[发明专利]一种面向移动社交环境的用户行为分层关联预测方法

权利要求书

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；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(P_m,P_u)×IR_(m,u)，τ(P_m,P_u)表示P_m与P_u之间的肯德尔相关系数，P_m表示目标用户m在一段时间内产生的业务类型序列，P_u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，P_m与P_u均按照时间顺序排列，且P_m与P_u的长度相同，Y表示P_m与P_u的长度，C表示P_m与P_u中业务类型相同的元素数目，D表示P_m与P_u中业务类型不相同的元素数目，Y₁表示P_m中重复的业务类型的数目，Y₂表示P_u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；

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；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

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；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)+...ω_M*CON_M(n,j)，ω₀,ω₁,....,ω_M均表示权值，j＝1,2,…,L，L表示业务状态总数，表示逆矩阵，CON_i(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；

权值ω₀,ω₁,....,ω_M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+...+ω_M＝1

ω_i＞＝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,....,ω_M

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，所述频繁关联规则中的项与项之间是有时间顺序的。