一种利用社交网络中的学习与网络效应来预测移动用户离网倾向和概率的方法技术

本发明专利技术包括三个步骤:首先,利用雪球式抽样法确定用户样本数据,并将该样本中用户之间的联系记录代入邻接矩阵，以绘制出t-1期和t期的个人逐月网络信息；然后通过使用用户个人信息和自学习效应、向他人学习效应及网络效应，建立“用户离网行为动态学习模型”，该模型包括：用户在网概率公式和用户离网概率公式，利用t-1期个人逐月网络信息数据并采用两阶段嵌套定点估计方法对模型结构参数进行估值；最后利用条件概率，将步骤二中的参数以及样本中t期的个人逐月网络信息数据，代入用户在网概率公式和用户离网概率公式，得出用户行为的预测结果。本发明专利技术首次把社交网络概念融入用户离网预测模型，采用动态模型建模，真实地模拟了用户决策行为。

【技术实现步骤摘要】
一种利用社交网络中的学习与网络效应来预测移动用户离网倾向和概率的方法
本专利技术属于移动通讯领域，特别涉及一种利用社交网络中的学习与网络效应来预测移动用户离网倾向和概率的方法。
技术介绍
随着电信行业的竞争愈演愈烈，并基本趋向于市场饱和，电信运营商的用户离网已经成为一个显著的问题。在这个行业里，每一个新用户都必须从竞争对手那里争取得来。例如，在美国无线产业中，2009年无线普及率整体达到91％，拥有285万用户。平均每月用户离网率(为在给定时间内离网的用户比例)介于1.1％到3.2％之间。由普华永道会计师事务所在2006年进行的一项调查显示：在世界各地，67％的无线运营商的用户年离网率超过了16％。由于赢得一个新用户的成本远远高于维护一个现有(Hadden等人，2007)用户的成本，对运营商来说当务之急是将重点从快速发展新用户策略转移到用户驻留管理策略。因此，对于用户更换运营商的决定，了解其背后的行为机制对于企业和学术界都变得至关重要。为什么人们要更换无线运营商？根据ComScore网络公司在2007年进行的对于美国无线手机用户的行为和认可的全面调查，主要原因为：无线网络的覆盖问题、价格优势以及朋友或家人使用的运营商(表1)。该结果表明，正如以往文献强调的(例如，MOZER等人，2000，Gaynor等人，2005，Iyengar等人，2007)，除了服务质量和成本等因素外，家人和朋友圈的影响也很重要。社会学家断言，一个人所了解的大部分信息，是通过观察他人做出的决定从而产生的结果来获得(Bandura1986)。因此，在一个动态社会模型里应该考虑到他人的影响这一点。表1更换无线运营商的原因(ComScore的调查)来自他人的影响可以分为两种机制：社会学习和网络效应。驻留或更换运营商的决定受到几个因素的影响。首先，当前使用的运营商的服务质量将直接影响到用户驻留运营商的决定。然而作为一个服务性产品，人们在真正使用它之前通常不太确定它的好坏(比如具体到某一小区的网络覆盖情况)，因此他需要通过直接的用户体验来了解它的质量。而这将被模型中的动态学习机制所捕捉。这一模型机制在之前的文献中已经被证明使用过。社会化传播通过两种机制影响人们的决定。其一，通过朋友圈的意见的反馈，用户将了解其他运营商的服务质量，进而会影响用户的选择，这一点会被模型中的社会学习机制所捕捉。其二，使用相同网络的联系人的数量将产生网络效应从而直接影响用户驻留运营商的决定。这将被模型中的网络效应部分捕捉到。我们提出的框架借鉴了三个研究领域：动态学习、社会学习和网络效应。由PhillipNelson(1970)开始，体验商品或消费前不能确定品质的商品，一直是广为研究的主题(例如，Ackerberg2002；Clay,Goettler,andWolff2003；Israel2005)。当用户在信息不完全的情况下进行抉择时，各种关于产品质量的信息来源将影响用户的需求，其中包括广告(Ackerberg2002)、专家评论(ReinsteinandSnyder2005)、定价(Erdem,Keane,andSun2008)和借鉴重复消费(ErdemandKeane1996；CrawfordandShum2002)。