个的用户簇, 这样每个簇中的用户都具有共同特性。通过对上述Web日志挖掘数据的获取, 提取用户的访问特性。
当前, 用户网络行为分类研究还处于初级阶段, 可将用户的网络行为简单分为交互行为、浏览行为、查询行为、协同行为等。然而现实生活中, 用户的网络行为模式大多是这些行为的综合。聚类技术根据被分析对象间的相似性将相同或相似的对象集划分在同一类中。根据行为序列模式在时间轴上的变化特点, 通过以序列相似性为基础的序列聚类算法对行为序列模式聚类, 实现行为序列模式类别划分。
(1) 序列相似性计算。因为网络用户行为存在着自主性和不确定性的特点, 使得用户的访问行为发生的时间有很大的差异, 普通的基于时间序列的欧几里得距离及其变形的序列相似性计算算法难以满足需要, 因而, 此处使用一种基于序列投影压缩的相似度计算方法。
以网络活动序列为例, 假设有两条活动序列si, sj, 且si= (ai1, ai2, …, ain) , sj= (aj1, aj2, …, ajm) , n≤m。则相似度计算公式如下:
sj’为sj投影压缩后的变形, t为sj’的长度, 即t=|sj’|
(2) 序列聚类算法。在行为序列相似度计算的基础上, 进行行为序列聚类, 可以采用基于K-中心聚集的序列聚类算法。
输入:行为序列集D, 预设的簇数k。
输出:k个簇的集合, 使得所有对象与其最近中心点的相异度总和最小。
方法: (1) 从序列集D中随意选取2k个序列, 组成k个初始簇, 则每个簇就包含了两个序列; (2) 将剩余的每个序列进行序列相似性计算, 寻找与初始序列的投影压缩最相似的簇; (3) 添加序列到该簇; (4) 反复迭代执行, 直到簇的大小不再发生变化。
2 Web行为模式挖掘在E-Learning系统中的应用
2.1 E-Learning系统
E-Learning是指通过因特网或其它数字化内容进行的学习与教学活动, 它充分利用现代信息技术所提供的、具有全新沟通机制和丰富资源的学习环境, 实现一种全新的学习方式, 这种学习方式将改变传统教学中教师的作用和师生之间的关系, 从而根本改变教学结构和教育本质[9]。目前市场上的E-Learning供应商大致分为3类:平台技术供应商、课程资源供应商和平台兼资源共同发展的供应商。E-Learning系统应用也经历了从最初的在线学习阶段, 到在线学习+学习管理阶段, 再到在线学习+学习管理+培训管理阶段, 最终发展成为现在的在线学习+学习管理+培训管理+知识管理阶段。
2.2 Web行为模式挖掘与E-Learning系统
基于Web用户行为模式的数据挖掘在E-Learning方面的应用, 就是指一个将来自各种E-Learning网络教学平台的日志文件所包含的潜在有用的数据转换为有用信息的过程, 这些有用信息可为教师、学生、家长、教育研究人员、教育管理人员以及E-Learning软件系统开发人员所利用, 以了解学生及其所受教育的情况, 并据此采取有针对性的管理和教学优化措施[9]。
E-Learning用户行为模式挖掘过程如下: (1) 收集网络E-Learning系统服务平台用户使用数据; (2) 数据预处理; (3) 用户行为建模; (4) 用户频繁序列模式分析和行为序列聚类, 如图2所示。
实验发现, 将用户行为模式挖掘算法和流程应用在E-Learning系统的分析和挖掘, 具有很好的效果, 可以获得一些有用的数据, 进而为教育教学工作服务。
通过用户行为模式挖掘, E-Learning系统的建设者可以清楚地了解用户的需求, 建立“以用户为中心的”网络结构体系, 针对不同用户的需求“量身定做”课程设置, 使E-Learning教育系统的优势最大化, 同时提高用户满意度;网站管理者可以利用系统向用户推送一些可能有兴趣的新知识;当用户关注到下一个知识点时, 系统会建议并提供一些在学习新知识时可能会用到的知识点和相关信息, 针对不同用户的个性化学习, 定制个性化信息, 即通过用户行为模式挖掘, 建立、调整用户的喜好, 使用户能够以自己的方式来访问, 从而实现服务的个性化。不仅如此, 通过用户行为模式挖掘可以让网站的设计者不再完全依赖专家的定性指导来设计网站, 而是根据访问者的信息来修改网站的结构, 设计网站的外观, 找出优化网站组织结构的策略, 节省用户的访问时间, 节约网站的开支;通过挖掘结果还可以分析用户浏览学习的历史资料, 预测用户的需求趋势, 评估需求倾向的改变, 提高E-Learning服务系统的核心竞争力。通过Web用户行为模式挖掘知识、规律和信息, 及时调整系统课程设置和专业设置, 满足广大用户的需求, 留住现有用户, 吸引更多用户。
3 结语
Web行为模式挖掘是在Web数据挖掘基础上发展起来的一门综合技术, 主要致力于从网络海量的、异构的、多维的信息资源中寻找有潜在价值的知识。E-Learning在我国经过十几年的发展, 其模式也在不断改变, 从单纯的在线学习发展到在线学习与在线管理相结合的模式。随着网络教育的发展, 科学安排在线学习及管理模式非常重要, 将Web行为模式挖掘运用于E-Learning系统中, 能有效地帮助网站开发者和网站管理者了解用户, 依据用户的偏好合理布局、改变管理模式以及调整发展战略, 以达到扩大影响、吸引用户和为广大用户服务的目的。
参考文献
[1]戴英霞, 连一峰, 王航.系统安全与入侵检测[M].北京:清华大学出版社, 2002.
[2]GUO L, XIANG X, SHI Y C.Use Web usage mining to assist online E-Learning assessment[C].IEEE International Conference on Advanced Learning Technologies, 2004.
[3]朱志国, 邓贵仕.Web使用挖掘技术的分析与研究[J].计算机应用研究, 2008, 25 (1) .
[4]XING D, SHEN J.Efficient data mining for web navigation patterns[J].Information and Software Technology, 2004, 46 (1) :55-63.
[5]许欢庆, 王永成.基于用户访问路径分析的网页预取模型[J].软件学报, 2003, 14 (6) :1142-1147.
