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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。