大数据技术环境下，互联网平台建立起来之后要了解其应用价值，就需要发挥大数据技术的作用。互联网用户传播各方面的信息，并提供各种服务，包括政策宣传服务，相关知识的传播以及文化资源展示等等，在平台上还可以进行学术交流[1]。互联网平台作为互动平台，专业人士，学术研究人士以及社会互联网都可在平台上这对相关事宜进行交流，分享有关的信息。但是，目前来看，互联网平台作为开放空间，依然存在不足之处，在于其在信息传播上存在局限性[2]。本文针对这方面的问题进行研究，将SPSS22.0软件充分利用起来对问卷调查结果进行统计分析，研究用户对互联网平台的研究情况，对各项影响因素量化为指标，分析与平台之间的关联性。
1互联网平台运行中大数据技术所发挥的作用
(1)应用大数据技术分析互联网运行的特征应用大数据技术可以从多维度获得互联网信息，分析其关联关系，充分了解企业之间应用互联网所建立的关联性，应用大数据技术使用各种信息都精准体现出来，如果互联网运行中存在风险，就能够及时发现[3]。采用这种方式能够针对具体情况实施风险评价，对互联网平台的信用进行评级，由此针对风险程度做出准确评估。(2)应用大数据技术评估互联网平台的信用应用大数据技术可以查阅有关互联网平台运行的历史数据以及各种交易信息，对互联网平台的运营状况、采用的管理模式等等进行分析，按照监测指标将互联网风险模型建立起来，通过运行模型对互联网的风险做出评估结果，具体分析互联网运行的特点，对其经营情况深入分析，对其信用情况做出客观地评价，对其未来的发展能力都能够获得准确的评估结果，为用户提供参考，作为用户决策行为的重要依据[4]。(3)应用大数据技术控制互联网运行风险互联网运行的过程中会受到诸多不确定性因素的影响，互联网为用户提供各种服务，就要收集有关的信息，诸如网络运行管理以及所获得的利润等等方面的信息。对于这些信息应用大数据技术采集，将内部数据和外部数据融合起来，经过指标化之后将风险监测模型构建起来，可以对互联网所存在的风险动态分析、实时判断，还可以启动风险预警，采取相应的控制措施解决。采用这种方式可以尽早发现风险，及时采取有效的措施解决，避免对用户造成损失[5]。
2研究方法
(1)问卷设计本文针对用户对互联网平台的关注度进行研究，采用了问卷调查方法，对用户满意度进行调查研究，明确影响用户持续关注意愿的各项因素。问卷的信息包括两类，即基础信息和变量信息。其中的基础信息涵盖4个方面的问题，变量信息被划分为变量维度和自变量维度，前者为5个，后者为2个，问卷中一共27个问题，划分为7级，即“非常同意”、“同意”、“比较同意”、“一般”、“比较不同意”、“不同意”和“非常不同意”。一共发放问卷400份，回收的有效问卷286份，回收问卷的有效率是71.5%。(2)问卷统计调查的对象是大学生，包括本科生和研究生。这些人的信息素养非常高，有超过75%的人使用互联网平台，这就说明这个群体对互联网平台有较高的关注度，根据调研可以明确，这些人对互联网非常感兴趣，能够对用户持续关注的影响因素充分反映出来，为互联网平台提供更高质量的服务提供有价值的参考信息。
3互联网用户行为的影响因素分析
分析用户持续关注行为影响因素，主要从三个角度进行分析，即通过信度和效度的检验，采用样本数据分析用户因子，明确营养因素;通过分析主成分，采用提取公因子的方法，就可以获得用户对互联网平台的满意度;对相关性进行分析，认识到变量之间的关联性，明确变量对用户的满意度和对互联网平台的持续度的影响[6]。
(1)信度和效度的检验在检验信度的时候使用Cronach'sAlpha系数，所获得的结果越高，就意味着有更高的信度。在分析探索性因子的时候将SPSS22.0充分利用起来，检验用户对此类互联网平台的关注度，基于检验的结果修正互联网平台，就可以明确影响用户持续关注的因素。经过检验认识到，影响用户对该互联网平台持续关注的主要因素是各个自变量和因变量维度系数，两者都已经超过了0.7，而且各项自变量系数已经达到了0.8。所以，有良好的信度。对多个变量的相关性进行分析的过程中采用因子分析方法，要求所研究的多个变量之间存在相关性，而且采用一种多元统计方法，要求KOM要超过0.5，而且KOM值大，就意味着能够获得良好的效果。在检验的时候采用Bartlett球形检验，单侧p值不超过0.01。经过检测可以明确，样本数据的KOM已经达到0.8，超过了0.5。采用Bartlett球形度检验，所获得的p值为0，不超过0.01，可见检验水平非常显著，样本数据可以对用户因子分析。
(2)主成分分析本文在进行因子分析的过程中，提取公因子的时候采用主成分算法，结合使用最大方差法。先对21项对用户持续关注互联网平台的变量进行分析，按照提取公因子的准则，要确保特征值超过1，最终将5个公因子提取出来，这个时候，主成分的累积方差贡献率就可以达到64.2%。这就可以说明，原始21个变量的多数信息通过5个公因子就可以表达出来。在旋转因子的时候将方差最大正交旋转充分利用起来，删除因子载荷系数中不足0.5的变量，对旋转之后的成分矩阵加以整理。经过旋转之后可以划分为5个公因子，是在每个公因子中都涵盖各种变量，均不同于原始每个维度的变量。所以在修正维度的时候就要从实际情况出发展开。