[6]HOLLFELDER S, ORIA V, OZSU M T.Mining user behavior for resource prediction in interactive electronic malls[C].2000IEEE International Conference on, 2000.
[7]连一峰, 戴英侠.基于模式挖掘的用户行为异常检测[J].计算机学报, 2002, 25 (3) :325-330.
[8]郑庆华, 刘均, 田锋, 等.Web知识挖掘:理论、方法与应用[M].北京:科学出版社, 2010.
[9]葛道凯.E-Learning数据挖掘:模式与应用[J].中国高教研究, 2012 (3) :8-14.
[10]何克抗.E-Learning本质——信息技术与学科课程的整合[J].电化教育研究, 2002 (1) .
Web用户行为模式 篇2
关键词：Web使用挖掘,用户行为分析,客户分类,关联规则
随着网络技术和数据库技术的不断发展, 电子商务已经进入飞速发展阶段。电子商务是对传统商务的重大变革。在电子商务模式下, 顾客可以突破地域和品牌的限制, 有了更大的选择空间, 追求更好的购物体验。这对电子商务的经营者提出了更高的要求, 如何通过用户的行为和购买意向, 发现消费的爱好和消费趋势, 改善网站结构, 设计更好产品销售策略, 减少商业成本, 提升服务水平, 是目前电子商务急需解决的问题。
1 Web使用挖掘及其过程
1.1 Web使用挖掘
Web挖掘是数据挖掘技术在Web上的应用, 是从与WWW相关的资源和用户浏览行为中抽取感兴趣的、有用的模式和隐含信息的过程。目前Web挖掘的研究分为针对Web页面内容及后台交易数据库进行挖掘的Web内容挖掘 (Web content mining) 、以Web本身的超连接为对象的Web结构挖掘 (Web structure mining) 和Web使用挖掘 (Web usage mining) 三个方面[1]。其中, Web使用挖掘主要通过分析用户访问Web的记录, 了解用户的兴趣和习惯, 对用户的行为进行分析和预测。
Web使用挖掘在分析电子商务用户行为中有重要应用, 通过挖掘用户在Web上的访问记录, 寻找日志记录中的规律, 发现用户访问Web页面的模式, 识别用户的喜好度、满意度、忠诚度, 理解用户意图, 进而挖掘潜在用户。
1.2 Web使用挖掘过程
Web使用挖掘过程分为数据采集、数据预处理、模式发现和模式分析4个阶段如图1所示[2]。
1) 数据采集:数据采集是Web使用挖掘的第一步, 也是后续模式发现和模式分析的基础, 数据采集所获得源数据质量直接关系到最终挖掘结果的质量。目前, 主要的数据来源有3种:从服务器端数据、客户端数据、中间数据;
2) 数据处理:数据处理就是将那些大量的、杂乱的、不一致的源数据进行过滤、清理、变换、集成后转入到数据仓库中, 以备后用。数据预处理工作中, 主要包括:数据清理、用户识别、用户会话识别、数据格式化[3];
3) 模式发现:经过数据处理后存入到数据仓库中的数据量还是巨大的。模式发现就是利用挖掘算法从数据仓库中挖掘出有效的、新颖的、潜在的、有用的及最终可以理解的信息和知识[4];
4) 模式分析:使用Web使用挖掘技术挖掘出来的模式, 需要合适的工具和技术对其进行分析和解释, 从中筛选有用的模式, 使之成为人们可以理解的知识。模式分析的目的就是把发现的规则模式转化为知识。
2 电子商务用户行为分析中的Web使用挖掘技术
2.1 关联规则分析
关联规则分析的目的就是为了挖掘出隐藏在数据间的关联规则。在电子商务用户行为分析中关联规则分析主要用于两个方面:
1) 发现用户访问的页面之间的关联规则, 也就是挖掘群体用户访问页面之间的关联关系, 构建关联模型。利用关联模型可以更好地组织站点结构, 使网站的设计能方便用户浏览网站信息。另外, 利用关联模型可以提供用户导航, 比如网站服务导航, 网站信息导航, 企业商品导航等, 充分反映群体用户的需求[5〗;
2) 发现数据库中不同商品之间是否存在某种关联关系。通过这些规则找出顾客购买行为模式, 如购买了某一商品对购买其他商品的影响。从而可以向客户提出推荐或者把相关的商品形成一个产品组合, 方便用户选购。
2.2 置信度和支持度
关联规则X→Y对事务集合D的置信度c定义为D中包含有X且同时包含Y的百分比。关联规则X→Y对事务集D的支持度定义为D中包含有事务X或Y的百分比。置信度和支持度均大于给定阈值 (即最小置信度阈值和最小支持度阈值) 的规则称为强规则。规则的支持度和置信度是规则兴趣度的两种度量, 它们分别反映所发现的规则的有用性和确定性。
例如, 一个零售业的数据挖掘系统可能发现如下形式的关联规则:
年龄 (X, 20~35岁) , 年薪 (X, 60000~80000元) → (购买 (X, 摄像机) ) ;
支持度=5%, 置信度=68%
其中X是变量, 表示顾客。该规则表明, 在该零售业数据库系统中, 年龄在20~35岁且年薪在60000~80000元之间的顾客中5%的人购买摄像机的可能性有68%。该关联规则的条件含有一个以上属性, 这种管理规则称为多维管理规则[6]。
2.3 分类分析
分类规则主要是根据用户群的特征挖掘用户群的访问特征。在电子商务中, 分类技术主要应用客户分类中。通过分析电子商务客户数据库中的数据, 得到客户分类模式后, 然后用这个分类规则对新的客户进行分析, 发现新的客户属于那一个类别, 就可以针对不同类客户的特点展开不同的商务活动, 提供有针对性的个性化的服务。
2.4 聚类分析
聚类技术是对符合某一访问规律特征的用户进行用户特征挖掘。聚类分析可以从Web访问信息数据中聚集出具有相似特性的那些客户。在Web事务日志中, 聚类顾客信息或数据项能够便于开发和执行未来的市场战略。这种市场战略包括:自动给一个特定的顾客聚类发送销售邮件, 为一个顾客聚类动态地改变一个特殊的站点等[7]。
3 电子商务用户行为分析中Web使用挖掘技术的应用
