一种面向移动社交环境的用户行为预测方法
【技术领域】
[0001] 本发明属于无线通信技术领域，具体涉及一种面向移动社交环境的用户行为预测 方法。
【背景技术】
[0002] 随着智能移动设备和移动互联网技术的快速发展，移动社交网络（MSN)也呈蓬勃 发展势头。移动社交网络是在传统的社交网络的基础上发展起来的，主要是为用户提供方 便的网络服务和帮助。作为一种新兴的社交网络，移动社交网络为用户提供了一个交流平 台，用户可以通过移动设备和其他人进行交互，找到拥有相同兴趣爱好的朋友圈。用户是移 动社交网络的主体，通过了解用户的特性采取一定的措施，这样才能保证移动社交网络的 正常发展。为用户提供更好的服务，满足大部分用户的需求，已经成为移动社交网络研究的 重要组成部分。
[0003] 而现阶段，移动互联网服务和信息内容的日益增长将逐渐超出人们所能接受的范 围，加之移动设备的界面显示、终端处理、输入/输出等能力有限，为移动用户带来沉重的 "移动信息过载问题"，导致移动网络资源利用率和用户体验受到严重影响。而且对于大型 的发展中的移动社交圈而言，网络中是否存在用户群体，如何识别用户群体及其特征，以及 为用户提供更好的服务，这都是需要进行深入研究的。而且，移动社交环境下的用户行为分 析和网络本身的性能是息息相关的，用户是网络服务的主体，适应用户行为的网络体系才 能实现资源的最优配置。用户行为显著影响网络性能，而网络应用也必须建立在深刻了解 用户行为的基础上。因此，在未来移动社交网络的发展中，研究用户的行为特征，不仅可以 为用户提供更好的服务，提升用户体验，而且对移动社交网络的资源优化有一定的研究意 义。
[0004] 移动社交网络的核心是"以人为本"，提供各种社交应用满足用户需求。虽然，群体 性是移动社交网络的一大特点，但是，在研究群体之前，必须清楚个体的行为特征。"个性化 推荐服务"已经成为提升用户体验的重要渠道。随着大数据时代的到来，用户在移动社交网 络中的业务行为也变得越来越复杂。现有的算法难以满足日益复杂的移动社交网络的推荐 需求。因此，在移动服务推荐系统中，常用关联挖掘方法来获得用户行为之间的关联关系， 分析用户的当前时刻及上一时刻的业务行为，预测其下一时刻的业务行为。
[0005]目前，有很多关联规则挖掘算法，而Apriori算法是最经典的关联规则挖掘算法。 它利用逐层搜索的迭代方法找出数据库中项集的关系，以形成规则，其过程由连接与剪枝 组成。针对该算法的效率瓶颈问题，结合移动社交环境的特点采用一种基于编码的二维 Apriori方法用于挖掘用户行为来提高运行效率。该方法的核心思想和步骤是：首先统计 用户上一时刻和当前时刻的业务行为，并对统计后的数据进行二进制编码，然后采用"与" 运算取代传统Apriori算法得到频繁集。而且，朋友圈的划分以及关联结果的数据融合，提 高了算法的准确性。
【发明内容】
[0006] 为了克服上述现有技术的不足，本发明提出一种面向移动社交环境的用户行为预 测方法。该方法考虑用户受到自身的影响以及朋友圈其他用户对其的影响。对移动社交网 络的中用户行为进行预测，可有效地提高预测的准确性，适用于用户业务推荐。
[0007] 为了解决上述技术问题，本发明采用的技术方案是：
[0008] 本发明即面向移动社交环境的用户行为预测方法，其具体过程为：
[0009] 步骤A，采用基于编码的二维Apriori方法实现用户行为的关联分析，所述用户行 为是指用户的业务行为，包括视频业务行为，新闻业务行为，聊天文本业务行为等，所述关 联分析的具体步骤如下：
[0010] 步骤A-1，将目标用户上一时刻的业务行为及当前时刻的业务行为做关联分析， 首先统计各条记录中目标用户上一时刻和当前时刻产生的业务行为，即各条记录中如果业 务行为发生记为1，不发生记为0,并对统计的数据进行二进制编码处理，然后采用"与"运 算取代传统Apriori算法得到频繁集，进而可获得频繁关联规则，由频繁关联规则预测目 标用户下一时刻产生的业务行为；
[0011] 步骤A-2,将目标用户当前时刻的业务行为分别与所述移动社交环境中其η个朋 友圈用户上一时刻的业务行为做关联分析，首先统计各条记录中目标用户当前时刻产生的 业务行为及其η个朋友圈用户上一时刻产生的业务行为，即各条记录中如果业务行为发生 记为1，不发生记为0,并对统计的数据进行二进制编码，最后采用编码"与"运算取代传统 Apriori算法得到频繁集，进而可获得频繁关联规则，由频繁关联规则预测目标用户下一时 刻产生的业务行为；