按照旋转后的成分矩阵，公因子1中包括7个变量，分别是V1为0.531、V2为0.716、V3为0.681、V4为0.664、V5为0.641、V6为0.665、V7为0.572，载荷系数都比较大，其中所涵盖的信息全面而且真实可靠、有较高的新颖性和独特性，而且容易理解，系统质量维度包括两个变量，第一个变量是系统安全性;第二个变量是系统平稳性，与原始分类有所不同。但这些变量能够综合反映用户对互联网平台信息的满意度[7]。公因子2一共包括2个变量，V8为0.737、V9为0.813，载荷系数较大，主要包括界面友好性的描述和界面简洁性的描述，删除了界面美观性载荷系数，因为其不足0.5，所以被称为“系统界面设计”。公因子3一共包括4个变量，V11为0.536、V12为0.724，V13为0.817、V14为0.785;公因子4一共包括4个变量，V15为0.772、V15为0.741，V17为0.78、V18为0.744，和公因子5一共包括3个变量，V8为0.608、V9为0.627、V9为0.654，变量与原始分类都是一致的，所以依然按照原始命名规则。公因子3命名为“服务质量”，公因子4命名为“信息有用性”，公因子5命名为“平台易用性”。
(3)相关性分析通过对用户的满意度以及对互联网平台的关注度进行分析，明确变量与用户满意度之间所存在的关系以及与用户的持续关注度之间所存在的关系，采用相关的方法进行准确度量[8]。为了分析上的方便以及保证分析结果的准确性，采用了提取公因子的方法对用户的满意度和对互联网平台的持续度进行分析。按照公因子提取准则，要求特征值要超过1，在满意度维度上将一个公因子萃取出来，通过分析之后可以获得累积方差贡献率是78.458%，在持续使用意愿维度上将一个公因子萃取出来，通过分析之后可以获得累积方差贡献率是70.288%，都可以作为原始变量信息的代表。使用SPSS22.0分析各个影响因素与满意度之间所存在的相关性以及与持续关注意愿之间所存在的相关性，对于信息的有用性的满意度是0.522，持续关注意愿是0.492;对于信息质量与系统运行的满意度是0.252，持续关注意愿是0.173;对于信息服务质量的满意度是0.167，持续关注意愿是0.13;对于平面界面设计的满意度是0.012，持续关注意愿是-0.02;对于平面易用性的满意度是0.345，持续关注意愿是0.386;对于互联网平台的满意度是1，持续关注意愿是0.811;对于互联网平台的持续关注意愿是0.811，持续关注意愿是1。从这些分析结果可以明确，置信度是0.01的时候，有显著的相关性;当置信度是0.05的时候，有显著的相关性。相关系数r的正值代表变量之间所存在的正相关性;相关系数r的负值代表变量之间所存在的负相关性。绝对值与0的水平线之间的距离越远，就意味着变量之间存在很强的关联性;绝对值与0的水平线之间的距离越近，就意味着变量之间存在很弱的关联性。
(4)分析结果通过应用数据分析的方法对大数据环境下互联网用户的行为进行研究，明确利用先进的技术对于商用价值的提升以及提高用户的关怀度具有现实意义。运用调查的方式采集的用户行为数据以及所获得的分析结果，证明提高互联网为用户的服务质量非常重要，不仅能够达到用户满意，还可以提升商业价值，获得双赢，可以考虑从这两个方面开展数据利用，并且，根据用户在互联网平台上的浏览次数、加购信息以及购买信息等等对用户的需求有更加充分地了解，使得可买性有所提高，商品交易量也大大提升[9]。
4结束语
通过上面的研究可以明确，以有关变量的数据分析结果作为参考，说明互联网平台上所推送的信息对用户满意度通过持续关注度就可体现出来，两者存在正相关性，另外，互联网平台的服务质量以及平台界面设计都对用户满意度有一定的影响，但是用户是否持续使用与满意度不存在相关性。平台的界面设计如何并不会对用户的满意度造成一定的影响，也不会影响到用户对平台的持续关注度。平台是否容易使用对用户满意度也有一定的影响，甚至会影响到用户的持续使用意愿。用户对互联网平台所持有的满意度与其持续关注具有正相关性。所以，运营商可以根据这些结果，对平台做出调整，使得用户的平台有较高的满意度，能够持续关注，有助于信息的有效传播，提高信息的使用价值。
参考文献：
[1]周行.大数据视角下的互联网视频用户行为[J].传播力研究，2018(03)：129-130.
[2]蒋帅.基于蜂窝网络大数据的用户行为分析及预测[D].北京邮电大学，2019.
[3]周航.基于大数据的高校网络用户行为的数据可视化设计分析[J].中国包装，2019(03)：58-59.
[4]李微丽，罗汝，颜一鸣.基于大数据的用户行为分析系统[J].科技风，2020(03)：74-75.
[5]赵名丽，黄伟.基于移动互联网用户行为建模的大数据应用[J].计算机产品与流通，2018，(03)：47-47.
[6]顾杰.基于电信大数据的汽车行业用户行为的研究与应用[D].北京邮电大学，2018.
[7]曹汉清，李全彬.基于大数据的用户行为分析平台设计研究[J].软件工程与应用，2019，08(03)：141-148.
[8]柳静，朱玉清.基于大数据的网络用户异常行为检测方法研究[J].饮食科学，2019(12)：58-59.
[9]郑明，王蓉，杨瑞.基于电信大数据的即时环境应用能力开放平台[J].电信网技术，2016004)：18-22.
《大数据下的互联网用户行为分析》来源：《网络安全技术与应用》，作者：辛铮 鄢小征