3.1 制定网络营销计划
Web使用挖掘技术在制定网络营销计划中的应用, 要从时间和空间上进行Web挖掘。在时间上的挖掘就是通过对商品的访问和销售情况进行分析, 从而获得客户的访问规律, 确定顾客消费的生命周期, 根据市场的变化, 在特定的时间针对不同的产品制定相应的营销策略。在空间方面的挖掘就是可以对购买该商品的客户的进行域名分析, 挖掘出该商品在哪个地区的销售情况最好, 制定有关策略继续保持, 同时挖掘出销售情况不理想的可以拓展市场的地区[8〗。
3.2 对客户分类, 降低客户开发成本
电子商务环境下, 客户主要可分为3类:第一类是低价值或者无价值的客户;第二类是不会轻易走掉的有价值的客户;第三类是在网络上不断寻找更优惠的价格和更好的服务的客户, 这类客户是潜在的有价值的客户。统计数据表明, 开发一个新顾客的成本比保留一个老顾客的成本高5倍, 而流失一个老顾客, 其代价相当于开发10个新顾客。
通过Web使用挖掘, 对顾客的行为进行分析, 可以对客户进行分类, 帮助企业了解那些转向竞争对手的顾客在转向期间的行为, 并分析顾客流失的主要原因, 从而针对现有的客户采取必要的措施。另外, 通过挖掘客户在网站上驻留时期所采取的行为, 找到客户的兴趣和偏好, 从而动态地改变网站整体布局的设计, 以吸引住客户。
3.3 争取最高限度利用现有客户
通过Web使用挖掘, 可以从客户的购买行为中发现客户购买的影响因素, 进而建立预测模型来预测将来用户会对什么样的商品感兴趣、会对那些相关商品感兴趣、购买某种产品的可能性有多大。
3.4 改进网站结构设计, 为客户定制个性化界面
对客户进行分类和聚类分析, 根据用户的访问行为建立个性化的推荐系统, 向客户提供个性化的服务和商品介绍。通过关联规则分析客户的访问行为信息, 获取客户访问模式, 针对客户动态的调整站点的结构, 使客户访问的有关联的文件间的连接比较直接。主动向客户提供商品推荐, 帮助客户便捷地找到感兴趣的商品。可以根据客户当前购物车中的物品, 向客户推荐一些相关的物品。运用置信度和支持度的分析结果, 可以根据客户的注册信息和订单纪录, 挖掘客户在站点上导航的行为, 向客户显示那些可能引起客户兴趣的新商品。
参考文献
[1]涂承生, 鲁明羽, 陆玉昌.Web内容挖掘技术研究[J].计算机应用研究, 2003, 21 (11) :5-9.
[2]郭媛香.面向用户行为的Web使用挖掘技术[J].晋中学院学报, 2009, 26 (3) :81-84.
[3]张翠英, 蔡华利, 刘娜.电子商务个性化服务与Web使用挖掘技术[J].中国管理信息化, 2007, 10 (2) :56-58.
[4]唐晓琴, 屈正庚.Web使用挖掘技术在电子商务中的应用[J].和田师范专科学校学报, 2010, 29 (4) :183-184.
[5]严卉珍.基于Web使用挖掘的企业电子商务平台研究[J].现代商贸工业, 2009, 15 (7) :252-254.
[6]李兴国, 杨颖, 顾东晓.管理信息系统案例[M].北京:清华大学出版社, 2010.
[7]李晓辉.基于用户行为分析的数据挖掘系统研究与设计[D].北京:北京邮电大学, 2011.
Web用户行为模式 篇3
移动通信市场已经进入3G飞速发展的阶段, 手机无疑成为运营商吸引用户的利器, 尤其是三家运营商3G网络制式不同, 导致用户购买手机时就已经明确了对运营商的选择倾向。从时下的情况来看, 中国联通有80%的手机销售/用户发展来自于社会手机卖场, 中国电信则正在尽力将手机销售渠道社会卖场化, 社会渠道已经成为运营商/手机厂商争夺新用户的主战场。因此, 分析用户进入手机卖场之后的行为模式以及决策影响因素无论对于手机厂商还是运营商都非常有意义。
共性:寻找品牌手机和把玩真机
在信息爆炸的互联网时代, 用户获得手机信息的途径非常多, 因此来卖场之前, 大部分用户就已经做了功课。用户来手机卖场的主要目的, 就是真切地看到真机、把玩真机, 以获得对于手机外型、材质、手感等方面的直观感受。同时, 向现场的销售人员询问了解相关手机的配置、性能、功能特点等方面的详细信息, 以及促销优惠信息。因此, 用户在手机卖场一个普遍的行为模式就是, 视线大部分时间会停留在手机真机或者模型机上, 且喜欢在走动中随意把玩, 感觉手机的外型、手感、材质等。
由于用户来手机卖场主要是看手机、买手机, 因此用户会习惯性地寻找手机品牌专柜, 相反对运营商专柜则会视而不见。而在寻找品牌手机专柜的过程中, 用户会有意无意地留意到墙上的大幅手机广告。
看机型和综合型用户
根据是否注意到卖场宣传形式, 大体可将用户分为看机型用户与综合型用户。
看机型用户走进手机卖场以后, 基本不看卖场内的各类宣传, 他们的视线一直在各类真机/模型机上来回转换。同时会认真看模型机旁边的价格标签或信息标签, 也会从柜台上取可带走的宣传单张细看, 但是较少与现场的销售人员主动交流。只是在对某款手机感兴趣的时候, 才会简单询问一两个问题, 或者要求销售人员拿真机出来感觉外观和材质。
综合型用户对卖场内的各类宣传形式都会留意到, 但最为关注的是真机/模型机以及现场的销售人员。他们进入卖场后首先会观察有无促销海报, 有现场促销的专柜是他们最先光顾的地方;在柜台前也会留意墙面广告及柜台上摆放的各种宣传物料;在把玩真机/模型机的时候会主动与销售人员进行充分沟通, 从手机配置到各方面的性能特点以及售后服务、优惠套餐等各类问题面面俱到。一般来说, 这类用户由于沟通充分, 从而获得的信息也较为全面, 更容易在决策过程中进行比较。
随波逐流型最易施加影响
根据用户进手机卖场前目标是否明确、是否容易受到卖场各种外在因素影响这两个维度, 可以把手机卖场的用户分为三种类型:意志坚定型、随波逐流型和价格敏感型。
意志坚定型用户
这类用户进卖场之前就已经有了清晰的目标, 不会因为现场促销宣传或者其他因素而改变想法。他们一般对手机的功能要求比较高, 计划购买的大部分是3000元以上的高档手机。他们逛手机卖场的目标很明确, 一般只会关注预期购买手机的柜台。