[0012] 步骤B，使用影响力因子公式在目标用户的朋友圈中获得η个朋友圈用户，影响力 因子公式为：
[0014] 其中义叫表不一个时间段内用户以卩用户叫间的影响力因子：^^…表不一个 时间段内用户m和用户叫同时在线的在线时长，i是用户标号，为正整数；SN"表示一个时 间段内用户m的在线时长；表示一个时间段内用户m和用户ηι交互的次数，ΙΝηι表示 一个时间段内用户m总的交互次数。α,β为权重参数，且α+β= 1。α,β通过多次实 验获得，而且影响力因子^,Μ的值是介于〇和1之间的，由于考虑到实际情况，用户受自身 的影响较大，所以用户受自身影响的影响力因子设为TM= 1 ;
[0015] 步骤C，将步骤A中获得的n+1个关联分析结果视为n+1个节点，对其进行融合分 析；
[0016] 假设各节点的方差分别为of,σ22,crf+17各个节点支持度的均值分别设为 Χι,X2,--，χη+1，这些值彼此间相互独立，各个节点的权值系数分别为ω1;ω2, . . . ,ωη+1，则 融合分析包含步骤如下：
[0017] 步骤c-l，对每个节点多次采样取平均值，求出各个节点关于一个频繁关联规则支 持度的方差；
[0018] 步骤C-2,求出各个节点最终的权值系数<?
[0019]初始权值系数4为：
[0021] 则最终的权值系数< 为：
[0023] 其中，1是节点标号，为正整数，且1<1彡η+1 ;
[0024]步骤C-3，求出节点融合值X;
[0026]权值系数ω/^必须满足：
*节点融合值X即为这个频繁关联规则的最终支 持度，X越大则表明这个频繁关联规则发生的可能性越高，由此针对用户行为关联分析的预 测建模，有效提高用户行为预测的准确性。
[0027] 有益效果：
[0028] 1、本发明提出了基于编码的二维Apriori方法实现用户行为的关联分析，克服了 传统Apriori方法的效率瓶颈问题，有利于提高预测模型的效率。
[0029] 2、基于编码的二维Apriori方法使用编码方式来实现频繁集的获取，在做用户行 为的关联分析时可以大大降低扫描数据库的次数，节约时间。
[0030] 3、本发明根据影响力因子公式获得朋友圈用户，然后分别与目标用户做关联分 析，从而有效提高预测方法的准确性。
[0031] 4、本发明采用基于影响力因子改进的最优加权融合方法将关联分析结果进行融 合。有利于提高预测方法的准确性。
[0032] 5、本发明产生的面向移动社交环境的用户行为预测方法非常简单而易于实现，具 有很好的应用前景。
【附图说明】
[0033] 图1为数据融合框图。
[0034] 图2为面向移动社交环境的用户行为预测方法流程图。
【具体实施方式】
[0035] 下面结合附图对发明的技术方案进行详细说明：
[0036] 本发明提出了一种面向移动社交环境的用户行为预测方法，根据移动社交环境的 群体性，交互性，实时性特点，通过基于编码的二维Apriori方法实现用户行为分析，为用 户提供准确的联合业务推荐。
[0037] 本发明主要包括三个内容：一是用户行为的关联分析，利用基于编码的二维 Apriori方法实现用户业务行为的关联分析；二是朋友圈的划分，采用影响力因子公式获 得目标用户的朋友圈用户；三是将关联分析结果融合在一起，预测目标用户下一时刻的业 务行为。
[0038] 1.基于编码的二维Apriori方法实现用户行为的关联分析
[0039] 基于用户自身业务行为的关联分析：
[0040] 首先，将某一个用户上一时刻的业务行为和当前时刻的业务行为做关联分析。为 了便于分辨，记某个目标用户为m。表1-1所示为一个简单的移动社交环境用户m的业务行 为数据表，共有7条记录，2个属性（维）。用户的业务类型可以分成η类，如：新闻业务，视 频业务，音乐业务，聊天文本业务等。
[0041] 表1-1移动社交环境用户m的业务行为数据表
[0042]
[0043] 对表1-1的业务行为数据表用符号来表示，最终得表1-2事务数据表。
[0044] 表1-2