[发明专利]泛在网络下基于用户相似度的业务行为预测方法

说明书

技术领域

本发明涉及一种对用户行为进行数据挖掘和基于多markov链的用户行为预测方法，属于无线通信技术领域。

背景技术

无线泛在网络已经是公认的无线移动网络的未来发展方向，无线泛在网络指将现有的无线通信网，有线网络，各种专用网络以及基于无线传感器的网络加以融合。它可以在异构的环境下提供无处不在的通信服务，并提供基于环境感知的业务。无线泛在网络呈现出网络异构化、终端模块化和环境化、计算泛在化、业务个性化等特点。其中业务个性化是指以用户需求为中心，以用户行为为出发点，分析用户兴趣习惯、行为特征、业务需求等，面向用户提供个性化的业务定制服务，提供无所不在的应用与业务。因此无线业务研究直接面向用户、面向需求，已经成为无线泛在网络研究的重要组成部分。

进入21世纪以来，互联网技术发展迅速，创新层出不穷，无线业务资源也随之呈现爆炸式增长的态势，如何从海量无线业务数据中，快速高效的获取适合用户的业务，使得用户获得较高的用户体验，成为了关注的重点领域。未来的无线网络将以用户为中心，业务的产生直接源于用户的需求，用户的业务行为决定了其业务分布。此外，无线泛在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无线资源的最优配置。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，在未来网络的发展进程中，研究用户的行为特征，也促进了业务泛在化、网络异构化、终端自组织的新一代网络体系形成与发展。

在无线网络下，移动智能终端的业务应用更多的是面向大众的共有体验，而不是针对于某一个用户的“个性化体验”。因此，业务个性化的研究已经成为当今无线业务发展的新热点，甚至将成为运营商新的营销理念和趋势。由于网络信息呈现出的多样化，互联网用户规模、成分的扩大，用户在无线网络中的业务行为也变得越来越复杂。因此，将通过收集和分析用户的隐性行为数据，并在此基础上对用户兴趣偏好进行预测并进行推荐，从而提高对无线业务的体验度。

在无线业务预测技术中，Markov模型是一种简单且有效的模型。由于Markov链具有无后效性的特点，目前大多采用Markov模型理论对用户行为进行预测。Markov预测模型(马尔科夫预测理论)是以Markov模型为理论基础，通过对某类问题的历史状态持续感知与学习，并结合当前的状态信息，实现对该类问题未来状态的预测。可变阶Markov预测模型，在用户行为序列的选择上实现变阶，使得模型更具灵活性和动态性，提高预测准确度。马尔科夫预测理拥有预测准确率高，预测覆盖率高等优点。随着马尔科夫预测理论的发展和完善，Markov预测在自然科学，工程实践等得到越来越广泛的运用。

有研究表明，社交网络中的用户属性和互动信息未能重复利用，推荐效率和准确度偏低。可见现有的算法难以满足日益复杂的社交网络的推荐需求。用户行为具有群集特性，属于同一群集的用户具有类似的生活规律、行为方式乃至思维方式，其业务分布呈趋同的规律，发起相同的业务请求。因此，应引入新的用户相似度的概念，重新定义网络业务中相似度属性，相似度构成及其计算算法，从而有效的对业务行为进行预测推荐。

发明内容

为了解决上述无线泛在环境下用户行为规律的有效挖掘及预测的问题，本发明提供了一种泛在网络下基于用户相似度的业务行为预测方法，考虑基于业务的用户行为差异，对无线网络中的用户业务行为进行学习和预测，可有效地提高预测的准确性，适用于网络决策中。

本发明具体采用了如下的技术方案：

1、感知获取用户在无线网络下的用户历史行为状态数据及用户自身特征，其中，用户的历史行为状态是指用户在过去时刻所使用业务的类别；

用户的自身特征是指用户自身的属性，如性别、年龄、职业等。

2、基于业务支持度的相似度计算

根据用户的历史行为状态分析用户的业务支持度(即用户对某种业务的偏好程度)，采用余弦相似性计算方法，结合用户业务支持度建立用户相似度函数，产生最近邻居用户集；

3、基于用户兴趣度的相似度计算

设定权值，将上个步骤得到的用户相似度函数进一步优化，使得用户群的生成更为精确；考虑用户兴趣度(基于用户的年龄层次、文化背景、兴趣爱好等因素导致的对某些业务的偏好)的时效性，及时更新用户的自身特征。实现用户基本群集的完备构建与聚类形成；研究用户群集的行为规律，进而组合形成用户个体的行为规律；

4、多Markov链模型预测