張世睿

摘要摘要：運營數(shù)據(jù)通常是用戶對移動應(yīng)用喜好最直接的體現(xiàn)，運營數(shù)據(jù)中存在著很多有價值的信息。如果能夠更快地通過運營數(shù)據(jù)分析和了解用戶、迎合用戶喜好，就能贏得更多的用戶，在競爭中占據(jù)有利地位。針對移動應(yīng)用設(shè)計復(fù)雜、運營數(shù)據(jù)分析不直觀的特點，提出一種基于BP人工神經(jīng)網(wǎng)絡(luò)的運營數(shù)據(jù)分析方法，建立了以移動應(yīng)用關(guān)卡常見數(shù)據(jù)為輸入，運營數(shù)據(jù)為輸出的神經(jīng)網(wǎng)絡(luò)模型。實驗表明，該方法能夠有效對移動應(yīng)用關(guān)卡設(shè)計和配置所吸引的用戶數(shù)量和復(fù)玩率進行預(yù)測，從而指導(dǎo)移動應(yīng)用的開發(fā)、設(shè)計及評價。

關(guān)鍵詞關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；運營數(shù)據(jù)；游戲關(guān)卡

DOIDOI：10.11907/rjdk.161379

中圖分類號：TP301文獻標(biāo)識碼：A文章編號文章編號：16727800（2016）007002103

0引言

隨著移動互聯(lián)網(wǎng)的發(fā)展和智能設(shè)備的普及，移動應(yīng)用在人們?nèi)粘Ｉ钪凶兊迷絹碓街匾?，越來越多的廠商投入到移動應(yīng)用的開發(fā)中來，各種相似功能的應(yīng)用層出不窮。因此，如何在移動互聯(lián)網(wǎng)發(fā)展的浪潮下了解用戶需求，開發(fā)更加吸引用戶、使用戶滿意的產(chǎn)品，從而在激烈的行業(yè)競爭中獲取最多的用戶數(shù)量，就成了目前移動應(yīng)用開發(fā)商重點關(guān)注的問題。移動應(yīng)用的運營數(shù)據(jù)是用戶評價最直觀的反饋，如何從大量且無規(guī)律的運營數(shù)據(jù)中了解用戶的想法就成了當(dāng)今移動互聯(lián)網(wǎng)界研究的重點。本文提出一種基于人工神經(jīng)網(wǎng)絡(luò)的運營數(shù)據(jù)分析方法，通過對移動運營數(shù)據(jù)加以分析，預(yù)測并指導(dǎo)移動應(yīng)用設(shè)計的方向。實驗結(jié)果表明，基于人工神經(jīng)網(wǎng)絡(luò)的移動應(yīng)用數(shù)據(jù)分析具有很強的指導(dǎo)作用，結(jié)果符合實際，可大大提高產(chǎn)品吸引力。

1移動運營數(shù)據(jù)分析的一般方法

移動運營數(shù)據(jù)的分析方法一般分為兩大類，一類是很多中小公司采用的較為簡單的分析方法，即根據(jù)應(yīng)用每日用戶的登錄頻次、滯留時間、特定功能的使用情況等繪制合適的曲線，分析哪一塊功能更容易受用戶的青睞，根據(jù)版本更新之后用戶的數(shù)量是否增加等制定下一階段的開發(fā)和設(shè)計任務(wù)。這種方法的好處是實現(xiàn)起來較為簡單，不需要很多的知識儲備，數(shù)據(jù)收集和分析也比較容易。然而這種方法的缺點也是顯而易見的，即對數(shù)據(jù)的分析更多是基于人的主觀認識，而非理性客觀的評價，容易導(dǎo)致產(chǎn)生帶有偏見的結(jié)果，不利于企業(yè)的發(fā)展。另一類運營數(shù)據(jù)的分析方法是基于數(shù)據(jù)挖掘知識，目前研究較多的有針對用VOLOS H， NALLI S， PANNEERSELVAM S，et al.Aerie：flexible filesystem interfaces to storageclass memory .Proceedings of the Ninth European Conference on Computer Systems. ACM， 2014： 14.