当然这部分用户也并非完全不受任何因素影响, 手机本身以及真机演示、尝试操作速度是否达到期望、功能的完善性等, 以及销售员的介绍都非常关键, 即使他们牢牢锁定某款手机, 也会因以上原因而改变主意。
从现场销售和目标用户识别来看, 这类用户一般只看某一个或者某几个品牌柜台, 当销售人员询问要买什么样的手机时, 一般能说出手机的系列名称甚至是具体型号。
随波逐流型用户
这类用户去卖场之前已经有了初步购买范围, 对手机的品牌、型号有一定的计划, 但较易受到销售人员和现场宣传的影响。由于目前相当一部分用户对于智能手机不是特别了解, 因此这类用户在手机用户中占相当大的比例。
该类用户对手机的要求一般不是太高, 计划购买的大部分是2000元左右的中档手机, 且追求高度性价比。因此, 他们逛手机卖场的特点是首先会把所有的柜台都逛一遍, 观察符合自己需求的手机, 并详细询问和对比, 选择性价比高的手机。但是, 他们在对比时经常会犹豫不决, 同时心理价位会因销售人员的介绍而上下浮动, 会看心理价位以上的手机。
通常来说, 这部分用户是销售人员最喜欢的用户, 因为他们最容易施加影响。对这类用户, 销售人员需要针对他们关心的方面进行推介, 销售人员需要及时帮助用户下定决心。
价格敏感型用户
这类用户去卖场之前对计划购买手机的价格范围有明确限定, 同时非常容易受现场优惠促销的影响而改变主意。但无论如何都不会超出自己的心理价位。该类用户对手机的品牌、功能、外观等要求不高, 一般情况下计划购买的大都是1000元左右的中低档手机。他们逛手机卖场的特点是, 会把所有的柜台都逛一遍, 但是只会考虑自己心理价位以内的手机。
这类用户非常容易辨别。当销售人员询问要买什么样的手机时, 一般会说出自己的心理价位, 且属于中低档位手机;而且会反复询问优惠和促销信息, 对价格非常敏感。
由于这类用户只要求手机具备大众化功能, 且只考虑自己心理价位以内的手机, 因此, 手机销售人员可以从以下几个方面对其施加影响:价格与促销优惠、手机本身具备的主流功能、性价比对比等, 销售员服务的主动性及对相关促销优惠政策的解释也能够有效影响用户的购买决策。
Web用户行为模式 篇4
随着互联网发展起来的社交网络对人类社会活动的方式、效率等产生了深远影响, 在社交网络基础上形成了移动社交网络 (Mobile Social Network) 。在移动社交网络的发展中, 用户的需求也发展到了一个新的阶段, 体现为对贴心服务和个性化服务的追求, 他们希望在任何时间、任何地点、任何设备上体验个性化服务, 因此移动互联网的发展要以用户为中心, 以提供个性化服务为终极目标[1]。
个性化服务的核心工作之一是如何通过移动用户的消费信息有效发现用户的行为模式, 进而根据用户个性化的喜好, 更好的提供有价值的服务信息[2]。本文针对传统粗糙集理论在属性约简时必须将数据全部放入内存, 导致在进行移动用户社交大数据时无法有效处理问题, 提出基于Map Reduce的移动数据粗糙集并行约简方法, 同时以Hadoop开源平台为基础, 构建了移动用户行为模式分析平台, 最后通过实验验证了平台的有效性与可用性。
2 平台框架设计
本文提出的基于Hadoop的用户行为分析模型框架, 主要由5个层次构成:资源层、存储层、控制层、分析层和展现层, 具体功能如下所述:
2.1 资源层。
资源层的对象分为两类, 一类是对用户各种移动业务访问数据的存储, 包括用户位置信息、终端设备类型、访问IP、网址/特征信息等等[3]。
2.2 存储层。设计存储层结构主要考虑两个方面:海量设备状态数据的高效存储和用户行为分析中访问效率问题。
2.2.1采用Hadoop分布式文件系统 (HDFS) 构建一个高度容错性的系统, 基于流数据模式访问并能处理超大文件 (1T以上) , 提供高吞吐量的数据访问。2.2.2使用列式存储的HBase数据库, 所有的待分析用户访问状态数据文件都以HFile文件形式存储在HDFS文件系统上。能够提供高并发读写操作, 并且列都可以动态增加, 列为空就不存储数据, 节省存储空间。
2.3 控制层。
控制层采用Map Reduce并行运算模式, 将用户行为分析过程划分为多个Map Reduce作业, 以廉价的X86服务器构建Hadoop集群, 对每个作业分为Map和Reduce两个阶段, 同时构建Zookeeper负责协调控制服务, 利用Hive的强大统计汇总、点对点查询和大数据分析功能, 用HQL语句进行采集信息的各类分析操作。
2.4 分析层。
首先, 通过移动数据粗糙集并行约简方法进行移动社交大数据的预处理, 然后利用多元回归分析、贝叶斯网络和判别式法等智能分类算法进行用户行为特征的提取, 依据行为特征曲线分析结果, 经用户行为推理机根据行为分类规则进行自动判断[4]。同时, 通过Sqoop接口将行为分类规则存入用户行为知识库。
2.5 展现层。对移动互联网下用户行为进行分类, 对于每一类行为分别进行快速的图形化展现, 同时进行各种应用推荐。
3 平台关键技术:基于Map Reduce的移动数据粗糙集并行约简
在对移动社交数据进行处理时, 将全部的属性看做一个完整的集合, 但这些属性在分析不同的行为目标时, 如上网时长的分布规律, 用户使用某种移动套餐的可能性等, 并不是所有属性都是必要的, 可以将属性的约简归结为属性的选择问题, 即在保持属性集合用户行为分类能力不变的情况下, 如何选取最有代表性的属性。因此, 以粗糙集理论为基础, 在Map Reduce框架下实现粗糙集约简方法的并行化改进。
在构建基于Hadoop平台移动社交数据属性约简时, 它的平台核心是HDFS和Map Reduce, 其中HDFS为海量的原始数据提供了列式存储, Map Reduce通过编写Map和Reduce两个函数过程实现数据的分析处理。本文提出的粗糙集并行约简方法执行过程如下:
3.1 获取原始移动社交数据集, 包含n个属性 (n=j+l, 其中条件属性j (j<n) 个, 决策属性l (l<n) 个) 。
