一种面向移动社交环境的用户行为分层关联预测方法技术

本发明专利技术公开了一种面向移动社交环境的用户行为分层关联预测方法，该方法首先根据目标用户的不同社会属性，获取多个社交群体，对每一个社交群体，根据肯德尔相关系数及交互度获得一个最优的关联用户；其次，将目标用户以及各群体中的最优关联用户分别与自身做关联分析；最后，采用基于最小二乘法的加权方法对各关联分析结果加权融合获得最终的预测结果。本发明专利技术考虑到用户的社会属性，对其关联用户划分成不同的社交群体。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。

A user behavior hierarchical Association prediction method for mobile social environment

The invention discloses a forecasting method for mobile social environment user behavior stratification Association, firstly, according to the different social attributes of the target user, access to a number of social groups, for each social group, according to Kendall correlation coefficient and interaction degree obtained an optimal relevance user; secondly, the target user and each group of users and their optimal relevance respectively do correlation analysis; finally, using the weighted method of least squares method based on the correlation analysis results to get the final prediction results weighted fusion. The invention takes into account the social attributes of the user and divides the associated users into different social groups. The prediction of user behavior in mobile social networks can effectively improve the accuracy of prediction and is applicable to user service recommendation.

【技术实现步骤摘要】
一种面向移动社交环境的用户行为分层关联预测方法
本专利技术涉及一种面向移动社交环境的用户行为分层关联预测方法，属于无线通信

技术介绍
移动社交网络的蓬勃发展已经成为全球范围的社会现象，用户的规模也在不断扩大。由此，可以看出，用户对移动社交网络的关注度日益增加，且移动社交网络正逐渐影响着用户的生活方式。移动社交网络的一个最大的特征就是以用户为中心，而用户又是多个社会角色的复杂体，所以在移动社交网络中的用户具有多样性。用户根据好友关系、相同的兴趣爱好等建立起不同的用户群，不同群体的用户业务行为之间存在相关性。移动社交网络给人类生活带来了巨大的改变，而且，随着移动社交网络的用户数逐渐增长，用户对业务的需求也越来越多。如何从众多的业务中找出用户感兴趣的内容，已经成为越来越多研究者关注的话题。为了从海量用户行为数据中挖掘出有价值的信息应用于商业领域，有关用户行为分析和预测技术的研究如雨后春笋般涌现出来。在现有的基于移动社交网络的用户行为分析和预测模型中，大部分方法都是建立在同一群体内考虑单个用户及其关联用户的行为历史，而关于群体因素却少有探究。在马克思哲学中，人的本质是一切社会关系的总和，社会属性是其本质属性。而用户往往具有多个不同的社会属性，如，性别、年龄、学历与职业等，移动社交环境中的用户根据这些属性在各种社交平台上组成互不干扰的社交群体。用户和社交群体之间的关系反映出用户的多个层面的规律，通过社交群体的规律特性，亦反映出用户具有多个群体特性的规律。在任何一个群体中，用户之间通过长期的互动交流，都会产生一个互动和影响机制，同时也相应地带来了群体效应。因此，针对多群体的研究应运而生。对不同的群体分类研究，分析群体的属性特征及其行为规律，从而为目标用户的行为预测提供依据。而且，随着时间的推移，用户的社会属性也会越来越复杂，在此场景下，以用户为中心，提供高质量、个性化的业务已成为未来发展的趋势。考虑到用户的群体属性，综合利用目标用户自身的行为样本和各群体最优关联用户的行为样本，以实现对目标用户业务行为的预测。通过在每一个群体中选出一个与目标用户最相关的用户来代表目标用户相应社会属性，然后将目标用户以及各群体最优关联用户分别与自身做关联分析，每一个关联分析结果都反映了目标用户仅受到相应社会属性影响而产生的行为。这样，每个群均可找到相应的最具代表性用户，将他们综合起来就能反映目标用户本身，综合他们的行为预测结果，即可实现目标用户行为预测。