P M CHEN， W T NG，S CHANDRA，et al.The rio file cache：surviving operating system crashes[J].In Proc. of the Architectural Support for Programming Languages and Operating Systems，1996.

ANI A WANG，GEOFFREY H KUENNING， PETER REIHER，et al.The conquest file system：better performance through a disk/persistentRAM hybrid design[J].ACM Transactions on Storage，2006（3）：309348.

CHEN J， WEI Q， CHEN C，et al.FSMAC： A file system metadata accelerator with nonvolatile memory .Mass Storage Systems and Technologies （MSST）， 2013 IEEE 29th Symposium on. IEEE， 2013： 111.

QIU S， REDDY A L.Nvmfs：a hybrid file system for improving random write in nandflash ssd.Mass Storage Systems and Technologies （MSST）， 2013 IEEE 29th Symposium，2013： 15.

CHEN F， MESNIER M P， HAHN S. A protected block device for persistent memory.Mass Storage Systems and Technologies （MSST）， 2014 30th Symposium on. IEEE， 2014： 112.

責(zé)任編輯（責(zé)任編輯：陳福時）戶忠誠度方面的分析[1]、用戶流失方面的預(yù)測分析[24]，以及用戶興趣挖掘[5]和聚類分析[6]等。這些分析和預(yù)測方法為移動運營提供了較為理性和可靠的數(shù)據(jù)，對于應(yīng)用開發(fā)商的計劃訂制和用戶群體分析有很大幫助。

然而，這些方法都只是通過運營數(shù)據(jù)對用戶某一單方面的行為進行分析和預(yù)測，沒有考慮到應(yīng)用系統(tǒng)設(shè)計和運營過程中諸如設(shè)計、獎勵、活動等復(fù)雜因素。本文提出一種基于BP人工神經(jīng)網(wǎng)絡(luò)的移動運營數(shù)據(jù)分析方法，具有利用人工神經(jīng)網(wǎng)絡(luò)可逼近任意復(fù)雜非線性關(guān)系、可學(xué)習(xí)和自適應(yīng)的特點，建立起了相應(yīng)的數(shù)學(xué)模型。

2人工神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）是由大量簡單的處理單元連接組成的一種網(wǎng)絡(luò)模型，主要用來模擬人類大腦運行的一些基本邏輯和結(jié)構(gòu)，反映了人腦功能的很多基本特性，但是人工神經(jīng)網(wǎng)絡(luò)并不是人腦真實反映，只是對人腦作出了某種程度的簡化和模擬[7]。圖1展示了一個較為典型的人工神經(jīng)網(wǎng)絡(luò)細胞。

由于人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元根據(jù)某種結(jié)構(gòu)組合而成，因此通常按照其組合方式進行分類。較為常見的網(wǎng)絡(luò)結(jié)構(gòu)可以分為前饋神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)三類。前饋網(wǎng)絡(luò)也稱前向網(wǎng)絡(luò)。該網(wǎng)絡(luò)只在訓(xùn)練過程會有反饋信號，層間沒有向后的反饋信號，因此被稱為前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)的一種。反饋型神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)比前饋網(wǎng)絡(luò)要復(fù)雜得多。

自組織神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。它通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。網(wǎng)絡(luò)運作過程分為學(xué)習(xí)和工作兩種狀態(tài)。網(wǎng)絡(luò)學(xué)習(xí)主要是指根據(jù)學(xué)習(xí)算法來調(diào)整神經(jīng)元間的聯(lián)接權(quán)值，使得網(wǎng)絡(luò)輸出更符合實際。學(xué)習(xí)算法分為有導(dǎo)師學(xué)習(xí)與無導(dǎo)師學(xué)習(xí)兩類。