3.2 采用分布式文件系统HDFS进行列式存储, 将完整的数据集进行自动划分处理, 这些分解的数据块存放在一组数据节点中。
3.4 在Reduce阶段, 合并不同数据块中计算获得的某个属性局部等价关系, 获得该属性的完整等价类。
3.6 在Reduce阶段, 合并获得每个候选属性集的完整重要度。
3.7 进行属性约简, 根据不同行为分析的目标, 获得相应的最优候选集。
4 平台的实验分析
本平台的实验环境是选取了5台虚拟机进行搭建, 采用Linux Ubuntu操作系统12.04的64位版本, 构建完全分步式的Hadoop集群, 通过内网的一个DNS服务器, 指定5台虚拟机所对应的域名。每台虚拟机, 1G内存, 系统硬盘2G, 外接硬盘16G。
实验的数据来源是运营商的CDR话单和上网详单, 以及相应的字段说明 (例如基站位置、通话类型等) , 具体CDR话单包括:主叫、被叫、通话时间、通话类型、通话位置信息、通话时长、服务类型, 通话费用上网详单包括:手机号码、上网时间、网址URL、持续时间、流量、上网套餐类型。
4.1 属性约简验证 (表1)
4.2 用户行为模式影响因素分析。
将居住地点数据进行规范化处理后转化为0-55个数字, 通过与归一化处理后的上网时长信息进行分析后, 发现上网时长与某些特定居住地点存在一定的相关性, 本分析中几个有峰值出现的地点分别是21———代表学校区域、40———代表咨询公司区域。
年龄与选择服务类型的关系分析, 显示高年龄段人群仅对移动通信的基本服务感兴趣, 中青年龄段人群对上网服务和增值服务使用较多。
摘要：伴随移动社交网络的快速发展, 如何为用户提供贴心和个性化的服务是电信运营商密切关注的问题, 要实现个性化服务的核心工作之一就是通过移动用户的消费信息有效发现用户的行为模式, 但传统的单机模式下的分析平台已无法有效处理当前的移动大数据, 本文针对传统粗糙集理论属性约简方法进行了并行化改造, 提出基于Map Reduce的移动数据粗糙集并行约简方法, 同时以Hadoop开源平台为基础, 构建了移动用户行为模式分析平台, 最后通过实验验证了平台的有效性与可用性。
关键词：用户行为模式,属性约简,Hadoop,Map Reduce
参考文献
[1]梁鹏, 张岩.移动数据业务用户行为模式研究[J].中兴通讯科技.2005 (4) :24-27.
[2]陆嘉恒.Hadoop实战[M].北京:机械工业出版社, 2012.
[3]张利军, 李战怀等.基于位置信息的序列模式挖掘算法[J].计算机应用研究, 2009, 26 (2) :4-11.
Web用户行为模式 篇5
1、移动互联网用户群特征分析。
由艾瑞2009年国内手机网民调研数据研究得出手机网民年龄、月收入及学历的用户群分布:从年龄角度,移动互联网用户群整体呈现年轻趋势,18-24岁用户是其最大用户群,占50.7%,25-30岁占24.4%,30岁以上占19.4%。与2008年相比18-24岁用户数下降了14.8%,而24-30岁及30岁以上用户数呈现上升趋势;从收入角度,用户月收入主要集中在1000-3000元,占51.7%(含1000元以下),3000元以上高收入用户群由2008年的4.8%增长至2009年的10.6%,由此可得出移动互联网业务已在高端收入人群中产生巨大影响;从学历角度,用户学历主要是高中(含以下)占61.3%,该群体主要是中学生,因自我支配时间较零散,不能像传统互联网用户一样长时间上网,只能通过手机满足上网需求。其次是大学本科(含大专)占37.2%,比2008年增长2.5%。最后是硕士及以上学历占1.5%,比2008年增长1.1%,可得出移动互联网的逐步普及,将吸引越来越多的高学历人群。综上分析得出:移动互联网用户集中在两个群体,一类是学生及青年白领,其特点是收入不高、学历较低、上网时间零散,对那些资费不高的娱乐型业务有需求,使用频率趋于稳定。另一类是硕士以上高学历、高收入中年用户群,因其注意力及时间有限,对获取的信息和业务质量有较高要求,资费相对很高但内容精准的高端业务可满足其需要。
2、移动互联网用户行为的消费特征分析。
随着国内移动互联网的普及,用户数逐年上升。移动互联网用户典型行为特点主要有:(1)上网时间碎片化:不同于传统互联网用户上网时间集中,移动互联网用户上网行为穿插于日常琐碎的时间里,除此以外,用户上网获取的信息、使用体验、消费行为也呈碎片化。(2)获取信息表面化:用户通过手机等终端接入移动互联网,因终端操作系统及界面不具有强大的交互性功能,获取的信息通常是表面化的。(3)应用具有目的性:典型移动互联网用户在使用信息类服务业务时多数有明确指向,在带宽资源稀缺、资费相对昂贵及终端交互性限制的情况下,用户期望能够在有限的时间里获得所需信息。(4)使用频率稳定:在产品质量达到一定程度的前提下,通过移动互联网上网的用户使用频率是稳定的,这表明成熟的移动互联网产品大多具有较强用户黏性。(5)使用行为即时:用户可能因一时的猎奇心理或突发的社会事件即时去寻找相关信息,但这种用户需求是随机、即时的,所以在此基础上很难挖掘到有用的信息。
3、移动互联网用户行为的影响因素分析。
本文所研究的是指通过接入移动互联网去实现移动互联网数据业务使用的完整过程。移动互联网业务创造了一种全新个性化服务理念,可针对不同用户群体及用户偏好,为其量身定制差异化业务,随时随地将信息传递给用户。移动互联网兼具移动通信和传统互联网优势,但也存在某些因素影响用户选择使用业务产品。首先是感知风险,包括经济、功能、时间及心理风险等。其中影响用户使用移动互联网的关键因素是经济、功能和时间因素。经济风险的产生可能与产品本身有关,比如某网页浏览流量耗费异常或业务应用在未告知需付费的情况下所导致的用户货币损失。用户对产品的实际使用预期过高或因使用移动互联网产品而耗费过多的风险都将影响用户的体验效果。其次是感知娱乐,它对用户使用意愿产生重要影响,用户在使用产品过程中若能满足好奇心和愉悦感,用户就愿意在此类型产品上花费金钱时间。最后是网络质量,高质量的网络接入能让用户获得好的娱乐感知,好的网络质量能减少用户的风险感知,增强用户黏性。