用户还可以通过观察朋友圈中他人的选择和他们的体验结果来了解产品的质量，还可以通过其他用户的体验推断出产品质量。这就是我们所说的社会学习(EllisonandFudenberg1993)。举例来说，当用户看到更知情的朋友更换了或者正在使用某个无线运营商，他们可能推断出该无线运营商对于他们自己也具有很高的价值。关于从自己的使用体验中学习与从他人的使用体验中学习之间的关系的理论模型已经发展成熟(McFaddenandTrain1996；BoltonandHarris1999)，但实际实施研究还比较罕见。除了社会学习带来的间接信息的影响，在网络效应下，同龄人的选择也影响着用户的需求。网络效应是指一种外部性效应，“本地”是指直接影响用户的朋友圈作出的决定和行为的影响(即相同无线运营商的直接接触)，而不是产品用户群大小的增长(即KatzandShapiro1985)。该效应基于同龄人的压力(“跟上攀比”)，或用户节省成本的目的来实现。例如，一些无线运营商对网内、网外通话和短信收取不同的价格，因此使用相同无线运营商(较大的网络规模)的联系人越多，产生的潜在“节省”就越多，同时，此无线运营商越具有吸引力。这引起了所谓的“资费媒介的网络效应”(Laffont,ReyandTirole(1998b))。它意味着，用户在做出是否更换运营商决定时包含了他们对其所有联系人所作的更换运营商的决定的预期。在这里，我们的目标不是分别识别不同的网络效应的来源，而是将它与社会学习效应进行比较，因为两者表面上会导致相同的结果。也就是说一个人更换运营商的概率会随着越来越多的联系人离开该无线运营商而增大，然而我们希望能够区分有多少可以归因于更换的不确定性(社会学习效果)的减少，有多少是因为较小的网络规模从而使当前无线运营商对用户的控制力减少。在这个模型里面，更换无线运营商的决定是动态的。这也符合现实中这一行为的特点。移动服务，作为一种质量不确定的体验产品，用户即使更换也要权衡所要承担的所有风险，或是等待一段时间通过自己的使用体验来积累更多的信息的利弊，朋友圈的决定鼓励着他们要有前瞻性。此外，由于当地网络效应，用户面临着另一个权衡。他们可以在今天更换，但明天可能就因使用不同的无线运营商，而使与联系人的通信成本变高，或者继续留在当前的无线运营商，在观察他们的联系人的决定以后再决定。最近一些关于用户驻留和用户离网预测的实证研究已经涉及到了的社会效应(Birke2006,Dasguptaetal.2008；Richteretal.2010；NitzanandLibai2010)，并用统计模型来验证假设，作出比以前更准确预测。然而，我们的模型与他们的区别在于，作为一个动态的结构化模型，它侧重于识别用户更换决定的基本行为机制。这可以让我们以后进行多次反事实分析(ChintaguantaandErdemetal.2006)从而制定最优的公司策略。据我们所知，这是第一个在社会网络背景下集成了学习框架的工作，在这里，用户具有前瞻性并且他们的决定是内在的。动态模型在估计上有两个主要挑战：动态平衡的计算，以及因多重均衡存在而产生的不确定性问题。事实上，平衡状态下网络规模变化，必须与实际所观察到的相一致，因此我们提出了一个算法，其在概念上类似于两阶段式估计，如HotzandMiller(1993)，Pakes,Ostrovsky,andBerry(2007)和Bajari，Benkard，和Bajari,Benkard,andLevin(2007)，但在实施的细节上明显不同。我们提出的算法允许未观测状态变量的存在。我们用参数来估计第一步中的网络规模的转移概率。利用给定的估计网络规模，在第二步中，我们使用Keane和Wolpin(1997)技术的变种(Crawford和Shun2005)来预估结构化参数。为了检验模型，我们对使用了预估参数的模拟数据的汇总统计与实际数据进行了比较，并取得了令人满意的结本文档来自技高网...