有導(dǎo)師學(xué)習(xí)算法將一組訓(xùn)練集送入網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的實際輸出與期望輸出間的差別來調(diào)整連接權(quán)。有導(dǎo)師學(xué)習(xí)算法的主要步驟包括：①從樣本集合中取一個樣本（Ai，Bi）；②計算網(wǎng)絡(luò)的實際輸出O；③求D=Bi-O；④根據(jù)D調(diào)整權(quán)矩陣W；⑤對每個樣本重復(fù)上述過程，直到對整個樣本集來說，誤差不超過規(guī)定范圍。

BP算法是一種出色的有導(dǎo)師學(xué)習(xí)算法。由于本文針對移動運營數(shù)據(jù)進行分析，從而建立起應(yīng)用設(shè)計和運營數(shù)據(jù)相關(guān)的數(shù)學(xué)模型，因而選擇基于BP算法的有導(dǎo)師人工神經(jīng)網(wǎng)絡(luò)，采用已知的運營數(shù)據(jù)作為訓(xùn)練集進行網(wǎng)絡(luò)訓(xùn)練，建立數(shù)學(xué)模型，并通過該模型來驗證實際項目中的數(shù)據(jù)情況，以此來驗證該網(wǎng)絡(luò)模型的準(zhǔn)確程度和可靠性。

3樣本數(shù)據(jù)與模型構(gòu)造

3.1樣本數(shù)據(jù)

本文以國內(nèi)某手機游戲公司的一款跑酷游戲為例，由于其關(guān)卡模式為當(dāng)前主推模式且數(shù)據(jù)信息較多，因此選擇該模式下的前40關(guān)為研究對象，考察不同關(guān)卡布局、設(shè)計和獎勵下玩家總體的游玩次數(shù)。

本文選取版本3.2的前40關(guān)數(shù)據(jù)作為訓(xùn)練集構(gòu)造神經(jīng)網(wǎng)絡(luò)模型。選取版本4.0的前40關(guān)的數(shù)據(jù)作為實驗數(shù)據(jù)驗證該模型的準(zhǔn)確性。

3.2模型構(gòu)造

神經(jīng)網(wǎng)絡(luò)模型的建立主要需考慮兩方面的問題： 一是確定網(wǎng)絡(luò)結(jié)構(gòu) ； 二是調(diào)整學(xué)習(xí)參數(shù)。首先考慮神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)主要包括網(wǎng)絡(luò)的鏈接方式、網(wǎng)絡(luò)層數(shù)和各網(wǎng)絡(luò)層節(jié)點的個數(shù)，本文采用目前使用最為廣泛的神經(jīng)網(wǎng)絡(luò)。

模型輸入?yún)?shù)選取可以直觀獲得、不需要加工的數(shù)值，避免因為人為主觀因素的干擾導(dǎo)致模型無法客觀對應(yīng)用的設(shè)計進行評價從而無法模擬出真實移動運營數(shù)據(jù)。在關(guān)卡設(shè)計中，常見的對數(shù)據(jù)產(chǎn)生影響的直觀因素如下：

（1）關(guān)卡序號。越靠前的關(guān)卡越容易吸引更多的用戶參與，關(guān)卡序號的表示方法從1開始，依次遞增。

因此，根據(jù)上述信息，將關(guān)卡的序號、類型、獎勵級別、挑戰(zhàn)次數(shù)作為網(wǎng)絡(luò)模型的數(shù)據(jù)參數(shù)。模型的輸出參數(shù)代表所關(guān)心的玩家對應(yīng)用喜好意愿的表達，通常認為以下參數(shù)能夠表達玩家對于關(guān)卡的喜好：關(guān)卡挑戰(zhàn)次數(shù)、關(guān)卡復(fù)玩率、下一關(guān)挑戰(zhàn)率。