二、目前移动互联网产品特点及市场状况分析
1、目前移动互联网产品特点。
目前移动互联网处于普及初期,业务产品不仅具高时效、高体验、高定制性,且产品市场与用户需求的适配时间缩短。因此在某些市场环境下,移动互联网产品有较强用户需求引导特征。产品内容日益丰富的同时,用户注意力和时间却是有限的,为了在竞争中扩大用户规模,获得更多用户注意力和上网时间,这需要深入研究用户行为和移动互联网产品之间的关系,以便于开发出符合用户需求的产品。根据提供方式和信息内容的不同,可将移动互联网业务分成公众信息类、个人信息类、电子商务类、娱乐服务类等。相关统计数据表明:目前移动互联网用户使用率最高的四类移动互联网产品是移动IM、手机浏览器、手机游戏和手机音乐。其中手机游戏是用户接受度最高和付费意愿最高的应用产品。移动IM次之,用户使用率为32%。使用比率相对集中的是手机浏览器、手机音乐、手机阅读等现在流行的休闲生活服务类产品。
2、目前移动互联网市场状况分析。
(1)移动互联网用户规模现状。WAP上网是当前移动互联网应用的主要方式,在整体产业规模方面,易观国际统计数据表明:2009年中国移动互联网用户规模达到21282万人。2003年至2009年间用户数经历了先减后增的过程,经历了2007年的最低值,用户规模重新扩增至2004年的一半水平。由此可得出活跃用户数变化幅度大,在移动增值业务发展初期,用户是怀着新奇的态度去接触移动互联网业务,随着用户需求多样化及现有业务同质化,用户在选择移动互联网产品时更加慎重,造成活跃用户规模减少。(2)移动互联网收入规模现状。尽管2006年至2007年移动互联网活跃用户数在减少时,但期间市场收入规模却在增加。2009年国内移动互联网市场收入规模达到388亿元,较2007年增幅达到228%。可看出国内移动互联网市场收入是呈逐年上升趋势。(3)移动互联网业务产品市场规模比例。移动互联网业务产品市场除基本数据业务SMS信息占比超过50%,其他移动增值业务中WAP、CRBT业务所占份额较大。现阶段IVR、BREW等市场规模很小,随着移动网络质量的提升,越来越多的用户将选择使用方便即时的移动互联网业务。
3、移动互联网用户行为与产品类型之间的关系分析。
通过对移动互联网用户行为特点和市场状况的研究分析,得出用户行为与产品类型之间的相互关系:(1)用户需求多样化。与传统互联网用户热衷于媒体和网游不同,移动互联网用户更注重信息服务与交流沟通。用户选择范围还扩大至手机银行、移动搜索等生活服务性强的领域。(2)应用体验整合化。目前国内移动互联网产品质量存在差异,种类和产品定位不断细分,资费不透明,用户在丰富的产品面前不易选择。用户的注意力和时间是有限的,他们期望以较少的业务获取成本来满足多元化需求。多数用户使用固定品牌的产品,以延续已有的应用体验并尝试新产品,从而明确自己的产品定位,降低体验成本和感知风险。(3)上网行为碎片化。因现有移动终端的交互性限制,上网时间、获取的信息碎片化也很明显。用户使用移动互联网是利用琐碎时间,易受外部环境干扰,所以单次通信时间较短。用户关注和获得的信息也不够全面,应用体验易脱节。服务运营商可对内容进行组织整理、提供给用户精准的信息。(4)网络带宽及资费的合理化。用户目前对移动增值业务不满意的地方是资费不透明,网速不快及应用体验不佳。服务运营商可联合移动互联网产业链上相关环节在网络带宽和资费设计方面做出改进。
三、基于用户行为的移动互联网业务产品营销模式构建
基于移动互联网用户业务使用行为及产品市场现状的理解,移动互联网业务产品的营销可围绕客户生命周期各阶段来展开。但用户在业务产品每一发展阶段的认知、接触渠道、使用体验等方面存在差异,因此可供服务运营商选择的高效营销模式也存在差异。移动互联网中的营销模式大致有无线营销、病毒营销、同道营销、位置营销、互动体验营销、草根营销模式等。通过用户行为及市场规模现状的分析,尝试构建以下几种移动互联网业务营销模式。
1、同道营销模式。
同道模式是两个以上拥有不同关键资源的企业通过战略联盟交换或联合彼此资源合作开展营销活动的模式。比如移动证券、移动支付等跨行业融合型业务。同道模式能让合作联盟中的成员以较少成本获得大的营销效果。相对地,在获得合作增效时也会因合作伙伴的偶然失误而承担更大风险,为了将风险降至最低,运营商可优先考虑选择优质品牌合作,尽可能发挥最大的品牌叠加效应。
2、互动体验营销模式。
此模式是指通过用户试用并及时收集用户的意见,使用户能够实际感知产品的品质及价值,促使用户购买的一种营销。随着移动互联网快速发展,用户交互界面日趋复杂,为了和同质业务区分开,必须在用户体验方面差异化。该模式发展方向是互联网—互动—整合,服务运营商可与网络运营商进行战略合作,通过移动互联网、手机短信等渠道直接与用户进行互动,从中把握用户需求,最终反馈到产品研发、生产过程中。此模式适用于大多数移动互联网业务。
3、草根营销模式。
草根模式利用如SNS社区、微博网站推广移动互联网业务。早期用户通过网络发表针对某移动互联网业务的体验感受,给正在选择的用户接受移动互联网业务起到正面作用。草根关键是其引导用户主动参与创造移动互联网内容及应用产品。移动IM、手机微博适合开展草根营销。尽管草根营销对业务产品推广具有较大的影响力,但对品牌的支撑度不足,草根推广业务易偏离营销目标,因此不适合品牌定位在高端用户群体的业务。
随着三大运营商的重组及3G网络建设的逐步完善,国内已全面迈入宽带移动互联网时代,移动互联网产业链上相关环节正通过不同的方式积极参与到上下游用户需求的整合过程中,并且围绕自身核心竞争力扩大自己在移动互联网市场上的份额。在开放的市场环境下,服务运营商应建立新的移动互联网时代发展战略,选择合适的业务营销模式,合理运用自身优势,建立起共赢的产业联盟机制,共同推进移动互联网产业的发展壮大,为未来的4G时代打好基础。
参考文献
[1]卢赫.国内外移动互联网发展现状及问题分析[J].现代电信科技,2009,(7):28-31.