【技术保护点】
一种利用社交网络中的学习与网络效应来预测移动用户离网倾向和概率的方法，其特征在于，包括以下步骤：步骤一：样本数据采集所采集的数据包括用户个人信息和用户网络信息；利用雪球式抽样方法，首先选取一定数量的手机用户称为种子，在一段时间内即以月为单位的时间段，该时间分为两段：t‑1期和t期分别都以为月为单位，将与种子发生联系人的人员纳入样本，在同一段时间内再将与这些种子的联系人发生联系的人员纳入样本；如此进行n轮取值，归入总样本；然后将所有样本的个人信息逐月进行采集，同时针对种子及至前n‑1轮样本，将他们所有与各自联系人的联系记录逐月代入邻接矩阵，从而绘制出个人逐月的网络信息。步骤二：建立用户离网行为动态学习模型与参数估计本模型以用户离网行为的动态理论分析为基础，除了使用用户个人信息，还着重模拟了向自己学习效应、向别人学习效应以及网络效应四个因素对用户离网行为的影响。模型建立后将样本中t‑1期的用户个人逐月信息及其网络信息，分别带入用户在网概率公式和用户离网概率公式，并采用两阶段嵌套定点估计方式对用户离网行为动态学习模型的结构参数进行估值。用户在网概率公式：Prob(dit=1|It)=exp(V1(It))exp(V1(It))+exp(V0(It))---(6.3)]]>用户离网概率公式:Prob(dit=0|It)=exp(V0(It))exp(V1(It))+exp(V0(It))---(6.4)]]>其中:在网用户i的效用函数V1(It)为:其中:Ui1t表示:在时间周期t,在网用户i对当前网络运营商的抽象效用函数；Sict表示:在时间周期t,用户i接收到的当前网络新的信息；Netit代表在每个周期开始时用户i的网络大小；θXt是关于个人计划和用户特征的线性函数；εit(dit)是每个用户选择偏好的误差项；VC(.)是延续函数，这是对下一个周期的效用函数的期望函数：β∈(0,1)是折现因子。同样的离网用户i的效用函数V0(It)为:VX(.)是使用其它无线运营商的预期效用，它代表了机会成本：步骤三：利用条件概率理论，将步骤二中提取的参数以及样本中t期的用户个人逐月信息及其网络信息，代入用户在网概率公式和用户离网概率公式，进行计算，得出每位用户当月在网概率和离网概率，两者比较，较大的作为当月行为的预测结果。...

【技术特征摘要】
1.一种利用社交网络中的学习与网络效应来预测移动用户离网倾向和概率的方法，其特征在于，包括以下步骤：步骤一：样本数据采集所采集的数据包括用户个人信息和用户网络信息；利用雪球式抽样方法，首先选取一定数量的手机用户称为种子，在一段时间内即以月为单位的时间段，该时间分为两段：t-1期和t期分别都以为月为单位，将与种子发生联系人的人员纳入样本，在同一段时间内再将与这些种子的联系人发生联系的人员纳入样本；如此进行n轮取值，归入总样本；然后将所有样本的个人信息逐月进行采集，同时针对种子及至前n-1轮样本，将他们所有与各自联系人的联系记录逐月代入邻接矩阵，从而绘制出个人逐月的网络信息；步骤二：建立用户离网行为动态学习模型与参数估计本模型以用户离网行为的动态理论分析为基础，除了使用用户个人信息，还着重模拟了向自己学习效应、向别人学习效应以及网络效应四个因素对用户离网行为的影响；模型建立后将样本中t-1期的用户个人逐月信息及其网络信息，分别带入用户在网概率公式和用户离网概率公式，并采用两阶段嵌套定点估计方式对用户离网行为动态学习模型的结构参数进行估值；用户在网概率公式：用户离网概率公式:其中:在网用户i的效用函数V1(It)为:其中:Ui1t表示:在时间周期t,在网用户i对当前网络运营商的抽象效用函数；Sict表示:在时间周期t,用户i接收到的当前网络新的信息；Netit代表在每个周期开始时用户i的网络大小；θXt是关于个人计划和用户特征的线性函数；εit(dit)是每个用户选择偏好的误差项；VC(.)是延续函数，这是对下一个周期的效用函数的期望函数：β∈(0,1)是折现因子；同样的离网用户i的效用函数V0(It)为:VX(.)是使用其它无线运营商的预期效用，它代表了机会成本：在步骤二中，用户离网行为动态学习模型与参数估计具体如下：整个模型的基本假设是用户i在时间点t留在该网络运营商的效用函数有四个方面组成：1)用户计划信息，包括通话费用、计划时间、家庭计划、年龄、性别；关于个人计划和用户特征的线性函数:θXt＝θ1Price+θ2Min+θ3Fam+θ4Age+θ5Male，(1.2)2)自...

【专利技术属性】
技术研发人员：胡漫恬，欧阳晔，程艳云，闫兴秀，
申请(专利权)人：南京华苏科技股份有限公司，
类型：发明
国别省市：江苏;32