通過資料可知[8]，三層的BP網(wǎng)絡(luò)可以逼近任意的映射關(guān)系，且與通常使用的一個隱藏層的網(wǎng)絡(luò)相比，兩個隱藏層的網(wǎng)絡(luò)對提高最終的預(yù)測準(zhǔn)確率來說并沒有顯著幫助。隱藏層中節(jié)點數(shù)目選擇較復(fù)雜，并沒有統(tǒng)一的規(guī)則去指導(dǎo)，因此本文根據(jù)設(shè)置隱藏層節(jié)點個數(shù)的不同對數(shù)據(jù)準(zhǔn)確性進行了測試，最終確定隱藏層幾點的個數(shù)為20。

本文輸入數(shù)據(jù)均為正數(shù)，因此通過線性歸一化方法將數(shù)據(jù)歸一化到[0，1]范圍上：f（x）=x-minmax-min（1）由于數(shù)據(jù)均歸一化到[0，1]區(qū)間，因此第一層激活函數(shù)選擇S型函數(shù)，第二層激活函數(shù)選擇線性激活函數(shù)，公式如下：f（x）=11+e-x（0

按照上文所述構(gòu)建網(wǎng)絡(luò)模型，訓(xùn)練函數(shù)選擇有動量和自適應(yīng)lr的梯度下降法進行訓(xùn)練，訓(xùn)練參數(shù)設(shè)置迭代次數(shù)為20 000次，訓(xùn)練目標(biāo)最小誤差位0.003，訓(xùn)練速度為0.01。 網(wǎng)絡(luò)訓(xùn)練完成后，將一組測試數(shù)據(jù)輸入程序中，用來測試該網(wǎng)絡(luò)的識別成功率，將上下浮動5%的數(shù)據(jù)作為正確數(shù)據(jù)進行處理，進行了四次實驗，得到結(jié)果如表3所示。

識別準(zhǔn)確率都穩(wěn)定在80%以上，尤其是復(fù)玩率，穩(wěn)定在87.5%以上。將上述模型數(shù)據(jù)與常規(guī)運營數(shù)據(jù)分析方法的結(jié)果進行對比，從圖2可以看到基于BP神經(jīng)網(wǎng)絡(luò)的方法更加準(zhǔn)確客觀，不摻雜分析人員的主觀因素。

4結(jié)語

本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的移動運營數(shù)據(jù)分析方法，建立起移動游戲關(guān)卡設(shè)計因素和運營數(shù)據(jù)之間的關(guān)系。經(jīng)過仿真實驗證明了該方法有效，相對于傳統(tǒng)的人工分析方法準(zhǔn)確率較高且穩(wěn)定可靠，可以作為一種提高運營數(shù)據(jù)分析準(zhǔn)確率的方法應(yīng)用于實踐。

參考文獻參考文獻：

[1] 劉芳，郭宇春.基于數(shù)據(jù)挖掘的用戶忠誠度分析[J].計算機技術(shù)與發(fā)展，2013，23（7）：1417.

[2]劉光遠，苑森淼，董立巖.數(shù)據(jù)挖掘方法在用戶流失預(yù)測分析中的應(yīng)用[J].計算機工程與應(yīng)用，2007，43（9）：154156.

[3]葉進，林士敏.基于貝葉斯網(wǎng)絡(luò)的推理在移動客戶流失分析中的應(yīng)用[J].計算機應(yīng)用，2005，25（3）：673675.

[4]田玲，邱會中，鄭莉華.基于神經(jīng)網(wǎng)絡(luò)的電信客戶流失預(yù)測主題建模及實現(xiàn)[J].計算機應(yīng)用，2007，27（9）：22942297.

[5]郭巖，白碩，楊志峰，等.網(wǎng)絡(luò)日志規(guī)模分析和用戶興趣挖掘[J].計算機學(xué)報，2005，28（9）：14831496.

[6]徐涌，陳恩紅，王煦法.基于神經(jīng)網(wǎng)絡(luò)的Web用戶行為聚類分析[J].小型微型計算機系統(tǒng)，2001，22（6）：699702.

[7]施鴻寶 .神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D].西安： 西安交通大學(xué)出版社 ，1993.

[8]LIPPMANN R P.An introd