[2]郭莹莹.移动互联网业务持续使用影响因素的研究[D],北京邮电大学,2010:28-29.
[3]栾慧.2009年移动互联网用户行为调研数据分析[R].互联网周刊,2009.
[4]李安民,陈晓勤等.移动互联网商业模式概论[M].上海三联书店,2010.
[5]武学斐.影响用户接受移动互联网的关键因素分析[D].北京邮电大学,2008:71-72.
Web用户界面研究 篇6
关键词：Web用户界面,所见即所得,个性化,动态Web系统
目前,图形用户界面的设计与描述主要还是是基于“嵌入”方式进行的,程序设计人员在设计软件时,按照功能及用户界面两方面需求,采用特定的编程语言,混合编写用户界面和应用功能两部分程序。这种开发方式忽略了用户界面的个性,使程序可维护性、可复用性差。此外,用户界面必须由专业人员和用户不断交流进行开发修改,花费大量人力物力。因此,需要设计一种独立于特定Web Services的用户界面描述方式,并开发一个可以图示化定义用户界面、面向非专业人员的用户界面建模系统就显得十分必要。基于元模型的Web用户界面建模系统,允许非专业人员在线构造符合自己意愿的图形用户界面,可以方便地对已设计的用户界面进行重复修改和维护。
1 概述
随着Internet的高速发展,基于B/S的应用程序已经成为了主流,甚至许多桌面程序和C/S模式的程序都改成了基于B/S的Web程序。但是由于Web程序普遍都是建立在HTTP这种无状态协议的基础上的,所以Web程序的开发和其他程序的开发有着本质的区别。
1.1 Web用户界面存在的问题
随着n tie体系结构的提出,业务逻辑集中的概念,组件的概念逐渐深入人心。于是越来越多的技术人员投奔于n tie。业务逻辑集中的确给程序的发布和维护带来了很大的方便。但问题仍然很多:
(1)界面过于简单且不适用。很多功能诸如数据合法性验证等功能因为基于Request的B/S结构,总是实现的不够理想,特别使报表系统不是过于太慢就是太过于简单,同样存在不友好的问题。
(2)从分工的角度来看,由程序员去设计Web页面不符合社会分工的原则。Dreamweaver、Photoshop这些程序无关的东西成为程序员常用工具,另外设计结果也很少符合用户意图。
(3)表现层上存在业务逻辑和代码不能复用的现象。很多软件,特别使网上的很多基于B/S的共享软件,中间层基本上成了SQL执行器,软件复用可望不可及。
(4)面向对象软件设计技术遭遇尴尬。在CGI、ASP、JSP中到底网页中嵌入代码,还是代码中嵌入网页?面向对象在Web开发中似乎成为一句空话。
1.2 解决方法
虽然在B/S下无论是编程序还是运行效率都有问题,但是B/S本身具有C/S一些不可替代的作用,所以更多的努力用在克服这些困难而不是比较他们直接的优缺点和对他们进行取舍。
随着ASP.NET推出,微软推出了一个全新的开发模式:基于事件驱动的Web Form,它完全类似传统GUI程序的开发方式,通过在功能强大的Visual Studio.NET集成环境的拖放、事件编程,就可以完成大部分Web开发工作。然后系统自动将其转换到传统Web运行模式。开发效率得以大大提升。同时,在Java的Web解决方案中也有一项类似的技术――E-CHO。同样也是基于事件驱动的开发方式。在ASP.NET中,服务器上提供了基于事件的编程模式,这类似于像Microsoft Visual Basic开发系统这样的基于Win32的开发工具中所使用的、基于表单的开发模式,它允许HTML标记与应用程序逻辑的完全分离。逻辑即页面后的代码,是经过编译的,因而其性能得到了大大提高。此外,可以使用任何一种Microsoft.NET语言来编写代码,从而能更充分地发挥现有的技能。其最关键的是它提供了支持种类丰富、功能强大的控件和.NET组件组,提供了统一的、对类型安全的对象模型。基本上任何在Web上能够用到的标记都有对应的Web FORM对象与之对应。
在J2EE中,ECHO同样实现的类似的功能,它与.NET大同小异,也有与HTTP标记对应的对象,ASP.NET通过一个叫VIEWBOX的变量进行基于页面状态管理。ECHO的窗口管理是基于Frame和各种session,相对而言,比ASP.NET消耗更多的资源。
同MVC一样基于事件驱动的Web程序也有自己的优缺点。基于事件驱动的Web程序的优点有(1)用面向对象的方法开发B/S程序,完全面向对象编程。(2)无需HTML和脚本知识,由框架生成标准的HTML和脚本,客户端仅仅需要浏览器,无需额外插件。(3)服务器端控件提供状态管理。(4)基于事件的编程方式。(5)可以利用模板沿用HTML界面。
基于事件驱动的Web程序的缺点有:(1)资源开销大,不适合高负载场合(2)对浏览器版本有要求(3)自行开发控件有一定的难度(4)还没有成熟的数据绑定支持
作为一项全新开发技术,Web Form和ECHO究竟能为Web开发领域带来多大影响现在还很难说。毕竟Web和传统的GUI开发有着巨大差异。Web有着无比丰富的页面表现形式,绝非那千篇一律的Windows窗口可以比,开发者在开发不得不考虑到这一点,如何和页面美工配合作出功能完善而又漂亮的页面,绝非易事。还有一个重要的问题那就是Web的执行效率。显然,复杂的驱动模型带来的是更低的效率。如何平衡好这之间的关系,仍然需要仔细考虑。