技术实现思路
本专利技术所要解决的技术问题是提供一种面向移动社交环境的用户行为分层关联预测方法，该方法考虑到用户的社会属性，对其关联用户划分成不同的社交群体。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。本专利技术首先根据目标用户的不同社会属性，获取多个社交群体，对每一个社交群体，根据肯德尔相关系数及交互度获得一个最优的关联用户。其次，将目标用户以及各群体中的最优关联用户分别与自身做关联分析。最后，采用基于最小二乘法的加权方法对各关联分析结果加权融合获得最终的预测结果。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种面向移动社交环境的用户行为分层关联预测方法，包括以下具体步骤：步骤1，根据目标用户的不同社会属性，将其关联用户划分为若干社交群体；步骤2，根据肯德尔相关系数及交互度，获取目标用户在每个社交群体中的一个最优关联用户；步骤3，采用基于编码的二维Apriori方法，将目标用户以及各群体内最优关联用户分别与自身进行关联分析；步骤4，采用基于最小二乘法的最优加权融合方法，将步骤3得到的各关联分析结果进行融合，得到预测结果；步骤5，根据步骤4得到的预测结果分析目标用户当前的业务行为，对目标用户下一时刻的业务行为进行预测。作为本专利技术的进一步优化方案，上述步骤2中目标用户在某一社交群体中的最优关联用户U*为：U*＝argmaxG(m,u)其中，G(m,u)＝τ(Pm,Pu)×IR(m,u)，τ(Pm,Pu)表示Pm与Pu之间的肯德尔相关系数，Pm表示目标用户m在一段时间内产生的业务类型序列，Pu表示在同一段时间内目标用户m的某一社交群体中任一用户u产生的业务类型序列，Pm与Pu均按照时间顺序排列，且Pm与Pu的长度相同，Y表示Pm与Pu的长度，C表示Pm与Pu中业务类型相同的元素数目，D表示Pm与Pu中业务类型不相同的元素数目，Y1表示Pm中重复的业务类型的数目，Y2表示Pu中重复的业务类型的数目；IR(m,u)＝log(1+γ1CH(m,u)+γ2TR(m,u)+γ3CM(m,u))，IR(m,u)表示目标用户m与用户u之间的交互度，CH(m,u),TR(m,u),CM(m,u)分别表示建立在目标用户m与用户u之间聊天、转发以及评论行为上的交互程度，γ1,γ2,γ3分别表示CH(m,u),TR(m,u),CM(m,u)所占的权重。作为本专利技术的进一步优化方案，上述步骤3中采用基于编码的二维Apriori方法，将目标用户以及各群体内最优关联用户分别与自身进行关联分析，具体为：在每个预测周期内，目标用户基于自身的当前行为，进行关联规则的挖掘，得到以目标用户自身的当前行为为起点的2项频繁关联规则；各群体的最优关联用户基于自身行为，进行关联规则的挖掘，分别得到以目标用户的当前行为为起点的2项频繁关联规则。作为本专利技术的进一步优化方案，上述频繁关联规则中的项与项之间是有时间顺序的。作为本专利技术的进一步优化方案，上述步骤4中第n个预测周期的预测结果为：CONF(n)＝{CONF(n,1),CONF(n,2),...,CONF(n,L)}'其中，CONF(n,j)＝ω0*CON0(n,j)+ω1*CON1(n,j)+...ωM*CONM(n,j)，ω0,ω1,....,ωM均表示权值，j＝1,2,…,L，L表示业务状态总数，{·}'表示逆矩阵，CONi(n,j)表示第n个预测周期内由目标用户第i个社交群体中的最优关联用户得到的目标用户当前行为到第j个业务状态的条件概率，i＝0,1,2,…,M，M表示社交群体数目，i＝0时表示由目标用户本身得到的目标用户当前行为到第j个业务状态的条件概率。作为本专利技术的进一步优化方案，上述权值ω0,ω1,....,ωM的求解方法为：1)建立最小二乘法优化模型：argmin(ED2(1)+ED2(2)+...+ED2(N))st.ω0+ω1+...+ωM＝1ωi＞＝0其中，ED(n)表示第n个预测周期内预测结果和实际结果之间的欧式距离，P(n,J)＝1，P(n,i)＝0,i≠J，J表示第n个预测周期内目标用户的实际行为状态，n＝1,2,…,N，N表示预测周期总数；2)求解1)中的最小二乘法优化模型，即可得到最优权值ω0,ω1,....,ωM。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术提出基于肯德尔相关系数及交互度获得各群体的最优关联用户，有利于提高预测模型的准确性；2、本专利技术采用了基于编码的二维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；3、本专利技术根据最小二乘法的优化模型获得最终的权值，将关联分析结果进行融合。从而有效提高预测方法的准本文档来自技高网...