所要研究的内容,基于J2EE体系,在模型理论和MDA思想的指导下,结合Web form和ECHO的优点,但是不需要用户学习任何.NET和J2EE知识,将一些开发任务由专业的开发人员转移到用户手中,使得用户能够根据自己的需要定制连接数据库的动态页面。
2 Web用户界面总体设计
系统要实现的是一个基于MDA的可定制的页面系统:用户能够根据自己的需要自定义动态界面,并能够在界面中设定界面页面元素的各种属性,建立界面数据与底层数据库的映射关系,设定界面运行所需要的参数,甚至可以输入自定义的运行时代码,然后将页面保存到服务器数据库中。运行时,用户在运行界面内输入该界面的ID号和它所需要的参数,服务器从界面模型库中调出对应的模型,根据模型中用户定义的元素不同产生对应的页面和不同的运行时代码,用户即可在浏览器中对定制的页面上进行数据操作。同时用户可以对定制的页面进行修改、删除、预览。
首先介绍整个系统的总体的组成部分,然后简单地介绍各模块的功能,最后进行总结性陈述。
2.1 系统框架
整个系统在层次上仍然遵循n tie体系结构,即目前的3层结构:用户界面层、应用逻辑层和数据层的三层应用软件体系结构。从功能上讲,整个系统由4部分组成:界面建模系统、界面生成系统、界面运行系统、界面管理。
2.1.1 界面定制
用户可以利用本系统进行在线操作,定制界面模型,并将客户端的图片、Flash等类型的文件自动上传到服务器对应的目录,同时将界面模型实例提交到服务器,保存在服务器的模型实例库里。界面建模系统的核心是一个B/S下的Web编辑器,主要功能有:各种字体颜色格式的设定,各种控件的添加删除编辑,页面属性的编辑,界面动态参数、界面数据源的添加和设定。为了满足产生的界面可能会转换成为HTML、VB、Delphi等格式界面的需求,同时也是参考XForm,编辑的界面采用统一的XML中间模型来描述。界面定制的最终结果是以类XML形式表现的,在定制的同时系统还要实现界面模型到HTML的复员,这是一个互逆的过程。
2.1.2 界面生成
将建模系统中建立的模型解析成实际能够运行的系统,它包括界面控件生成,界面数据生成,和界面动作绑定。界面控件生成解析出系统实际的控件,如button,input,select等等,并根据建模时设定的属性解析成对应的HTML代码;界面数据生成是将建模时设定的界面参数和数据源从系统中提取为系统运行的数据;界面动作绑定是根据设定的界面控件属性自动生成一些客户端运行代码绑定到对应的控件事件响应上。
它首先读取界面动态参数信息,提取出保存的界面信息,然后进行预处理,获取相应的界面参数,然后根据界面参数查询数据库,提取相应的界面其他信息,最后将它们解释成对应HTML网页,送往客户端。
在本系统中界面动态参数是关键,主要有:sesion变量、request变量、application变量、config变量、function变量。
2.1.3 界面运行
界面运行部分实质就是逻辑层的实例,主要实现数据合法性验证,数据行记录的添加、修改、删除,界面数据关联,处理客户端事件,将客户端提交的数据传送到录入数据处理系统等等。它由静态的script脚本库和一些script脚本模板组成。
它还包括一个Web Services,在客户端将录入的数据进行分类整理,然后以soap的方式传送到服务器端,服务器端在判断用户的权限之后,将传来的数据解析成不同的标准的SQL语句,对数据库进行操作。录入数据处理系统核心是SOAP(简单对象访问协议),通过HTTP协议传输XML数据的一种方式。本部分的技术难点是SQL语句的解析和中文字符的编码问题。
2.1.4 界面管理
界面管理部分是整个系统的外壳,它实现整个系统的权限管理,并为用户提供各个模块的入口,同时系统的一些小模块,如页面的查看预览,模拟运行,添加修改删除页面,也包含在界面管理部分。
界面管理部分有3个数据库表:一个是系统信息表,为了方便管理用,存储的是界面模型的相关信息;一个是权限表,规定了每个界面的各种权限的操作者;一个是日志表,记录了每个界面的创建、修改、删除及运行情况。
3 结语
目前动态Web应用系统中的图形用户界面通常只能由程序员采用特定编程语言来实现,这与图示化编程、以用户为中心的用户界面发展趋势相违背,也不利于实现用户界面的复用、维护以及个性化定制方面的需求。而且,当前计算机软件的开发已不再将用户界面和应用功能两部分混合编写,越来越倾向于两者分别编写。因此,开发一种面向非专业人员,能够简单、直观设计动态Web应用程序的界面系统是一个很有意义的尝试。
按照用户界面层、应用逻辑层和数据层的3层应用软件体系结构,设计了系统的总体功能,定义了界面定制、界面生成、界面运行和界面管理4大功能模块,分析各个模块的功能以及它们之间的关系,根据HTML和XML的特点,结合UML4层元模型的定义,确定用户界面描述方式和用户界面的数据模型。同时对各个功能模型的设计和实现都进行了描述,并对其中的一些解决了几个关键性的技术问题进行了仔细的阐述。
从理论上参考HTML和XML,建立的属于自己的元模型,同时根据系统的需要定义了一些基本的界面元素和页面的元模型,具有一定的理论价值。
参考文献
[1]周达仁,张昱,于海亮.三层结构Web界面模型的绑定机制.小型微型计算机系统,2002,23(5):536-539.
[2]章强.基于可视化的界面生成系统设计与实现.成都信息工程学院学报,2003,18(2):136-139.