【技术保护点】
一种面向移动社交环境的用户行为分层关联预测方法，其特征在于，包括以下具体步骤：步骤1，根据目标用户的不同社会属性，将其关联用户划分为若干社交群体；步骤2，根据肯德尔相关系数及交互度，获取目标用户在每个社交群体中的一个最优关联用户；步骤3，采用基于编码的二维Apriori方法，将目标用户以及各群体内最优关联用户分别与自身进行关联分析；步骤4，采用基于最小二乘法的最优加权融合方法，将步骤3得到的各关联分析结果进行融合，得到预测结果；步骤5，根据步骤4得到的预测结果分析目标用户当前的业务行为，对目标用户下一时刻的业务行为进行预测。

【技术特征摘要】
1.一种面向移动社交环境的用户行为分层关联预测方法，其特征在于，包括以下具体步骤：步骤1，根据目标用户的不同社会属性，将其关联用户划分为若干社交群体；步骤2，根据肯德尔相关系数及交互度，获取目标用户在每个社交群体中的一个最优关联用户；步骤3，采用基于编码的二维Apriori方法，将目标用户以及各群体内最优关联用户分别与自身进行关联分析；步骤4，采用基于最小二乘法的最优加权融合方法，将步骤3得到的各关联分析结果进行融合，得到预测结果；步骤5，根据步骤4得到的预测结果分析目标用户当前的业务行为，对目标用户下一时刻的业务行为进行预测。2.根据权利要求1所述的一种面向移动社交环境的用户行为分层关联预测方法，其特征在于，步骤2中目标用户在某一社交群体中的最优关联用户U*为：U*＝argmaxG(m,u)其中，G(m,u)＝τ(Pm,Pu)×IR(m,u)，τ(Pm,Pu)表示Pm与Pu之间的肯德尔相关系数，Pm表示目标用户m在一段时间内产生的业务类型序列，Pu表示在同一段时间内目标用户m的某一社交群体中任一用户u产生的业务类型序列，Pm与Pu均按照时间顺序排列，且Pm与Pu的长度相同，Y表示Pm与Pu的长度，C表示Pm与Pu中业务类型相同的元素数目，D表示Pm与Pu中业务类型不相同的元素数目，Y1表示Pm中重复的业务类型的数目，Y2表示Pu中重复的业务类型的数目；IR(m,u)＝log(1+γ1CH(m,u)+γ2TR(m,u)+γ3CM(m,u))，IR(m,u)表示目标用户m与用户u之间的交互度，CH(m,u),TR(m,u),CM(m,u)分别表示建立在目标用户m与用户u之间聊天、转发以及评论行为上的交互程度，γ1,γ2,γ3分别表示CH(m,u),TR(m,u),CM(m,u)所占的权重。3.根据权利要求1所述的一种面向移动社交环境的用户行为分层关联预测方法，其特征在于，步骤3中采用基于编码的二维Apriori...

【专利技术属性】
技术研发人员：张晖，王敏，杨龙祥，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32